本發(fā)明屬于牙齒分割領(lǐng)域，尤其涉及一種利用牙冠邊緣信息的兩階段深度學(xué)習(xí)牙冠分割方法。

背景技術(shù)：

1、牙齒口掃數(shù)據(jù)在口腔醫(yī)療中有著重要的作用，口掃數(shù)據(jù)一般以三維網(wǎng)格的形式存儲，具有數(shù)據(jù)量大，拓撲關(guān)系復(fù)雜的特點。目前對牙齒三維網(wǎng)格模型的分割算法可以分為傳統(tǒng)算法和深度學(xué)習(xí)算法。

2、傳統(tǒng)算法可以分為基于曲率的分割、基于路徑的分割。三維牙齒模型的牙隙和牙冠-牙齦連接處的曲率和拓撲信息會出現(xiàn)變化。傳統(tǒng)方法需要依靠這些預(yù)先設(shè)計好的幾何特征對牙齒進行分割，而對這些特征的選取需要用戶指定參數(shù)，參數(shù)極大程度上決定了分割的結(jié)果，算法魯棒性較差。

3、基于深度學(xué)習(xí)的分割算法則呈現(xiàn)出百花齊放的特點。根據(jù)不同的需求采用了諸如cnn，u-net，mask?r-cnn等架構(gòu)，通過大量數(shù)據(jù)的訓(xùn)練提高了魯棒性。但為了獲取全面的空間信息或者讓分割結(jié)果符合牙齒的幾何結(jié)構(gòu)，往往需要對數(shù)據(jù)進行復(fù)雜的預(yù)處理或者后處理步驟。

4、現(xiàn)有的一種技術(shù)方法為基于表面曲率的方法。三維空間中的曲率反映了曲面偏離平面的程度，可以利用在牙冠和牙齦連接處以及牙隙處的曲率變化進行分割；典型的算法流程為：

5、1.牙齒數(shù)據(jù)對準：用戶需要在牙齒三維模型上標記四個參照點，確定牙齒模型空間的原點；

6、2.計算頂點曲率，初步確定特征點；

7、3.濾波，清理數(shù)據(jù)：濾除在第2步中引入的噪聲點，具體為將點密度低于用戶規(guī)定閾值的區(qū)域內(nèi)頂點進行清理；此外在濾除之后還需要用戶自行選擇位于非牙冠區(qū)域，但密度符合要求的頂點進行擦除；

8、4.形態(tài)學(xué)處理，清理邊界：在牙冠-牙齦邊界處的點需要進行形態(tài)學(xué)處理，以保持一條清晰的邊界；

9、5.選取特征線：基于第4步得到的特征骨架，用戶需要在牙齒空隙之間選擇一個點，并基于距離該點最近的特征骨架上的點使用四次方程擬合，得到牙弓曲線，即所需的特征線；

10、6.閉合特征輪廓：使用dijkstra最短路算法閉合第5步中得到的特征線，對于牙齒和牙齦之間的分界線閉合，和牙齒之間的分界線閉合兩類情況，規(guī)定了對應(yīng)情況在dijkstra算法中的邊權(quán)。

11、該方法魯棒性不足：初值的選取極大程度決定了分割的結(jié)果，不恰當?shù)某踔悼赡茉斐煞指畈蛔慊蛘哌^分割的情況。用戶交互復(fù)雜：算法的全周期幾乎都需要用戶進行手動操作，操作復(fù)雜；并且對操作的要求較高，不恰當?shù)慕换ヒ矔O大影響分割結(jié)果。

12、現(xiàn)有的另一種方法為基于深度學(xué)習(xí)的分割方法。傳統(tǒng)方法大多基于提前設(shè)計的幾何特征進行分割，在算法魯棒性上表現(xiàn)不足，深度學(xué)習(xí)方法能很好地克服這一缺點。提出的meshsegnet是目前精度較高的深度學(xué)習(xí)牙齒模型自動分割方法。該方法考慮了不同尺度上的牙齒網(wǎng)格模型單元格的空間特征，并使用圖切割的方法處理分割結(jié)果。

13、該方法的缺點為在得到預(yù)測概率之后，還需要使用圖分割方法對分割結(jié)果加上限制。此外圖分割方法本身對參數(shù)十分敏感，也會降低算法魯棒性。

14、為此，需要一種魯棒性好，同時不需要復(fù)雜的數(shù)據(jù)預(yù)處理的牙齒口掃數(shù)據(jù)分割方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種利用牙冠邊緣信息的兩階段深度學(xué)習(xí)牙冠分割方法解決了現(xiàn)有的牙齒分割方法在數(shù)據(jù)后處理復(fù)雜度和魯棒性無法平衡的問題。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種利用牙冠邊緣信息的兩階段深度學(xué)習(xí)牙冠分割方法，包括以下步驟：

