CN116205956A - 点云配准方法、装置以及医疗影像设备 - Google Patents

点云配准方法、装置以及医疗影像设备 Download PDF

Info

Publication number
CN116205956A
CN116205956A CN202111450267.7A CN202111450267A CN116205956A CN 116205956 A CN116205956 A CN 116205956A CN 202111450267 A CN202111450267 A CN 202111450267A CN 116205956 A CN116205956 A CN 116205956A
Authority
CN
China
Prior art keywords
point cloud
registration
matrix
point
registered
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
Application number
CN202111450267.7A
Other languages
English (en)
Inventor
谷旭胜
王瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Meyer Optoelectronic Technology Inc
Original Assignee
Hefei Meyer Optoelectronic Technology Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Meyer Optoelectronic Technology Inc filed Critical Hefei Meyer Optoelectronic Technology Inc
Priority to CN202111450267.7A priority Critical patent/CN116205956A/zh
Publication of CN116205956A publication Critical patent/CN116205956A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种点云配准方法、装置以及医疗影像设备，点云配准方法包括：基于预设算法对待配准点云和目标点云进行粗配准矩阵计算，得到满足第一精度预设条件的第一变换矩阵，所述算法包括基于高斯混合模型算法和/或多任务学习算法；利用第一变换矩阵对待配准点云进行变换，得到第一变换点云；多次利用迭代最近点算法对第一变换点云和目标点云进行精配准，以使最终配准精度小于或等于第一预设值。该点云配准方法，首先对两数据进行粗配准，以减小两数据的差距，然后多次利用迭代最近点算法进行精配准，由此，有效配准两数据，提升配准效率，提高配准精度。

