[发明专利]用于将牙弓的3D模型的视图转换为照片级视图的方法

说明书

一种用于将“原始”数字三维模型的“原始”视图转换为超逼真视图的方法，所述方法包括以下步骤：21)创建由多于1000条“转换”记录组成的“转换”学习库，每条转换记录包括：‑表示场景的“转换”照片，以及‑对所述场景进行建模的“转换”数字三维模型的视图或“转换视图”，所述转换视图如所述转换照片一样地表示所述场景；22)通过所述转换学习库训练至少一个“转换”神经网络；23)将所述原始视图提交给所述至少一个转换神经网络，使得所述至少一个转换神经网络将所述原始视图转换为超逼真视图。

技术领域

本发明涉及牙弓照片的分析领域。

它特别涉及用于使三维模型和此类模型的视图超逼真、创建旨在基于这些超逼真的视图来训练神经网络的学习库，以及使用如此训练的神经网络来分析牙弓的照片的方法。

背景技术

最新技术基于图像(通常为X射线)使用神经网络来评估牙齿状况，特别是用于验尸鉴定。

“神经网络”或“人工神经网络”是本领域技术人员众所周知的一组算法。特别地，所述神经网络可以选自：

-专门用于图像分类的神经网络(被称为卷积神经网络(CNN))，例如：

-AlexNet(2012)

-ZF Net(2013)

-VGG Net(2014)

-GoogleNet(2015)

-微软ResNet(2015)

-Caffe：BAIR Reference(参考)CaffeNet、BAIR AlexNet

-Torch：VGG_CNN_S、VGG_CNN_M、VGG_CNN_M_2048、VGG_CNN_M_1024、VGG_CNN_M_128、VGG_CNN_F、16-layer(层)VGG ILSVRC-2014、19层VGG ILSVRC-2014、网络中网络(Imagenet和CIFAR-10)

-Google：Inception(V3，V4)；

-专门用于定位和检测图像中的对象的网络(对象检测网络)，例如：

-R-CNN(2013)

-SSD(单发多箱检测器(Single Shot MultiBox Detector)：对象检测网络)，更快的R-CNN(基于更快区域的卷积神经网络：对象检测网络)

-更快的R-CNN(2015)

-SSD(2015)。

上面的列表不是详尽的。

为了可操作，必须基于不成对学习库或成对学习库，使用称为“深度学习”的学习过程来训练神经网络。

成对学习库由一组记录组成，每个记录包括图像和该图像的描述。通过在神经网络的输入端呈现记录，所述神经网络逐渐学习如何为呈现给它的图像生成描述。

例如，学习库中的每个记录可以包括牙弓的图像以及在该图像中标识牙齿或“牙齿区域”的表示以及相应的牙齿编号的描述。在经过训练之后，神经网络将因此能够在呈现给它的图像中识别牙齿的表示和相应的牙齿编号。

神经网络执行分析的质量直接取决于学习库中的记录的数量。该学习库通常包含多于10000条记录。

在牙科领域，由于产生的图像数量有限、特别是由正畸医生和牙医产生的图像数量有限，并且由于这些图像的普遍机密性，使得创建大量记录变得困难。