[发明专利]一种基于深度学习的3D牙齿分割和分类方法

说明书

本发明公开了一种基于深度学习的3D牙齿分割和分类方法。本发明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。本发明基于深度卷积网络，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。

技术领域

本发明属于3D牙齿标记领域，具体涉及一种基于深度学习的3D牙齿分割和分类方法。本发明在深度卷积网络基础之上，结合图割算法进行结果后处理。

背景技术

在计算机辅助正畸治疗领域，在三维牙面上进行精确的牙齿标记是一项重要的任务，它是进行牙齿分析和重排的前提。

现有的自动化或半自动化方法通常需要人工交互，这是很耗时的。此外，他们通常使用简单的几何属性作为分割的标准，这不能很好地处理不同患者的牙齿外观的变化。最近在计算机视觉和计算机图形学领域，已经提出了几个具有开创性的深度神经网络(如PointNet和MeshSnet)，以端到端的方式有效地分割3D形状。然而，此类方法目前也存在如下几个问题：1、前者网络忽略了局部几何上下文，而有效地进行局部结构建模已被证明是深度神经网络在细粒度分割任务中成功的关键；2、后者网络虽然考虑了用网格单元代替点作为输入，增加了局部结构信息，但是其本身只有14类牙齿的分类，并且其本身在训练过程中对每类牙齿的损失项权重都是一致的，最后导致在实际分割任务过程中表现的不是特别理想。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于深度学习的3D牙齿分割和分类方法。基于深度卷积网络，通过对3D牙齿分割任务进行多阶段分割，再结合图割算法，完成对3D牙齿的自动化标记任务。整个模型框架分四个阶段，整个流程见图1(本发明的流程图)，每个阶段都会有一系列的步骤，四个阶段如下：

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

一、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。

二、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：