3、s1、通過口掃設(shè)備獲取牙齒數(shù)據(jù)，對牙齒數(shù)據(jù)進行網(wǎng)格劃分，獲得牙齒網(wǎng)格數(shù)據(jù)；

4、s2、對牙齒網(wǎng)格數(shù)據(jù)使用最遠點采樣，獲得牙齒網(wǎng)格數(shù)據(jù)的第一采樣點集；

5、s3、根據(jù)牙齒網(wǎng)格數(shù)據(jù)的第一采樣點集，利用牙齒分割網(wǎng)絡(luò)，得到牙齒語義標簽和第一牙齒實例標簽；

6、s4、根據(jù)第一牙齒實例標簽，使用邊界感知采樣，獲得牙齒網(wǎng)格數(shù)據(jù)的第二采樣點集；

7、s5、將牙齒網(wǎng)格數(shù)據(jù)的第二采樣點集輸入牙齒分割網(wǎng)絡(luò)，得到第二牙齒實例標簽；

8、s6、合并第一牙齒實例標簽和第二牙齒實例標簽，結(jié)合牙齒語義標簽，得到最終的牙齒實例標簽。

9、進一步地，所述步驟s2具體為：

10、s201、根據(jù)牙齒網(wǎng)格數(shù)據(jù)，從頂點組成的包含n個點的點云中，選取一個點p0作為起始點，得到采樣點集合s＝{p0}；

11、s202、計算點云中所有點到p0的距離，構(gòu)成n維數(shù)組l＝{li}，從中選擇距離最大值對應(yīng)的點加入采樣點集合；其中，li為第i個點pi到采樣點集合的最短距離；

12、s203、以采樣點集合中最新加入的采樣點作為中心點，計算點云中除采樣點集合中的采樣點外所有點到中心點的距離，對于每一個點pi，判斷到中心點的距離是否小于li，若是，更新li，否則，不更新；

13、s204、選取l中距離最大值對應(yīng)的點加入采樣點集合；

14、s205、重復(fù)步驟s203-s204，直到采樣點集合中的采樣點的數(shù)量達到設(shè)定數(shù)值n'，得到第一采樣點集合。

15、進一步地，所述步驟s3中牙齒分割網(wǎng)絡(luò)包括第一point?transformer模塊、點云偏移模塊、標簽過濾模塊、聚類模塊、裁剪模塊、第二point?transformer模塊和標簽輸出模塊；

16、所述第一point?transformer模塊，用于根據(jù)輸入的采樣點集合，得到各采樣點的牙齒語義標簽和偏移距離；

17、所述點云偏移模塊，用于根據(jù)各采樣點的偏移距離，將輸入的采樣點集合中的采樣點向牙齒實例的中心點移動，得到移動后的點云數(shù)據(jù)集；

18、所述標簽過濾模塊，用于根據(jù)各采樣點的牙齒語義標簽，將移動后的點云數(shù)據(jù)集中標簽為牙齦的點云剔除，得到過濾后的樣本點；

19、所述聚合模塊，用于對過濾后的樣本點使用dbscan方法進行聚類，為每個過濾后的樣本點分配牙齒實例標簽，并基于聚類的牙齒實例標簽按照最近鄰原則為未被采樣點集合中的點云分配牙齒實例標簽，得到各點云的牙齒實例標簽；所述未被采樣點集合為將輸入的采樣點集合中的點云從牙齒網(wǎng)格數(shù)據(jù)的點云中剔除后得到的采樣點集合；

20、所述裁剪模塊，用于根據(jù)各點云的牙齒實例標簽，獲取各牙齒實例的中心點位置，并基于各牙齒實例的中心點位置設(shè)置一個半徑閾值裁剪第一采樣點集合中的采樣點，得到裁剪后的樣本點；

21、所述第二point?transformer模塊，用于根據(jù)裁剪后的樣本點，得到各采樣點的牙齒-牙齦掩膜；

22、所述標簽輸出模塊，用于將各采樣點的牙齒-牙齦掩膜與各點云的牙齒實例標簽進行一一對應(yīng)，若采樣點的牙齒-牙齦掩膜與牙齒實例標簽均為牙齒或牙齦，不做處理，若采樣點的牙齒-牙齦掩膜顯示為牙齒，牙齒實例標簽顯示為牙齦，則將采樣點的牙齒實例標簽更改為最鄰近點的牙齒實例標簽，若采樣點的牙齒-牙齦掩膜顯示為牙齦，牙齒實例標簽顯示為牙齒，則將采樣點的牙齒實例標簽更改為牙齦，將各點更改后的牙齒實例標簽作為輸出數(shù)據(jù)。

