一种基于点云上采样的肋骨三维重建方法及系统与流程

1.本发明属于医学图像处理技术领域，具体涉及一种基于点云上采样的肋骨三维重建方法及系统。


背景技术：

2.肋骨是人体骨骼结构中非常重要、不可或缺的一部分，它们的主要功能是保护人体内部重要器官，如心脏、肺部和肝脏。肋骨不仅保护内脏器官免受外部伤害，还参与了呼吸、支撑身体和运动等多种生理功能。肋骨三维重建是通过使用计算机辅助设计和成像技术，将人体肋骨的二维图像转化为三维模型，以便更好理解人体结构和诊断疾病。肋骨三维重建技术具有非常重要的临床和科研意义，可以帮助医生更好地了解肋骨的结构和功能，提高诊断、治疗和研究的效率和准确性。
3.现有的肋骨三维重建方法，首先通过ct扫描机器采集多层次、多角度的肋骨影像，获取人体内部的切片图像。然后将这些切片数据进行预处理，以此提高三维重建的精度和质量，并且对切片图像进行分割获得从背景区域中分离出来的目标区域。最后使用基于切片图像的体素重建方法，将二维切片图像转换为三维体素数据，形成三维模型。现有技术采用的方法虽然能提供较为直观、全面的肋骨信息，有助于医学诊断和治疗，但是存在一些缺点：首先，实现过程需要预处理、分割、配准等多个环节，依赖操作人员的技术经验，增加了肋骨三维重建的不稳定性。其次，此方法实现过程中需要大量时间和成本投入，因此，应用范围受到一定限制。最后，肋骨形态复杂且周围组织干扰较大，此方法对肋骨三维重建的精度存在一定瓶颈。
4.基于上述现状，本发明设计一种全新的肋骨三维重建方法，该方法能够获取稳定的肋骨三维重建结果与重建推理时间及重建精度能够满足目前医疗诊疗水平，可极大的提高目前涉及肋骨方面的医疗质量和效果。


技术实现要素：

5.由于上述现有技术基于肋骨切片图像的体素重建方法，存在分辨率不高，无法直接获取真实的三维几何信息的缺陷，同时需要人工对肋骨医学影像进行标注或分割，因此存在局限性，针对此问题，本发明提出了一种基于点云上采样的肋骨三维重建方法及系统，本发明通过点云三维重建可以捕捉到物体的细节和形态，通过多视角的数据融合提高重建精度和鲁棒性，从而减少重建过程中的误差，并且在点云数据处理和重建过程中可以进行精细的调整，有利于生成高精度的肋骨三维模型。点云三维重建相比于传统图像重建具有数据量较小、算法简单等优势，避免了包含有位置、大小和属性的体素数据低效性的劣势，无需传统图像重建需要图像分割、特征提取、三维重建等多个步骤，从而快速生成三维可视化模型，相比传统三维重建技术更加高效。
6.本发明采取如下技术方案：
7.一种基于点云上采样的肋骨三维重建方法，按如下步骤：
8.步骤1：肋骨点云数据准备；
9.步骤2：肋骨点云数据去噪；
10.步骤3：肋骨点云数据语义分割；
11.步骤4：肋骨点云数据上采样；
12.步骤5：肋骨点云数据三维重建。
13.优选的，步骤1:肋骨点云数据准备
14.首先根据ct公开数据集ribfrac和ribseg，将具有统一肋骨标记的ribseg数据集，通过人工标注方法以不同体素值标记不同根肋骨，从而实现24根肋骨的独立标记；然后将三维ct通过设置hu阈值区间为[200,1000]初次过滤非肋骨体素后，获得包含有肋骨体素的体素网格；最后通过点云生成算法处理具有复杂几何形状的肋骨数据，获得具有较高精度和完整性的点云数据，并且将mask进行逐点对应保存为点云标签，为后续的点云分割模型训练做数据准备，同时将点云数据以空间坐标区域划分方式，形成原始点云与稀疏点云数据相对应，为后续的点云上采样模型训练做数据准备。
[0015]
更进一步优选的，点云生成算法的详细步骤如下：
[0016]
1.将体素网格采用普遍应用于三维图形处理领域的网格生成方法转化为表面网格数据。
[0017]
2.对表面网格进行拓扑处理，去除不必要的网格数据，保留表面网格的拓扑结构。
[0018]
3.遍历表面网格的每个顶点，将顶点转化为点云数据。具体可采用以下方法：