Description

点云配准方法、装置以及医疗影像设备
技术领域
本发明涉及口腔技术领域，尤其涉及一种点云配准方法、装置以及医疗影像设备。
背景技术
口腔CT(Computed Tomography，电子计算机断层扫描)得到的CT体数据和口内扫描仪得到的口扫面数据各有优势，口内扫描仪可以扫描到精确的牙冠数据，口腔CT可以扫描到不可见的骨骼和牙根数据，但精度较低，而将成对的两种数据叠加在一起可以方便医生进行口腔正畸、种植等工作。
为方便两种数据的叠加，相关技术中提出一种针对两种不同模态三维数据自动配准的算法，该算法主要是通过手动选取两种数据上的三组以上对应匹配点，通过对应的匹配点计算刚性变换矩阵，从而完成配准。然而，该配准过程需要手动参与，自动化程度低，而且对人员的专业性要求也比较高，从而导致不仅效率低，而且精度水平的稳定性也难以保证。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提出了一种点云配准方法、装置以及医疗影像设备，以提高配准效率和配准精度。
第一方面，本发明提出了一种点云配准方法，包括：基于预设算法对待配准点云和目标点云进行粗配准矩阵计算，得到满足第一精度预设条件的第一变换矩阵，所述预设算法包括基于高斯混合模型算法和/或多任务学习算法；利用所述第一变换矩阵对所述待配准点云进行变换，得到第一变换点云；多次利用迭代最近点算法对所述第一变换点云和所述目标点云进行精配准，以使最终配准精度小于或等于第一预设值。
第二方面，本发明提出了一种点云配准装置，包括存储器、处理器以及存储在存储器上的计算机程序，计算机程序被处理器执行时，实现上述实施例的点云配准方法。
第三方面，本发明提出了一种医疗影像设备，包括上述实施例的点云配准装置。
本发明实施例的点云配准方法、装置以及医疗影像设备，首先对两数据进行粗配准，以减小两数据的差距；然后多次利用ICP(Iterative Closest Point，迭代最近点)算法进行精配准，在精配准过程中，可针对每一次迭代单独设置误差精度，且误差精度逐次提高。由此，有效配准两数据，提升配准效率，提高配准精度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明一个实施例的点云配准方法的流程图；
图2是本发明第一个具体实施例的步骤S1的流程图；
图3是本发明第二个具体实施例的步骤S1的流程图；
图4是本发明第三个具体实施例的步骤S1的流程图；
图5是本发明第四个具体实施例的步骤S1的流程图；
图6是本发明一个实施例的基于高斯混合模型算法进行粗配准的流程图；
图7是本发明一个实施例的基于多任务学习算法进行粗配准的流程图；
图8是本发明一个实施例的基于多任务学习算法进行粗配准的结构图；
图9是本发明一个具体实施例的步骤S3的流程图；
图10是本发明一个示例的口腔CT点云与口扫面点云配准结果的示意图；
图11是本发明一个示例的口腔CT点云与口扫面点云配准结果的切面示意图；
图12是本发明实施例的点云配准装置的结构示意图；
图13是本发明实施例的医疗影像设备的结构示意图。
具体实施方式
不同模态的点云数据，如口腔CBCT(Cone beam Computer Tomography，锥形束电子计算机断层扫描)数据(体数据)与口扫面数据(面数据)的差距较大、重合区域小，难以找到点的对应关系，噪声比较大。针对该问题，本发明首先对两种数据(可以是两种不同模态)进行粗配准，在进行粗配准的第一次变换后，两数据的差距减小，找到的对应点误差减小；然后多次利用ICP(Iterative Closest Point，迭代最近点)算法进行精配准，在精配准过程中，可针对每一次迭代单独设置误差精度，且误差精度逐次提高。由此，能够在不需要人工介入的情况下有效配准两数据，提升配准效率，提高配准精度。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的点云配准方法、装置以及医疗影像设备。
图1是本发明一个实施例的点云配准方法的流程图。
如图1所示，点云配准方法包括：
S1，基于预设算法对待配准点云和目标点云进行粗配准矩阵计算，得到满足第一精度预设条件的第一变换矩阵，预设算法包括基于高斯混合模型算法和/或多任务学习算法。
在该实施例中，待配准点云和目标点云可为两种不同模态的数据，例如，待配准点云为体数据，目标点云为面数据；又如，待配准点云为面数据，目标点云为体数据。其中，体数据可以是从口腔CBCT或口腔CT扫描机扫描得到的口腔CT数据得到，面数据可以是从口内扫描仪扫描得到的口扫面数据得到。
具体地，可利用区域生长法从口腔CT数据中提取牙齿模型，再将用于配准的牙齿模型部分转换为点云数据。牙齿模型可以包括所有牙齿的牙冠、牙根，以及牙冠和牙根之间的部分，可以用所有牙齿作为一个整体进行配准，也可先对牙齿进行分割，只用包含牙冠的数据进行配准。利用口内扫描仪获得牙齿三维模型，再将用于配准的牙齿三维模型部分转换为点云数据，该牙齿三维模型可以包含牙冠和牙龈软组织部分，可以用包含牙冠和牙龈软组织部分的数据进行配准，也可以将软组织部分切割掉，利用剩余的牙冠部分进行配准。
其中，区域生长法是一种图像分割方法，是根据同一物体区域内像素的相似性质来聚集像素点的方法，从初始区域(如小邻域或甚至于每个像素)开始，将相邻的具有同样性质的像素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内像素的相似性度量可以包括平均灰度值、纹理、颜色等信息。可选地。区域生长法可以直接从三维图像处理库ITK中调用，其过程是：先对口腔CT数据进行阈值分割，再在阈值分割的基础上进行区域生长分割。
需要说明的是，粗配准是为了得到待配准点云和目标点云之间的一个第一变换矩阵，该第一变换矩阵对应的配准精度要求较低，主要是为了方便后续精配准的处理。在本发明的实施例中，粗配准过程可以直接通过基于高斯混合模型算法的方式、基于多任务学习算法的方式中的一者实现；也可以先从两方式中随机选择一者进行配准，如果配准精度不满足要求，则再选择另一方式进行配准，然后将两种配准结果进行比较，确定一个比较好的配准结果作为最终的粗配准结果。
