CN112069725B - 一种3d打印机高精度切片获取方法及装置 - Google Patents
一种3d打印机高精度切片获取方法及装置 Download PDFInfo
- Publication number
- CN112069725B CN112069725B CN202010767278.7A CN202010767278A CN112069725B CN 112069725 B CN112069725 B CN 112069725B CN 202010767278 A CN202010767278 A CN 202010767278A CN 112069725 B CN112069725 B CN 112069725B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- individual
- population
- point set
- contour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 abstract description 4
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000010146 3D printing Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002513 implantation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种3D打印机高精度切片获取方法及装置,属于3D打印机技术领域,该方法包括:获取采样点集合;使用多边形逼近算法获取采样点集合对应的闭合多边形;将闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到采样点集合对应的对象轮廓,轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的;可以解决无法获取闭合轮廓的问题;通过改进的逼近多边形搜索模型和反向传播网络融合方法,能够获得闭合轮廓。
Description
技术领域
本申请涉及一种3D打印机高精度切片获取方法及装置,属于3D打印机技术领域。
背景技术
目前3D打印技术应用的领域非常广泛,其中包括:航天技术、产品设计、机械制造、建筑设计、医学方面和模具制作等领域。其中,由于现今老年化的加剧,医学领域越来越受到重视。打印人体器官并与病人之前不产生排异现象是未来努力的方向。随着3D打印技术不断发展,一个全新的人体可能应用到医学治疗方面,使很大病人都感觉到生存的希望。
传统的医疗诊断中,医生大部分都是通过X线片、二维图谱等显示的信息在自己的大脑中构想患者患处的三维结构,因此存在着一定的误差,在患者的诊断、治疗过程中需要医生们有着较为丰富的经验,否则难以达到精确的诊断和手术,而3D打印技术则可以根据三维模型制作出实物模型,使模型真实化。
在3D打印过程中,最重要的是2D对象检测,然后通过叠加的形式获得3D模型。2D对象检测可分为区域分割,阈值分割和轮廓曲线提取方法。区域分割能够有效地克服其他方法存在的图像分割空间小、连续的缺点,具有较好的区域特征,而容易出现图像的过分割。阈值分割算法虽然简单、容易实现,但过度依赖于阈值的选取,很少考虑图像中像素的空间位置关系;因此当背景复杂的时候,容易丢失部分边界信息,造成分割的不完整性。相比区域分割和阈值分割方法,轮廓曲线提取方法获得的实验结果表达形式以曲线进行呈现,可以节省更多的存储空间,同时减少指定对象的形状特征更容易获取。
在轮廓曲线提取方法中,主曲线方法能够有效地处理噪声输入且获取鲁棒性结果,而受到广泛的关注。现今主曲线方法主要针对非闭合数据集进行处理,而无法处理闭合数据集。
发明内容
本申请提供了一种3D打印机高精度切片获取方法及装置,本发明的提出是为了便于医生通过医学成像技术获得精准的患者三维数据模型,并提供更为细致的临床病理以及三维解剖等信息。本发明结合重建三维模型,再用3D打印技术制作实物模型,进而便于医生了解观察患者病处的三维空间结构,为手术规划提供详细的资料,进一步推进手术的精确化,对植入设计师、外科医生等提供较大的帮助。本发明的高精度2D切片技术基于反向传播网络和逼近多边形搜索模型融合的方法。本申请提供如下技术方案:
第一方面,提供了一种3D打印机高精度切片获取方法,所述方法包括:
获取采样点集合;
使用多边形逼近算法获取所述采样点集合对应的闭合多边形;
将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓,所述轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的。