[0019]
a.对于每个顶点，计算其在表面网格上的法向量。
[0020]
b.将顶点沿着法向量方向平移一定距离，得到点云数据中的一个点。
[0021]
c.重复步骤b，得到多个点，从而形成点云数据。
[0022]
优选的，步骤2:肋骨点云数据去噪
[0023]
肋骨点云数据从ct中转化获取，所获取的肋骨点云数据中存在噪声和误差。为提高后续肋骨模型的准确性、可视化效果和分析效率，需要对肋骨点云数据进行去噪处理，获得高质量的肋骨点云数据。首先通过对每个点使用经典的机器学习算法knn(k近邻)方法以自适应方式选择邻居点，通过计算邻居点的数量获得其点密度和计算与该邻居点的平均距离。然后设置点密度阈值和平均距离阈值，对每个点进行判断是否同时满足大于点密度阈值和小于平均距离阈值的条件，若不满足条件则判断为噪声点且进行删除。最后通过利用点云领域广泛应用的高斯核平滑处理方法对点云进行平滑，以此获得平滑的点云数据。
[0024]
优选的，步骤3:肋骨点云数据语义分割
[0025]
步骤3.1:设计基于点云的肋骨分割模型
[0026]
经过点云去噪获取的高质量的点云数据，选择基于广泛应用于自然语言处理和其他序列数据处理任务中的transformer的point transformer点云模型，提取输入的点云数据特征进行肋骨分割，从而进一步去除噪声点实现更精准的肋骨形态分析。
[0027]
point transformer点云模型，包括point transformer模块、transition down模块、transition up模块。
[0028]
point transformer模块，该transformer块集成了self-attention层，可以降维和加速处理线性投影以及残差连接。输入是一组具有相关3d坐标的特征向量，point transformer块便于这些局部特征向量之间的信息交换，为所有数据点产生新的特征向量
作为其输出。信息聚合既适应特征向量的内容，也适应它们在3d中的布局。
[0029]
transition down模块，该模块关键功能在于减少点的数量。首先将输入点集p1进行fps(最远点采样)获取分布良好的子集p2，然后将该子集p2通过knn(k-最邻近法)将特征向量从p1汇集到p2，每一个输入特征都经过一个线性变换。最后进行批量归一化和relu(线性激活函数)，将p2在p1的k个邻居最大池化到p2的每个点。
[0030]
transition up模块，解码器中的连续级由transition up模块连接，主要功能是将来自下采样的输入点集p2的特征映射到其超集p1上。每个输入点都要经过一个线性图层处理，然后进行批量归一化和relu，再通过三线性插值将p2特征映射到更高分辨率的点集p1上。来自前一解码器级的这些内插特征通过跳跃连接与来自相应编码器级的特征相结合。
[0031]
步骤3.2：设计训练损失函数
[0032]
为了训练point transformer模型，定义cross entropy(交叉熵)损失函数来度量预测点云中的每个点与真实点云中的每个点之间的差异性，其损失越小表征两个点云之间越相近。通过最小化训练损失函数来优化网络参数直至模型收敛，从而获取最佳的训练权重。crossentropy损失函数如式(1)所示。
[0033][0034]
其中y为肋骨标签值，为肋骨分割预测值。
[0035]
优选的，步骤4:肋骨点云数据上采样
[0036]
步骤4.1:设计肋骨点云数据上采样模型
[0037]
步骤3获得的肋骨点云数据分辨率较低，因此选择基于transformer的pu transformer点云上采样模型，获取更加精确的高分辨率点云数据，提高点云数据的可视化效果。
[0038]
pu transformer点云模型，包括transformer encoder模块、shuffle模块、mlp模块。
[0039]
