基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法及系统与流程

本发明涉及口腔医学图像处理，特别涉及一种基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法及系统。

背景技术：

1、随着社会的不断进步，牙科技术的发展也日新月异。牙齿支架在牙科治疗中扮演着重要的角色，尤其是在口腔修复和正畸治疗中。牙齿支架的固位网和大连接体对于患者的治疗效果和舒适度具有重要的意义。固位网是支架的一部分，它通过提供更大的接触面积来增强支架在口腔中的稳定性。对于患者来说，固位网可以显著提高支架的固位效果，减少支架松动或脱落的风险，从而提高治疗的成功率和患者的舒适度。大连接体是指支架中连接不同部分的结构，它能够均匀分布咬合力，减少对单个牙齿或牙龈的压力。对于患者而言，大连接体可以提供更均匀和舒适的咬合体验，同时也有助于延长支架的使用寿命。

2、基于传统方法的点云分割技术在点云处理的早期阶段得到了广泛应用。尽管这些方法在某些情况下表现出色，但它们也存在一些显著的不足。例如基于区域生长的方法对初始点选择敏感，容易受噪声影响，处理复杂形状和不规则点云时效果较差；基于聚类的方法中的k-means对初始点选择敏感，且难以处理非球形的簇；dbscan对参数设置敏感，可能会漏掉一些稀疏区域的点。基于深度学习的点云分割方法近年来取得了显著的进展，解决了许多传统方法面临的挑战。这些方法通过学习点云数据中的复杂模式和特征，能够在多种应用场景中实现高精度的点云分割。然而，它们也有一些不足和需要改进的地方。如，pointnet对局部特征的捕捉能力较弱，难以处理复杂几何结构，spotr、dgcnn、pointnext、spotr等方法依赖于方向传播进行参数的更新并没有对重要特征进行选择。

3、口腔医学中的牙科在不同的扫描或治疗过程中，支架通常具有复杂的形状，包括分布不均匀的固位网和复杂的连接体结构。同时，支架的设计依赖患者的缺失部位，而不同患者的缺失部位的位置和形状各不相同，使得牙齿支架点云具有复杂的形状。以上问题使得现有的分割算法无法有效分割牙齿支架点云。为此，亟需一种牙齿支架点云分割方案，以适应牙科影像数据的处理。

技术实现思路

1、为此，本发明提供一种基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法及系统，基于局部特获赠融合和自适应池化注意力机制来充分利用牙齿支架点云全局信息和局部信息，有效分割牙齿支架点云。

2、按照本发明所提供的设计方案，一方面，提供一种基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法，包含：

3、获取待分割的牙齿支架点云数据，所述牙齿支架点云数据包括点云三维坐标及对应的法向量；

4、将待分割的牙齿支架点云数据输入至预训练的点云分割模型中，利用点云分割模型获取牙齿支架点云数据分割结果；

5、其中，点云分割模型包括用于对输入数据进行采样、分组及特征提取的编码器，用于通过插值和拼接获取上采样特征的解码器，及用于对上采样特征进行类别预测输出的预测头，且编码器以采样点为中心点进行局部区域分组划分，并利用并行自适应池化注意力机制动态选择点云通道和空间维度最相关的关键特征，以对分组后的点云进行特征提取。

6、作为本发明基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法，进一步地，所述编码器包括多个堆叠设置的多个spotr层，前两个spotr层基于并行自适应池化注意力机制构成用于提取输入点云关键特征的papa-spotr层，最后一个spotr层基于采样点云特征和前一层输出特征获取输入点云的全局特征，其中，每个spotr层均由采样层、分组层和spotrblock层组成，采样层利用最远距离采样法从输入点云数据中获取采样点云，分组层以采样点云为中心点、将指定半径的球形区域作为局部区域分组，利用spotrblock层对分组后的点云进行特征提取。

7、作为本发明基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法，进一步地，利用并行自适应池化注意力机制动态选择点云通道和空间维度最相关的关键特征，包含：

8、从中心点和邻居点并使用两个注意力池化来分别获取第一点云特征和第二点云特征；

9、将第一点云特征和第二点云特征进行拼接，利用卷积函数将输入点云特征压缩，并使用批量归一化操作和激活函数获取输入点云中间特征；

10、将输入点云中间特征沿通道和空间两个方向分解为第一张量和第二张量，并使用卷积将第一张量和第二张量转换为指定维度，通过激活函数获取两个注意力权重；

11、基于注意力权重对输入点云特征进行相乘加权，得到输入点云的关键特征。

12、作为本发明基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法，进一步地，所述解码器由多个上采样层构成，每个上采样层通过插值和连接拼接来进行上采样，其中，插值基于最近邻点云的反距离加权平均执行反向插值操作，以获取上采样的点云特征。

13、作为本发明基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法，进一步地，插值过程包含：针对当前上采样层中的点云，获取上一层上采样层中与该点云距离最近的k个邻居点，将点云和邻居点相应特征进行加权求和，得到当前上采样层中的点云特征，其中，加权求和中的权重为距离反函数。

14、作为本发明基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法，进一步地，所述预测头包含多个mlp层，利用mlp层来预测输出点云类别得分。

15、作为本发明基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割方法，进一步地，点云分割模型训练过程，包含：

16、构建牙齿支架样本数据，所述牙齿支架样本数据中设置有点云类型标签，所述点云类型标签包括固位网点云和连接体点云；

17、基于u-net网络结构构建深度学习网络模型，利用牙齿支架样本数据对深度学习网络模型进行训练，将训练后的深度学习网络模型作为点云分割模型。

18、再一方面，本发明还提供一种基于局部特征融合和并行自适应池化注意力机制的牙齿支架点云分割系统，包含：数据获取模块和点云分割模块，其中，

19、数据获取模块，用于获取待分割的牙齿支架点云数据，所述牙齿支架点云数据包括点云三维坐标及对应的法向量；

20、点云分割模块，用于将待分割的牙齿支架点云数据输入至预训练的点云分割模型中，利用点云分割模型获取牙齿支架点云数据分割结果；

21、其中，点云分割模型包括用于对输入数据进行采样、分组及特征提取的编码器，用于通过插值和拼接获取上采样特征的解码器，及用于对上采样特征进行类别预测输出的预测头，且编码器以采样点为中心点进行局部区域分组划分，并利用并行自适应池化注意力机制动态选择点云通道和空间维度最相关的关键特征，以对分组后的点云进行特征提取。

22、本发明的有益效果：

23、本发明利用层级特征融合策略将点云的高维特征和低维特征相融合，充分利用点云的全局信息和局部信息，从而提高点云的分割效果；通过并行自适应池化注意力机制对输入点云进行空间和通道上的建模，能够动态调整分割算法对不同特征的关注度，自适应地选择最相关的特征用于分割，从而增强分割算法对牙齿支架的分割效果，有效提高牙齿支架分割效率和准确性，在口腔医学领域具有较好的应用前景。