所述基于预设算法对待配准点云和目标点云进行粗配准矩阵计算，得到满足第一精度预设条件的第一变换矩阵，包括：基于高斯混合模型算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第一初始矩阵；和/或，基于多任务学习算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第二初始矩阵；将所述第一初始矩阵，或所述第二初始矩阵，或所述第一初始矩阵与第二初始矩阵中对应配准精度较高的一者作为满足第一精度预设条件的第一变换矩阵。这一过程的具体实现包含多种方式，具体如下：
方式一：所述预设算法包括基于高斯混合模型算法；
基于高斯混合模型算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第一初始矩阵；将所述第一初始矩阵作为满足第一精度预设条件的第一变换矩阵。
具体地，如图2所示，方式一可包括：
S21，基于高斯混合模型算法对待配准点云和目标点云进行粗配准矩阵计算，得到第一初始矩阵；
S22，在第一初始矩阵对应的第一配准精度小于第二预设值时，将第一初始矩阵作为第一变换矩阵，其中，第二预设值大于第一预设值。
其中，第二预设值为粗配准对应的配准精度，第一预设值为精配准对应的配准精度，第一预设值、第二预设值的取值可根据需要进行标定，第一预设值的取值范围为[0.005,0.02]，如第一预设值为0.01；第二预设值的取值范围为[0.1,1.0]，如第二预设值为0.5。
方式二：所述预设算法包括基于多任务学习算法；
基于多任务学习算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第二初始矩阵；将所述第二初始矩阵对应配准精度较高的一者作为满足第一精度预设条件的第一变换矩阵。
具体地，如图3所示，方式二可包括：
S31，基于多任务学习算法对待配准点云和目标点云进行粗配准矩阵计算，得到第二初始矩阵；
S32，在第二初始矩阵对应的第二配准精度小于第二预设值时，将第二初始矩阵作为第一变换矩阵，其中，第二预设值大于第一预设值。
方式三：所述预设算法包括高斯混合模型算法和基于多任务学习算法；
基于高斯混合模型算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第一初始矩阵；基于多任务学习算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第二初始矩阵；将所述第一初始矩阵与第二初始矩阵中对应配准精度较高的一者作为满足第一精度预设条件的第一变换矩阵。
具体地，如图4所示，方式三可包括：
S41，基于高斯混合模型算法对待配准点云和目标点云进行粗配准矩阵计算，得到第一初始矩阵；
S42，在第一配准精度大于或等于第二预设值时，基于多任务学习算法对待配准点云和目标点云进行粗配准矩阵计算，得到第二初始矩阵；
S43，在第二初始矩阵对应的第二配准精度小于第一配准精度时，将第二初始矩阵作为第一变换矩阵；
S44，在第二配准精度大于第一配准精度时，将第一初始矩阵作为第一变换矩阵。
基于多任务学习算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第二初始矩阵；
方式四：所述预设算法包括高斯混合模型算法和基于多任务学习算法；
基于多任务学习算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第二初始矩阵；基于高斯混合模型算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第一初始矩阵；将所述第一初始矩阵与第二初始矩阵中对应配准精度较高的一者作为满足第一精度预设条件的第一变换矩阵。
具体地，如图5所示，方式四可包括：
S51，基于多任务学习算法对待配准点云和目标点云进行粗配准矩阵计算，得到第二初始矩阵；
S52，在第二初始矩阵对应的第二配准精度大于或等于第二预设值时，基于高斯混合模型算法对待配准点云和目标点云进行粗配准矩阵计算，得到第一初始矩阵；
S53，在第一初始矩阵对应的第一配准精度小于第二配准精度时，将第一初始矩阵作为第一变换矩阵；
S54，在第二配准精度小于第一配准精度时，将第二初始矩阵作为第一变换矩阵。
作为一个示例，如图6所示，基于高斯混合模型算法对待配准点云和目标点云进行粗配准矩阵计算，可包括：
A1、利用预设神经网络分别对待配准点云和目标点云进行特征提取，得到第一特征信息和第二特征信息。
其中，预设神经网络可由T-Net网络和PointNet网络构成，T-Net网络用于对点云做初始变换，PointNet网络用于进行提取特征。具体地，T-Net网络可学习一个3×3的矩阵分别对待配准点云和目标点云做旋转变换，学习两点云之间的相对旋转变换，以增强PointNet网络所提取特征信息的鲁棒性。
具体而言，待配准点云pM×3和目标点云pN×3中的点均具有三维坐标，即pM×3∈R3、pN×3∈R3，经预设神经网络进行特征提取后，待配准点云和目标点云中每个点的表示形式均可由三维坐标扩展为J维坐标，对应的点云分别可以表示为第一特征信息
Figure BDA0003385629470000051
和第二特征信息/>
Figure BDA0003385629470000052
其中，M为待配准点云中点的数量，N为目标点云中点的数量，J可根据需要设定。其中，特征提取是一个映射的过程，y＝f(x),f()表示一种映射关系。预设神经网络可以是深度学习神经网络，通过该预设神经网络可以学习到有用的映射，当学习完毕后该有用的映射就固定下来为一种映射关系。
A2、将第一特征信息表示为J个正态分布叠加的第一高斯混合模型，将第二特征信息表示为J个正态分布叠加的第二高斯混合模型，其中，J为第一特征信息、第二特征信息中点的维数。
具体地，利用高斯概率密度函数精确地量化事物，将一个事物分解为若干基于高斯概率密度函数形成的模型，高斯概率密度函数形即为正态分布。
具体而言，目标点云对应的GMM(Gaussian Mixture Model，高斯混合模型)可由下式(1)表示，并可根据以下式(2)和式(3)分别求得两点云的GMM参数