可选地,所述将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓之前,还包括:
获取所述初始的反向传播网络的输入层神经元个数A、隐藏层神经元个数Z和输出层神经元个数U;
基于所述输入层神经元个数A、所述隐藏层神经元个数Z和所述输出层神经元个数U确定种群规模;
循环执行如下步骤,直至重复次数达到预设次数或者最新生成的种群个体的适应度低于适应度阈值时停止,得到所述轮廓生成模型的初始网络参数:
从种群中随机选择两个不同个体生成差分矢量,并使用自适应生成的变异因子将所述差分矢量添加至第三个随机选择的个体,得到变异个体;所述种群包括多个个体,每个个体包括学习率r,动量参数m,神经元个数S,权值w和阈值v;
使用自适应生成的交叉因子对所述种群中的第i个个体与所述变异个体进行交叉操作,得到实验个体,所述i为正整数,且小于所述种群规模;
在所述实验个体的适应度优于所述第i个个体时,确定所述实验个体为新种群个体;在所述第i个个体优于所述实验个体时,确定所述第i个个体为新种群个体。
可选地,所述得到所述轮廓生成模型的初始网络参数之后,还包括:
将样本数据集合输入具有所述初始网络参数的初始的反向传播网络,得到网络输出值;
基于Sigmoid函数和所述网络输出值计算全局误差;
基于所述全局误差更新所述初始网络参数,得到更新后的网络参数;
在所述全局误差大于误差阈值或者更新次数达到次数阈值时,输出最后一次得到的更新后的网络参数,得到具有所述更新后的网络参数的轮廓生成模型。
可选地,所述自适应生成的变异因子通过下述公式表示:
其中,Fmin和Fmax分别表达变异因子的最小值和最大值;Gmax预设次数;G为重复次数。
可选地,所述自适应生成的变异因子通过下述公式表示:
其中,CRmin和CRmax分别表达交叉因子的最小值和最大值;Gmax预设次数;G为重复次数。
可选地,所述使用多边形逼近算法获取所述采样点集合对应的闭合多边形,包括:
对所述采样点集合中的每个采样点进行归一化;
获取初始曲线;
进入全局循环,并在全局循环中计算所述采样点集合到所述初始曲线的距离函数值;
在所述全局循环中的局部循环中,对所述采样点集合中的每个采样点进行分类;
基于所述采样点至当前曲线的距离最小的原则调整所述当前曲线中各个顶点的位置;
确定所述采样点至当前曲线的距离与上一次局部循环得到的距离之差是否小于差值阈值且所述局部循环的次数是否达到第一次数;
在所述距离之差大于或等于所述差值阈值、或者所述局部循环的次数达到所述第一次数时,添加新顶点并再次执行所述局部循环;
在所述距离之差小于所述差值阈值且所述局部循环的次数达到所述第一次数时,确定所述采样点至当前曲线的距离与上一次全局循环得到的距离之差是否小于差值阈值且所述全局循环的次数是否达到第二次数;
在所述距离之差大于或等于所述差值阈值、或者所述全局循环的次数达到所述第二次数时,添加新顶点并再次执行所述全局循环;
在所述距离之差小于所述差值阈值且所述全局循环的次数达到所述第二次数时,得到所述闭合多边形;
其中,所述差值阈值为上一次循环得到的距离、当前循环次数和最大循环次数自适应确定出来的。
可选地,所述差值阈值通过下式表示:
其中,LLD为所述上一次循环得到的距离;a为范围在[5,10]之间的常量;Iter为当前循环次数、MaxIter为最大循环次数。
可选地,所述将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓之前,还包括:
将所述采样点集合投影到所述闭合多边形,得到所述采样点集合的投影索引{t1,t2,…,tn};
根据投影指标ti从小到大的顺序,对所述采样点集合(xi,yi)进行依次排序,(i=1,2,…,n);
使用有序的投影指标和对应的采样点坐标生成所述数据序列。
第二方面,提供了一种3D打印机高精度切片获取装置,所述装置包括:
采样点获取模块,用于获取采样点集合;
多边形逼近模块,用于使用多边形逼近算法获取所述采样点集合对应的闭合多边形;
轮廓生成模块,用于将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓,所述轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的。
可选地,所述将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓之前,所述装置还包括:
参数获取模块,用于获取所述初始的反向传播网络的输入层神经元个数A、隐藏层神经元个数Z和输出层神经元个数U;
规模确定模块,用于基于所述输入层神经元个数A、所述隐藏层神经元个数Z和所述输出层神经元个数U确定种群规模;
参数获取模块,用于循环执行如下步骤,直至重复次数达到预设次数或者最新生成的种群个体的适应度低于适应度阈值时停止,得到所述轮廓生成模型的初始网络参数:
