CN114066772A - 一种基于transformer编码器的牙体点云补全方法及系统 - Google Patents
一种基于transformer编码器的牙体点云补全方法及系统 Download PDFInfo
- Publication number
- CN114066772A CN114066772A CN202111419107.6A CN202111419107A CN114066772A CN 114066772 A CN114066772 A CN 114066772A CN 202111419107 A CN202111419107 A CN 202111419107A CN 114066772 A CN114066772 A CN 114066772A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- tooth
- dental
- distance
- encoder
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 239000000470 constituent Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了一种基于transformer编码器的牙体点云补全方法及系统,包括:S1、对不完整牙体点云进行处理,并根据得到的聚类中心和局部特征得到特征矩阵S2、对聚类中心和围绕各关键点的局部特征进行编码,挖掘出用于描述缺失部位牙齿的潜在向量并从潜在向量预测出缺失牙齿的低分辨率点云Yc;S3、将低分辨率点云Yc和潜在向量结合构成重构特征从和Yc恢复出高分辨率点云Yf,组合Yc和Yf得到最终牙体点云Ypred;S4、通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离,完成牙体补全网络的训练;S5、对测试数据进行补全,得到完整牙体点云,并使用指标进行评价。通过广泛的实验证明了本方法的有效性,并应用在了不完整牙体的点云补全上。
Description
技术领域
本发明涉及医学图像处理技术,具体地,涉及一种基于transformer编码器的牙体点云补全方法及系统。
背景技术
口腔健康越来越受到关注,同时人们对于专业、高质量的牙科护理的需求也越来越高,在这一需求下,口腔内扫描仪(IOS)获取的高精度3D牙科模型在CAD口腔诊断中发挥着重要作用。此外,使用以深度神经网络为代表的人工智能技术对牙科模型进行处理、解决牙科问题逐渐成为了数字医疗诊断的主流方法。在口腔医学领域,缺牙补全是一个重要问题,我们需要预测出病人缺失的牙齿,补全牙体以便于后续临床应用,本文所述方法借助深度神经网络的强大学习能力来解决上述问题。
3D模型有多种表现形式,其中点云是最简单的表征。但是点云的无序性、关联性、置换不变性这些性质给神经网络的困难带来了困难,在PointNet和PointNet++使用深度神经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了一个热门研究领域,同时在数字医疗领域的应用也越来越广泛。点云补全(Point Cloud Completion)技术应运而生,它从不完整牙体点云数据出发估计完整点云,达到补全的目的。
传统的点云补全方法往往基于点云中可以提取出的结构先验信息,如对称性信息或者语义信息,通过此先验信息设计算法对不完整牙体点云进行补全。但是这样的方法只能处理缺失率很低并且结构特征显著的不完整牙体点云。随着研究人员的深入,用于点云分析和生成的深度学习方法也逐渐涌现,已经有诸如PCN、GRNet、PF-Net等一系列优秀框架。这些点云补全方法以不完整牙体点云作为输入,基于深度神经网络学习点云中的结构信息,得到完整的点云作为输出,可以有效解决由于离散化表示导致的内存占用高和点云伪影问题。同时,由于点云的无序性和置换不变性,传统的卷积操作无法直接在点云上应用,深度神经网络的设计仍然面临很大挑战。比如,现有的点云补全框架太过于关注点云的整体特征而忽视了点云内部的局部几何信息,导致这些框架补全后的完整点云偏向于某个相似形状,无法体现个体的特征,直接应用在牙体点云数据集上会丢失很多牙齿细节,从而不具备临床意义。
发明内容
发明目的:本发明的一个目的是提供一种基于transformer编码器的牙体点云补全方法,在关注点云全局特征的同时最大程度地确保补全牙齿的细节。
本发明的另一个目的是提供一种基于transformer编码器的牙体点云补全系统。
技术方案:本发明的一种基于transformer编码器的牙体点云补全方法,包括以下步骤:
S4、通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离,完成牙体补全模型的训练;
S5、使用训练好的牙体补全模型对测试数据进行补全,得到完整牙体点云,并使用指标进行评价。
进一步的,步骤S1包括以下步骤:
S11、设牙体点云数据集为S={(x1,y1),(x2,y2),...,(xL,yL)},其中,xi表示不完整牙体点云,yi表示对应缺失牙齿金标准,i=1,…,L,L表示数据集中样本数量;使用最远点采样FPS将牙体点云数据集中所有样本采样到相同的点数,并对其进行正则化得到尺度相同的牙体点云数据集;
进一步的,步骤S2具体为:
transformer编码器根据步骤S1中获取的特征矩阵按照聚类中心中的关键点坐标进行查询,然后通过线性层的特征聚合和最大池化来进一步学习局部几何结构;聚类中心提供语义特征信息和编码器学习结构特征信息,把语义特征信息和编码器学习结构特征信息结合起来,将transformer编码器的结果作为潜在向量该潜在向量描述了缺失部位的几何结构和数值范围;接着使用一个多层感知机从潜在向量中预测出低分辨率点云Yc;潜在向量和低分辨率点云Yc的表达式为:
进一步的,步骤S3具体为:
多尺度点云生成器包括第四多层感知机和第五多层感知机,首先,将步骤S2得到的潜在向量和低分辨率点云从第一维度连接在一起作为重建特征第四多层感知机从预测出分辨率较高的中间点云,然后将中间点云与进一步按第一维度连接在一起,作为第五多层感知机的输入,第五多层感知机预测出高分辨率点云Yf,最后将Yf和Yc按第一维度拼接在一起作为最终的预测点云Ypred;重建特征和最终的预测点云Ypred的公式表示为:
进一步的,步骤S4具体为:
使用切夫距离来描述两个牙体点云之间的距离,切夫距离计算公式如下:
用损失函数表示牙体点云补全模型的目标函数,并完成牙体补全模型的训练;
通过切夫距离计算损失函数为:
其中,α是用于平衡两项的权重参数,CD(Yc,Ygt)表示低分辨率点云与金标准之间的距离,αCD(Ypred,Ygt)表示最终预测牙体点云与金标准之间的距离;低分辨率点云表征了全局特征信息,高分辨率点云保证了补全牙体的细节。
进一步的,步骤S5具体为:
使用步骤S4训练好的牙体补全模型,对测试样本进行预测,补全缺失部位的牙齿,为了评估牙齿补全结果的表现,使用选择切夫距离、推土机距离和F-score作为评价指标对牙齿补全结果进行评价;其中切夫距离包括两种形式:CD-l1和CD-l2,CD-l1使用L1范数来计算两个点之间的切夫距离,CD-l2使用L2范数来计算两个点之间的切夫距离,推土机距离的计算公式如下:
其中,S1和S2表示两个牙体点云,EMD(S1,S2)表示牙体点云S1和S2的推土机距离,φ表示从S1和S2之间的双向映射,用于最小化对应点之间的距离。
F-score被定义为预测结果的精度和召回率之间的调和平均值。
本发明的一种基于transformer编码器的牙体点云补全系统,包括数据处理模块、编码模块、多尺度点云生成器、牙体补全模型训练模块和测试评估模块,其中,数据处理模块将牙体点云数据集中所有样本采样到相同的点数,并对其进行正则化以统一不同尺度牙体点云,并将尺度统一后的不完整牙体点云进行聚类,得到聚类中心,同时提取出围绕聚类中心中的关键点的局部特征,然后将和分别处理并相加得到不完整牙体点云的特征矩阵;编码模块根据获取的特征矩阵按照中的关键点坐标进行查询,然后通过线性层的特征聚合和最大池化来进一步学习局部几何结构,提供语义特征信息和编码器学习结构特征信息,并把两种信息结合起来,将编码器的结果作为潜在向量,然后从中预测出低分辨率点云Yc;多尺度点云生成器通过潜在向量和低分辨率点云Yc预测出高分辨率点云Yf,将Yf和Yc组合在一起作为最终的预测牙体点云Ypred;牙体补全模型训练模块通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离,完成牙体补全网络的训练;测试评估模块根据测试样本的预测结果补全缺失部位的牙齿,并评估牙齿补全结果。
优选的,编码模块包括transformer编码器和多层感知机,多层感知机用于对transformer编码器输出的结果进行预测得到低分辨率点云Yc。
本发明的一种基于transformer编码器的牙体点云补全装置,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行上述一种基于transformer编码器的牙体点云补全方法的步骤。
本发明的一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述一种基于transformer编码器的牙体点云补全方法的步骤。