Figure BDA0003385629470000053
和
Figure BDA0003385629470000054
GMM中每个成分(正态分布)表示f中一个维度的特征，每个维度的特征涵盖了点云中每个点，每个第一高斯混合模型可以表示M个点，每个第二高斯混合模型可以表示N个点，每个点为J维。由于点云中点的数目M、N不是固定的，所以可以对不同大小的点云都用J个成分的GMM表示。
Figure BDA0003385629470000061
Figure BDA0003385629470000062
Figure BDA0003385629470000063
其中，μj表示权重标量，是一个3×1的均值向量，∑j是一个3×3的协方差矩阵。
A3、根据第一高斯混合模型和第二高斯混合模型，得到第一初始矩阵。
具体地，参见图6，步骤A3可包括：
A31、根据第一高斯混合模型和第二高斯混合模型得到第一中间变换矩阵，并根据第一中间变换矩阵构建第一损失函数，其中，第一中间变换矩阵为使得第一高斯混合模型经第一中间变换矩阵变换后与第二高斯混合模型之间的差距最小的变换矩阵。
在该示例中，在以GMM模型表示点云的基础上，求得一个刚性变换矩阵T(即第一中间变换矩阵)使得经过T变换后的第一高斯混合模型与第二高斯混合模型的差距最小。其中，可使用KL散度来衡量两个模型分布之间的差距，KL散度越小表示两个GMM分布之间差异越小，那么对应的点云差异就越小。
A32、在根据第一损失函数确定粗配准完成时，将第一中间变换矩阵作为第一初始矩阵。
A33、在根据第一损失函数确定粗配准未完成时，根据第一损失函数更新预设神经网络的参数，并返回至进行特征提取的步骤。
在该示例中，如式(4)所示，为了建立映射关系，即求得的
Figure BDA0003385629470000064
满足
Figure BDA0003385629470000065
的对应关系，Ttruth为两幅待配准点云的真实变换矩阵。在Ttruth和求得的T之间构建MSE(Mean-Square Error，均方误差)损失函数来更新预设神经网络中PointNet网络的参数，MSE损失函数(即第一损失函数)如式(5)所示。
Figure BDA0003385629470000066
Loss＝||T-Ttruth||2 (5)
其中，
Figure BDA0003385629470000067
为经过T变换后的第一高斯混合模型，
Figure BDA0003385629470000068
为经过T变换后的第一高斯混合模型与第二高斯混合模型之间的KL散度。
在得到第一损失函数后，可根据第一损失函数确定粗配准是否完成。例如，式(5)所示的第一损失函数取值最小或不再收敛时，可确定粗配准完成，否则确定粗配准未完成。
作为一个示例，如图7所示，基于多任务学习算法对待配准点云和目标点云进行粗配准矩阵计算，包括：
B1、分别对待配准点云和目标点云进行特征提取，得到第三特征信息和第四特征信息，其中，第三特征信息和第四特征信息的形式相同；
其中，可通过神经网络PointNet中的卷积操作分别对待配准点云和目标点云进行特征提取。形式相同指的是数据维度相同，比如两个特征的维度都是[3,4,5]。
B2、根据第三特征信息和第四特征信息构建多个任务，并根据多个任务得到第二初始矩阵。
在该示例中，如图7所示，可通过特征提取模块分别对待配准点云和目标点云进行特征提取，得到第三特征信息fsrc和第四特征信息ftgt，第三特征信息fsrc和第四特征信息ftgt形式相同。在共享特征提取模块的基础上设置多个任务分支，如两个分支，单个分支学习不同的任务，进而通过不同任务的耦合来达到配准的目的。
在一个具体示例中，对于两任务分支，其中一个为点云重建任务，另一个为点云配准任务，当特征提取模块所提取的点云特征信息具有辨识度(未配准成功的点云提取的特征不一致)和鲁棒性(配准成功的点云提取的特征一致)时，那么通过这两个提取出来的形式一致的特征即可提取出变换矩阵(点云配准任务)，而这个辨识度和鲁棒性的基础则由点云重建任务来保证。
具体地，参见图8，任务分支为两个，分别记为分支1和分支2，其中分支1为点云重建任务，分支2为点云配准任务，两个分支共享特征提取模块。此时，步骤B2可包括：
B21、根据第三特征信息和第四特征信息计算点云重建损失；
其中，分支1可通过如下公式计算点云重建损失：
Figure BDA0003385629470000071
其中，S1、S2分别表示待配准点云的点数、目标点云的点数，第一项代表待配准点云中任意一点x到目标点云的最小距离之和，第二项则表示目标点云中任意一点y到待配准点云的最小距离之和。
B22、利用逆向合成法根据第三特征信息和第四特征信息得到第二中间变换矩阵，并根据第二中间变换矩阵构建第二损失函数；
分支2在求得第二中间变换矩阵T后与真实的Ttruth之间构建MSE损失Lmse(即第二损失函数)，Lmse＝||T-Ttruth||2。
B23、计算点云重建损失和第二损失函数的和值；
其中，点云重建损失和第二损失函数的和值为L＝Lmse+Lrecon。
B24、在根据和值确定粗配准完成时，将第二中间变换矩阵作为第二变换矩阵；
B25、在根据和值确定粗配准未完成时，利用第二中间变换矩阵对待配准点云进行变换，并返回至进行特征提取的步骤。
其中，和值最小或收敛，则可认为粗配准完成，否则可认为粗配准未完成。
在该示例中，参见图6，将第三特征信息fsrc和第四特征信息ftgt作为点云重建模块的输入，计算点云重建损失。通过第三特征信息fsrc和第四特征信息ftgt以逆向合成法计算变换矩阵T；以T对待配准点云进行变换，将变换后的待配准点云和目标点云输入点云重建模块，计算点云重建损失，并重复该步骤。当然，在得到变换矩阵T后，也可如图6所示，以T对目标点云进行变换，将变换后的目标点云和待配准点云输入点云重建模块，计算点云重建损失。
具体地，分支1包含一个特征提取模块和点云重建模块，其中特征提取模块可以用式
Figure BDA0003385629470000081