transformer encoder模块，该模块主要由position fusion(位置融合)模块和shifted channel multi-head self-attention(平移通道多头自注意力)模块组成。其中position fusion用于将点云坐标信息p和点云特征信息f分别聚合后获得局部几何信息，再通过mlp编码操作，然后使用在邻域上操作的最大池化，实现融合两种不同类型的上下文信息。该模块不仅可以对一组无序点的位置信息进行编码，以用于transformer的处理，还可以聚合全面的局部细节，以实现精确的点云上采样。shifted channel multi-head self-attention模块弥补了msa中每个独立head中仅计算point-wise相关性和缺乏用于shuffling-based的上采样的channel-related相关信息集成的缺点。
[0040]
shuffle模块，该模块用于将点云数据重新排列，增加点云数据的多样性和泛化能力。
[0041]
mlp模块，该模块由多个全连接层组成，每个层都将输入的向量转换为另一个向量。mlp提取点云的特征信息，用于后续的点云处理任务。
[0042]
步骤4.2:设计训练损失函数
[0043]
为了训练pu transformer模型，定义chamfer distance(倒角距离)损失函数来度
量预测点云中的每个点与真实点云中的每个点之间的距离，其损失越小表征两个点云之间越匹配。通过最小化训练损失函数来优化网络参数直至模型收敛，从而获取最佳的训练权重。chamfer distance损失函数如式(2)所示。
[0044][0045]
其中p为预测点云集合，g为真实点云集合数据。
[0046]
优选的，步骤5：肋骨点云数据三维重建
[0047]
通过点云上采样模型获取高分辨率的肋骨点云数据，从而进行便于可视化肋骨形态的肋骨三维重建：首先对该点云数据进行表面点集提取，获得表面点集。然后将表面点集转化为连续的三角形网络模型，并对其优化获得更加平滑的三维模型。最后对生成的三维模型进行拼接、缝合等后处理操作，使其更加逼真。
[0048]
优选的，本发明还包括步骤6：肋骨预测及获得三维重建结果
[0049]
将单个测试集样本ct转化为点云数据，首先将所有点云数据进行点云去噪处理，然后以随机采样20k的点云数量送入步骤3中已加载最优权重的点云语义分割模型中，获得肋骨部分点云预测，将所有部分点云预测合并转化为整个肋骨的点云预测。同时每次预测采用多数投票方式提高预测精度。再依次以均匀数量的点云送入步骤4中已加载最优权重的点云上采样模型中，获得高分辨率的肋骨点云数据。最后将肋骨点云预测通过步骤5的三维重建算法获得高质量的肋骨重建结果。
[0050]
实际应用时，从测试ct中获取肋骨点云数据(同步骤1)、点云数据去噪(同步骤2)、再通过步骤3验证的模型进行点云语义分割获得肋骨分割结果，经过步骤4验证的模型进行点云上采样获取高分辨率的肋骨点云数据，最后通过步骤5获得细化、高精度的肋骨三维重建结果。
[0051]
本发明还公开了一种基于上述方法的点云上采样的肋骨三维重建系统，其包括如下模块：
[0052]
数据准备模块：用于肋骨点云数据的准备；
[0053]
数据去噪模块：用于肋骨点云数据的去噪；
[0054]
语义分割模块：用于肋骨点云数据的语义分割；
[0055]
数据上采样模块：用于肋骨点云数据上采样；
[0056]
三维重建模块：用于肋骨点云数据三维重建。
[0057]
本发明的有益效果如下：本发明设计了一种基于点云上采样的肋骨三维重建方法及系统，本发明三维重建方法首先可以通过多视角的数据融合来提高重建精度和鲁棒性，利用点云数据的准确位置信息来进行重建，而不仅仅是像素信息，因此有着更高的重建精度。其次点云三维重建可以提供更好的交互性，用户可以通过旋转和缩放点云数据来观察物体的各个角度和细节。最后点云数据因仅包含每个点的位置信息，而传统图像重建需要处理的数据包含了像素的颜色、亮度等信息，点云三维重建的算法相对于传统图像重建算法来说更加简单，因此该三维重建方法更加高效。本发明使用便捷，易于用于临床中。