有益效果:与现有技术相比,本发明将transformer编码器应用到牙齿点云补全中,使用transformer中的自注意力机制来平衡点云中三维几何关系带来的归纳偏置,通过挖掘缺失牙齿的潜在特征向量来建模局部关系,并且使用一种从粗糙到精细的方式来生成最终点云。除此之外,本发明设计的损失函数强调了低分辨率点云中的关键点所表示的全局特征,可以在关注点云全局特征的同时最大程度地确保补全牙齿的细节。通过广泛的实验证明了本方法的有效性,并应用在了不完整牙体的点云补全上。且在真实的缺牙数据集上进行实验,可以得出本发明提出的方法具有较好性能的结论。
附图说明
图1是本发明方法流程图;
图2是本发明点云补全网络框架图。
图3是本发明点云补全方法的效果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1和图2所示,一种基于transformer编码器的牙体点云补全方法,包括以下步骤:
具体过程如下:
设牙体点云数据集为S={(x1,y1),(x2,y2),...,(xL,yL)},其中,xi表示不完整牙体点云,yi表示对应缺失牙齿金标准,i=1,…,L,L表示数据集中样本数量。首先使用最远点采样FPS将牙体点云数据集中所有样本采样到相同的点数,并对其进行正则化以统一不同尺度点云,得到尺度相同的牙体点云数据集。然后使用动态图卷积神经网络DGCNN对不完整牙体点云进行聚类,得到聚类中心该聚类中心包含若干关键点坐标,同时提取出围绕各关键点的局部特征最后使用两个不同的多层感知机MLP对和分别处理,并将处理结果相加在一起作为不完整牙体点云的特征。不完整牙体点云的特征矩阵为:
S2、利用几何结构敏感的transformer编码器对聚类中心和围绕各关键点的局部特征进行编码,挖掘出可以描述缺失部位牙齿的潜在向量,使用一个多层感知机MLP从潜在向量V预测出缺失牙齿的低分辨率点云Yc;
具体过程如下:
Transformer中的自注意力用于解决训练不完整牙体点云数据时候存在的归纳偏置问题,同时本发明设计了几何敏感模块,可以更好地建模点云中的几何结构。几何结构敏感transformer编码器由六个连续的模块构成,编码器根据步骤S1中获取的特征矩阵按照聚类中心中的关键点坐标进行查询,然后通过线性层的特征聚合和最大池化来进一步学习局部几何结构。聚类中心提供语义特征信息和编码器学习结构特征信息,本发明把两种信息结合起来,将编码器的结果作为潜在向量该潜在向量描述了缺失部位的几何结构和数值范围。接着使用一个多层感知机从潜在向量中预测出低分辨率点云Yc。潜在向量和低分辨率点云Yc的表达式为:
具体过程如下:
多尺度点云生成器由两个相似的第四多层感知机和第五多层感知机组成,该生成器用一种从粗糙到精细的方式来恢复最终的高分辨率点云。首先,将步骤S2得到的潜在向量和低分辨率点云Yc从第一维度连接在一起作为重建特征,第四多层感知机从预测出分辨率较高的中间点云,然后将中间点云与进一步从第一维度连接在一起,作为第五多层感知机的输入,第五多层感知机预测出高分辨率点云Yf,最后将Yf和Yc从第一维度连接在一起作为最终的预测牙体点云Ypred。重建特征和最终的预测点云Ypred的公式表示为:
S4、通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离,完成牙体补全模型的训练;
具体过程如下:
本方法使用切夫距离(Chamfer Distance)来描述两个牙体点云之间的距离,切夫距离计算公式如下:
其中,S1和S2表示两个牙体点云,CD(S1,S2)表示牙体点云S1和S2的切夫距离,x和y分别表示隶属于点云S1和S2的点坐标。切夫距离的计算复杂度是,可以极大缩短本方法的训练时间。如步骤S3所述,用一种从粗糙到精细的方式得到最终的点云,用点云补全网络的损失函数表示牙体点云补全模型的目标函数,并完成牙体补全模型的训练;
本发明点云补全网络的损失函数包含以下两个部分:
其中,α是用于平衡两项的权重参数。第一项计算低分辨率点云与金标准之间的距离,即CD(Yc,Ygt)表示低分辨率点云与金标准之间的距离;第二项计算最终预测点云与金标准之间的距离,即αCD(Ypred,Ygt)表示最终预测牙体点云与金标准之间的距离;低分辨率点云表征了全局特征信息,高分辨率点云保证了补全牙体的细节,这样设计损失函数增加了特征点的比重,使得最终模型可以在关注点云全局特征的同时最大程度地确保补全牙齿的细节。
在本实施例牙体补全模型的训练中,我们使用5469个示例作为训练集,640个示例作为测试集,所有的代码均用PyTorch实现,网络中所有的模块使用ADAM优化器,初始的学习率设置为0.0001,每经过40个回合学习率衰减70%,设置批次大小为64,总训练回合为500回合,通过最小化目标函数,在两块NVIDIA RTX3090上完成模型的训练。
