[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

说明书

本申请的一方面提供了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。

技术领域

本申请总体上涉及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。

背景技术

随着计算机技术的飞速发展，牙科治疗越来越多地借助计算机技术，例如，牙科专业人员可以利用计算机自动产生正畸治疗所需的目标牙齿布局(即正畸治疗结束时期望达到的牙齿布局)，以解放人力、提高效率。其中的一个方法是通过定义牙齿的特征点，然后进行牙弓曲线拟合与优化，再通过局部包围盒的碰撞检测迭代优化，进行全自动的排牙。

然而，以上方法具有以下不足之处：(一)牙弓曲线的参数及形状与牙齿的初始布局直接相关，也就是说，牙弓曲线的参数及形状在计算初始化时就已经确定，对于初始布局较为杂乱的牙齿模型，该方法很难拟合得到准确的牙弓曲线；(二)该方法对噪声较为敏感，与拟合得到的牙弓曲线偏离较大的牙齿会影响牙弓曲线的准确度。

鉴于以上，有必要提供一种新的用于产生目标牙齿布局的方法。

发明内容

本申请的一方面提供了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。

在一些实施方式中，目标牙齿布局可以是正畸治疗期望达成的牙齿布局。

在一些实施方式中，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。

在一些实施方式中，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。

在一些实施方式中，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。

在一些实施方式中，所述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还可以包括：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。

在一些实施方式中，所述目标牙弓曲线可以是Beta曲线。

在一些实施方式中，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。