一种基于深度学习的自动正畸路径规划方法

本发明属于正畸路径规划领域，尤其涉及一种基于深度学习的自动正畸路径规划方法。背景技术：1、自动正畸分期或正畸路径规划，根据牙齿的初始姿态和目标姿态将牙齿的移动划分为一系列步骤，使得矫正器可以在遵守生物力学的同时按步骤准确矫正牙齿。正畸规划能够让正畸医生监测治疗情况并及时调整来获得预期结果。2、现有的自动正畸路径规划方法都是基于优化的。李占利等人使用遗传算法来求解牙齿移动的路径规划，将目标函数定义为运动距离、旋转角度和移动约束的加权和。但遗传算法容易早熟，并容易收敛到局部最优。为了提升运行速度，徐晓强等人利用粒子群算法来优化牙齿移动的路径，并使用有向边界盒来进行碰撞检测。但其将单个牙齿看作粒子时并未考虑到牙齿的形状以及不同牙齿间的差异。为解决牙齿间差异问题，马天等人为不同的牙齿粒子赋予了不同的惯性参数。粒子群算法虽然参数简单，易于实现，但在处理正畸路径规划等高维问题时性能不佳，而且容易陷入局部最优。这些技术存在以下问题：3、1、以减少牙齿移动总量为主要目标，并没有考虑到牙齿的移动顺序，很难将复杂的规则用数学形式统一表达出来。4、2、研究样本规模较小，应用较为单一，很难应对不同的案例。5、3、优化算法容易收敛到局部最优，在处理正畸路径规划的高维问题时表现不佳，且运行速度较慢。技术实现思路1、本发明的目的是针对现有技术的不足，提供一种基于深度学习的自动正畸路径规划方法。2、本发明采用的技术方案具体如下：3、一种基于深度学习的自动正畸路径规划方法，包括：4、获取待规划患者的牙齿初始位姿、目标位姿及牙齿模型；5、基于获取的待规划患者的牙齿初始位姿和目标位姿预测正畸步数；6、结合预测的正畸步数确定最终正畸步数及锚点间距，以及待预测锚点步的数量；7、将牙齿模型输入至一训练好的几何编码器，获得牙齿的特征编码；8、结合最终正畸步数及锚点间距，以及待预测锚点步的数量将获取的待规划患者的牙齿初始位姿和目标位姿构建为第一牙齿姿态序列并与牙齿的特征编码拼接输入至一训练好的锚点步生成网络，获得锚点步的姿态序列；所述第一牙齿姿态序列由按照顺序的牙齿初始位姿、中间的锚点步的位姿及目标位姿组成；9、结合最终正畸步数、锚点间距及获得的锚点步的姿态序列构建包含第一牙齿姿态序列中两两正畸步之间过渡步的第二牙齿姿态序列并依次输入至一训练好的过渡步生成网络，获得过渡步的姿态序列；10、将锚点步的姿态序列和过渡步的姿态序列组合获得自动正畸路径规划结果；11、其中，所述锚点步生成网络和过渡步生成网络均包括编码器，参考位置编码模块，相对位置编码模块，transformer层和解码器；其中编码器用于将输入数据转换为隐式嵌入；参考位置编码模块用于学习输入数据中每个正畸步相对输入数据中已知步的参考位置信息；相对位置编码模块用于学习输入数据中两两正畸步之间的相对位置信息；transformer层用于结合隐式嵌入、参考位置信息及相对位置信息进行编码；解码器用于将transformer层的最后一层输出作为输入，转换为对应姿态序列。12、进一步地，所述获取待规划患者的牙齿初始位姿、目标位姿及牙齿模型时，还包括拔牙判断步骤：13、正畸治疗前后相邻牙齿的位置发生变化时，计算待规划患者的目标位姿中相应牙齿的二维外接圆，判断圆心的距离是否超过阈值，如果是，则相邻牙齿并未占据被判断的牙齿，不需要拔除，否则需要拔除；需要拔除的牙齿的姿态用牙齿位姿均值替代。14、进一步地，基于获取的待规划患者的牙齿初始位姿和目标位姿预测正畸步数，具体为：15、基于治疗中每一步对单颗牙齿的位移和旋转的设定阈值，获取每颗牙齿的最少移动步数；16、将待规划患者的牙齿初始位姿、目标位姿及每颗牙齿的最少移动步数输入至一训练好的步数预测网络，取网络输出的最大值作为预测的正畸步数；所述步数预测网络为神经网络。17、进一步地，所述步数预测网络采用多层感知机网络。18、进一步地，结合预测的正畸步数确定最终正畸步数及锚点间距，以及待预测锚点步的数量通过优化所述锚点步生成网络和过渡步生成网络在验证集中的表现获得，具体为：19、20、f(ε,q,nanchor)＝ψanchor(nanchor)+(nanchor+1)ψtrans(q-1)21、22、23、其中，ε,q,nanchor分别表示增加步数，锚点间距，以及待预测锚点步的数量，分别表示优化后的增加步数，锚点间距，以及待预测锚点步的数量；上标i表示验证集中的样本序号，下标t表示正畸步的序号，表示锚点步生成网络输出的第i个样本xi的第t步姿态，表示过渡步生成网络输出的第i个样本xi的第t步姿态；表示第i个样本xi的第t步姿态真值；分别表示验证集中使用θ作为待预测锚点步的数量，使用θ+1作为锚点间距。24、进一步地，所述几何编码器采用pointnet、pointnet++、pcn、foldingnet或snowflakenet。25、进一步地，所述transformer层用于结合隐式嵌入、参考位置信息及相对位置信息进行编码，具体如下：26、27、28、其中hl为第l层的输出，且有h0＝e，e＝e+peref；其中e为编码器输出的隐式嵌入；peref为参考位置信息；pffn(·)为前馈网络，layernorm(·)表示层归一化，mhsa(·)为多头自注意力计算，具体表示如下：29、mhsa(x)＝concat(head1,…,headm)wo30、headi＝attention(xwiq,xwik,xwiv)31、32、33、srel是通过skew机制得到的含有相对位置信息perel的矩阵；q,k,v分别为输入数据的查询、索引及内容向量，wiq,wik,wiv分别为第i头q,k,v对应的权重矩阵，wo为权重矩阵，m表示头数；dk表示特征维度。34、进一步地，所述锚点步生成网络和过渡步生成网络训练时采用的损失函数由位置损失、旋转损失和平滑度损失组成。35、进一步地，所述锚点步的姿态序列和过渡步的姿态序列组合获得自动正畸路径规划结果时，还包括：36、对于相邻两个锚点步以及之间的过渡步，对过渡步加上d维偏移量，使得两个锚点步处的曲率最小。37、进一步地，所述几何编码器训练时采用的损失函数为最小化重建的点云和原始输入点云之间的倒角距离。38、本发明的有益效果是：39、相较传统的基于优化的正畸路径规划方法容易陷入局部最优、运行速度慢、适用范围小、难以应对复杂案例的特点，深度学习方法从包含各种临床正畸病例的大规模数据集中学习正畸医生手动规划的模式，能快速生成更符合临床实际的正畸路径规划结果。