基于深度学习点云配准的三维颜面正中矢状面构建算法研究

摘要：

目的:基于可变图结构配准网络（DGRNet）模型，建立一种可实现三维点云智能配准的本体-镜像关联深度学习算法，以实现三维颜面正中矢状面的自动化构建，为口腔临床数字化设计与分析提供参考。方法:收集200例2020年10月至2022年10月就诊于北京大学口腔医学院·口腔医院修复科、正颌外科和口腔正畸科的无明显颜面畸形的牙体缺损或缺失或错
畸形患者的三维颜面数据。通过数据增强（平移和旋转）的方式获得1 200例三维颜面数据，分为训练集（800例）、验证集（200例）、测试集（200例），用于DGRNet模型训练与测试。DGRNet模型包含构造本体与镜像点云中关键点的特征向量、基于特征向量获取本体和镜像点云中关键点的对应关系，并通过奇异值分解计算旋转矩阵和平移矩阵。基于DGRNet模型实现本体点云与镜像点云的智能配准，获得本体-镜像联合点云，并采用主成分分析算法获得DGRNet模型正中矢状面。基于决定系数R
2指标对测试集平移及旋转矩阵进行模型评价，以迭代最近点（ICP）算法构建的三维颜面正中矢状面作为真值。选择上述200例临床患者中的50例数据，对DGRNet模型与ICP算法构建的三维颜面正中矢状面进行角度误差评价。
结果:基于200例三维颜面数据测试DGRNet模型旋转矩阵R
2为0.90，平移矩阵R
2为0.94。构建50例三维颜面数据正中矢状面共用时3 s，DGRNet模型与ICP算法构建的三维颜面正中矢状面角度误差为1.05°±0.56°，最小误差为0.13°，1.50°以内的准确率为78%（39/50），2.00°以内的准确率为90%（45/50）。
结论:本项研究提出的基于三维点云智能配准的DGRNet模型可构建三维颜面正中矢状面，并在一定程度上提升诊疗效率和效果。

关键词：人工智能、口腔医学、图像处理，计算机辅助、面部、深度学习、正中矢状面

所属期刊栏目：58

资助基金：国家重点研发计划2022YFC2405401;国家自然科学基金82071171，82271039;甘肃省重点研发计划21YF5FA165;National Key R&D Program of China2022YFC2405401;National Natural Science Foundation of China82071171, 82271039;Key R&D Program of Gansu Province21YF5FA165

在线出版日期：2024-01-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1178-1183