【技术实现步骤摘要】
本专利技术涉及数据匹配，具体是cbct数据与stl数据精准匹配的方法。
技术介绍
1、数据匹配是指在两个或多个数据集之间找到对应关系的过程。这种对应关系可以是基于某些特征或属性的一致性，也可以是基于某种算法计算出的相似度，数据匹配在许多领域都有广泛的应用，特别是在医疗、计算机视觉、地理信息系统(gis)、金融和市场营销等领域，但是，现有的cbct图像采集过程中，由于噪声、对比度不足和边缘模糊等问题，导致图像质量较差，影响了后续的匹配精度，且现有的stl模型在采集过程中，由于噪声和不必要的细节较多，导致模型的复杂度高，增加了匹配的难度和计算量，同时现有的匹配方法在特征提取和匹配过程中，由于特征提取不充分和匹配算法的局限性，导致匹配精度较低，无法满足临床应用的高精度要求。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、为实现上述目的，本专利技术提供如下技术方案：
3、cbct数据与stl数据精准匹配的方法，所述方法包括，根据不同的应用场景，选择x射线剂量、扫描角度和分辨率，对采集到的cbct图像进行预处理；从3d扫描仪获取患者的stl模型，去除模型中的噪声和不必要的细节并识别并标记模型的关键特征点；收集大量的cbct图像和对应的stl模型，构建训练
4、作为本专利技术再进一步的方案：所述根据不同的应用场景，选择x射线剂量、扫描角度和分辨率，其步骤包括，对于口腔颌面外科，使用较低的剂量，对于复杂的颅面结构，可以适当增加剂量；为了覆盖完整的解剖区域，选择180°至360°的扫描角度，对于较小的区域，选择180°扫描；对于较大的区域，使用360°扫描；对于精细结构，使用高分辨率，对于大范围的结构，可以使用中等分辨率。
5、作为本专利技术再进一步的方案：所述对采集到的cbct图像进行预处理，其步骤包括，使用自适应滤波器对cbct图像进行去噪处理，表达式为：
6、
7、其中，i(x,y)为原始图像，idenoised(x,y)为去噪后的图像，σ为噪声的标准差，k为调节参数，为图像梯度，为拉普拉斯算子；
8、使用直方图均衡化方法增强图像的对比度，表达式为：
9、ienhanced(x,y)＝t(i(x,y))；
10、其中，t为直方图均衡化变换函数，i(x,y)为去噪后的图像，ienhanced(x,y)为对比度增强后的图像；
11、使用canny边缘检测算法识别图像中的边缘，表达式为：
12、
13、其中，e(x,y)为边缘检测结果，gx(x,y)和gy(x,y)为高斯滤波器的导数，和为图像在x和y方向上的梯度。
14、作为本专利技术再进一步的方案：所述从3d扫描仪获取患者的stl模型，去除模型中的噪声和不必要的细节并识别并标记模型的关键特征点，其步骤包括，
15、使用高精度3d扫描仪对患者的相关部位进行扫描，获取患者的stl模型；
16、使用基于拉普拉斯平滑的滤波器对stl模型进行去噪处理，平滑模型表面，去除小尺度的噪声；
17、使用基于曲率的简化算法，去除模型中不必要的细节；
18、使用基于harris角点检测算法识别模型的关键特征点。
19、作为本专利技术再进一步的方案：所述收集大量的cbct图像和对应的stl模型，构建训练数据集，其步骤包括，
20、从多个医疗机构收集大量的cbct图像，从3d扫描仪获取与cbct图像对应的stl模型；
21、将收集到的cbct图像和stl模型进行初步配准，确保两者在空间上对齐；
22、将配准后的cbct图像和stl模型对齐，形成一对一的配对数据集。
23、作为本专利技术再进一步的方案：所述使用卷积神经网络对cbct图像进行特征提取，其步骤包括，设计一个深度卷积神经网络模型，用于提取cbct图像的特征；使用特征融合技术，将cbct图像的特征与stl模型的特征进行融合，形成联合特征向量，表达式为：
24、fjoint＝α·fcbct+β·fstl；
25、其中，fjoint为联合特征向量，fcbct为cbct图像的特征向量，fstl为stl模型的特征向量，α和β为特征融合的权重系数；
26、设计一个复合损失函数，结合均方误差和结构相似性指数，用于评估模型的匹配精度，表达式为：
27、l＝λ1·mse(fjoint,ftarget)+λ2·(1-ssim(fjoint,ftarget))；
28、其中，l为复合损失函数，mse为均方误差，ssim为结构相似性指数，fjoint为联合特征向量，ftarget为目标特征向量，λ1和λ2为损失函数的权重系数。