映射表示，网络中的特征提取模块将N×3维的点云PN×3映射为固定D维的特征fD，使得无论输入点云大小为多少，待配准点云和目标点云都用相同维度的特征表示。此特征fD需要有辨识度和鲁棒性，这一点通过重建损失Lrecon约束。Lrecon的输入为点云重建模块的输出/>
Figure BDA0003385629470000082
点云重建模块可以用式/>
Figure BDA0003385629470000083
映射表示。点云重建模块输入对原始输入点云PN×3的重建/>
Figure BDA0003385629470000084
通过对/>
Figure BDA0003385629470000085
的约束，使得/>
Figure BDA0003385629470000086
和PN×3趋向一致反过来约束fD和PN×3的关系。/>
Figure BDA0003385629470000087
和PN×3之间通过不断优化Lrecon来达到逐步逼近的目的，Lrecon公式如上式(6)表示。如果式(6)所示的点云重建损失较大，则说明两点云区别较大；如果式(6)所示的点云重建损失较小，则说明点云重建模块重建出的点云接近输入点云。
分支2以fsrc和ftgt之间的差r为输入通过IC(Inverse Compositional，逆向合成)算法迭代计算变换矩阵T。计算时初始设定一个默认值T0，每次迭代计算增量ΔT后更新T，经过一定次数的迭代后得到预测的变换矩阵。其中每次迭代计算得到的变换矩阵T对输入的待配准点云做变换后得到更新的待配准点云，然后以此为输入送入特征提取模块，得到更新后的fsrc和ftgt，这两个特征则作为下一次迭代计算T的输入。随着迭代次数的增加，输入点云理论上会越来越取向于一致。
需要说明的是，本发明的多任务学习的耦合关系主要体现在三个方面：1)两个分支共享特征提取模块；2)分支1的Lrecon部分分别包含待配准点云和目标点云的重建损失，通过逆向约束式
Figure BDA0003385629470000091
和式/>
Figure BDA0003385629470000092
使得分支2可以通过未配准成功的有差的但是鲁棒的fsrc和ftgt来迭代计算变换矩阵T；3)在T变换下的待配准点云和目标点云趋向于一致，则fsrc和ftgt的差r→0。通过Lmse对特征提取模块的反向传播加强式
Figure BDA0003385629470000093
的映射关系，正向推动式/>
Figure BDA0003385629470000094
映射关系的形成，使得分支1重建任务成立。那么，基于深度学习模型的粗配准任务得到的最终损失函数为上述的和值。/>
S2，利用第一变换矩阵对待配准点云进行变换，得到第一变换点云。
具体地，通过口扫点云到CBCT点云的刚性变换矩阵T，对两点云中的一者进行变换，实现粗配准。
S3，多次利用迭代最近点算法对第一变换点云和目标点云进行精配准，以使最终配准精度小于或等于第一预设值。
具体地，循环使用ICP算法预测变换矩阵，对两组数据中的一者根据当前计算的变换矩阵进行变换，使得两组数据越来越靠近，直至达到预设精度。在每一次的循环变换的过程中，单独设置误差精度(即点对求取精度)，随着循环变换的进行，误差精度设置成逐渐减小。其中，误差精度的设置可以根据经验设置。
作为一个可行的实施方式，如图9所示，步骤S3可包括：
S91，设置n个取值递减的误差精度，其中，第n个误差精度的取值小于或等于第一预设值，n为正整数，且n≥2；
S92，在第1次进行配准时，根据第1个误差精度利用迭代最近点算法对第一变换点云和目标点云进行配准；
S93，在第i次进行配准时，根据第i个误差精度利用迭代最近点算法对第i-1次配准得到的第二变换点云和目标点云进行配准，其中，i为正整数，且2≤i≤n。
具体地，在一个示例中，步骤S33中，根据误差精度利用迭代最近点算法对第二变换点云和目标点云进行配准，可包括：
C1、针对第二变换点云中的每个点，计算其到目标点云中的每个点的第一距离；
C2、根据第一距离和误差精度得到第一有效点对；
具体可针对第二变换点云中的每个点，计算其到目标点云中的每个点的距离，得到第二变换点云中每个点对应的一组距离，将每组距离中的最小距离，且最小距离小于预设的点对误差精度时对应的点对作为第一有效点对。
C3、根据第一有效点对计算第二变换矩阵；
C4、利用第二变换矩阵对第二变换点云进行变换并更新第二变换点云，返回至计算第一距离的步骤，直到达到预设的最大迭代次数，或，相邻两次迭代得到的第二变换矩阵的差值小于第三预设值。
在该示例中，基于第二变换点云和目标点云，进行点到点的配准，进行多次基于ICP算法的配准计算，针对每次计算设置不同的点对误差精度，点对误差精度值不断降低，也就是精度要求越来越高。在完成前一次基于ICP算法的配准过程之后，利用新的点对误差精度，进入下一次基于ICP算法的配准计算过程，将最终矩阵变换后的结果作为精配准结果。由此，可提高配准精度。
在另一个示例中，步骤S33中，根据误差精度利用迭代最近点算法对第二变换点云和目标点云进行配准，可包括：
D1、针对第二变换点云中的每个点，确定其到目标曲面中的每个三角网格的投影点，并计算其到各投影点的第二距离，其中，目标点云中的点为目标曲面上三角网格的顶点。
其中，在确定第二变换点云中的点P到目标曲面中的三角网格的投影点时，可先确定点P到目标曲面中的投影点P’，再利用重心法和垂直向量法判断点P’是否在目标曲面中的三角网格中；如果在，则确定目标曲面中的三角网格中存在点P投影点。一种实施方式中，目标曲面可以由基于目标点云重建曲面得到。
具体而言，在计算投影点的过程中，先判断P点(第二变换点云中的点)的投影点(向目标曲面进行投影)是否在三角网格内，如在三角网格内再进行投影点坐标和对应点距离的计算，如不在三角网格内则直接跳过不计算。相对于计算距离后进行是否在三角网格内的判断，该先判断的方法可大幅减少计算量。其中，判断P点的投影点是否在该三角网格内，具体可采用重心法+垂直向量法结合的方法。
假如三角形三个顶点分别是A、B、C，平面内A点起始两个向量v1＝B-A,v2＝C-A,根据重心法得知，三角形内任意一点PP：PP＝A+t1*v1+t2*v2，其中，t1、t2为数量，当同时满足0≤t1≤1,0≤t2≤1,t1+t2＜1三个条件时PP在三角形ABC内。