从种群中随机选择两个不同个体生成差分矢量,并使用自适应生成的变异因子将所述差分矢量添加至第三个随机选择的个体,得到变异个体;所述种群包括多个个体,每个个体包括学习率r,动量参数m,神经元个数S,权值w和阈值v;
使用自适应生成的交叉因子对所述种群中的第i个个体与所述变异个体进行交叉操作,得到实验个体,所述i为正整数,且小于所述种群规模;
在所述实验个体的适应度优于所述第i个个体时,确定所述实验个体为新种群个体;在所述第i个个体优于所述实验个体时,确定所述第i个个体为新种群个体。
本申请的有益效果在于:通过获取采样点集合;使用多边形逼近算法获取采样点集合对应的闭合多边形;将闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到采样点集合对应的对象轮廓,轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的;可以解决无法获取闭合轮廓的问题;通过改进的逼近多边形搜索模型和反向传播网络融合方法,能够获得闭合轮廓。
另外,通过基于反向传播网络的改进的对象检测系统,可以自动地获取高精度轮廓,辅助医生完成诊断,减轻医生手绘切片轮廓的工作量。
另外,通过统一的对象轮廓数学表达式,并采用反向传播网络参数进行表达,能够获得光滑轮廓。
另外,通过使用3D打印技术制作对象模型,便于医生直观的观察患者病处的三维空间结构;结合精确的二维切片对象获取,能够进一步推进手术的精确化,对植入设计师、外科医生等提供很大的帮助。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的3D打印机高精度切片获取系统的结构示意图;
图2是本申请一个实施例提供的3D打印机高精度切片获取方法的流程图;
图3是本申请另一个实施例提供的3D打印机高精度切片获取方法的流程图;
图4是本申请一个实施例提供的3D打印机高精度切片获取装置的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
本申请提供的3D打印机系统设计,包括控制系统设计、切片算法设计及人机交互系统设计组成。
1)控制系统设计。本发明在控制系统的打印过程中,抽象出电机控制、开关UV灯、获取行程开关状态、状态初始化、液面重填操作,作为控制端响应需要执行的动作。硬件方面根据需求进行系统接口电路设计(如最小系统接口、写入接口及USB接口等),并针对控制步进电机产生电磁干扰的现象设计隔离电路;软件部分基于MQXLite操作系统,并设计基于轻量级事件的任务派发机制,同时给出针对上述动作响应的多任务设计。参考图1所示的控制系统。
2)切片算法设计。三维模型是由多个2D切片叠层产生,因此三维模型的准确度取决于2D切片算法的准确度。本发明提出一种先进的高精度2D切片算法。
3)人机交互程序设计。本发明在人机交互程序设计中,将测试与功能分离,开放硬件测试接口,并通过开放成型的关键参数提高人机交互的友好性。测试程序包括电机运动状态、限位状态、控制开关状态及集成命令测试等。成型功能包括切片加载处理、打印初始化、开始打印的控制指令及暂停停止打印的控制指令。
下面对本申请提供的3D打印机高精度切片获取方法进行详细介绍。
图2是本申请一个实施例提供的3D打印机高精度切片获取方法的流程图。该方法至少包括以下几个步骤:
步骤201,获取采样点集合。
采样点集合包括n个采样点,每个采样点为d维,n和d为大于1的整数。在一个示例中,采样点集合为Xn={x1,...,xn},xi∈Rd,采样点的矩阵表达形式为X=[x1,...,xn]T。
步骤202,使用多边形逼近算法获取采样点集合对应的闭合多边形。
参考图3,使用多边形逼近算法获取采样点集合对应的闭合多边形,包括:对采样点集合中的每个采样点进行归一化;获取初始曲线;进入全局循环,并在全局循环中计算采样点集合到初始曲线的距离函数值;在全局循环中的局部循环中,对采样点集合中的每个采样点进行分类;基于采样点至当前曲线的距离最小的原则调整当前曲线中各个顶点的位置;确定采样点至当前曲线的距离与上一次局部循环得到的距离之差是否小于差值阈值且局部循环的次数是否达到第一次数;在距离之差大于或等于差值阈值、或者局部循环的次数达到第一次数时,添加新顶点并再次执行局部循环;在距离之差小于差值阈值且局部循环的次数达到第一次数时,确定采样点至当前曲线的距离与上一次全局循环得到的距离之差是否小于差值阈值且全局循环的次数是否达到第二次数;在距离之差大于或等于差值阈值、或者全局循环的次数达到第二次数时,添加新顶点并再次执行全局循环;在距离之差小于差值阈值且全局循环的次数达到第二次数时,得到闭合多边形。差值阈值为上一次循环得到的距离、当前循环次数和最大循环次数自适应确定出来的。