附图说明
[0058]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍，附图构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0059]
图1为本发明优选实施例一种基于点云上采样的肋骨三维重建方法流程图。
[0060]
图2为本发明实施例中的点云去噪算法流程图。
[0061]
图3为本发明实施例中采用的point transformer点云语义分割模型结构示意图。
[0062]
图4为本发明实施例中采用的pu transformer点云上采样模型结构示意图。
[0063]
图5为本发明实施例中各个阶段肋骨点云数据可视化效果图。
[0064]
图6为本发明优选实施例一种基于点云上采样的肋骨三维重建系统框图。
具体实施方式
[0065]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本技术进行进一步详细说明。
[0066]
本实施例一种基于点云上采样的肋骨三维重建方法，具体步骤如下：
[0067]
步骤1:肋骨点云数据准备
[0068]
首先根据ct公开数据集ribfrac和ribseg，将具有统一肋骨标记的ribseg数据集，通过人工标注方法以不同体素值标记不同根肋骨，从而实现24根肋骨的独立标记。然后将ct通过设置hu阈值区间为[200,1000]初次过滤非肋骨体素后，获得包含有肋骨体素的体素网格。最后通过点云生成算法有效处理具有复杂几何形状的肋骨数据，获得具有较高精度和完整性的点云数据，并且将mask进行逐点对应保存为点云标签，为后续的点云分割模型训练做数据准备，同时将点云数据以空间坐标区域划分方式，形成原始点云与稀疏点云数据相对应，为后续的点云上采样模型训练做数据准备。如图5(a)所示，基于点云生成算法获得的肋骨点云数据，其包含了肋骨形态的全部信息，但也存在许多有待去除的噪声点。
[0069]
本实施例中，点云生成算法的步骤具体如下：首先将体素网格依靠网格生成方法转化为表面网格数据。然后对表面网格进行拓扑处理，去除不必要的网格数据，保留表面网格的拓扑结构。最后遍历表面网格的每个顶点，将顶点转化为点云数据。
[0070]
步骤2:肋骨点云数据去噪
[0071]
肋骨点云数据从ct中转化获取，所获取的肋骨点云数据中存在噪声和误差。为提高后续肋骨模型的准确性、可视化效果和分析效率，需要对肋骨点云数据进行去噪处理，获得高质量的肋骨点云数据。如图2所示，首先通过对每个点基于knn方法以自适应方式选择邻居点，通过计算邻居点的数量获得其点密度和计算与该邻居点的平均距离。然后设置点密度阈值和平均距离阈值，对每个点进行判断是否同时满足大于点密度阈值和小于平均距离阈值的条件，若不满足条件则判断为噪声点且进行删除。最后通过高斯核平滑处理方法对点云进行平滑，以此获得平滑的点云数据。如图5(b)所示，肋骨点云数据通过去噪算法后，去除了大量噪声点，可以清晰地观察到肋骨轮廓形态，但依旧存在少部分噪声点与人体非肋骨骨骼点云。
[0072]
步骤3:肋骨点云数据语义分割，具体如下：
[0073]
步骤3.1:设计基于点云的肋骨分割模型
[0074]
如图3所示，给定肋骨输入点云，其中n为输入点云基数，首先通过特征编码器的五个阶段学习特征，第一个阶段由mlp和point transformer模块组成，后四个阶段由transition down模块和point transformer模块组成，每个阶段作用于逐渐下降的采样点集。然后通过一个mlp和point transformer块进行特征提取，再经过四个由transition up块和point transformer块组成，恢复更高分辨率点集，并为每一个点生成一个特征向量。最后经过一个mlp获取最终语义分割结果。如图5(c)所示，存在少量噪声点与人体非肋骨骨骼的点云数据，经过语义分割模型后，非肋骨点云数据被去除，整洁的肋骨数据可以清晰展示，但却存在肋骨不连续现象。
