[发明专利]一种牙颌三维模型分割方法和系统

说明书

本发明提供一种牙颌三维模型分割方法和系统，其中方法包括获取牙颌三维模型中每个顶点的手工特征；将每个顶点的手工特征与笛卡尔坐标拼接，得到每个顶点输入特征；将每个顶点输入特征依次输入深度学习点云分割网络，得到每个顶点的牙位标签；将每个顶点的牙位标签依次映射至牙颌三维模型，得到相邻两个牙齿的以及牙齿和牙龈的边界线。本发明融合使用了多种轻量级的手工特征，相比于仅使用法向和曲率信息的算法，能够更好的捕获牙颌模型多尺度、多层次的局部特征，对牙颌分割任务的精度提升可以起到显著作用；在手工特征的基础上用深度学习进一步提取三维牙颌模型特征，降低了网络学习成本，减少了深度网络对训练样本数量以及训练周期的依赖性。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种牙颌三维模型分割方法和系统。

背景技术

计算机辅助设计(CAD)现已广泛应用于齿科领域，如正畸诊断、牙体修复、牙齿重排等。对牙颌三维模型的分割是齿科CAD的基础，精确的牙齿分割结果对后续分析与设计起着关键作用。目前牙颌三维模型分割算法可根据是否使用纯手工特征分为传统分割算法以及基于深度学习的分割算法。

传统牙颌模型分割算法一般依赖手工构造的特征，如法向量、曲率等。典型算法包括基于曲率的算法、基于轮廓线的算法、基于投影的算法、基于调和场的算法等。手工特征的设计对最终分割精度有较大影响，在曲率不明显的边界区域，传统分割算法往往由于手工特征的相似性而表现出较差的分割精度。此外，对操作者专业经验要求高以及高维特征计算耗时严重也是目前传统分割算法普遍存在的问题，其整体分割效果要低于后来兴起的基于深度学习的方法。

目前基于深度学习的牙颌三维模型分割算法倾向于使用原始的点云坐标以及法向特征。区别于传统分割算法所依赖的手工构造特征，基于深度学习的方法一般通过多层邻域建立以及特征聚合的方式实现局部特征的提取，典型的特征提取算法为PointNet++，后续多项研究均在此基础上进行。基于深度学习的方法在特征提取能力上显著强于人工设计的特征，在分割精度上通常可以达到更高的指标值。但目前该类方法的效果通常依赖于人工标注数据集的规模，而三维图像数据获取难度大、标注成本高，往往难以达到深度学习的数据集规模要求。与之相对的，传统分割算法所使用的基于规则构造的人工特征具有天然普适性，并不依赖于大规模的数据集，且相对于深度学习提取的特征具有更清晰的几何意义和更好的可解释性。现有的基于人工特征以及深度学习的算法各有优缺点，且尚未很好的结合。

发明内容

本发明针对现有技术中的不足，提供一种牙颌三维模型分割方法和系统。

第一方面，本发明提供一种牙颌三维模型分割方法，包括：

获取牙颌三维模型中每个顶点的手工特征；

将每个顶点的手工特征与笛卡尔坐标拼接，得到每个顶点的输入特征；

将每个顶点的输入特征依次输入深度学习点云分割网络，得到每个顶点的牙位标签；

将每个顶点的牙位标签依次映射至牙颌三维模型，得到相邻两个牙齿的以及牙齿和牙龈的边界线。

进一步地，所述获取牙颌三维模型中每个顶点的手工特征，包括：

根据以下公式计算每个顶点的拉普拉斯坐标：

其中，δ_i为牙颌三维模型中第i个顶点的拉普拉斯坐标；v_i为牙颌三维模型中第i个顶点；d_i为与第i个顶点直接相连的顶点的数量；v_j为牙颌三维模型中第j个顶点；N_i＝{j(i,j)∈K}，为顶点i的领域顶点集合，K为邻域内所有顶点的集合；

获取每个顶点的法向量；

获取顶点主曲率、高斯曲率和平均曲率；

获取每个顶点的RSD特征；