[发明专利]一种基于深度学习的3D牙齿分割和分类方法

权利要求书

1.一种基于深度学习的3D牙齿分割和分类方法，其特征在于基于深度卷积网络，通过二分类任务进行牙齿和牙龈分割，达到分离目标牙齿的目的，接着对牙齿进行十六类的牙齿内部之间的分割任务，由于单齿之间面片数的差异性，使用不同的损失权重进行深度学习模型训练，然后结合牙齿和牙龈结果并应用图割算法进行后处理，最后使用支持向量机算法上采样回原3D牙齿数据，达到对实际3D牙齿精确标记的目的。

2.根据权利要求1所述的一种基于深度学习的3D牙齿分割和分类方法，其特征在于该方法使用的模型框架分四个阶段，阶段一：样本数据采集及制作；阶段二：基于牙齿和牙龈之间的二分割的深度网络模型搭建及训练；阶段三：基于牙齿之间的十六类分割的深度网络模型搭建及训练；阶段四：整合阶段二和阶段三的结果；

所述的阶段一样本数据采集及制作主要步骤如下：

1.1采集内部口扫3D牙齿数据，共245个；

1.2由于实际3D牙齿样本个数有限，我们进行了如下数据增广的操作：

(1)用牙齿辅助软件，对原3D牙齿数据进行拔牙或者移动操作；

(2)对原3D牙齿数据分别绕XYZ轴进行随机旋转操作；

(3)对原3D牙齿数据进行上下左右随机平移操作；

(4)对原3D牙齿数据分别进行放大或缩小操作；

1.3由于采集的3D牙齿数据，是以面片数和点构成，其面片数多达30万个，如果要全部加入训练会导致显存不足，所以用vtk库进行了下采样操作，使最后输入到网络的面片数为1万个；

1.4对得到的原数据和增广后的数据进行面片标注，并通过相关软件可视化标注结果，排查误标注，达到清洗数据的目的。

3.根据权利要求2所述的一种基于深度学习的3D牙齿分割和分类方法，其特征在于所述的阶段二基于牙齿和牙龈之间的二分割的深度网络模型搭建及训练，具体步骤如下

2.1构建深度卷积网络结构

深度卷积网络由多个一维卷积层、多个一维批标准化层和多个激活层组成，最终网络结构如下：

参数说明：Input(N*15)中N表示输入深度卷积网络的面片个数，15表示输入面片的几何信息，其包括3个顶点坐标、一个面片中心点坐标及一个面片法向量；MLP-1、MLP-2和MLP-3是由多个一维卷积层组成的结构；FTM层是特征变化模块；GLM-1和GLM-2结构的实现是输入不同尺度下的邻接矩阵A_s和A_L，并和MLP层的输出特征相结合；邻接矩阵A_s和A_L的大小均为N*N，N为面片个数；Upsample是上采样层；Concat是结合层；Cov1D是一维卷积层；最后结果输出是面片的概率信息；2表示牙龈和牙齿这两个类别；

2.2训练深度网络模型

训练模型时为保证训练的效率和稳定性每次训练都提供一小批样本，这里每批次样本数设置为20个3D牙齿数据，总共设置200轮的训练，目标损失函数采用Generalized Diceloss，计算公式如下：

公式说明：c是类别个数，r_cn是类别c在第n个面片的真实标签，p_cn是类别c在第n个面片的预测标签，W_c是类别的权重，其具体表示为：

其中r_cn是类别c在第n个面片的真实标签，ε可为0.00001，目的防止分母为零；

整个项目训练完200轮训练，保存下来的模型是验证集上损失最低且准确率最高的模型；

2.3优化深度卷积网络模型

采用Adam算法优化深度卷积网络模型，Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，其收敛速度更快，学习效果更为有效；

Adam算法公式如下：

公式说明如下：θ是参数向量；g是关于θ的梯度；s是一阶矩梯度；r是二阶矩梯度；ρ₁是一阶矩衰减率；ρ₂是二阶矩衰减率；是一阶矩偏差修正；是二阶矩偏差修正；表示对参数向量求梯度；

2.4卷积网络模型预测

利用优化得到的最终模型对3D牙齿数据进行分割，最后可以达到牙齿与牙龈分离的目的，为后续牙齿分割提供前提。