(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110392087.1 (22)申请日 2021.04.13 (71)申请人 杭州朝厚信息科技有限公司 地址 311400 浙江省杭州市富阳区银湖街 道富闲路9号银湖创新中心6号楼2楼 203室039工位 (72)发明人 沈恺迪　 (74)专利代理 机构 苏州威世朋知识产权代理事 务所(普通 合伙) 32235 专利代理师 杨林洁 (51)Int.Cl. G06F 30/27(2020.01) G06T 17/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 产生表示处于目标牙齿布局的牙列的三维 数字模型的方法 (57)摘要 本申请的一方面提供了一种计算机执行的 利用深度学习神经网络基于隐空间编码变换产 生表示处于目标牙齿布局的牙列的三维数字模 型的方法， 其包括： 获取表示处于初始牙齿布局 的第一牙列的第一三维数字模型； 基于所述第一 三维数字模 型产生第一点云； 利用经训练的深度 学习神经网络： 对所述第一点云进行特征提取， 以将所述第一三维数字模型映射到隐空间， 获得 所述第一三维数字模型在隐空间的第一编码； 基 于所述第一编码产生表示处于目标牙齿布局的 所述第一牙列的第二三维数字模型在隐空间的 第二编码； 以及基于所述第一编码和第二编码求 解所述第一牙列从初始牙齿布局到目标牙齿布 局各牙齿的平移和旋转量； 以及基于所述第一三 维数字模型和求解获得的平移和旋转量产生所 述第二三维数字模型。 权利要求书2页 说明书7页 附图4页 CN 115204027 A 2022.10.18 CN 115204027 A 1.一种计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标 牙齿布局的牙列的三维数字模型的方法， 其包括： 获取表示处于初始 牙齿布局的第一牙列的第一 三维数字模型； 基于所述第一 三维数字模型产生第一 点云； 利用经训练的深度学习神经网络： 对所述第一点云进行特征提取， 以将所述第一三维数字模型映射到隐空间， 获得所述 第一三维数字模型在隐空间的第一编码； 基于所述第一编码产生表示处于目标牙齿布局的所述第一牙列的第二三维数字模型 在隐空间的第二编码； 以及 基于所述第一编码和第二编码求解所述第一牙列从初始牙齿布局到目标牙齿布局各 牙齿的平 移和旋转 量； 以及 基于所述第一 三维数字模型和求 解获得的平 移和旋转 量产生所述第二 三维数字模型。 2.如权利要求1所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 目标牙齿布局是正畸 治疗期望 达成的牙齿布局。 3.如权利要求1所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 所述第一点云中每颗 牙齿的点云点数量相同。 4.如权利要求1所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 对所述第一点云提取 的特征包括各牙齿的局部形状特 征和全局特 征。 5.如权利要求4所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 所述深度学习神经网 络包括第一特征提取模块， 用于对所述第一点云进行特征提取， 所述方法还包括所述第一 特征提取模块： 对所述第一 点云的单颗牙齿的点云进行邻域卷积， 以提取 单颗牙齿的局部形状特 征； 对所述第一 点云整个进行 逐点卷积； 基于所述局部形状特征和所述逐点卷积的结果， 利用第 一基于注意力 机制的特征提取 模块提取全局特 征； 以及 基于所述第 一基于注意力 机制的特征提取模块的输出， 利用多层的第 二基于注意力 机 制的特征提取模块获得 所述第一编码。 6.如权利要求5所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 所述逐点卷积是采用 PointConv网络进行。 7.如权利要求5所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 所述第一和第二基于 注意力机制的特 征提取模块是Transformer。 8.如权利要求1所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 所述深度学习神经网权　利　要　求　书 1/2 页 2 CN 115204027 A 2络包括第一子网络和第二子网络， 所述第一子网络包括第一特征提取模块、 特征变换模块以及第一特征变换求解模块， 其中， 所述第一特征提取模块基于所述第一点云产生所述第一编码， 所述特征变换模块基 于所述第一编 码产生所述第二编码， 所述第一特征变换求解模块基于所述第一编 码和第二 编码产生所述平 移和旋转 量， 所述第二子网络用于训练所述深度学习神经网络， 训练所述深度学习神经网络时， 分 别向所述第一子网络和第二子网络输入表示处于初始牙齿布局和目标牙齿布局的同一牙 列的三维数字模型的点云， 所述第二子网络包括第 二特征提取模块和第 二特征变换求解模块， 所述第 二特征提取 模块用于将所述表示处于目标牙齿布局的牙列的三维数字模型映射到隐空间， 所述第二特 征变换求解模块基于所述第一特征提取模块以及所述第二特征提取模块的输出求解各牙 齿的平移和旋转 量， 所述第一和第二特征提取模块结构相同且共享参数， 所述第 一和第二特征变换求解模 块结构相同且 共享参数。 9.如权利要求8所述的计算机执行的利用深度 学习神经网络基于隐空间编码变换产生 表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 所述特征变换模块是 逐点卷积网络， 所述第一和第二特 征变换求 解模块是多层逐点卷积网络 。 10.如权利要求1所述的计算机执行的利用深度学习神经网络基于 隐空间编码变换产 生表示处于目标牙齿布局的牙列的三维数字模型 的方法， 其特征在于， 所述第一点云是通 过对所述第一 三维数字模型进行采样而获得。权　利　要　求　书 2/2 页 3 CN 115204027 A 3