本發明專利技術涉及全冠修復技術領域，公開了基于深度學習的全冠修復預備體邊緣線提取方法及系統，方法包括：獲取測試者的預備體的三維網格數據；將測試者的預備體的三維網格數據輸入三維網格語義分割網絡模型，得到測試者的預備體的三維網格分割結果；對預備體的三維網格分割結果進行預處理，并對預處理后的三維網格分割結果進行平滑化處理，得到精確的三維網格分割結果；根據精確的三維網格分割結果，計算分割邊緣，得到預備體的粗糙邊緣線；根據預備體的粗糙邊緣線進行平滑化處理和投影處理，得到預備體在三維網格上的平滑邊緣線。本發明專利技術能夠輔助標注預備體邊緣線，節約修復體設計和制作時間，同時減少了由于主觀因素造成的標注錯誤等問題。
【技術實現步驟摘要】
本專利技術涉及全冠修復，尤其涉及基于深度學習的全冠修復預備體邊緣線提取方法及系統。
技術介紹
1、全冠修復作為牙科恢復預備體組織形態和咀嚼功能的修復方式，是牙體缺損固定修復的首選治療方案。隨著數字化技術的迅猛發展，光學印模和計算機輔助設計制作（computer?aided?design/computer?aided?manufacturing,?cad/cam）已成為修復體設計和制作的關鍵環節。盡管修復體輔助設計的數字化技術在一定程度上提升了修復診療效率，但在全流程數字化發展的浪潮中，尤其在面對口腔醫生、口腔技師設計能力差異和口腔掃描數據量的快速增長等挑戰，仍需尋求更高效、更穩定的解決方案。
2、現有的全冠預備體邊緣線的提取方法，通常依據醫生或技師的臨床經驗，然而這種方法存在對醫生和技師的經驗要求較高、不同醫生和技師的主觀判斷不同，以及需要較多的人工交互過程的問題，浪費大量時間，且操作復雜，準確度低。
3、因此，亟需基于深度學習的全冠修復預備體邊緣線提取方法及系統，能夠輔助標注預備體邊緣線，節約修復體設計和制作時間，同時減少了由于主觀因素造成的標注錯誤等問題。
技術實現思路
1、為了解決上述技術問題，本專利技術提供了基于深度學習的全冠修復預備體邊緣線提取方法及系統，能夠輔助標注預備體邊緣線，節約修復體設計和制作時間，同時減少了由于主觀因素造成的標注錯誤等問題。
2、本專利技術提供了基于深度學習的全冠修復預備體邊緣線提取方法，包括如下步驟：
3、s1、獲取測試者的預備體的三維網格數據；
4、s2、將測試者的預備體的三維網格數據輸入三維網格語義分割網絡模型，得到測試者的預備體的三維網格分割結果；
5、s3、對預備體的三維網格分割結果進行預處理，并對預處理后的三維網格分割結果進行平滑化處理，得到精確的三維網格分割結果；
6、s4、根據精確的三維網格分割結果，計算分割邊緣，得到預備體的粗糙邊緣線；
7、s5、根據預備體的粗糙邊緣線進行平滑化處理和投影處理，得到預備體在三維網格上的平滑邊緣線。
8、進一步的，s1中，獲取測試者的預備體的三維網格數據包括：
9、獲取測試者的單顆基牙預備體的口內掃描三維網格數據。
10、進一步的，s2中，三維網格語義分割網絡模型的訓練過程如下：
11、s2.1、構建三維網格語義分割樣本數據集；其中，樣本數據集包括若干非測試者的預備體的三維網格數據以及若干非測試者的預備體的三維網格數據對應的分割標簽；
12、s2.2、構建神經網絡模型；
13、s2.3、利用三維網格語義分割樣本數據集對神經網絡模型進行訓練，直至神經網絡模型的損失值小于預設損失值，且神經網絡模型的分割準確度大于預設準確度，得到訓練好的三維網格語義分割神經網絡模型。
14、進一步的，s2.1中，若干非測試者的預備體的三維網格數據對應的分割標簽的構建過程包括：
15、s2.11、將任一非測試者的預備體的邊緣線中的有序點首尾相接形成閉合曲線；
16、s2.12、根據閉合曲線，將非測試者的預備體的三維網格分割成預備區域和非預備區域，分別為預備區域和非預備區域中的每個三角形網格賦予標簽，得到非測試者的預備體的三維網格對應的分割標簽；其中，預備區域指僅包含牙體的區域，非預備區域指除牙體之外還包含其他組織的區域。
17、進一步的，s3中，對預備體的三維網格分割結果進行預處理，其中，預處理包括：離群點去除處理和孔洞填充處理；
18、通過聚類算法對預備體的三維網格分割結果進行離群點去除處理和孔洞填充處理。
19、進一步的，s3中，對預處理后的三維網格分割結果進行平滑化處理，得到精確的三維網格分割結果包括：
20、根據預處理后的三維網格分割結果，通過全連接條件隨機場算法進行平滑處理，得到精確的三維網格分割結果。
21、進一步的，s4中，根據精確的三維網格分割結果，計算分割邊緣，得到預備體的粗糙邊緣線包括：
22、s41、根據精確的三維網格分割結果，獲取所有分割邊緣三角形網格，構成三角形集合；
23、s42、根據三角形集合中的分割邊緣三角形網格的頂點，計算每個分割邊緣三角形網格的重心，將分割邊緣三角形網格的重心作為粗糙邊緣點構成粗糙邊緣線散點集合，將所述粗糙邊緣點構成的邊緣線作為預備體的粗糙邊緣線。
24、進一步的，s5中，根據預備體的粗糙邊緣線進行平滑化處理和投影處理，得到預備體在三維網格上的平滑邊緣線包括：
