[发明专利]一种基于双向增强网络的3D牙齿模型分割方法

说明书

本发明公开了一种基于双向增强网络的3D牙齿模型分割方法，包括：使用quadricedge 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；将化简后的3D牙齿模型输入特征提取器，得到其语义信息F；将每个网格的坐标p和语义信息f输入双向增强模块，得到增强后的网格特征s；将每个网格增强后的网格特征s输入多层感知机，得到每个网格所属特定牙齿种类的概率矩阵M，训练3D牙齿模型分割网络；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。本发明方法分割精度高，并应用于牙齿分割领域。

技术领域

本发明涉及一种牙齿模型分割技术，特别是一种基于双向增强网络的3D牙齿模型分割方法。

背景技术

对数字化的3D牙齿模型进行准确的牙齿分割是计算机辅助牙齿正畸治疗中一项基本任务。准确的分割信息可以帮助牙医进行临床诊断，为病人的正畸手术提供数字化的牙齿形状信息，量化预期和临床治疗结果之间的差异等。然而，从牙龈中准确的分割出每颗牙齿是一个富有挑战性的问题，其挑战性主要体现在以下几个方面：(1)虽然大多数人的牙齿都具有一些相同的几何特征，但它们的形状是独特的且在个体之间存在巨大的差异；(2)正畸患者的牙齿通常都比较特殊，他们的牙齿往往会出现缺失、拥挤或者错位等情况，这些都可能产生模糊的牙齿边界；(3)扫描过程中的噪声可能会导致牙齿模型表面部分缺失。

为了应对上述的挑战，传统的方法通常通过使用预先选择的几何属性，例如：坐标、法向量或者曲率，来对牙齿模型进行分割。还有一些方法将三维的网格投影成二维图像以此进行牙齿模型分割。然而，这些传统方法的有效性比较依赖专业的知识和经验。同时，这些方法的鲁棒性较差，因为只使用那些低级的几何特性不能准确地分割具有极端外观的牙齿。最近，许多基于深度学习的方法被提出来，通过学习面向任务的特征表示，以实现牙齿模型的自动分割。其中一些方法将三维网格转换为有序的二维图像，然后应用一般的卷积神经网络进行牙齿分割。

然而，这些方法往往忽略了几何数据的无序性，在转换的过程中，还会引入额外的计算成本和量化误差。

为了避免额外的数据预处理过程，最近的方法通过扩展现有的点云分割网络来对三维牙齿模型进行分割。它们基于预先定义的邻居来表示一个网格。然而，在邻域的构建过程中，邻域之间的重叠是很难避免的，特别是当网格紧密分布在不同牙齿的边界附近时。

发明内容

发明目的：本发明的目的是提供一种基于双向增强网络的3D牙齿模型分割方法，以一种双向的方式同时利用网格的坐标信息和语义信息来增强网格的局部上下文信息。还提供了一种装置及存储介质。

技术方案：本发明的一种基于双向增强网络的3D牙齿模型分割方法，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。

进一步的，步骤S1具体为：