如P的投影点为PP，那么向量v＝P-PP与三角网格ABC垂直，依据垂直向量法两个垂直的向量点积为0，可得：v·v1＝0和v·v2＝0。
进而推导可得：
t1＝(a1*c2-a2*c1)/(b1*c2-c1*c1)；
t2＝(a1*c1-a2*b1)/(c1*c1-b1*c2)；
其中，a1＝v3·v1，b1＝v1·v1,c1＝v2·v1,a2＝v3·v2,c2＝v2·v2，向量v3＝P-A。如果t1,t2满足条件，再计算投影点PP的坐标，并计算P点和PP点的欧式距离distance.
D2、根据第二距离和误差精度得到第二有效点对；
具体可针对第二变换点云中的每个点，计算其到目标曲面中的每个三角网格的投影点，并计算其到投影点的距离，得到第二变换点云中每个点对应的一组距离，将每组距离中的最小距离，且最小距离小于预设的点对误差精度时对应的源点云中的点与相应的投影点作为第二有效点对。其中，目标曲面是基于目标点云进行曲面重建获得的。
D3、根据第二有效点对计算第二变换矩阵；
D4、利用第二变换矩阵对第二变换点云进行变换并更新第二变换点云，返回至计算第二距离的步骤，直到达到预设的最大迭代次数，或，相邻两次迭代得到的第二变换矩阵的差值小于第三预设值。
在该示例中，基于第二变换点云和目标点云，进行点到面的配准，进行多次基于ICP算法的配准计算，针对每次计算设置不同的点对误差精度，点对误差精度值不断降低，也就是精度要求越来越高。在完成前一次基于ICP算法的配准过程之后，利用新的点对误差精度，进入下一次基于ICP算法的配准计算过程，将最终矩阵变换后的结果作为精配准结果。由此，可提高配准精度。
具体的，在一个示例中，根据第1个误差精度利用迭代最近点算法对第一变换点云和目标点云进行配准，可以包括：
根据当前待配准的点云和目标点云，求取有效点对，并根据有效点对计算变换矩阵；利用得到的变换矩阵对当前待配准的点云进行变换；
返回上一步骤，直至达到预设迭代次数，或预设的配准精度，将变换的点云作为第二变换点云。
该求取有效点对的过程可以参照上述任一种第二变换点云与目标点云之间求取有效点对的方式进行，该过程中，第一次计算变换矩阵时当前待配准的点云为第一变换点云，下一轮重复执行该步骤时，当前待配准的点云为上一轮经过变换后的点云。
需要说明的是，每一次进行配准时，利用迭代最近点算法进行配准都是多轮迭代的循环过程，在这个循环迭代过程中，利用当前待配准的点云和目标点云(或目标点云所在的目标曲面)计算有效点对，利用有效点对计算变换矩阵，利用变换矩阵对当前待配准的点云进行变换，得到新的待配准的点云，直至达到预设的迭代次数或预设的配准精度，即跳出本次配准，利用新的误差精度进行下一次配准，直至配准精度达到最终要求，小于或等于第一预设值。
需要说明的是，ICP算法是一种配准算法，其适用于输入数据相差不大的情况。在使用ICP算法时，可设定一个误差精度，当ICP算法配准过程可以小于误差精度时，ICP算法配准成功，否则配准结果不可控，一般只使用一次(设定一个误差)来微调。本发明将ICP算法作为一种微调算法，通过多次使用ICP算法，初始误差精度较大(比如0.5)，后面逐步减小到预期误差精度(如0.01)，达到实现预期配准效果的目的。
在本发明的一些实施例中，在对待配准点云和目标点云进行粗配准矩阵计算之前，方法还可包括：利用区域生长法从口腔CT数据中提取牙齿模型，将提取到的牙齿模型转换为第一点云数据；将利用口内扫描仪获得的牙齿三维模型转换为第二点云数据；分别对第一点云数据和第二点云数据中的离群点进行滤波，并对滤波后的点云数据进行下采样；将经过滤波采样后的得到的两组点云数据中一者作为待配准点云，另一者作为目标点云。
具体地，在得到第一点云数据和第二点云数据之后，可分别对两点云进行预处理。该预处理可包括：利用统计滤波器分别对第一点云数据和第二点云数据的离群点进行滤波，并对滤波后的点云进行下采样，以在降低点云数据量量级的同时，保持对应的两点云在密度上处于同一量级。
在本发明的一些实施例中，在对待配准点云和目标点云进行粗配准矩阵计算之前，方法还可包括：确定待配准点云的第一质心和目标点云的第二质心；调整待配准点云和/或目标点云的位置，以使第一质心和第二质心重合。由此，可在后续配准得到变换矩阵时，降低计算量和预测难度。
在一个具体示例中，本发明应用上述的方法，最终实现的口腔CT数据和口扫面数据的配准效果如图10、图11所示。从图10、图11中可以看出，利用本发明的配准方法得到的配准精度可小于0.4mm。
综上，本发明实施例的点云配准方法，能够在无需人工介入的情况下有效配准口腔CT数据和口扫面数据，提升了配准效率，解决了跨模态数据的配准问题。并且，使用本方法对跨模态数据进行对准，对两部分数据覆盖的范围的同一性需要相对不高，不仅可以节省数据前处理过程的成本，还可以减少因前处理导致数据重要信息丢失而导致配准失败或精度不高的问题出现，从而提高了配准效率。
基于上述的点云配准方法，本发明还提出了一种点云配准装置。
在本发明的实施例中，如图12所示，点云配准装置100包括存储器10、处理器20以及存储在存储器10上的计算机程序30，计算机程序30被处理器20执行时，实现上述的点云配准方法。
进一步地，本发明还提出了一种医疗影像设备。
在本发明的实施例中，如图13所示，医疗影像设备200包括上述实施例的点云配准装置100。
医疗影像设备200可以为口腔CT、口腔CBCT、口腔X射线机等，还可以为口内扫描***等，具体的，其中，点云配准装置100可以为计算机、上位机、移动终端(如手机、平板电脑)等。
本发明实施例的医疗影像设备，通过上述的点云配准装置，能够在无需人工介入的情况下有效配准口腔CT数据和口扫面数据，提升了配准效率，解决了跨模态数据的配准问题。并且，使用本方法对跨模态数据进行对准，对两部分数据覆盖的范围的同一性需要相对不高，不仅可以节省数据前处理过程的成本，还可以减少因前处理导致数据重要信息丢失而导致配准失败或精度不高的问题出现，从而提高了配准效率。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (15)