29、作为本专利技术再进一步的方案：所述将采集的cbct图像输入训练好的深度学习模型，得到初步匹配结果，根据患者的情况动态调整匹配策略，其步骤包括，将采集到的cbct图像输入到训练好的深度学习模型中；模型通过卷积神经网络提取cbct图像的特征，并将其与预先提取的stl模型特征进行匹配，生成初步的匹配结果；使用一个动态调整函数，根据患者特征调整匹配策略的权重，表达式为：
30、mfinal＝minitial+γ·f(p,minitial)；
31、其中，mfinal为最终匹配结果，minitial为初步匹配结果，p为患者特征向量，γ为调整系数，f(p,minitial)为动态调整函数；
32、动态调整函数f(p,minitial)通过线性组合患者特征和初步匹配结果，生成调整项，表达式为：
33、f(p,minitial)＝w1·p1+w2·p2+…+wn·pn+b·minitial；
34、其中，p1，p2…pn为患者特征向量的各个分量，w1，w2...wn为对应的权重，b为初步匹配结果的权重。
35、作为本专利技术再进一步的方案：所述使用标准的评估指标均方根误差对匹配结果进行量化评估，将评估结果反馈到深度学习模型中，不断优化模型的性能，其步骤包括，使用均方根误差作为评估指标，对初步匹配结果和最终匹配结果进行量化评估，表达式为：
36、
37、其中，rmse为均方根误差，mpred(i)为预测的匹配结果，mtrue(i)为真实的匹配结果，n为匹配点的数量；
38、将评估结果反馈到深度学习模型中，本文档来自技高网...
【技术保护点】
1.CBCT数据与STL数据精准匹配的方法，其特征在于：所述方法包括，
2.根据权利要求1所述的CBCT数据与STL数据精准匹配的方法，其特征在于：所述步骤S1中，根据不同的应用场景，选择X射线剂量、扫描角度和分辨率，其步骤包括，
3.根据权利要求1所述的CBCT数据与STL数据精准匹配的方法，其特征在于：所述步骤S1中，对采集到的CBCT图像进行预处理，其步骤还包括，
4.根据权利要求1所述的CBCT数据与STL数据精准匹配的方法，其特征在于：所述步骤S2中，从3D扫描仪获取患者的STL模型，去除模型中的噪声和不必要的细节并识别并标记模型的关键特征点，其步骤包括，
5.根据权利要求1所述的CBCT数据与STL数据精准匹配的方法，其特征在于：所述步骤S3中，收集大量的CBCT图像和对应的STL模型，构建训练数据集，其步骤包括，
6.根据权利要求1所述的CBCT数据与STL数据精准匹配的方法，其特征在于：所述步骤S3中，使用卷积神经网络对CBCT图像进行特征提取，其步骤还包括，
7.根据权利要求1所述的CBCT
8.根据权利要求1所述的CBCT数据与STL数据精准匹配的方法，其特征在于：所述步骤S5中，使用标准的评估指标均方根误差对匹配结果进行量化评估，将评估结果反馈到深度学习模型中，不断优化模型的性能，其步骤包括，
9.计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～8任一所述的CBCT数据与STL数据精准匹配的方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～8任一所述的CBCT数据与STL数据精准匹配的方法的步骤。
...【技术特征摘要】
1.cbct数据与stl数据精准匹配的方法，其特征在于：所述方法包括，
2.根据权利要求1所述的cbct数据与stl数据精准匹配的方法，其特征在于：所述步骤s1中，根据不同的应用场景，选择x射线剂量、扫描角度和分辨率，其步骤包括，
3.根据权利要求1所述的cbct数据与stl数据精准匹配的方法，其特征在于：所述步骤s1中，对采集到的cbct图像进行预处理，其步骤还包括，
4.根据权利要求1所述的cbct数据与stl数据精准匹配的方法，其特征在于：所述步骤s2中，从3d扫描仪获取患者的stl模型，去除模型中的噪声和不必要的细节并识别并标记模型的关键特征点，其步骤包括，
5.根据权利要求1所述的cbct数据与stl数据精准匹配的方法，其特征在于：所述步骤s3中，收集大量的cbct图像和对应的stl模型，构建训练数据集，其步骤包括，
6.根据权利要求1所述的cbct数据与stl数据精准匹配的方法，其特征在于：所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。