S5、使用训练好的牙体补全模型对测试数据进行补全,得到完整牙体点云,并使用指标进行评价。
具体过程如下:
使用步骤S4训练好的牙体补全模型,对测试样本进行预测,补全缺失部位的牙齿,为了评估牙齿补全结果的表现,本方法选择切夫距离、推土机距离(Earth MoverDistance)和F-score作为评价指标,其中使用切夫距离的两种形式:CD-l1和CD-l2。CD-l1使用L1范数来计算两个点之间的距离,CD-l2使用L2范数来计算两个点之间的距离。推土机距离的计算公式如下:
其中,S1和S2表示两个牙体点云,EMD(S1,S2)表示牙体点云S1和S2的推土机距离,φ表示从S1和S2之间的双向映射,用于最小化对应点之间的距离。
F-score被定义为预测结果的精度和召回率之间的调和平均值;精度是指与金标准相比预测对的点除以金标准所有的点,召回率是指与输入相比预测对的点除以输入中所有的点。
本方法使用以上四个指标对补全结果进行评价,选取四个点云补全领域比较有代表性的算法:Point Completion Network(PCN)、Point Fractal Network(PF-Net)、Variational Relational Point Completion Network(VRCNet)、Geometry-AwareTransformers(PoinTr),指标结果如表1所示,本发明方法在CD-l1、CD-l2、EMD和F-score四个指标上均取得了最佳结果,表明本发明的补全结果与真实结果更为接近。图3所示为与四个算法的视觉对比结果,可以看出来,本发明补全结果可以较为精细地恢复牙体形状,避免了一定程度上的噪音,与金标准更为接近。
表1牙体点云补全指标结果
本发明的一种基于transformer编码器的牙体点云补全系统,包括数据处理模块、编码模块、多尺度点云生成器、牙体补全模型训练模块和测试评估模块,其中,数据处理模块将牙体点云数据集中所有样本采样到相同的点数,并对其进行正则化以统一不同尺度点云,并将尺度统一后的不完整牙体点云使用动态图卷积神经网络DGCNN进行聚类,得到聚类中心,同时提取出围绕聚类中心中的关键点的局部特征,然后将和分别处理并相加得到不完整牙体点云的特征;编码模块包括transformer编码器和多层感知机,transformer编码器根据获取的特征按照中的关键点坐标进行查询,然后通过线性层的特征聚合和最大池化来进一步学习局部几何结构,提供语义特征信息和编码器学习结构特征信息,并把两种信息结合起来,将transformer编码器的结果作为潜在向量,多层感知机从中预测出低分辨率点云Yc;多尺度点云生成器通过潜在向量和低分辨率点云Yc预测出高分辨率点云Yf,将Yf和Yc组合在一起作为最终的预测点云Ypred;牙体补全模型训练模块通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离,完成牙体补全网络的训练;测试评估模块根据测试样本的预测结果补全缺失部位的牙齿,并评估补全结果。
一种基于transformer编码器的牙体点云补全装置,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行上述一种基于transformer编码器的牙体点云补全方法的步骤。
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述一种基于transformer编码器的牙体点云补全方法的步骤。
Claims (10)
1.一种基于transformer编码器的牙体点云补全方法,其特征在于,包括以下步骤:
S4、通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离,完成牙体补全模型的训练;
S5、使用训练好的牙体补全模型对测试数据进行补全,得到完整牙体点云,并使用指标进行评价。
2.根据权利要求1所述的一种基于transformer编码器的牙体点云补全方法,其特征在于,步骤S1包括以下步骤:
S11、设牙体点云数据集为S={(x1,y1),(x2,y2),...,(xL,yL)},其中,xi表示不完整牙体点云,yi表示对应缺失牙齿金标准,i=1,…,L,L表示数据集中样本数量;使用最远点采样FPS将牙体点云数据集中所有样本采样到相同的点数,并对其进行正则化得到尺度相同的牙体点云数据集;
3.根据权利要求1所述的一种基于transformer编码器的牙体点云补全方法及系统,其特征在于,步骤S2具体为:
transformer编码器根据步骤S1中获取的特征矩阵按照聚类中心中的关键点坐标进行查询,然后通过线性层的特征聚合和最大池化来进一步学习局部几何结构;聚类中心提供语义特征信息和编码器学习结构特征信息,把语义特征信息和编码器学习结构特征信息结合起来,将transformer编码器的结果作为潜在向量该潜在向量描述了缺失部位的几何结构和数值范围;接着使用一个多层感知机从潜在向量中预测出低分辨率点云Yc;潜在向量和低分辨率点云Yc的表达式为:
5.根据权利要求1所述的一种基于transformer编码器的牙体点云补全方法,其特征在于,步骤S4具体为:
使用切夫距离来描述两个牙体点云之间的距离,切夫距离计算公式如下:
用损失函数表示牙体点云补全网络的目标函数,并完成牙体补全模型的训练;
通过切夫距离计算损失函数为:
其中,α是用于平衡两项的权重参数,CD(Yc,Ygt)表示低分辨率点云与金标准之间的距离,αCD(Ypred,Ygt)表示最终预测牙体点云与金标准之间的距离;低分辨率点云表征了全局特征信息,高分辨率点云保证了补全牙体的细节。
6.根据权利要求1所述的一种基于transformer编码器的牙体点云补全方法,其特征在于,步骤S5具体为:
使用步骤S4训练好的牙体补全模型,对测试样本进行预测,补全缺失部位的牙齿,为了评估牙齿补全结果的表现,使用选择切夫距离、推土机距离和F-score作为评价指标对牙齿补全结果进行评价;其中切夫距离包括两种形式:CD-l1和CD-l2,CD-l1使用L1范数来计算两个点之间的切夫距离,CD-l2使用L2范数来计算两个点之间的切夫距离,推土机距离的计算公式如下:
其中,S1和S2表示两个牙体点云,EMD(S1,S2)表示牙体点云S1和S2的推土机距离,φ表示从S1和S2之间的双向映射,用于最小化对应点之间的距离。
F-score被定义为预测结果的精度和召回率之间的调和平均值。
7.一种基于transformer编码器的牙体点云补全系统,其特征在于,包括数据处理模块、编码模块、多尺度点云生成器、牙体补全模型训练模块和测试评估模块,其中,数据处理模块将牙体点云数据集中所有样本采样到相同的点数,并对其进行正则化以统一不同尺度牙体点云,并将尺度统一后的不完整牙体点云进行聚类,得到聚类中心同时提取出围绕聚类中心中的关键点的局部特征然后将和分别处理并相加得到不完整牙体点云的特征矩阵编码模块根据获取的特征矩阵按照中的关键点坐标进行查询,然后通过线性层的特征聚合和最大池化来进一步学习局部几何结构,提供语义特征信息和编码器学习结构特征信息,并把两种信息结合起来,将编码器的结果作为潜在向量然后从中预测出低分辨率点云Yc;多尺度点云生成器通过潜在向量和低分辨率点云Yc预测出高分辨率点云Yf,将Yf和Yc组合在一起作为最终的预测牙体点云Ypred;牙体补全模型训练模块通过最小化Ypred和对应真实缺失牙齿金标准Ygt之间的切夫距离,完成牙体补全网络的训练;测试评估模块根据测试样本的预测结果补全缺失部位的牙齿,并评估牙齿补全结果。
8.根据权利要求7所述的一种基于transformer编码器的牙体点云补全系统,其特征在于,编码模块包括transformer编码器和多层感知机,多层感知机用于对transformer编码器输出的结果进行预测得到低分辨率点云Yc。
9.一种基于transformer编码器的牙体点云补全装置,其特征在于,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如权利要求1-6任一项所述一种基于transformer编码器的牙体点云补全方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如权利要求1-6任一项所述一种基于transformer编码器的牙体点云补全方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419107.6A CN114066772A (zh) | 2021-11-26 | 2021-11-26 | 一种基于transformer编码器的牙体点云补全方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419107.6A CN114066772A (zh) | 2021-11-26 | 2021-11-26 | 一种基于transformer编码器的牙体点云补全方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066772A true CN114066772A (zh) | 2022-02-18 |
Family