其中,对采样点集合中的每个采样点进行归一化是指使用最小-最大标准化的方式将采样点集合调整到{(-1,1)}的范围内,其中,采样点(xi,yi)的标准化后的坐标(x'i,y'i)表达形式为:
其中:xmax和xmin为采样点x轴的最大和最小坐标,xi为采样点;ymax和ymin为采样点y轴的最大和最小坐标,yi为采样点。
对采样点集合中的每个采样点进行分类时,采样点根据它们投影到第一主成分线(当前曲线)上的线段或顶点进行分类。设f是一条以{v1,…,vk+1}为顶点,以{s1,…,sk}为边的多边形线段,其中si以vi和vi+1为顶点。
在计算当前曲线至当前曲线的距离时,使用的距离函数Δn(vi)通过下式表示:
其中:
顶点vi的约束条件P(vi)表示为:
其中,γi为点vi处的角度,r为采样点的半径。
可选地,差值阈值通过下式表示:
其中,LLD为上一次循环得到的距离;a为范围在[5,10]之间的常量;Iter为当前循环次数、MaxIter为最大循环次数。
步骤203,将闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到采样点集合对应的对象轮廓,轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的。
在将数据序列输入轮廓生成模型之前,需要生成数据序列。具体地,将采样点集合投影到闭合多边形,得到采样点集合的投影索引{t1,t2,…,tn};根据投影指标ti从小到大的顺序,对采样点集合(xi,yi)进行依次排序,(i=1,2,…,n);使用有序的投影指标和对应的采样点坐标生成数据序列。
其中,投影指标表示为:
tf(xi)=sup{t:||xi-f(t)||=infτ||xi-f(τ)||}
数据序列表示为:{(t,(xi,yi)),i=1,2,…,n,0≤t1<t2<…<tn≤1};t为投影指标,(xi,yi)为点的横、纵坐标。
在将数据序列输入轮廓生成模型之前,需要训练得到该轮廓生成模型。具体地,获取初始的反向传播网络的输入层神经元个数A、隐藏层神经元个数Z和输出层神经元个数U;基于输入层神经元个数A、隐藏层神经元个数Z和输出层神经元个数U确定种群规模;循环执行如下步骤,直至重复次数达到预设次数或者最新生成的种群个体的适应度低于适应度阈值时停止,得到轮廓生成模型的初始网络参数:从种群中随机选择两个不同个体生成差分矢量,并使用自适应生成的变异因子将差分矢量添加至第三个随机选择的个体,得到变异个体;种群包括多个个体,每个个体包括学习率r,动量参数m,神经元个数S,权值w和阈值v;使用自适应生成的交叉因子对种群中的第i个个体与变异个体进行交叉操作,得到实验个体,i为正整数,且小于种群规模;在实验个体的适应度优于第i个个体时,确定实验个体为新种群个体;在第i个个体优于实验个体时,确定第i个个体为新种群个体。
在得到轮廓生成模型的初始网络参数之后,还包括:将样本数据集合输入具有初始网络参数的初始的反向传播网络,得到网络输出值;基于Sigmoid函数和网络输出值计算全局误差;基于全局误差更新初始网络参数,得到更新后的网络参数;在全局误差大于误差阈值或者更新次数达到次数阈值时,输出最后一次得到的更新后的网络参数,得到具有更新后的网络参数的轮廓生成模型。
种群规模CS通过下式表示:
CS=A×Z+Z×U+Z+U
其中,自适应生成的变异因子通过下述公式表示:
其中,Fmin和Fmax分别表达变异因子的最小值和最大值;Gmax预设次数;G为重复次数。
自适应生成的变异因子通过下述公式表示:
其中,CRmin和CRmax分别表达交叉因子的最小值和最大值;Gmax预设次数;G为重复次数。
对于每个采样个体可以生成变异个体/>
实验个体通过下式表示:
CR为交叉因子。
选择新的种群个体通过下式表示:
其中,为新的种群个体,/>为实验个体,/>为采样个体。
反向传播网络的参数表示为:
其中,wi(i=1,2,..,S)为输入层到第i个隐层神经元的权值;
vi,k为第i个隐层神经元到第k个输出神经元的权值;
r1,i为第i个隐层神经元的阈值;
r2,k为第k个输出神经元的阈值。
全局误差由均方差Ek组成,E表示为:
均方差Ek为真实值y与期望值c之间的偏差,Ek表示为:
误差阈值可以为10-5,次数阈值可以为5000,当然,也可以设置为其他数值,本实施例不对误差阈值和次数阈值的取值作限定。
综上所述,本实施例提供的3D打印机高精度切片获取方法,通过获取采样点集合;使用多边形逼近算法获取采样点集合对应的闭合多边形;将闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到采样点集合对应的对象轮廓,轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的;可以解决无法获取闭合轮廓的问题;通过改进的逼近多边形搜索模型和反向传播网络融合方法,能够获得闭合轮廓。
