[发明专利]一种基于双向增强网络的3D牙齿模型分割方法

权利要求书

1.一种基于双向增强网络的3D牙齿模型分割方法，其特征在于，包括以下步骤：

S1、使用quadric edge collapse网格化简算法对原始3D牙齿模型进行化简，得到化简后的3D牙齿模型的初始化坐标矩阵p和法向量矩阵V；

S2、将化简后的3D牙齿模型输入特征提取模块，得到其语义信息F；

S3、将每个网格的坐标p和语义信息f作为输入，送入双向增强网络的双向增强模块，得到增强后的网格特征s；

S4、将每个网格增强后的特征s输入预测感知机，得到每个网格所属特定牙齿种类的概率矩阵M，训练出一个3D牙齿模型分割网络；

S5、利用训练好的3D牙齿模型分割网络对测试实例中每个网格所属特定牙齿种类进行预测。

2.根据权利要求1所述的一种基于双向增强网络的3D牙齿模型分割方法，其特征在于，步骤S1具体为：

利用quadric edge collapse网格化简算法将原始3D牙齿模型网格数量下采样到N，得到保留原始3D牙齿模型拓扑信息，去除冗余信息的化简后的3D牙齿模型，化简后的3D牙齿模型对应的坐标矩阵P∈R^N×9，其中每一行代表每个三角形网格三个顶点的3D空间坐标；对应的法向量矩阵V∈R^N×3，其中每一行代表每个三角形网格的法向量。

3.根据权利要求1所述的一种基于双向增强网络的3D牙齿模型分割方法，其特征在于，步骤S2具体为：

第i个网格的语义信息f_i的计算公式为：

其中，特征提取器被实现为多层感知机，用MLP表示，表示按通道连接，p_i表示第i个网格的坐标，v_i表示第i个网格的法向量，f_i表示第i个网格的语义信息；

则化简后的3D牙齿模型的语义信息F∈R^N×16，其中每一行代表每个三角形网格的语义信息，即f_i。

4.根据权利要求1所述的一种基于双向增强网络的3D牙齿模型分割方法，其特征在于，步骤S3具体为：

将每个网格视为中心，利用k近邻算法构造其邻域；设中心网格的坐标为p_i，语义信息为f_i，其邻域表示为邻域内的邻居的坐标信息为p_j，语义信息为f_j；

首先使用第一多层感知机和第二多层感知机分别为每个中心网格校准其邻域内每个邻居的坐标信息和语义信息：

其中，为校准后的邻居的坐标信息；为校准后的邻居的语义信息；MLP₁为第一多层感知机，MLP₂为第二多层感知机；

接着基于每个网格的语义信息来增强其坐标信息；具体的：估计中心网格的不同邻居的几何偏移量，计算公式为：

其中，Δf_j＝f_i-f_j；操作被实现为多层感知机；因此，偏移后的邻居的坐标信息被表示为：

然后，将偏移后的邻居的坐标信息和校准后的邻居的坐标信息连接起来送入第三多层感知机，得到每个网格增强后的邻居坐标信息为：

其中，MLP₃表示第三多层感知机；

同样，基于每个网格的坐标信息来增强其语义信息；偏移后的邻居的语义信息被表示为：

其中，Δp_j＝p_i-p_j；

同样，基于偏移后的邻居的语义信息和校准后的邻居的语义信息，每个网格增强后的邻居语义信息被表示为：

其中，MLP₄表示第四多层感知机；

最后，采用最大池化操作从每个网格增强后的邻居坐标信息和增强后的邻居语义信息中获取更具区分性的能表示该网格的特征，具体来说，第i个网格的特征被表示为：