[发明专利]基于深度学习网络的二阶段牙体点云补全方法及系统

权利要求书

1.一种基于深度学习网络的二阶段牙体点云补全方法，其特征在于，包括：

步骤S1：基于CBCT数据与口扫数据构建初始三维牙体模型点云数据；

步骤S2：构建深度学习网络MSN，利用已有的训练集和测试集完成MSN的训练；

步骤S3：将步骤S1中获得的初始三维牙体模型点云数据输入到训练好的MSN中，得到补全后的完整牙体点云数据。

2.根据权利要求1所述的基于深度学习网络的二阶段牙体点云补全方法，其特征在于，所述步骤S1包括：

步骤S1.1：通过激光扫描仪提取牙冠三维模型，并将牙冠三维模型转换为高分辨率的激光扫描第一三维牙模型点云数据；

步骤S1.2：通过锥形束计算机断层扫描仪获取CBCT数据，根据区域增长法从CBCT数据中提取出牙齿完整模型，并将牙齿完整模型转换为CBCT重建第二三维牙模型点云数据；

步骤S1.3：使用基于多视图融合的CBCT与激光扫描点云数据牙齿配准方法对上述第一三维牙模型点云数据和第二三维牙模型点云数据进行配准，得到初始三维牙体模型点云数据。

3.根据权利要求1所述的基于深度学习网络的二阶段牙体点云补全方法，其特征在于，所述步骤S2包括：

步骤S2.1：搭建深度学习网络MSN：MSN网络以点云为输入，经过两阶段的处理实现点云补全：

第一阶段：变形预测阶段，网络呈现编码器-解码器结构，自动编码器通过提取全局特征向量(Generalized Feature Vector,GFV)来预测较为粗糙的完整点云，并利用膨胀惩罚来防止表面元素之间的重叠；

第二阶段：融合与精细阶段，我们将粗糙点云与输入点云融合；

步骤S2.2：构建联合损失函数并通过损失函数优化MSN：将膨胀惩罚损失函数L_expansion和推土机距离损失函数L_EMD结合起来作为联合损失函数，通过联合损失函数优化MSN；

步骤S2.3：采用已有的训练集和测试集训练并评估MSN网络：通过临床扫描得到牙列CBCT数据及其对应的口扫数据，将配准后得到的三维牙体模型点云数据作为金标准。