[发明专利]利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法

权利要求书

1.一种计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其包括：

获取表示初始牙齿布局的第一数字数据集；以及

利用经训练的基于变分自编码器的深度学习神经网络，基于所述第一数字数据集，产生表示目标牙齿布局的第二数字数据集。

2.如权利要求1所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，目标牙齿布局是正畸治疗期望达成的牙齿布局。

3.如权利要求1所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述基于变分自编码器的深度学习神经网络包括第一子网络和第二子网络，其中，

所述第一子网络是基于变分自编码器的深度学习神经网络，其输入和输出均为表示目标牙齿布局的数字数据集，它包括第一编码器和第一解码器，所述第一解码器的输入来自所述第一编码器的输出，通过训练所述第一子网络，得到经训练的所述第一解码器；

所述第二子网络是基于自编码器结构的深度学习网络，其输入为表示初始牙齿布局的数字数据集，输出为表示目标牙齿布局的数字数据集，它包括第二编码器和第二解码器，所述第二解码器的输入来自所述第二编码器的输出，所述第二解码器的结构与所述第一解码器相同并且采用所述经训练的第一解码器的参数，通过训练第二子网络，得到经训练的第二编码器，使得第二子网络能够基于表示初始牙齿布局的数字数据集，产生表示目标牙齿布局的数字数据集。

4.如权利要求3所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述第一子网络还包括噪声产生模块，用于为所述第一编码器的输出加上噪声后再输入所述第一解码器，以提高所述第一解码器的鲁棒性。

5.如权利要求3所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述第一子网络是以N组数据进行训练，所述N组数据的每一组包括表示一对上下颌牙列的目标布局的数字数据集，所述第二子网络是以M组数据进行训练，所述M组数据的每一组包括表示一对上下颌牙列的初始布局的数字数据集和目标布局的数字数据集，所述N和M为大于1的整数。

6.如权利要求1所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，它还包括：

利用所述经训练的基于变分自编码器的深度学习神经网络，基于所述第一数字数据集，产生表示第一牙齿布局的数字数据集；

基于所述第一牙齿布局拟合得到目标牙弓曲线；以及

基于所述目标牙弓曲线调整所述第一牙齿布局，得到所述第二数字数据集。

7.如权利要求6所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述目标牙弓曲线是Beta曲线。

8.如权利要求6所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述目标牙弓曲线是基于所述第一牙齿布局，根据牙齿偏离牙弓曲线的程度迭代拟合得到。

9.如权利要求8所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，它还包括：

基于所述表示第一牙齿布局拟合得到第一牙弓曲线；

将偏离所述第一牙弓曲线超过预设阈值的牙齿剔除；以及

基于剩余的牙齿拟合得到所述目标牙弓曲线。

10.如权利要求8所述的计算机执行的利用基于变分自编码器的深度学习神经网络产生表示目标牙齿布局的数字数据集的方法，其特征在于，它还包括：

基于所述目标牙弓曲线调整所述第一牙齿布局得到表示第二牙齿布局的数字数据集；以及

基于所述第二牙齿布局，以碰撞检测迭代调整牙齿布局，得到所述第二数字数据集。