31 / 2022-09-16 09:58:31

基于环境信息挖掘和尺度感知的齿科实例分割

齿科数字化在过去十年中备受关注。然而，目前基于深度学习的齿科实例分割方法仍存在一定的缺陷。原因在于网络无法提取出足够有辨识性的特征，同时由于牙齿间存在尺度差异导致无候选框方法在基于点间相似度进行聚类过程中忽视不同实例间的尺度差异导致分割结果不鲁棒。针对这两个问题，本文提出了一种新的基于环境信息挖掘和尺度感知的齿科实例分割方法。在基于3D点云的骨干网络中，引入transformer学习非局部依赖性，提升特征辨识度；此外，充分利用错误类别的预测概率扩大类间差异；最后，针对尺度差异问题，采用基于尺度感知的方法生成牙齿点云团块，改善边界分割结果。本文在构建的齿科数据集上进行对比实验，结果表明与现有先进实例分割方法相比，本文提出的方法在准确率上提升了1.7%。