[0075]
步骤3.2：设计训练损失函数
[0076]
通过设置adabound优化器优化模型参数和预热余弦退火学习率更新方式，训练point transformer模型，定义cross entropy(交叉熵)损失函数来衡量模型预测结果与真实结果的误差，指导模型的训练和优化，并评估模型的性能。通过最小化训练损失函数来优化网络参数直至模型收敛，从而获取最佳的训练权重。crossentropy损失函数如式(1)所示
[0077][0078]
其中，y为肋骨标签值，为肋骨分割预测值。
[0079]
步骤4:肋骨点云数据上采样
[0080]
步骤4.1:设计肋骨点云数据上采样模型
[0081]
如图4所示，给定肋骨输入点云，其中n为输入点云的基数，首先经过mlp模块，生成nx16的特征图。然后通过五个级联transformer编码器，每个输出的信道尺寸如下：32
→
64
→
128
→
256。其中在每个positional fusion模块经过聚合全面的局部细节，实现精确的点云上采样，再通过每个shifted channel multi-head self-attention模块有效改变每个点特征的通道，以表示新的点，而不引入额外的参数。最后编码器以一个大小为nx256的输出经过shuffling操作提升channels并构建rnx256/r的密集特征图，其中r是上采样尺度，再应用另外一个mlp估计上采样点云的三维坐标(rnx3)。如图5(d)所示，将存在肋骨形态不连贯现象的点云数据，通过点云上采样模型后，获得更加稠密且具有完整连贯的肋骨形态点云数据，但却引入了少量噪声点。
[0082]
步骤4.2:设计训练损失函数
[0083]
通过设置radam优化器优化模型参数和预热余弦退火学习率更新方式，训练pu transformer模型，定义chamfer distance(倒角距离)损失函数来衡量模型预测结果与真实结果的误差，指导模型的训练和优化，并评估模型的性能。通过最小化训练损失函数来优化网络参数直至模型收敛，从而获取最佳的训练权重。chamfer distance损失函数如式(2)所示
[0084][0085]
其中p为预测点云集合，g为真实点云集合数据。
[0086]
步骤5：肋骨点云数据三维重建
[0087]
通过点云上采样模型获取高分辨率的肋骨点云数据，从而进行便于可视化肋骨形态的肋骨三维重建：首先对该点云数据进行表面点集提取，获得表面点集。然后将表面点集
转化为连续的三角形网络模型，并对其优化获得更加平滑的三维模型。最后对生成的三维模型进行拼接、缝合等后处理操作，使其更加逼真。如图5(e)所示，将具有完整连贯的肋骨形态与少量噪声点的点云数据，通过三维重建后处理操作，将存在的噪声点去除，保留具有完整细化肋骨形态的点云数据。
[0088]
本实施例还包括步骤6：肋骨预测及获取三维重建结果
[0089]
在实际应用时，如图1所示，将待测试ct转化肋骨点云数据(同步骤1)、点云数据去噪(同步骤2)、再经过步骤3验证的模型进行点云语义分割获取高质量的肋骨点云数据，通过步骤4验证的模型获得高分辨率的肋骨点云数据，最后通过步骤5获得细化、高精度的肋骨三维重建结果。经试验，在linux操作系统上运行两个geforce 3090ti gpu进行肋骨预测，所需推理时间仅需要15秒，而利用现有技术基于肋骨切片图像的体素重建方法所需推理时间为41秒，充分展现了本发明基于点云上采样的肋骨三维重建方法的高效性。
[0090]