另外,通过基于反向传播网络的改进的对象检测系统,可以自动地获取高精度轮廓,在医学诊断实施例的使用过程中,辅助医生完成诊断,减轻医生手绘切片轮廓的工作量。
另外,通过统一的对象轮廓数学表达式,并采用反向传播网络参数进行表达,能够获得光滑轮廓。
另外,通过使用3D打印技术制作对象模型,便于医生直观的观察患者病处的三维空间结构;结合精确的二维切片对象获取,能够进一步推进手术的精确化,对植入设计师、外科医生等提供很大的帮助。
可选地,为了验证所提算法的精确度,我们使用100张匿名肺部CT数据集作为研究对象,并使用相似度进行定量的实验比较,该相似度的公式如下所示:
其中,A为实验结果,B为真实轮廓。
图4是本申请一个实施例提供的3D打印机高精度切片获取装置的框图。该装置至少包括以下几个模块:采样点获取模块410、多边形逼近模块420和轮廓生成模块430。
采样点获取模块410,用于获取采样点集合;
多边形逼近模块420,用于使用多边形逼近算法获取所述采样点集合对应的闭合多边形;
轮廓生成模块430,用于将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓,所述轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的。
可选地,所述将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓之前,所述装置还包括:
参数获取模块,用于获取所述初始的反向传播网络的输入层神经元个数A、隐藏层神经元个数Z和输出层神经元个数U;
规模确定模块,用于基于所述输入层神经元个数A、所述隐藏层神经元个数Z和所述输出层神经元个数U确定种群规模;
参数获取模块,用于循环执行如下步骤,直至重复次数达到预设次数或者最新生成的种群个体的适应度低于适应度阈值时停止,得到所述轮廓生成模型的初始网络参数:
从种群中随机选择两个不同个体生成差分矢量,并使用自适应生成的变异因子将所述差分矢量添加至第三个随机选择的个体,得到变异个体;所述种群包括多个个体,每个个体包括学习率r,动量参数m,神经元个数S,权值w和阈值v;
使用自适应生成的交叉因子对所述种群中的第i个个体与所述变异个体进行交叉操作,得到实验个体,所述i为正整数,且小于所述种群规模;
在所述实验个体的适应度优于所述第i个个体时,确定所述实验个体为新种群个体;在所述第i个个体优于所述实验个体时,确定所述第i个个体为新种群个体。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的3D打印机高精度切片获取装置在进行3D打印机高精度切片获取时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将3D打印机高精度切片获取装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的3D打印机高精度切片获取装置与3D打印机高精度切片获取方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的3D打印机高精度切片获取方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的3D打印机高精度切片获取方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种3D打印机高精度切片获取方法,其特征在于,所述方法包括:
获取采样点集合;
使用多边形逼近算法获取所述采样点集合对应的闭合多边形;将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓,所述轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的;
其中,所述使用多边形逼近算法获取所述采样点集合对应的闭合多边形,包括:
对所述采样点集合中的每个采样点进行归一化;
获取初始曲线;
进入全局循环,并在全局循环中计算所述采样点集合到所述初始曲线的距离函数值;
在所述全局循环中的局部循环中,对所述采样点集合中的每个采样点进行分类;
基于所述采样点至当前曲线的距离最小的原则调整所述当前曲线中各个顶点的位置;
确定所述采样点至当前曲线的距离与上一次局部循环得到的距离之差是否小于差值阈值且所述局部循环的次数是否达到第一次数;
在所述距离之差大于或等于所述差值阈值、或者所述局部循环的次数达到所述第一次数时,添加新顶点并再次执行所述局部循环;
在所述距离之差小于所述差值阈值且所述局部循环的次数达到所述第一次数时,确定所述采样点至当前曲线的距离与上一次全局循环得到的距离之差是否小于差值阈值且所述全局循环的次数是否达到第二次数;
