CN113223140B 利用人工神经网络生成牙科正畸治疗效果的图像的方法 （杭州朝厚信息科技有限公司）

道富闲路9号银湖创新中心6号楼2楼利用人工神经网络生成牙科正畸治疗效果本申请的一方面提供了一种利用人工神经网络生成牙科正畸治疗效果的图像的方法，包疗前患者的露齿脸部照片中提取口部区域掩码始牙齿布局的第一三维数字模型和表示所述患第一组牙齿轮廓特征以及所述第一三维数字模2获取表示所述患者原始牙齿布局的第一三维数字模型和表示所述患者目标牙齿布局基于所述第一组牙齿轮廓特征以及所述第一三维数字模型，获得所2.如权利要求1所述的利用人工神经网络生成牙科正畸治疗效果的图像的方法，其特3.如权利要求2所述的利用人工神经网络生成牙科正畸治疗效果的图像的方法，其特4.如权利要求1所述的利用人工神经网络生成牙科正畸治疗效果的图像的方法，其特5.如权利要求1所述的利用人工神经网络生成牙科正畸治疗效果的图像的方法，其特6.如权利要求1-5之一所述的利用人工神经网络生成牙科正畸治疗效果的图像的方7.如权利要求6所述的利用人工神经网络生成牙科正畸治疗效果的图像的方法，其特8.如权利要求6所述的利用人工神经网络生成牙科正畸治疗效果的图像的方法，其特9.如权利要求8所述的利用人工神经网络生成牙科正畸治疗效果的图像的方法，其特3[0004]本申请的一方面提供了一种利用人工神经网络生成牙科正畸治疗效果的图像的取表示所述患者原始牙齿布局的第一三维数字模型和表示所述患者目标牙齿布局的第二[0006]在一些实施方式中，所述CVAE-GAN网络所采用的采样方法可以是可微的采样方4[0015]图1为本申请一个实施例中利用人工神经网络产生牙科正畸治疗后患者外观图像[0018]图4为本申请一个实施例中基于图2所示的第一口部区域图片而产生的第一牙齿[0020]图5A示意性地展示了本申请一个实施例中图5所示特征提取深度神经网络的卷积[0021]图5B示意性地展示了本申请一个实施例中图5所示特征提取深度神经网络的反卷一种利用人工神经网络产生牙科正畸治疗后患者外[0027]请参图1，为本申请一个实施例中的利用人工神经网络产生牙科正畸治疗后患者5[0032]人脸关键点匹配算法可以参考由ChenCao、QimingHou以及KunZhou发表于2014.ACMTransactionsonGraphics(TOG)33,4(2014),43的《DisplacedDynamicExpressionRegressionforReal-TimeFacialTrackingandAnimation》，以及由VahidKazemi与JosephineSullivan发表于ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition,1867--1874,2014.的《OneMillisecond一个实施例中某患者正畸治疗前的口部区域图片。虽然图2的口部区域图片包括鼻子的一本申请一个实施例中特征提取神经网络200的结[0039]特征提取神经网络200可以包括6层卷积201(downsampling)和6层反卷积203[0040]请参图5A，每一层卷积2011(down)可以包括卷积层2013(conv)、ReLU激活函数张露齿的脸部照片；从这些脸部照片中截取口部区域图片；基于这些口部区域图片，以6区域图片以及对应的口部区域掩码以及牙齿边缘特征图作为训练特征提取神经网络的训[0047]在109中，利用投影优化算法计算得到与第一组牙齿轮廓特征匹配的第一三维数[0051]在一个实施例中，可以基于以下方程式(2)来计算第一三维数字模型与第一组牙[0055]基于表示患者原始牙齿布局的三维数字模型获得表示患者目标牙齿布局的三维[0056]在113中，将处于第一位姿的第二三维数字模型进行投影得到第二组牙齿轮廓特前患者的露齿脸部照片或第一口部区域图片中掩码区域的部分输入第二子网络303，使得用于生成图片的深度神经网络300能够为正畸治疗后患者的露齿脸部图片中掩码区域部分度神经网络300能够为正畸治疗后患者的露齿脸部图片中掩码区域的部分划分区域，即哪7以方便端到端训练(endtoendtraining)。类似的采样方法请参由DiederikKingma和[0064]对用于生成图片的深度神经网络300的训练可以与前述对特征提取神经网络200用于生成图片的深度神经网络300，以生成正畸治疗后患者的露齿脸部图像中掩码区域的[0072]除非另外明确指出，本文中所使用的术语和短语及其变汇和短语或者其他类似用语的出现不应理解为在可能没有这种扩展性用语的示例中意图