如图6所示，本实施例公开了一种基于上述方法的点云上采样的肋骨三维重建系统，其包括如下模块：
[0091]
数据准备模块：用于肋骨点云数据的准备；
[0092]
数据去噪模块：用于肋骨点云数据的去噪；
[0093]
语义分割模块：用于肋骨点云数据的语义分割；
[0094]
数据上采样模块：用于肋骨点云数据上采样；
[0095]
三维重建模块：用于肋骨点云数据三维重建。
[0096]
上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

技术特征：
1.一种基于点云上采样的肋骨三维重建方法，其特征是按如下步骤：步骤1：肋骨点云数据准备；步骤2：肋骨点云数据去噪；步骤3：肋骨点云数据语义分割；步骤4：肋骨点云数据上采样；步骤5：肋骨点云数据三维重建。2.如权利要求1所述基于点云上采样的肋骨三维重建方法，其特征是，步骤1具体如下：s1.1、采用统一肋骨标记的ribseg公开数据集，将不同体素值标记不同根肋骨，实现24根肋骨的独立标记；s1.2、将三维ct设置hu阈值区间为[200,1000]初次过滤非肋骨体素后，获得包含肋骨体素的体素网格；s1.3、通过点云生成算法处理肋骨数据，获得高精度和完整性的点云数据，并且将肋骨掩膜进行逐点对应保存为点云标签，同时将点云数据以空间坐标区域划分方式，形成原始点云与稀疏点云数据相对应。3.如权利要求2所述基于点云上采样的肋骨三维重建方法，其特征是，所述的点云生成算法步骤如下：s1.3.1.将体素网格采用网格生成方法转化为表面网格数据；s1.3.2.对表面网格进行拓扑处理，去除不必要的网格数据，保留表面网格的拓扑结构；s1.3.3.遍历表面网格的每个顶点，将顶点转化为点云数据；步骤s1.3.3具体如下：a.对于每个顶点，计算其在表面网格上的法向量；b.将顶点沿着法向量方向平移一定距离，得到点云数据中的一个点；c.重复步骤b，得到多个点，形成点云数据。4.如权利要求2或3所述基于点云上采样的肋骨三维重建方法，其特征是，步骤2具体如下：s2.1、通过对每个点knn方法以自适应方式选择邻居点，通过基于欧氏距离计算距离范围内邻居点的数量获得其点密度，计算该点与每个邻居点的欧式距离后求取其平均距离；s2.2、设置点密度阈值和平均距离阈值，对每个点进行判断是否同时满足大于点密度阈值和小于平均距离阈值的条件，若不满足条件，则判断为噪声点并删除；s2.3、通过高斯核平滑处理方法对点云进行平滑，以获得平滑的点云数据。5.如权利要求4所述基于点云上采样的肋骨三维重建方法，其特征是，步骤3具体如下：s3.1、设计基于点云的肋骨分割模型经过点云去噪步骤获取的点云数据，选择基于神经网络模型transformer的point transformer点云模型，提取输入的点云数据特征进行肋骨分割；point transformer点云模型包括如下模块：point transformer模块，point transformer模块集成了self-attention层，用于降维和加速处理线性投影以及残差连接；输入一组具有相关3d坐标的特征向量，point transformer模块便于这些局部特征向量之间的信息交换，为所有数据点产生新的特征向
量作为其输出；transition down模块，用于减少点的数量；将输入点集p1进行fps获取分布良好的子集p2，将该子集p2通过knn将特征向量从p1汇集到p2，每一个输入特征都经过一个线性变换；最后进行批量归一化和relu，将p2在p1的k个邻居最大池化到p2的每个点；transition up模块，解码器中的连续级由transition up模块连接，将来自下采样的输入点集p2的特征映射到其超集p1上；每个输入点经过一个线性图层处理，然后进行批量归一化和relu，再通过三线性插值将p2特征映射到更高分辨率的点集p1上；来自前一解码器级的内插特征通过跳跃连接与来自相应编码器级的特征相结合；s3.2、设计训练损失函数为了训练point transformer点云模型，定义cross entropy损失函数来度量预测点云中的每个点与真实点云中的每个点之间的差异性，损失越小表征两个点云之间越相近；通过最小化训练损失函数来优化网络参数直至模型收敛，从而获取最佳的训练权重；crossentropy损失函数如式(1)所示其中，y为肋骨标签值，为肋骨分割预测值。