[發明專利]基于深度學習的三維碎骨分割方法和裝置

有效

• 申請號: 202010160086.X
• 申請日: 2020-03-10
• 公開（公告）號: CN111402216B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 蔣俊鋒;孫曉莉;黃瑞;陳正鳴;何坤金
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T17/20
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 朱遠楓

1.基于深度學習的三維碎骨分割方法，其特征在于，包括以下步驟：

基于獲取的三維碎骨網格模型提取頂點坐標和頂點法向量，生成碎骨點云模型；

將生成的碎骨點云模型輸入至預先訓練完成的PointNet++深度神經網絡，預測得到碎骨點云模型的頂點碎骨標簽概率，所述碎骨標簽概率包括皮質骨的標簽概率和松質骨的標簽概率；

將得到的頂點的皮質骨的標簽概率和松質骨的標簽概率映射到對應的三維碎骨網格模型，獲得三維碎骨分割結果。

2.根據權利要求1所述的基于深度學習的三維碎骨分割方法，其特征在于，所述PointNet++深度神經網絡分為特征提取、特征傳遞和全鏈接三部分；

特征提取部分由采樣層、組合層和特征提取層構成，每一層級提取碎骨點云模型的多個鄰域范圍的點集，使用PointNet作為特征提取結構，提取局部相關性特征；

特征傳遞采用基于距離的插值和跨越跳級鏈路的分層傳播策略，將上采樣后的特征與同分辨率的低層特征連接；

全鏈接采用卷積實現最終碎骨皮質骨與松質骨分類。

3.根據權利要求2所述的基于深度學習的三維碎骨分割方法，其特征在于，特征提取部分具體包括：

采樣層：對碎骨點云模型中的點云數據采樣，采樣算法選擇最遠點采樣算法，選擇一個點，找到在當前尺度標準下的最遠點，迭代選取距離已有點集的最遠點，從點集的n個點中選出m個中心點；

組合層：確定每個中心點的鄰域，在尺度空間下，給定半徑k，將距離在k以內的其他點加入中心點鄰域；

特征提取層：用PointNet對組合層給出的每個中心點鄰域進行特征提取，獲取局部特征。

4.根據權利要求1所述的基于深度學習的三維碎骨分割方法，其特征在于，

所述將得到的頂點的皮質骨的標簽概率和松質骨的標簽概率映射到對應的三維碎骨網格模型，包括以下步驟：

提取碎骨點云模型的頂點坐標以及對應的皮質骨概率與松質骨概率；

利用碎骨點云模型的頂點坐標使碎骨點云模型與三維碎骨網格模型對應，將頂點對應的皮質骨概率與松質骨概率新增到三維碎骨網格模型的頂點上。

5.根據權利要求1所述的基于深度學習的三維碎骨分割方法，其特征在于，在所述將得到的頂點的皮質骨的標簽概率和松質骨的標簽概率映射到對應的三維碎骨網格模型步驟之后，還包括：

對三維碎骨網格模型中頂點的皮質骨的標簽概率或松質骨的標簽概率在設定范圍內的區域利用圖割法對三維碎骨網格模型優化獲得優化后的碎骨分割結果。

6.根據權利要求5所述的基于深度學習的三維碎骨分割方法，其特征在于，所述圖割法表示如下：

式中,T是三維碎骨網格模型上的一組三角形集合，t表示一個帶有標簽指示器為p_t的三角形，N_t表示t的相鄰三角形集合，l_t表示三角形的標簽，λ是影響平衡項的非負常數，

ξ_U(p_t,l_t)＝-log(p_t(l_t))

其中，p_t(l_t)表示p_t的第l_t個分量；

ξ_S(p_t,p_v,l_t,l_v)表示影響相鄰三角形標簽之間的平滑度，表達式如下：

式中，和θ_tv分別表示三角形t和三角形v之間的距離和二面角，l_v表示p_v的分量，p_v表示三角形v的標簽指示器。