1.一种点云配准方法，其特征在于，包括：
基于预设算法对待配准点云和目标点云进行粗配准矩阵计算，得到满足第一精度预设条件的第一变换矩阵，所述预设算法包括基于高斯混合模型算法和/或多任务学习算法；
利用所述第一变换矩阵对所述待配准点云进行变换，得到第一变换点云；
多次利用迭代最近点算法对所述第一变换点云和所述目标点云进行精配准，以使最终配准精度小于或等于第一预设值。
2.如权利要求1所述的方法，其特征在于，所述基于预设算法对待配准点云和目标点云进行粗配准矩阵计算，得到满足第一精度预设条件的第一变换矩阵，包括：
基于高斯混合模型算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第一初始矩阵；
和/或，
基于多任务学习算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第二初始矩阵；
将所述第一初始矩阵，或所述第二初始矩阵，或所述第一初始矩阵与第二初始矩阵中对应配准精度较高的一者作为满足第一精度预设条件的第一变换矩阵。
3.如权利要求2所述的方法，其特征在于，基于高斯混合模型算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，得到第一初始矩阵，包括：
利用预设神经网络分别对所述待配准点云和所述目标点云进行特征提取，得到第一特征信息和第二特征信息；
将所述第一特征信息表示为J个正态分布叠加的第一高斯混合模型，将所述第二特征信息表示为J个正态分布叠加的第二高斯混合模型，其中，J为所述第一特征信息、所述第二特征信息中点的维数；
根据所述第一高斯混合模型和所述第二高斯混合模型以获得第一初始矩阵。
4.如权利要求3所述的方法，其特征在于，所述根据所述第一高斯混合模型和所述第二高斯混合模型以获得第一初始矩阵，包括：
根据所述第一高斯混合模型和所述第二高斯混合模型得到第一中间变换矩阵，并根据所述第一中间变换矩阵构建第一损失函数，其中，所述第一中间变换矩阵为使得所述第一高斯混合模型经所述第一中间变换矩阵变换后与所述第二高斯混合模型之间的差距最小的变换矩阵；
在根据所述第一损失函数确定粗配准完成时，将所述第一中间变换矩阵作为所述第一初始矩阵；
在根据所述第一损失函数确定粗配准未完成时，根据所述第一损失函数更新所述预设神经网络的参数，并返回至进行特征提取的步骤。
5.如权利要求2所述的方法，其特征在于，基于多任务学习算法对所述待配准点云和所述目标点云进行粗配准矩阵计算，包括：
分别对所述待配准点云和所述目标点云进行特征提取，得到第三特征信息和第四特征信息，其中，所述第三特征信息和所述第四特征信息的形式相同；
根据所述第三特征信息和所述第四特征信息构建多个任务，并根据多个任务得到所述第二初始矩阵。
6.如权利要求5所述的方法，其特征在于，所述根据所述第三特征信息和所述第四特征信息构建多个任务，并根据多个任务得到所述第二初始矩阵，包括：
根据所述第三特征信息和所述第四特征信息计算点云重建损失；
利用逆向合成法根据所述第三特征信息和所述第四特征信息得到第二中间变换矩阵，并根据所述第二中间变换矩阵构建第二损失函数；
计算所述点云重建损失和第二损失函数的和值；
在根据所述和值确定粗配准完成时，将所述第二中间变换矩阵作为所述第二初始矩阵；
在根据所述和值确定粗配准未完成时，利用所述第二中间变换矩阵对所述待配准点云进行变换，并返回至进行特征提取的步骤。
7.如权利要求1所述的方法，其特征在于，所述多次利用迭代最近点算法对所述第一变换点云和所述目标点云进行精配准，以使最终配准精度小于或等于第一预设值，包括：
设置n个取值递减的误差精度，其中，第n个误差精度的取值小于或等于所述第一预设值，n为正整数，且n≥2；
在第1次进行配准时，根据第1个误差精度利用迭代最近点算法对所述第一变换点云和所述目标点云进行配准，
在第i次进行配准时，根据第i个误差精度利用迭代最近点算法对第i-1次配准得到的第二变换点云和所述目标点云进行配准，其中，i为正整数，且2≤i≤n。
8.如权利要求7所述的方法，其特征在于，根据误差精度利用迭代最近点算法对第二变换点云和所述目标点云进行配准，包括：
针对第二变换点云中的每个点，计算其到所述目标点云中的每个点的第一距离；
根据所述第一距离和误差精度得到第一有效点对；
根据所述第一有效点对计算第二变换矩阵；
利用所述第二变换矩阵对所述第二变换点云进行变换并更新所述第二变换点云，返回至计算第一距离的步骤，直到达到预设的最大迭代次数，或，相邻两次迭代得到的第二变换矩阵的差值小于第三预设值。
9.如权利要求7所述的方法，其特征在于，根据误差精度利用迭代最近点算法对第二变换点云和所述目标点云进行配准，包括：
针对第二变换点云中的每个点，确定其到目标曲面中的每个三角网格的投影点，并计算其到各投影点的第二距离，其中，所述目标点云中的点为所述目标曲面上三角网格的顶点；
根据所述第二距离和误差精度得到第二有效点对；
根据所述第二有效点对计算第二变换矩阵；
利用所述第二变换矩阵对第二变换点云进行变换并更新所述第二变换点云，返回至计算第二距离的步骤，直到达到预设的最大迭代次数，或，相邻两次迭代得到的第二变换矩阵的差值小于第三预设值。
10.如权利要求1所述的方法，其特征在于，在确定第二变换点云中的点P到所述目标曲面中的三角网格的投影点时，
确定点P到所述目标曲面中的投影点P’；
利用重心法和垂直向量法判断点P’是否在所述目标曲面中的三角网格中；
如果在，则确定所述目标曲面中的三角网格中存在点P投影点。
11.如权利要求1所述的方法，其特征在于，在对所述待配准点云和所述目标点云进行粗配准矩阵计算之前，所述方法还包括：
利用区域生长法从口腔CT数据中提取牙齿模型，将提取到的牙齿模型转换为第一点云数据；
将利用口内扫描仪获得的牙齿三维模型转换为第二点云数据；
分别对所述第一点云数据和所述第二点云数据中的离群点进行滤波，并对滤波后的点云数据进行下采样；
将经过滤波采样后的得到的两组点云数据中一者作为待配准点云，另一者作为目标点云。
12.如权利要求1所述的方法，其特征在于，在对所述待配准点云和所述目标点云进行粗配准矩阵计算之前，所述方法还包括：
确定所述待配准点云的第一质心和所述目标点云的第二质心；
调整所述待配准点云和/或所述目标点云的位置，以使所述第一质心和所述第二质心重合。
13.如权利要求1所述的点云配准方法，其特征在于，
所述待配准点云和所述目标点云中，一者为根据口腔CT数据获取的点云，另一者为根据口内扫描仪扫描口腔的面数据获取的点云。
14.一种点云配准装置，包括存储器、处理器以及存储在存储器上的计算机程序，其特征在于，计算机程序被处理器执行时，实现如权利要求1-13中任一项的点云配准方法。
15.一种医疗影像设备，其特征在于，包括如权利要求14的点云配准装置。
CN202111450267.7A 2021-11-30 2021-11-30 点云配准方法、装置以及医疗影像设备 Pending CN116205956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111450267.7A CN116205956A (zh) 2021-11-30 2021-11-30 点云配准方法、装置以及医疗影像设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111450267.7A CN116205956A (zh) 2021-11-30 2021-11-30 点云配准方法、装置以及医疗影像设备