ID=80276381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111419107.6A Pending CN114066772A (zh) | 2021-11-26 | 2021-11-26 | 一种基于transformer编码器的牙体点云补全方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066772A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463328A (zh) * | 2022-04-11 | 2022-05-10 | 四川大学 | 一种自动化正畸难度系数评估方法 |
CN115878861A (zh) * | 2023-02-07 | 2023-03-31 | 东南大学 | 一种针对图数据补全的集成式关键节点组的选择方法 |
-
2021
- 2021-11-26 CN CN202111419107.6A patent/CN114066772A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463328A (zh) * | 2022-04-11 | 2022-05-10 | 四川大学 | 一种自动化正畸难度系数评估方法 |
CN115878861A (zh) * | 2023-02-07 | 2023-03-31 | 东南大学 | 一种针对图数据补全的集成式关键节点组的选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627019B (zh) | 一种基于卷积神经网络的肝脏肿瘤分割方法及系统 | |
WO2021009258A1 (en) | Object detection and instance segmentation of 3d point clouds based on deep learning | |
CN114066772A (zh) | 一种基于transformer编码器的牙体点云补全方法及系统 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN113808075B (zh) | 一种基于深度学习的两阶段舌象识别方法 | |
WO2023044605A1 (zh) | 极端环境下脑结构的三维重建方法、装置及可读存储介质 | |
CN113744275B (zh) | 一种基于特征变换的三维cbct牙齿图像的分割方法 | |
CN114612660A (zh) | 一种基于多特征融合点云分割的三维建模方法 | |
CN114565738A (zh) | 一种基于局部几何一致性与特征一致性的点云补全方法 | |
CN116110597A (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
CN115601352A (zh) | 基于多模态自监督的医学影像分割方法 | |
CN116469561A (zh) | 一种基于深度学习的乳腺癌生存预测方法 | |
CN116913459B (zh) | 基于深度卷积网络控制门模型的用药推荐方法及系统 | |
CN116958958A (zh) | 基于图卷积双流形状先验自适应类别级物体姿态估计方法 | |
JP2023505676A (ja) | 機械学習方法のデータ拡張 | |
CN117115132A (zh) | 一种基于改进U-Net模型的口腔CBCT影像牙齿及软组织分割模型方法 | |
CN117094925A (zh) | 一种基于点代理增强和逐层上采样的猪体点云补全方法 | |
CN114972250A (zh) | 一种牙科图像分割方法 | |
CN113593007B (zh) | 一种基于变分自编码的单视图三维点云重建方法及系统 | |
KR102432766B1 (ko) | 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법 | |
CN115271033A (zh) | 基于联邦知识蒸馏医学图像处理模型构建及其处理方法 | |
CN115100306A (zh) | 针对胰腺区域的四维锥束ct成像方法和装置 | |
CN113192085A (zh) | 三维器官图像分割方法、装置及计算机设备 | |
CN117911418B (zh) | 基于改进yolo算法的病灶检测方法、系统及存储介质 | |
CN114638745B (zh) | 一种基于多借鉴信息的医学影像智能转换方法 |
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 |