[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

说明书

本发明提供了一种基于深度学习网络的二阶段牙体点云补全方法及系统，涉及医学图像处理技术领域，该方法包含：第一部分为基于CBCT数据与口扫数据构建初始点云数据，主要利用第三方软件Mimics对患者的CBCT数据进行三维重建，将生成的CBCT重建三维牙模型点云数据再与激光扫描点云数据配准，得到三维牙体模型点云数据作为金标准；第二部分为训练深度学习网络MSN，并将第一部分中构建的激光扫描点云数据输入到已经训练好的深度学习网络MSN中，MSN补全网络会对输入点云进行两阶段处理。在第一阶段，MSN网络先预测一个完整但粗粒度的点云；在第二阶段，通过采样算法与残差连接将粗粒度预测点云与输入点云融合，得到均匀分布的细粒度预测点云，实现牙体点云的补全。

技术领域

本发明涉及医学图像处理技术领域，具体地，涉及一种基于深度学习网络的二阶段牙体点云补全方法及系统。

背景技术

牙科成像可以使牙医更准确得发现、干预病灶区域，发现潜在问题，从而积极主动地进行牙科保健与修复。目前用于诊断的牙科成像技术主要有三种类型：传统计算机断层扫描CT、锥形束计算机断层扫描(Cone Beam Computred Tomography,CBCT)和口内扫描仪。但由于遮挡物和传感器分辨率的原因，口扫设备获取的扫描数据通常是不完整的。

对于这种受限的原始数据，我们需要对其进行完善来补偿原始数据的结构损失，提高数据质量，以便于后续临床应用。在PointNet和PointNet++使用深度学习网络实现了点云分割和点云分类之后，点云深度学习逐渐成为热门研究领域。与此同时，点云作为一种重要的三维数据，其在医学领域的应用也越来越广泛。但是，从激光雷达等设备中获取的点云往往有所缺失，这给点云的后续处理带来了一定的困难。点云补全(Point CloudCompletion)技术应运而生，它从缺失点云出发估计完整点云，从而获得更高质量的点云，达到修补的目的。

公开号为CN111383355A的中国发明专利，公开了一种三维点云补全方法、装置和计算机可读存储介质，该方法包括：获取目标房间对应的三维点云，其中，三维点云包括顶面点云、地面点云和摆放物品点云；基于顶面点云，生成顶面点云投射图像，以及基于地面点云和摆放物品点云，生成地面点云投射图像；从顶面点云投射图像和地面点云投射图像中，确定至少一个待补全点云区域；对于至少一个待补全点云区域中的每个待补全点云区域，基于该待补全点云区域的位置，利用该待补全点云区域周围的点云，对该待补全点云区域进行补全。本公开实施例可以提高对三维点云中的空洞补全的准确性，以及增加房屋模型的完整性和美观程度。

传统的点云补全方法基于一定物体基础结构的先验信息(如对称性信息或语义类信息等)，通过一定的先验信息对缺失点云进行修补。这类方法只能处理一些点云缺失率很低、结构特征十分明显的缺失点云。随着用于点云分析和生成的深度学习方法的进步，现今已经提出一些更加合理的3D点云补全工作，如LGAN-AE、PCN和3D-Capsule等。这些基于深度学习方法的点云补全工作以有缺失点云为输入，以完整点云为输出，可有效防止因离散化而导致的大量内存占用和伪影问题。但是，由于点云的无序性和不规则性，我们无法直接在点云上应用传统卷积，在不规则点云上进行深度学习仍面临许多挑战。比如，深度学习网络过于关注物体的整体特征而忽略了缺失区域的几何信息；网络会生成偏向于某类物体共性特征的点云，而失去某个物体的个体特征。

日益完善的点云采集设备可以快速从物体表面扫描获得大量点云数据,但是由于目前分析和生成点云的能力有限，大规模的点云数据使设备存储和计算处理效率低下，导致重建出的模型表面失真,整体效果模糊，同时也出现了重建后的点云分布不均匀、有孔洞等一系列问题。因此在实际应用中，实现高效的点云补全从而提高点云质量在口腔医学领域中具有很重要的临床意义与研究价值。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习网络的二阶段牙体点云补全方法及系统。

根据本发明提供的一种基于深度学习网络的二阶段牙体点云补全方法及系统，所述方案如下：