基于深度学习的全冠修复预备体边缘线提取方法及系统

本发明涉及全冠修复，尤其涉及基于深度学习的全冠修复预备体边缘线提取方法及系统。

背景技术：

1、全冠修复作为牙科恢复预备体组织形态和咀嚼功能的修复方式，是牙体缺损固定修复的首选治疗方案。随着数字化技术的迅猛发展，光学印模和计算机辅助设计制作（computer aided design/computer aided manufacturing, cad/cam）已成为修复体设计和制作的关键环节。尽管修复体辅助设计的数字化技术在一定程度上提升了修复诊疗效率，但在全流程数字化发展的浪潮中，尤其在面对口腔医生、口腔技师设计能力差异和口腔扫描数据量的快速增长等挑战，仍需寻求更高效、更稳定的解决方案。

2、现有的全冠预备体边缘线的提取方法，通常依据医生或技师的临床经验，然而这种方法存在对医生和技师的经验要求较高、不同医生和技师的主观判断不同，以及需要较多的人工交互过程的问题，浪费大量时间，且操作复杂，准确度低。

3、因此，亟需基于深度学习的全冠修复预备体边缘线提取方法及系统，能够辅助标注预备体边缘线，节约修复体设计和制作时间，同时减少了由于主观因素造成的标注错误等问题。

技术实现思路

1、为了解决上述技术问题，本发明提供了基于深度学习的全冠修复预备体边缘线提取方法及系统，能够辅助标注预备体边缘线，节约修复体设计和制作时间，同时减少了由于主观因素造成的标注错误等问题。

2、本发明提供了基于深度学习的全冠修复预备体边缘线提取方法，包括如下步骤：

3、s1、获取测试者的预备体的三维网格数据；

4、s2、将测试者的预备体的三维网格数据输入三维网格语义分割网络模型，得到测试者的预备体的三维网格分割结果；

5、s3、对预备体的三维网格分割结果进行预处理，并对预处理后的三维网格分割结果进行平滑化处理，得到精确的三维网格分割结果；

6、s4、根据精确的三维网格分割结果，计算分割边缘，得到预备体的粗糙边缘线；

7、s5、根据预备体的粗糙边缘线进行平滑化处理和投影处理，得到预备体在三维网格上的平滑边缘线。

8、进一步的，s1中，获取测试者的预备体的三维网格数据包括：

9、获取测试者的单颗基牙预备体的口内扫描三维网格数据。

10、进一步的，s2中，三维网格语义分割网络模型的训练过程如下：

11、s2.1、构建三维网格语义分割样本数据集；其中，样本数据集包括若干非测试者的预备体的三维网格数据以及若干非测试者的预备体的三维网格数据对应的分割标签；

12、s2.2、构建神经网络模型；

13、s2.3、利用三维网格语义分割样本数据集对神经网络模型进行训练，直至神经网络模型的损失值小于预设损失值，且神经网络模型的分割准确度大于预设准确度，得到训练好的三维网格语义分割神经网络模型。

14、进一步的，s2.1中，若干非测试者的预备体的三维网格数据对应的分割标签的构建过程包括：

15、s2.11、将任一非测试者的预备体的边缘线中的有序点首尾相接形成闭合曲线；

16、s2.12、根据闭合曲线，将非测试者的预备体的三维网格分割成预备区域和非预备区域，分别为预备区域和非预备区域中的每个三角形网格赋予标签，得到非测试者的预备体的三维网格对应的分割标签；其中，预备区域指仅包含牙体的区域，非预备区域指除牙体之外还包含其他组织的区域。

