[发明专利]一种基于八叉树结构的3D牙齿分割方法

权利要求书

1.一种基于八叉树结构的3D牙齿分割方法，其特征在于包括三个阶段，具体实现如下：

阶段一：样本数据采集及制作；

阶段二：深度网络模型搭建及训练；

阶段三：模型推断及后处理。

2.根据权利要求1所述的一种基于八叉树结构的3D牙齿分割方法，其特征在于阶段一样本数据采集及制作的具体步骤实现如下：

1.1采集内部口扫牙齿数据，获得共245个3D牙齿样本；对牙齿数据进行简化后，使得每个牙齿数据由1万个面片组成；

1.2由于3D牙齿样本个数有限，故进行了数据增广：

(1)用CAD辅助软件，对原牙齿数据进行拔除或者偏移操作；

(2)随机绕XYZ轴进行旋转操作；

(3)随机对原数据进行上下左右平移操作；

(4)随机对原数据进行放大或缩小操作；

所述的原数据是指245个3D牙齿样本；

1.3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，人工排查误标注，达到清洗数据的目的；

1.4对已经标注好的数据进行八叉树结构转换，树的深度为8，并转换成支持深度网络读取的数据格式。

3.根据权利要求2所述的一种基于八叉树结构的3D牙齿分割方法，其特征在于阶段二深度网络模型搭建及训练的具体步骤实现如下：

2.1构建深度网络模型

构建的深度网络模型如下：

参数说明：Input(octree)是制作好后的八叉树结构数据；Conv-1、Conv-2、Conv-3、Conv-4、Conv-5和Conv-6是卷积结构，卷积结构包括卷积层、正则化层和激活层；Deconv-2、Deconv-3、Deconv-4、Deconv-5、Deconv-6、Deconv-7和Deconv-8是反卷积结构；反卷积结构包括反卷积层、正则化层和激活层组成见图2；Pool-1、Pool-2、Pool-3、Pool-4、Pool-5和Pool-6是池化层；Unpool-1、Unpool-2、Unpool-3、Unpool-4、Unpool-5和Unpool-6是反池化层；Fc是全连接层，共17类输出，包含背景和16类牙齿类别；

所述的卷积层、池化层和反池化层均能够处理八叉树结构的数据，从而达到最初卷积、池化和反池化的效果；

2.2训练深度网络模型

训练深度网络模型时，为保证训练的效率和稳定性每次训练都随机提供一小批样本，这里每批次样本数设置为20个八叉树结构的牙齿数据，总共设置迭代5万次，目标损失函数采用交叉熵损失函数，计算公式如下：

公式说明：M是类别数，N是每批次训练的样本数，y_ic是指示变量，取值为0或1，p_ic是对于观测样本i属于类别c预测概率；整个项目训练完5万次迭代，保留的模型是验证集上损失最低且准确率最高的模型；

2.3优化网络模型

采用SGD-M算法对深度网络模型进行优化，即带有动量的随机梯度下降方法，其算法公式如下：

m_t＝γm_t-1+ηg_t

其中，η是初始学习率，g_t是当前梯度，γ是动量项；在本次训练过程中，η设置为0.1，γ设置为了0.9；m_t表示当前t时刻的能量值。

4.根据权利要求3所述的一种基于八叉树结构的3D牙齿分割方法，其特征在于在优化网络模型过程中为防止过拟合在最后全连接层加入了dropout，随机保留八叉树结构中50％的叶子节点，此外设置学习策略为step策略，每迭代训练1万步，降低学习率到之前的0.1。

5.根据权利要求4所述的一种基于八叉树结构的3D牙齿分割方法，其特征在于阶段三模型推断及后处理主要步骤具体如下：

通过阶段二得到优化后的深度网络模型；在实际模型推断的时候，得到八叉树叶子节点的真实标签的索引数据及其对应类别的概率数据；但是因为在构造八叉树时，选取的树的深度为8，其并不能完整包含所有的面片信息，故最后再对模型结果进行图割算法后处理，达到3D牙齿分割和分类。