23、進一步地，所述牙齒分割網(wǎng)絡(luò)的損失函數(shù)為：

24、l＝lcenter_offset+lweighted_center_offset+lchamfer+ltooth_class+lteeth_mask

25、

26、其中，l為牙齒分割網(wǎng)絡(luò)的損失函數(shù)；lcenter_offset為中心偏移損失；lweighted_center_offset為中心加權(quán)偏移損失；lchamfer為距離損失；ltooth_class為牙齒分類損失；lteeth_mask為牙齒掩碼損失；c為類別數(shù)；ni為第i類中的點的數(shù)量；xj為第i類中第j個點的坐標；oj為第i類中第j個點相對實例中心點坐標c的偏移量；d()為兩個空間點之間的距離；d為所有方向向量種類的數(shù)量；ni'為第i'類方向向量中的點的數(shù)量；dj'為第j'個點的方向向量；d'j'為第j'個點指向?qū)嵗行狞c坐標c的方向向量；wj為對應(yīng)距離的權(quán)重；c1為距離xj最近的實例中心點坐標；c2為距離xj第二近的實例中心點坐標；crossentropy(p,y)為交叉熵函數(shù)；p為分類的概率；y為實際的類型標簽；n為樣本點總數(shù)；r為樣本點編號；yr,i為第r個點在第i類的標簽；pr,i為第r個點被預(yù)測為第i類的概率；yr為第r個點的真實標簽；pr為第r個點的預(yù)測值；σ()為sigmoid函數(shù)。

27、進一步地，所述步驟s3具體為：將牙齒網(wǎng)格數(shù)據(jù)的第一采樣點集作為輸入的采樣點集合，輸入牙齒分割網(wǎng)絡(luò)，提取第一point?transformer模塊得到的牙齒語義標簽，同時將輸出數(shù)據(jù)作為第一牙齒實例標簽輸出。

28、進一步地，所述步驟s4具體為：

29、s401、獲取牙齒網(wǎng)格數(shù)據(jù)中每個點的坐標，構(gòu)建k維搜索樹；

30、s402、基于k維搜索樹，搜索每個點的k個近鄰點；

31、s403、根據(jù)第一牙齒實例標簽，求解每個點的k個近鄰點中與對應(yīng)點的牙齒實例標簽不同的點的占比，作為邊界判據(jù)：

32、

33、其中，p1r為第r個點的邊界判據(jù)；dif(kr)為k個近鄰點中與第r個點的牙齒實例標簽不同的點的數(shù)量；k為近鄰點總數(shù)；

34、s404、將邊界判據(jù)大于設(shè)定閾值的點的集合作為牙齒網(wǎng)格數(shù)據(jù)的第二采樣點集。

35、進一步地，所述步驟s5具體為：將牙齒網(wǎng)格數(shù)據(jù)的第二采樣點集作為輸入的采樣點集合，輸入牙齒分割網(wǎng)絡(luò)，將第一point?transformer模塊得到的牙齒語義標簽替換為步驟s3中獲取的牙齒語義標簽，并將輸出數(shù)據(jù)作為第二牙齒實例標簽輸出。

36、進一步地，所述步驟s6具體為：

37、s601、合并第一牙齒實例標簽和第二牙齒實例標簽，得到合并后的牙齒實例標簽；

38、s602、根據(jù)合并后的牙齒實例標簽，通過對相應(yīng)牙齒實例內(nèi)的牙齒語義標簽進行多數(shù)表決，決定每個牙齒實例的類別；所述牙齒語義標簽為步驟s3得到的牙齒語義標簽；

39、s603、根據(jù)合并后的牙齒實例標簽和每個牙齒實例的類別，得到最終的牙齒實例標簽。

40、本發(fā)明的有益效果為：本發(fā)明基于point?transformer提出了一種網(wǎng)絡(luò)架構(gòu)，在能擁有深度學(xué)習(xí)分割算法魯棒性的同時，利用牙齒邊緣信息進行兩階段的分割，無需復(fù)雜的后處理步驟，直接得到牙齒實例的標簽。無需復(fù)雜且對參數(shù)敏感的后處理步驟，直接得到分割的牙齒實例標簽；無需設(shè)計復(fù)雜的幾何特征，具有魯棒性。