25、s51、將粗糙邊緣線散點集合降采樣為無序點集合；
26、s52、根據無序點集合進行排序，得到首尾相連形成閉合曲線的有序點集合；
27、s53、根據有序點集合，通過多項式回歸算法進行平滑處理，得到平滑的預備體邊緣線點云；
28、s54、將平滑的預備體邊緣線點云，投影到預備體的三維網格中，得到預備體在三維網格上的平滑邊緣線。
29、本專利技術還提供了基于深度學習的全冠修復預備體邊緣線提取系統，用于執行上述任一項所述的基于深度學習的全冠修復預備體邊緣線提取方法，系統包括以下模塊：
30、數據獲取模塊，用于獲取測試者的預備體的三維網格數據；
31、三維網格數據分割模塊，與數據獲取模塊連接，用于將測試者的預備體的三維網格數據輸入三維網格語義分割網絡模型，得到測試者的預備體的三維網格分割結果；
32、分割結果精確化模塊，與三維網格數據分割模塊連接，用于對預備體的三維網格分割結果進行預處理，并對預處理后的三維網格分割結果進行平滑化處理，得到精確的三維網格分割結果；
33、粗糙邊緣線計算模塊，與分割結果精確化模塊連接，用于根據精確的三維網格分割結果，計算分割邊緣，得到預備體的粗糙邊緣線；
34、平滑邊緣線提取模塊，與粗糙邊緣線計算模塊連接，用于根據預備體的粗糙邊緣線進行平滑化處理和投影處理，得到預備體在三維網格上的平滑邊緣線。
35、本專利技術實施例具有以下技術效果：
36、本專利技術針對預備體的口內掃描三維網格數據，通過三維網格語義分割網絡模型對預備體的三維網格準確地進行分割，并對分割結果執行預處理、平滑處理和投影處理等步驟，實現準確、快速、全自動化的預備體的平滑邊緣線的提取，根據本方案提取的平滑邊緣線進行后續牙冠的設計和制作，確保制作牙冠與預備體的邊緣能夠完全吻合，本專利技術能夠輔助標注預備體邊緣線，節約修復體設計和制作時間，同時減少了由于主觀因素造成的標注錯誤等問題。
本文檔來自技高網...
【技術保護點】
1.基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述S1中，獲取測試者的預備體的三維網格數據包括：
3.根據權利要求2所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述S2中，所述三維網格語義分割網絡模型的訓練過程如下：
4.根據權利要求3所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述S2.1中，若干非測試者的預備體的三維網格數據對應的分割標簽的構建過程包括：
5.根據權利要求1所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述S3中，對所述預備體的三維網格分割結果進行預處理，其中，預處理包括：離群點去除處理和孔洞填充處理；
6.根據權利要求5所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述S3中，對預處理后的三維網格分割結果進行平滑化處理，得到精確的三維網格分割結果包括：
7.根據權利要求6所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述S4中，根據所述精確的三維網格分割結果，計算分割邊緣，得到預備體的粗糙邊緣線包括：
8.根據權利要求7所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述S5中，根據所述預備體的粗糙邊緣線進行平滑化處理和投影處理，得到預備體在三維網格上的平滑邊緣線包括：
9.基于深度學習的全冠修復預備體邊緣線提取系統，用于執行上述權利要求1-8任一項所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，系統包括以下模塊：
...
【技術特征摘要】
1.基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述s1中，獲取測試者的預備體的三維網格數據包括：
3.根據權利要求2所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述s2中，所述三維網格語義分割網絡模型的訓練過程如下：
4.根據權利要求3所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述s2.1中，若干非測試者的預備體的三維網格數據對應的分割標簽的構建過程包括：
5.根據權利要求1所述的基于深度學習的全冠修復預備體邊緣線提取方法，其特征在于，所述s3中，對所述預備體的三維網格分割結果進行預處理，其中，預處理包括：離群點去除處理和孔洞填充處理...
【專利技術屬性】
技術研發人員：羅有成，劉之洋，孫寒煜，吳哲，陳佳敏，于皓，余培，趙健，李江，
申請(專利權)人：廣州醫科大學附屬口腔醫院廣州醫科大學羊城醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。