17、进一步的，s3中，对预备体的三维网格分割结果进行预处理，其中，预处理包括：离群点去除处理和孔洞填充处理；

18、通过聚类算法对预备体的三维网格分割结果进行离群点去除处理和孔洞填充处理。

19、进一步的，s3中，对预处理后的三维网格分割结果进行平滑化处理，得到精确的三维网格分割结果包括：

20、根据预处理后的三维网格分割结果，通过全连接条件随机场算法进行平滑处理，得到精确的三维网格分割结果。

21、进一步的，s4中，根据精确的三维网格分割结果，计算分割边缘，得到预备体的粗糙边缘线包括：

22、s41、根据精确的三维网格分割结果，获取所有分割边缘三角形网格，构成三角形集合；

23、s42、根据三角形集合中的分割边缘三角形网格的顶点，计算每个分割边缘三角形网格的重心，将分割边缘三角形网格的重心作为粗糙边缘点构成粗糙边缘线散点集合，将所述粗糙边缘点构成的边缘线作为预备体的粗糙边缘线。

24、进一步的，s5中，根据预备体的粗糙边缘线进行平滑化处理和投影处理，得到预备体在三维网格上的平滑边缘线包括：

25、s51、将粗糙边缘线散点集合降采样为无序点集合；

26、s52、根据无序点集合进行排序，得到首尾相连形成闭合曲线的有序点集合；

27、s53、根据有序点集合，通过多项式回归算法进行平滑处理，得到平滑的预备体边缘线点云；

28、s54、将平滑的预备体边缘线点云，投影到预备体的三维网格中，得到预备体在三维网格上的平滑边缘线。

29、本发明还提供了基于深度学习的全冠修复预备体边缘线提取系统，用于执行上述任一项所述的基于深度学习的全冠修复预备体边缘线提取方法，系统包括以下模块：

30、数据获取模块，用于获取测试者的预备体的三维网格数据；

31、三维网格数据分割模块，与数据获取模块连接，用于将测试者的预备体的三维网格数据输入三维网格语义分割网络模型，得到测试者的预备体的三维网格分割结果；

32、分割结果精确化模块，与三维网格数据分割模块连接，用于对预备体的三维网格分割结果进行预处理，并对预处理后的三维网格分割结果进行平滑化处理，得到精确的三维网格分割结果；

33、粗糙边缘线计算模块，与分割结果精确化模块连接，用于根据精确的三维网格分割结果，计算分割边缘，得到预备体的粗糙边缘线；

34、平滑边缘线提取模块，与粗糙边缘线计算模块连接，用于根据预备体的粗糙边缘线进行平滑化处理和投影处理，得到预备体在三维网格上的平滑边缘线。

35、本发明实施例具有以下技术效果：

36、本发明针对预备体的口内扫描三维网格数据，通过三维网格语义分割网络模型对预备体的三维网格准确地进行分割，并对分割结果执行预处理、平滑处理和投影处理等步骤，实现准确、快速、全自动化的预备体的平滑边缘线的提取，根据本方案提取的平滑边缘线进行后续牙冠的设计和制作，确保制作牙冠与预备体的边缘能够完全吻合，本发明能够辅助标注预备体边缘线，节约修复体设计和制作时间，同时减少了由于主观因素造成的标注错误等问题。

1.基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，所述s1中，获取测试者的预备体的三维网格数据包括：

3.根据权利要求2所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，所述s2中，所述三维网格语义分割网络模型的训练过程如下：

4.根据权利要求3所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，所述s2.1中，若干非测试者的预备体的三维网格数据对应的分割标签的构建过程包括：

5.根据权利要求1所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，所述s3中，对所述预备体的三维网格分割结果进行预处理，其中，预处理包括：离群点去除处理和孔洞填充处理；

6.根据权利要求5所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，所述s3中，对预处理后的三维网格分割结果进行平滑化处理，得到精确的三维网格分割结果包括：

7.根据权利要求6所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，所述s4中，根据所述精确的三维网格分割结果，计算分割边缘，得到预备体的粗糙边缘线包括：

8.根据权利要求7所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，所述s5中，根据所述预备体的粗糙边缘线进行平滑化处理和投影处理，得到预备体在三维网格上的平滑边缘线包括：

9.基于深度学习的全冠修复预备体边缘线提取系统，用于执行上述权利要求1-8任一项所述的基于深度学习的全冠修复预备体边缘线提取方法，其特征在于，系统包括以下模块：