6.如权利要求5所述基于点云上采样的肋骨三维重建方法，其特征是，步骤4具体如下：s4.1、设计肋骨点云数据上采样模型选择基于transformer的pu transformer点云上采样模型，包括如下模块：transformer encoder模块，该模块包括position fusion模块和shifted channel multi-head self-attention模块，其中position fusion用于将点云坐标信息p和点云特征信息f分别聚合后获得局部几何信息，通过mlp编码操作，使用在邻域上操作的最大池化，实现融合两种不同类型的上下文信息；shuffle模块，用于将点云数据重新排列；mlp模块，由多个全连接层组成，每个层都将输入的向量转换为另一个向量；mlp模块提取点云的特征信息，用于后续的点云处理任务；s4.2、设计训练损失函数为了训练pu transformer点云上采样模型，定义chamfer distance损失函数来度量预测点云中的每个点与真实点云中的每个点之间的距离，其损失越小表征两个点云之间越匹配；通过最小化训练损失函数来优化网络参数直至模型收敛，从而获取最佳的训练权重；chamfer distance损失函数如式(2)所示其中p为预测点云集合，g为真实点云集合数据。7.如权利要求6所述基于点云上采样的肋骨三维重建方法，其特征是，步骤5具体如下：s5.1、对点云数据进行表面点集提取，获得表面点集；s5.2、将表面点集转化为连续的三角形网络模型，并对其优化获得更平滑的三维模型；s5.3、对生成的三维模型进行后处理操作。8.如权利要求7所述基于点云上采样的肋骨三维重建方法，其特征是，还包括步骤6：肋
骨预测及获得三维重建结果。9.如权利要求8所述基于点云上采样的肋骨三维重建方法，其特征是，步骤6具体如下：s6.1、将单个测试集样本ct转化为点云数据，将所有点云数据进行点云去噪处理，以随机采样20k的点云数量输入步骤3中已加载最优权重的点云语义分割模型中，获得肋骨部分点云预测，将所有部分点云预测合并转化为整个肋骨的点云预测；同时每次预测采用多数投票方式提高预测精度；s6.2、依次以均匀数量的点云送入步骤4中已加载最优权重的点云上采样模型中，获得高分辨率的肋骨点云数据；s6.3、将肋骨点云预测通过步骤5获得肋骨重建结果。10.一种基于权利要求1-9任一项所述方法的点云上采样的肋骨三维重建系统，其特征是包括如下模块：数据准备模块：用于肋骨点云数据的准备；数据去噪模块：用于肋骨点云数据的去噪；语义分割模块：用于肋骨点云数据的语义分割；数据上采样模块：用于肋骨点云数据上采样；三维重建模块：用于肋骨点云数据三维重建。

技术总结
本发明公开了一种基于点云上采样的肋骨三维重建方法及系统，方法按如下步骤：步骤1：肋骨点云数据准备；步骤2：肋骨点云数据去噪；步骤3：肋骨点云数据语义分割；步骤4：肋骨点云数据上采样；步骤5：肋骨点云数据三维重建。本发明通过点云三维重建可以捕捉到物体的细节和形态，通过多视角的数据融合提高重建精度和鲁棒性，从而减少重建过程中的误差，并且在点云数据处理和重建过程中可以进行精细的调整，有利于生成高精度的肋骨三维模型。有利于生成高精度的肋骨三维模型。有利于生成高精度的肋骨三维模型。


技术研发人员：汪雕 何必仕 叶旺旺 朱大荣 陈晖 徐哲
受保护的技术使用者：杭州数智莱达科技有限公司
技术研发日：2023.04.11
技术公布日：2023/8/24