Publications (1)

Publication Number Publication Date
CN116205956A true CN116205956A (zh) 2023-06-02

Family

ID=86516122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111450267.7A Pending CN116205956A (zh) 2021-11-30 2021-11-30 点云配准方法、装置以及医疗影像设备

Country Status (1)

Country Link
CN (1) CN116205956A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883246A (zh) * 2023-09-06 2023-10-13 感跃医疗科技(成都)有限公司 一种用于cbct图像的超分辨率方法
CN117670959A (zh) * 2024-02-01 2024-03-08 鑫君特(苏州)医疗科技有限公司 骨骼配准装置及电子设备
CN117765048A (zh) * 2024-02-22 2024-03-26 吉林大学 一种基于跨模态融合的水下目标三维配准方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883246A (zh) * 2023-09-06 2023-10-13 感跃医疗科技(成都)有限公司 一种用于cbct图像的超分辨率方法
CN116883246B (zh) * 2023-09-06 2023-11-14 感跃医疗科技(成都)有限公司 一种用于cbct图像的超分辨率方法
CN117670959A (zh) * 2024-02-01 2024-03-08 鑫君特(苏州)医疗科技有限公司 骨骼配准装置及电子设备
CN117670959B (zh) * 2024-02-01 2024-04-26 鑫君特(苏州)医疗科技有限公司 骨骼配准装置及电子设备
CN117765048A (zh) * 2024-02-22 2024-03-26 吉林大学 一种基于跨模态融合的水下目标三维配准方法
CN117765048B (zh) * 2024-02-22 2024-06-11 吉林大学 一种基于跨模态融合的水下目标三维配准方法

Similar Documents

Publication Publication Date Title
CN111862171B (zh) 基于多视图融合的cbct与激光扫描点云数据牙齿配准方法
CN116205956A (zh) 点云配准方法、装置以及医疗影像设备
CN112200843B (zh) 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法
US11321918B2 (en) Method for manipulating 3D objects by flattened mesh
CN108986209B (zh) 一种种植体种植精度的评价方法及***
CN114746952A (zh) 用于从二维草图创建三维牙科修复体的方法、***和计算机可读存储介质
CN107203998B (zh) 一种对锥束ct图像进行牙列分割的方法
AU2017281290A1 (en) Method for estimating at least one of shape, position and orientation of a dental restoration
KR102273438B1 (ko) 구강 스캔 데이터의 크라운 분할을 이용한 구강 스캔 데이터와 컴퓨터 단층촬영 이미지 자동 정합 장치 및 방법
CN111656408A (zh) 使用深度学习方法的自动3d牙根形状预测
Zanjani et al. Mask-MCNet: Tooth instance segmentation in 3D point clouds of intra-oral scans
CN112515787B (zh) 一种三维牙颌数据分析方法
US20220008175A1 (en) Method for generating dental models based on an objective function
CN115619773B (zh) 一种三维牙齿多模态数据配准方法及***
CN111685899A (zh) 基于口内图像和三维模型的牙齿正畸治疗监测方法
US11704819B2 (en) Apparatus and method for aligning 3-dimensional data
CN116485809B (zh) 基于自注意力与感受野调整的牙齿实例分割方法及***
US20240058105A1 (en) Augmentation of 3d surface of dental site using 2d images
JP4170096B2 (ja) 対象の３次元表面上にマップされた３次元メッシュモデルの適合性評価のための画像処理装置
CN114549540A (zh) 一种口扫牙齿数据与cbct数据自动融合的方法及其应用
CN116524118B (zh) 基于三维牙齿cbct数据和口腔扫描模型的多模态渲染方法
Lessard et al. Dental restoration using a multi-resolution deep learning approach
EP4331531A1 (en) Automated method for generating prothesis from three dimensional scan data and computer readable medium having program for performing the method
CN115830287B (zh) 基于激光口扫与cbct重建的牙齿点云融合方法、设备及介质
CN115439423B (zh) 一种基于ct图像的识别方法、装置、设备及存储介质

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