本发明涉及医学多模态数据处理,具体涉及一种基于牙齿口扫和cbct数据的配准与分割方法。
背景技术:
1、如今,随着物质生活水平的提高,越来越多的人开始关注自己的牙齿健康与美观。同样,医学成像技术也在飞速发展,口腔ct成为了口腔临床医学中最流行的成像技术,广泛应用于牙齿正畸治疗和种植牙中。口腔cbct的辐射剂量低、空间分辨率高,可以客观的反应颌面组织的三维空间结构。但是,由于ct扫描的精度低和切片厚度以及金属伪影的影响,导致牙冠的表面精度不足;并且ct扫描将生成患者整个颅骨的体积数据,虽然可以从体积数据中提取牙齿的部分,然后生成表面网格,但是所提取的表面网格比激光扫描网格粗糙。牙种植体和正畸治疗的目标是重建牙齿并平衡咬合接触,而不准确的牙冠尺寸将导致不正确的正畸诊断。
2、通过用激光扫描仪扫描内部口腔,可以得到较精确的牙冠和牙龈表面网格,其次,牙冠的表面可以通过专门的分割技术从整个网格中提取出来。虽然光学扫描牙齿模型具有很高的图像分辨率,重构得的模型精度较高,但是仅仅包含了牙冠的数据信息,而不能获得牙齿的牙根信息。
3、现有技术中在进行点云配准时,一般采用粗配准与精配准两阶段,但无法解决不同设备采集的数据尺度不同的问题。且传统的牙冠分割方法只是利用了口扫牙冠点云的信息,忽略了还有其他设备例如cbct采集的数据
技术实现思路
1、针对现有技术中的上述不足,本发明提供了一种基于牙齿口扫和cbct数据的配准与分割方法。
2、为了达到上述发明目的,本发明采用的技术方案为:
3、一种基于牙齿口扫和cbct数据的配准与分割方法,包括以下步骤:
4、s1、获取cbct牙齿数据与口扫牙冠数据,得到目标点云与源点云;
5、s2、采用采样一致性初始配准算法对步骤s1中目标点云与源点云进行粗配准,得到源点云到目标点云的最优变换输入矩阵;
6、s3、根据步骤s2中源点云到目标点云的最优变换输入矩阵,采用改进的icp算法对目标点云与源点云进行精细配准,得到缩放因子、旋转矩阵以及平移向量;
7、s4、根据步骤s3中缩放因子、旋转矩阵以及平移向量,采用k-d树最近邻算法,删除离群点,得到牙冠部分与牙冠附近的点云;
8、s5、重复步骤s3与步骤s4,得到精确的牙冠配准与分割结果。
9、进一步地,步骤s1具体包括:
10、s11、获取cbct牙齿数据,并采用数据分割法对其分割,得到目标点云;
11、s12、获取口扫牙冠数据,并采用数据分割法对其分割,得到源点云。
12、进一步地,步骤s2具体包括:
13、s21、将源点云与目标点云作为采样一致性初始配准算法的输入,并设置采样最小距离、源点云数据与目标点云数据的配对数;
14、s22、设置采样点之间的最小距离大于步骤s21中设置的采样最小距离,并在源点云中随机采集n个采样点;
15、s23、根据步骤s22中随机采集的n个采样点,在目标点云中采用k-d树最近邻搜索法寻找一组与采样点的fpfh特征相似的点,并从相似的点中随机选取一个点作为匹配点;
16、s24、采用奇异值分解法求解匹配点的旋转平移变换矩阵,通过计算匹配点对应的误差进行误差迭代,得到匹配点的最小误差函数;
17、s25、将步骤s24中匹配点的最小误差函数对应的旋转平移矩阵作为源点云到目标点云的最优变换输入矩阵,即:
18、(rbest,tbest)
19、其中,rbest表示最优的旋转矩阵,tbest表示最优的平移向量。
20、进一步地,步骤s24中匹配点的最小误差函数为:
21、
22、其中,d(·)表示匹配点的最小误差函数,ei表示矩阵变换后的第i组对应匹配点的误差,te表示预先设定的值。
23、进一步地,步骤s3具体包括:
24、s31、根据步骤s2中源点云到目标点云的最优变换输入矩阵,引入缩放因子,建立基于旋转矩阵与平移向量的目标函数;
25、s32、计算目标点云与源点云的去质心坐标,即:
26、
27、其中,ug、uo分别表示目标点云数据与源点云数据的去质心坐标,表示第i个目标点云,表示第i个源点云,r表示旋转矩阵;
28、s33、根据步骤s32中目标点云与源点云的去质心坐标,将步骤s31中建立的基于旋转矩阵与平移向量的目标函数最小化,得到最小化目标与最小化目标函数;
29、s34、采用icp算法对步骤s33中建立的最小化目标函数进行求解,得到缩放因子、旋转矩阵以及平移向量。
30、进一步地,步骤s31中建立的基于旋转矩阵与平移向量的目标函数为:
31、
32、其中,e(r,t)表示基于旋转矩阵与平移向量的目标函数,t表示平移向量,np表示目标点云与源点云的点云数,i表示点云数,s表示缩放因子,pg表示目标点云的集合,表示第1个目标点云,表示第2个目标点云,表示第n个目标点云,pg表示源点云的集合,表示第1个源点云,表示第2个源点云,表示第n个源点云。
33、进一步地,步骤s33中得到的最小化目标与最小化目标函数为:
34、
35、其中,r*表示最小化目标函数,np表示目标点云与源点云的点云数,s表示缩放因子,t表示平移向量,argmin(·)表示求取最小值,i表示点云数,t表示转置,表示第i个源点云的去质心坐标,表示第i个目标点云的去质心坐标。
36、进一步地,步骤s34具体包括:
37、s341、对缩放因子求导,得到最小化目标函数极值时缩放因子的取值,即:
38、
39、其中,s表示缩放因子,np表示目标点云与源点云的点云数,i表示点云数,表示第i个目标点云的去质心坐标,表示第i个源点云的去质心坐标,t表示转置,p表示分子部分,m表示分母部分;
40、s342、将步骤s341中缩放因子的取值代入步骤s32中最小化目标函数并回归无尺度求解问题,得到更新的最小化目标函数,即:
41、
42、其中,r*表示最小化目标函数,argmax表示求取最大值;
43、s343、根据步骤s342中更新的最小化目标函数,计算新产生的目标点云与源点云的h矩阵,并采用奇异值分解法对h矩阵进行分解,得到分解后的h矩阵、u矩阵、v矩阵,即:
44、
45、其中,h表示新产生的目标点云与源点云的h矩阵,u表示hht的特征向量构成的矩阵,∑表示对角矩阵,v表示hth的特征向量构成的矩阵,s表示中间临时参数,无实际意义,ct、cs分别表示目标点云与源点云的中心,i表示单位矩阵,det(v)表示矩阵v的行列式,det(u)表示矩阵u的行列式,diag(1,1,-1)表示对角矩阵;
46、s344、根据步骤s343中分解后的h矩阵、u矩阵、v矩阵,利用下述公式,得到缩放因子、旋转矩阵以及平移向量,即:
47、
48、其中,r表示旋转矩阵,s表示缩放因子,t表示平移向量。
49、进一步地,步骤s4具体包括:
50、s41、采用k-d树最近邻算法,将源点云作为输入,并建立数据结构,存储源点云中查询点的近邻索引与近邻点对应的距离;
51、s42、遍历目标点云,并利用步骤s3中得到的缩放因子、旋转矩阵以及平移向量,找到目标点云中相对于源点云的离群点,并将离群点加入到删除队列,得到牙冠部分与牙冠附近的点云。
52、本发明具有以下有益效果:
53、本发明所提出的一种基于牙齿口扫和cbct数据的配准与分割方法,通过有效结合cbct牙齿数据与口扫牙冠数据,利用数据分割方法将其转化为目标点云与源点云,并利用采样一致性初始配准算法进行粗配准后,采用改进的icp算法进行精细配准,通过引入缩放因子不断迭代,有效解决了多设备采集的多模态数据的尺度差异问题,提高了牙冠数据配准与分割结果的精度。