[发明专利]基于迭代边界优化和深度学习的牙齿分割方法及系统

说明书

本发明涉及深度学习和图像处理技术领域，公开了基于迭代边界优化和深度学习的牙齿分割方法及系统；方法包括：获取待分割的口腔扫描点云数据；对待分割的口腔扫描点云数据进行降采样处理，得到代理点云数据；将代理点云数据输入到训练后的第一牙齿边界分割模型中，得到预测的牙齿标签；基于预测的牙齿标签，将代理点云数据划分为牙齿边界点云数据和牙齿特征点云数据；将得到的数据输入到训练后的第二牙齿边界分割模型中，得到预测的牙齿边界标签；根据预测的牙齿边界标签，将代理点云数据重新划分为牙齿边界点云数据和牙齿特征点云数据，继续分割直至迭代次数超过设定阈值，输出最终预测的牙齿边界。本发明能够实现高精度的牙齿边界分割。

技术领域

本发明涉及深度学习和图像处理技术领域，特别是涉及基于迭代边界优化和深度学习的牙齿分割方法及系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

数字化正畸是将患者口腔内的真实情况以数字化数据呈现、分析、并产生正畸流程的过程。一般地，患者在初诊阶段，会拍摄锥形束CT、口腔X光曲面断层片等影像数据，用于观察从外部不易观察的牙根、牙槽骨、软组织的形态或病变情况；此外，患者会被要求制作口腔模型，分为传统的基于咬合倒模的石膏实物模型，和更为现代化的利用口腔扫描设备重建得到的口腔三维模型（以下简称“口扫模型”）。实物石膏模型会通过三维扫描设备数字化为三维模型。由于石膏模型具有制备周期长、易损坏、不易大量保存等缺点，越来越多的口腔医院选择使用更快捷的口腔扫描设备对患者的口腔进行数字化建模。

拥有了患者的口腔数据后，数字化正畸软件会对这些原始数据进行数据的分割、分析。基于口扫数据的牙齿分割是数字化正畸的基础，它的目的是将口扫模型中的牙齿部分与牙龈部分进行分离，并从中分割、分类出单颗牙齿，以便后续的针对牙齿的正畸过程设计。传统的人工牙齿分割方法，需要技师划出牙齿、牙龈的边界，并指定该牙齿的编号。传统的自动牙齿分割方法，通常基于曲率进行边界确定，这是由于牙齿与牙龈交界处、牙齿之间的交界处通常会存在较大的曲率，即位于该区域的点法向变化较快，这是一项重要且显著的特征。传统方法受限于模型本身的质量好坏，若存在口扫模型噪声、牙齿与牙龈交界处较为模糊等情况，传统方法则较难精准地确定边界，导致牙齿分割不准确，进而影响后续的正畸流程。

随着计算机硬件设备以及机器学习算法地迅猛发展，数据驱动的机器学习医学影像处理方法逐渐成为相关学者的研究重点。深度神经网络具有强大的数据分布拟合能力，通过学习海量数据中的特征，能够较为准确地对未知数据进行推理。现代图形处理器（GPU）能够在数毫秒内完成一次大型神经网络的推理，极大地促进了深度学习在各行各业的应用。然而直接使用深度学习的精准牙齿分割依旧是一个非常具有挑战性的工作。使用GPU进行数据推理，需要将数据由宿主机内存转移至GPU显存中，而显存相对于宿主机内存更小且更难扩展，因此对原本庞大的数据进行压缩是很有必要的。以点云或Mesh表示的三维口扫模型，在输入到神经网络前，通常会被降采样到一个较小的固定顶点数，这就导致降采样的模型丢失了原始模型的边界细节信息。在低分辨率模型的牙齿分割结果映射回原始模型时，会出现边界不平滑甚至预测错误的情况。

发明内容

为了解决现有技术的不足，本发明提供了基于迭代边界优化和深度学习的牙齿分割方法及系统，基于正畸治疗过程中获取的三维口扫点云数据，进行数据降采样得到低分辨率的代理数据，对代理数据进行牙齿预分割；根据预分割结果寻找原始高精度模型的牙齿边界点云，并输入到深度神经网络进行高精度边界分割；将高精度边界分割结果映射到代理数据，并重复边界获取及分割过程，直到边界的变化收敛到某一阈值。

第一方面，本发明提供了基于迭代边界优化和深度学习的牙齿分割方法；

基于迭代边界优化和深度学习的牙齿分割方法，包括：

获取待分割的口腔扫描点云数据；

对待分割的口腔扫描点云数据进行降采样处理，得到代理点云数据；

将代理点云数据输入到训练后的第一牙齿边界分割模型中，得到预测的牙齿标签；