[發明專利]一種三維牙列分割與標注方法

有效

• 申請號: 202010054129.6
• 申請日: 2020-01-17
• 公開（公告）號: CN113139908B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 裴玉茹;孫迪雅;許天民;查紅彬
• 申請（專利權）人: 北京大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/40;G06T7/11;G06T17/00;G16H30/40;G16H50/20;G06V10/82;G06V10/774;G06N3/04
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

1.一種三維牙列分割與標注方法，其特征是：

對于三維牙列網格模型其中N為三維牙列模型頂點個數；有效提取三維牙列網格模型的特征，并對三維牙列網格模型進行分割和標注，得到該網格模型上每個頂點的類別標簽其中K為類別標簽的數量；即得到單顆牙齒的準確分割并標注牙位；包括如下步驟：

1)對于三維牙列網格模型其中N為三維牙列模型頂點個數，提取得到三維牙列網格模型的頂點特征；

2)模型訓練過程：

利用特征導向的圖卷積神經網絡模型進行三維牙列網格模型頂點的特征學習以及分類；訓練特征導向的圖卷積神經網絡模型；通過對牙冠形狀分布和牙冠邊界曲率進行約束，改善牙冠邊界分割混淆；利用局部頂點之間的表觀相似性進一步消除錯誤分割區域；計算特征導向的圖卷積神經網絡輸出的三維牙列網格模型的頂點分類精度、牙冠形狀一致度、牙冠邊界一致程度、頂點標簽平滑度，通過迭代優化獲取三維牙列網格模型參數，得到訓練好的基于特征導向的圖卷積網絡的三維牙列網格模型；

訓練基于特征導向的圖卷積網絡模型，采用有監督訓練方法，利用多分類交叉熵損失函數，并通過形狀一致性約束、邊界一致性約束和分類標簽平滑約束，對三維牙列網格模型進行高效準確的自動分割與牙位標注；包括如下步驟：

21)估計基于特征導向的圖卷積網絡模型輸出的三維牙列網格模型的頂點分類精度；通過如下公式計算得到網絡模型輸出標簽與手工標注標簽的交叉熵L_cls：

其中，y_i，j代表頂點i具有標簽j的概率；y′_i，j表示頂點i的手工標注標簽；當頂點i具有標簽j時y′_i，j為1，否則為0；

22)建立牙冠形狀一致性約束，進一步約束網絡模型得到的牙冠分割與牙冠形狀分布的一致性；

使用概率主成分分析對牙冠形狀分布進行建模，并采用每顆牙齒牙冠的SDF分布直方圖描述該牙冠的形狀分布s；形狀分布s的概率密度表示為：

其中，平均值μ、協方差矩陣Σ和噪聲參數σ通過對三維牙列網格模型數據集的牙冠SDF進行統計得到；在基于特征導向的圖卷積網絡的三維牙列模型分割與標注網絡中，牙列分割的形狀一致性損失函數L_reg為：

s_i為網絡輸出的三維牙列網格模型的第i個牙冠，p_i(s_i)描述了該牙冠分割結果與真實牙冠的形狀一致程度；

23)建立牙冠邊界一致性約束，使得網絡模型輸出的三維牙列模型分割邊界具有小的平均曲率L_bou：

其中，h與h^*分別代表網絡輸出的分割邊界與手工標注的分割邊界，h與h^*中1代表邊界頂點，0代表非邊界頂點；Z是歸一化常數；U(x_i)表示頂點x_i的鄰域；ρ(x_j)為頂點j處的平均曲率；為頂點j的權重，ω為預先指定的常數；

24)建立頂點標簽平滑約束，改善網絡分割結果的不平滑與錯誤區域：

基于圖割優化算法對基于特征導向的圖卷積網絡的三維牙列網格模型自動分割與標注網絡增加平滑約束項，平滑約束項L_smo定義為：

其中，n_i與nj分別表示頂點i和頂點j的法向；x_i與x_j代表頂點i與頂點j的歐氏坐標；y_i與y_j代表網絡輸出的頂點i與頂點j的分類標簽；通過約束L_smo使得具有相似表觀的頂點獲得相同的分類標簽，具有不相似表觀的頂點獲得不同的分類標簽；

3)在線測試過程：將待分割與標注的三維牙列網格模型的頂點特征和頂點鄰接關系輸入訓練好的基于特征導向的圖卷積網絡的三維牙列網格模型，得到三維牙列網格模型頂點即牙冠的分類標、牙齒-牙齦間的分割邊界以及牙齒間的分割邊界，獲取三維牙列網格模型上的牙冠分割與標注；

通過上述步驟，實現基于特征導向的圖卷積網絡的三維牙列網格模型的自動分割與標注。

2.如權利要求1所述三維牙列分割與標注方法，其特征是，步驟1)包括如下操作：

計算得到三維牙列的歐氏坐標極坐標法向量方向直方圖編碼特征曲率形狀直徑函數及其上下文得到463維特征。