基于GCNN的CBCT模拟口扫点云数据牙齿分割算法

发布时间：2021-02-24 16:11

　　三维牙模型的获取并实现牙体边界的精准分割,对于口腔正畸及种植对牙齿的诊断和制定后续治疗计划具有重要意义.为了实现单个牙体的精准分割,提出一种基于CBCT数据模拟口扫点云数据实现牙齿自动分割的算法.借助锥形束计算机断层扫描（CBCT）重建出的三维牙模型,通过对牙模型的局部精细与全局粗略结构的深度学习网络,实现单个牙体的精准语义分割.该框架基于图卷积网络（graph convolutional neural networks, GCNN）,主要包括2个部分:一是实例分割网络,用于获得牙体的大体形状及相对位置信息;二是细粒度分割网络,用于学习单个牙体的精细细节部分,对分配错误的标签增加惩罚机制,进一步提高了牙体分割精确度.利用文中构建的牙体数据集分别在所提算法、PointNet++和GACNet进行测试,结果表明,所采用的改进GCNN框架可实现精准的三维牙体分割.核心评估指标平均交并比（MIoU）的得分为0.91,优于目前普遍使用的点云语义分割框架PointNet++（MIoU=0.78）和GACNet（MIoU=0.88）.实现基于CBCT模拟口扫点云数据的牙齿分割,对于进一步应用临床有重... 

【文章来源】：计算机辅助设计与图形学学报. 2020,32(07)北大核心

【文章页数】：9 页

【部分图文】：

三维牙体模型语义分割流程

受硬件条件限制,数据量过大的原始点云不能直接作为网络的输入,对重建的牙体模型基于曲率信息[18]进行下采样以捕获牙体特征;在增强牙体轮廓同时降低曲率较低部分点云数量,尽可能地保存牙体表面特性.采样后点云数据含有牙体局部精细细节(牙尖部位)和粗略的全局形状结构,如图2所示.根据牙科医学教科书上对牙体的定义进行分类,使用同样的算法对待上下颌牙体;根据医师的临床经验,使用7个不同的标签对中切牙、侧切牙、尖牙、第1双尖牙、第1双尖牙、第1磨牙、第2磨牙进行如图2所示分类.数据集标注利用语义标签编辑器(semantic segmentation editor)对点云进行标注.

文中实例分割网络根据学习点云方向特征来分割原始点云,采用自下而上的方式生成高质量三维形状候选区[19-20],如图3所示.采用自下而上方法能够缩小三维包围盒的形状建议搜索空间,大大减少了运算时间.由于重建的三维牙体模型在三维空间中独立存在,且单个牙体之间不重合,因此可以逐点学习牙齿点的特征进行分割原始点云,该网络通过捕获上下文信息进行点预测三维边界框的位置中心、目标方向和尺寸大小,从而分割生成三维物体边界框.三维物体边界框根据三维建议网络生成,根据网络输出可以确定边界框的7个参数(x,y,z,h,w,l,θ)的信息.其中,(x,y,z)为对象中心位置;(h,w,l)为物体的长、宽、高;θ为物体鸟瞰图位图方向.由于鸟瞰图中可以尽可能地保留牙体空间度量信息,缓解牙体重叠问题,因此,将三维牙体点云投射于鸟瞰图,如图4a所示.

【参考文献】：
期刊论文
[1]分叉下颌神经管的研究概述[J]. 李庭庭,刘亚林,李长义.  中华老年口腔医学杂志. 2017(06)
[2]计算机辅助牙齿隐形正畸系统[J]. 范然,钮叶新,金小刚,顾书华,施洁珺,王慧明.  计算机辅助设计与图形学学报. 2013(01)



本文编号：3049622