[发明专利]一种基于人工神经网络模型的正中矢状平面构建方法

权利要求书

1.一种基于人工神经网络模型的正中矢状平面构建方法，其特征在于包括以下步骤：

(1)、建立适用于三维颜面数据PA关联法构建正中矢状平面的人工神经网络模型：

针对正中矢状平面构建的临床实际需求，依据口腔临床的疾病分类与PA解剖标志点权重参考性间的影响关系，构建一个由输入层、隐藏层和输出层构成的3—4层节点结构的多层人工神经网络模型，并建立各诊断分类下神经网络节点的拓扑关系；

根据PA关联法的原理，对三维颜面数据的本体标志点集N1及其镜像标志点集N2进行经典PA重叠，获得重叠后具有一一对应关系的同名标志点对共14对，记录此时的每对标志点坐标的组合坐标：X_n1，Y_n1，Z_n1，X_n2，Y_n2，Z_n2，其中X_n1、Y_n1、Z_n1为本体标志点三坐标，X_n2，Y_n2，Z_n2为对应的镜像重叠标志三坐标，n为标志点对代码：1-14，六个坐标参数作为人工神经网络模型的一个输入节点“特征”信息；此时输入层的各节点特征为“等权重”时的PA重叠坐标；

对于用于人工神经网络模型训练的每个三维颜面数据，根据患者数据的临床疾病分类，由专家在Geomagic软件中对三维颜面数据的正中矢状平面进行标注，该平面的数学表达方程作为“目标”信息，用于神经网络的监督训练；

输入层节点对应的激励函数可对输入信息进行必要的运算处理，经过与后一层节点间的加权值W_i进行调整，得到隐藏层节点数值；隐藏层节点的层数和个数可根据实际数据集的训练结果进行适当调整，隐藏层节点的信息是上一层节点的抽象特征的体现，这些特征并非一定是解剖学意义上的特征，有些会是数值关系上的特征；隐藏层节点的激励加权W_i’由人工神经网络模型在训练过程中自适应调整，体现出系统在训练数据的深层分析过程中对内部隐藏特征的权重判断；人工神经网络模型最终由输出层节点输出一指定形式的权重函数矩阵W_i(t),进而计算获得PA标志点集的最优重叠匹配位置，从而计算构建神经网络权值调控下的正中矢状平面数学方程；

(2)、建立人工网络模型针对PA解剖标志点的智能权重调控机制，实现专家级逻辑策略的训练模式和反馈机制：

构建的人工神经网络模型，其最终输出的权值矩阵是由人工神经网络模型输入层到输出层之间所有节点间加权的权值矩阵的“点乘”结果，网络训练的过程实际就是权值矩阵不断自我调整的过程；在人工神经网络模型输出端将训练数据通过人工神经网络模型计算的结果与训练数据配套注的“真值”做比较，并将误差信息反馈回人工神经网络模型；

在每个数据的训练过程中，人工神经网络模型输入一套人工标记的PA坐标信息，同时输出一个人工神经网络模型计算的正中矢状平面，将输出的正中矢状平面与训练数据标注的专家定义正中矢状平面做差异计算，获得两个平面的三维角度偏差和两平面交线位置信息；对于两个空间平面，原则上角度偏差越小、交线位置距离有效数据区域越接近，代表两个平面越逼近；将所述角度偏差和交线位置信息做适当形式转换后，作为反馈信息沿神经网络的反向传播方向，逐级调整节点权值，即从输出端向输入端的反向权值调控；

反向权值调控的目的是使每次权值更新后，人工神经网络模型输出的结果更逼近于专家定义的正中矢状平面，经过反复多次训练，可实现人工神经网络模型输出误差项的最小化；这种反馈调控机制能够说是一种由结果导向的人工神经网络模型权值参数的整体优化，而并不是局限于某几个或局部权值的调整，能够更好地体现出人工神经网络模型并行、非线性的特点，从而可以实现模拟人脑思维的效果。

2.根据权利要求1所述的一种基于人工神经网络模型的正中矢状平面构建方法，其特征在于：所述临床疾病分类包括正颌、肿瘤、创伤、正畸的类别。