在所述距离之差大于或等于所述差值阈值、或者所述全局循环的次数达到所述第二次数时,添加新顶点并再次执行所述全局循环;
在所述距离之差小于所述差值阈值且所述全局循环的次数达到所述第二次数时,得到所述闭合多边形;
其中,所述差值阈值为上一次循环得到的距离、当前循环次数和最大循环次数自适应确定出来的;
所述差值阈值通过下式表示:
其中,LLD为所述上一次循环得到的距离;a为范围在[5,10]之间的常量;Iter为当前循环次数、MaxIter为最大循环次数;
所述将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓之前,还包括:
获取所述初始的反向传播网络的输入层神经元个数A、隐藏层神经元个数Z和输出层神经元个数U;
基于所述输入层神经元个数A、所述隐藏层神经元个数Z和所述输出层神经元个数U确定种群规模;
循环执行如下步骤,直至重复次数达到预设次数或者最新生成的种群个体的适应度低于适应度阈值时停止,得到所述轮廓生成模型的初始网络参数:
从种群中随机选择两个不同个体生成差分矢量,并使用自适应生成的变异因子将所述差分矢量添加至第三个随机选择的个体,得到变异个体;所述种群包括多个个体,每个个体包括学习率r,动量参数m,神经元个数S,权值w和阈值v;
使用自适应生成的交叉因子对所述种群中的第i个个体与所述变异个体进行交叉操作,得到实验个体,所述i为正整数,且小于所述种群规模;
在所述实验个体的适应度优于所述第i个个体时,确定所述实验个体为新种群个体;在所述第i个个体优于所述实验个体时,确定所述第i个个体为新种群个体;
所述得到所述轮廓生成模型的初始网络参数之后,还包括:
将样本数据集合输入具有所述初始网络参数的初始的反向传播网络,得到网络输出值;
基于Sigmoid函数和所述网络输出值计算全局误差;
基于所述全局误差更新所述初始网络参数,得到更新后的网络参数;
在所述全局误差大于误差阈值或者更新次数达到次数阈值时,输出最后一次得到的更新后的网络参数,得到具有所述更新后的网络参数的轮廓生成模型;
所述自适应生成的变异因子通过下述公式表示:
其中,Fmin和Fmax分别表达变异因子的最小值和最大值;Gmax预设次数;G为重复次数;所述自适应生成的变异因子通过下述公式表示:
其中,CRmin和CRmax分别表达交叉因子的最小值和最大值;Gmax预设次数;G为重复次数。
2.根据权利要求1所述的方法,其特征在于,所述将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓之前,还包括:
将所述采样点集合投影到所述闭合多边形,得到所述采样点集合的投影索引{t1,t2,…,tn};
根据投影指标ti从小到大的顺序,对所述采样点集合(xi,yi)进行依次排序,(i=1,2,…,n);
使用有序的投影指标和对应的采样点坐标生成所述数据序列。
3.一种3D打印机高精度切片获取装置,其特征在于,采用权利要求1-2任一项所述的3D打印机高精度切片获取方法,其中,所述装置包括:
采样点获取模块,用于获取采样点集合;
多边形逼近模块,用于使用多边形逼近算法获取所述采样点集合对应的闭合多边形;
轮廓生成模块,用于将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓,所述轮廓生成模型是使用自适应的交叉和变异的差分进化模型对初始的反向传播网络进行训练得到的。
4.根据权利要求3所述的装置,其特征在于,所述将所述闭合多边形对应的数据序列输入预先训练的轮廓生成模型,得到所述采样点集合对应的对象轮廓之前,所述装置还包括:
参数获取模块,用于获取所述初始的反向传播网络的输入层神经元个数A、隐藏层神经元个数Z和输出层神经元个数U;规模确定模块,用于基于所述输入层神经元个数A、所述隐藏层神经元个数Z和所述输出层神经元个数U确定种群规模;
参数获取模块,用于循环执行如下步骤,直至重复次数达到预设次数或者最新生成的种群个体的适应度低于适应度阈值时停止,得到所述轮廓生成模型的初始网络参数:
从种群中随机选择两个不同个体生成差分矢量,并使用自适应生成的变异因子将所述差分矢量添加至第三个随机选择的个体,得到变异个体;所述种群包括多个个体,每个个体包括学习率r,动量参数m,神经元个数S,权值w和阈值v;
使用自适应生成的交叉因子对所述种群中的第i个个体与所述变异个体进行交叉操作,得到实验个体,所述i为正整数,且小于所述种群规模;
在所述实验个体的适应度优于所述第i个个体时,确定所述实验个体为新种群个体;在所述第i个个体优于所述实验个体时,确定所述第i个个体为新种群个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767278.7A CN112069725B (zh) | 2020-08-03 | 2020-08-03 | 一种3d打印机高精度切片获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767278.7A CN112069725B (zh) | 2020-08-03 | 2020-08-03 | 一种3d打印机高精度切片获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069725A CN112069725A (zh) | 2020-12-11 |
CN112069725B true CN112069725B (zh) | 2024-03-08 |
Family
ID=73656847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767278.7A Active CN112069725B (zh) | 2020-08-03 | 2020-08-03 | 一种3d打印机高精度切片获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069725B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331555A (zh) * | 2014-10-31 | 2015-02-04 | 河海大学常州校区 | 一种针对带有边界的非封闭stl模型的切片处理方法 |
KR101552828B1 (ko) * | 2015-05-27 | 2015-09-14 | (주)이지스 | 3차원 객체 모델의 다각형 정보 추출 방법 |
KR20170107680A (ko) * | 2016-03-16 | 2017-09-26 | (주)인피닉스 | 이차원 지도 기반의 삼차원 입체모형 제조방법 및 그 입체모형의 활용시스템 |
CN107818195A (zh) * | 2017-08-24 | 2018-03-20 | 宁波大学 | 一种基于关联树的3d打印填充路径生成方法 |
CN110355365A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种协同840d数控系统的ebm变方向成形动态切片方法 |
CN110533770A (zh) * | 2019-08-20 | 2019-12-03 | 厦门大学 | 一种面向隐式表达医学模型的3d打印切片方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014141273A2 (en) * | 2013-03-14 | 2014-09-18 | Stratasys Ltd. | Slicing and/or texturing for three-dimensional printing |
-
2020
- 2020-08-03 CN CN202010767278.7A patent/CN112069725B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331555A (zh) * | 2014-10-31 | 2015-02-04 | 河海大学常州校区 | 一种针对带有边界的非封闭stl模型的切片处理方法 |
KR101552828B1 (ko) * | 2015-05-27 | 2015-09-14 | (주)이지스 | 3차원 객체 모델의 다각형 정보 추출 방법 |
KR20170107680A (ko) * | 2016-03-16 | 2017-09-26 | (주)인피닉스 | 이차원 지도 기반의 삼차원 입체모형 제조방법 및 그 입체모형의 활용시스템 |
CN107818195A (zh) * | 2017-08-24 | 2018-03-20 | 宁波大学 | 一种基于关联树的3d打印填充路径生成方法 |
CN110355365A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种协同840d数控系统的ebm变方向成形动态切片方法 |
CN110533770A (zh) * | 2019-08-20 | 2019-12-03 | 厦门大学 | 一种面向隐式表达医学模型的3d打印切片方法 |
Non-Patent Citations (2)
Title |
---|
Detection of Lung Contour with Closed Principal Curve and Machine Learning;Tao Peng et al;Journal of Digital Imaging;31;520–533 * |
纹理贴图模型的彩色截面轮廓生成算法研究;田同同;李论;周波;赵吉宾;徐家攀;;真空(02);75-81 * |
Also Published As
Publication number | Publication date |
---|---|
CN112069725A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10909416B2 (en) | Deep variational method for deformable image registration | |
Jiang et al. | A novel negative-transfer-resistant fuzzy clustering model with a shared cross-domain transfer latent space and its application to brain CT image segmentation | |
CN112069730B (zh) | 一种3d打印的立体曲线获取方法及装置 | |
CN106408610B (zh) | 用边缘空间深度神经网络进行解剖对象检测的方法和系统 | |
CN111063410B (zh) | 一种医学影像文本报告的生成方法及装置 | |
Hänsch et al. | Evaluation of deep learning methods for parotid gland segmentation from CT images | |
JP2021535482A (ja) | 深層学習ベースのコレジストレーション | |
CN109074659B (zh) | 医学图谱配准 | |
CN115331769B (zh) | 基于多模态融合的医学影像报告生成方法及装置 | |
US11430123B2 (en) | Sampling latent variables to generate multiple segmentations of an image | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
Seo et al. | Closing the gap between deep neural network modeling and biomedical decision-making metrics in segmentation via adaptive loss functions | |
CN111402278A (zh) | 分割模型训练方法、图像标注方法及相关装置 | |
Thorley et al. | Nesterov accelerated ADMM for fast diffeomorphic image registration | |
CN114387317A (zh) | Ct图像和mri三维图像的配准方法、装置 | |
Kurachka et al. | Vertebrae detection in X-ray images based on deep convolutional neural networks | |
Henderson et al. | Automatic identification of segmentation errors for radiotherapy using geometric learning | |
Rahman et al. | Brain tumor segmentation using UNet-context encoding network | |
Santhirasekaram et al. | Vector quantisation for robust segmentation | |
CN112069725B (zh) | 一种3d打印机高精度切片获取方法及装置 | |
US11769310B2 (en) | Combining three-dimensional morphable models | |
Habijan et al. | Generation of artificial CT images using patch-based conditional generative adversarial networks | |
CN113821968A (zh) | 持续学习的方法和装置 | |
WO2024024495A1 (ja) | 臓器変形推定装置、治療装置、治療支援装置、臓器変形推定方法、及びプログラム | |
Avrunin et al. | 3-D modeling capabilities for planning rhinologic surgical interventions from CT-datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |