一种牙齿正畸过程预测方法技术

本发明专利技术公开了一种牙齿正畸过程预测方法，该预测方法包括获取正畸输入训练数据和正畸输出训练数据；根据所述的正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；获取目标患者的牙齿三维数字化模型；根据所述目标患者的牙齿三维数字化模型并结合正畸模型得到牙齿正畸后的形态。本发明专利技术一方面，将正畸前3D牙齿模型作为输入，得到牙齿正畸终态；另一方面，针对阶段性正畸，对于输入的牙齿模型，得到阶段性正畸结束的牙齿形态后，对该状态下的牙齿排列情况是否可达到正畸结束的标准进行判断，若达到标准，则正畸结束并停止，若未达到标准，则继续进行下一阶段正畸，以作为医生规划诊疗方案的参考依据，加快医生的工作速度。

A prediction method of orthodontic process

【技术实现步骤摘要】
一种牙齿正畸过程预测方法
本专利技术涉及牙齿矫正
，特别涉及一种牙齿正畸过程预测方法。
技术介绍
随着人们越来越注重牙齿的美观，越来越多的人能够接受口腔正畸；通过口腔正畸，能够将不整齐的牙齿排列整齐，达到美观、健康、稳定等目的。口腔正畸是现阶段让我们的牙齿更加整齐和美观的常见方法，但是正畸过程并不智能。正畸治疗开始前，牙齿如何移动，移动多少由医师来判断并设计，有时会出现失误，因此对于正畸最终效果的预测费时、不方便也不太可靠。另外在牙齿正畸过程中，中间过程状态预测过程不方便，阶段性治疗成果不显著，中间过程的调整与管控完全依赖医生经验，最终导致预测结果准确度不高等问题。
技术实现思路
本专利技术的目的是提供一种牙齿正畸过程预测方法，一方面，将正畸前3D牙齿模型作为输入，得到牙齿正畸终态；另一方面，针对阶段性正畸，对于输入的牙齿模型，得到阶段性正畸结束的牙齿形态后，对该状态下的牙齿排列情况是否可达到正畸结束的标准进行判断，若达到标准，则正畸结束并停止，若未达到标准，则继续进行下一阶段正畸，以作为医生规划诊疗方案的参考依据，加快医生的工作速度。为了实现以上目的，本专利技术是通过以下技术方案实现的：一种牙齿正畸过程预测方法，包括：如下步骤：S1，准备训练样本集，包括若干个体各自三维的正畸前牙齿的初态数据和对应的正畸后牙齿的终态数据；S2，设计正畸过程终态模型，包括对深度神经网络结构的特征提取模块和特征转换模块进行设置；其中，向该模型分别输入的是步骤S1处理过的单个个体的正畸前牙齿的初态数据，输出的是与单个个体对应的表示正畸后牙齿的终态信息的一个变换矩阵；S3，所述特征提取模块对单个个体的正畸前牙齿的初态数据进行处理，提取出相应的正畸前牙齿的初态特征向量；S4，结合步骤S3提取的正畸前牙齿的初态特征向量，利用特征转换模块进行转换，得到每颗牙齿的变换矩阵；S5，使用训练样本集收集到的正畸前牙齿的初态数据及对应的正畸后牙齿的终态数据，对特征提取模块和特征转换模块进行训练，得到训练完成的深度神经网络结构；S6，将实际获得的单个个体的三维正畸前牙齿的初态数据，输入到步骤S5训练出的深度神经网络结构，输出的变换矩阵对应于该个体正畸后牙齿的终态信息。优选地，步骤S1中，通过三维扫描仪分别获得牙齿的三维模型数据，并对所述牙齿的三维模型数据采用轴对齐网格和内部点检测将其格栅化，变为体素数据，其中所述牙齿的三维模型数据包括正畸前上颌初态模型数据、正畸前下颌初态模型数据、正畸后上颌终态模型数据和正畸后下颌终态模型数据。优选地，步骤S2中，基于每个人有32颗牙齿，所述变换矩阵由32个变换向量组成，每个变换向量对应一颗牙齿的变换情况。优选地，步骤S3中，所述特征提取模块输入N×N×N×N的体素数据，依次由a1种不同的b1×b1×b1的卷积核以步长c1卷积并由ReLU函数激励、由a2种不同的b2×b2×b2的卷积核以步长c2卷积并由ReLU函数激励，由a3种不同的b3×b3×b3的卷积核以步长c3卷积并由ReLU函数激励，由a4种不同的b4×b4×b4的卷积核以步长c4卷积并由ReLU函数激励，输出K维的特征V。优选地，步骤S4中，所述的特征转换模块采用3层全连接层，输入K维的特征向量V，依次经过第一全连接层并由ReLU函数激励后，经过第二全连接层并由ReLU函数激励，最后通过第三全连接层输出一牙齿的变换矩阵。优选地，步骤S5中，训练所述特征提取模块和特征转换模块的过程之中，采用欧式损失函数和平均最小表面距离的和作为损失函数:L＝L2+AMSSD其中，L2＝1/2∑i(xi-yi)2，dist(a,SB)＝min{dist(a,b),b∈SB},AMSSD(SB,SA)＝mean{dist(a,SB),a∈SA}其中xi，yi分别表示实际输出向量与标准输出向量，AMSSD表示平均最小表面距离，用于限制牙齿位置形态；SB表示真实状态牙齿表面的顶点的集合，SA表示预测状态牙齿表面的顶点的集合。优选地，进一步包括对正畸过程中牙齿中间状态进行预测这一步骤；所述的对正畸过程中牙齿中间状态进行预测包括：获取其中一个阶段结束后的牙齿形态，并对该牙齿形态进行判断，若当前的牙齿形态符合正畸结束后的标准，则正畸结束。优选地，所述的对正畸过程中牙齿中间状态进行预测还包括：对该牙齿形态进行判断，若当前的牙齿形态不符合正畸结束后的标准，则进行下一阶段的正畸。本专利技术与现有技术相比，具有以下优点：一方面，将正畸前3D牙齿模型作为输入，得到牙齿正畸终态；另一方面，针对阶段性正畸，对于输入的牙齿模型，得到阶段性正畸结束的牙齿形态后，对该状态下的牙齿排列情况是否可达到正畸结束的标准进行判断，若达到标准，则正畸结束并停止，若未达到标准，则继续进行下一阶段正畸，以作为医生规划诊疗方案的参考依据，加快医生的工作速度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1、2为本专利技术一种牙齿正畸过程预测方法的流程图；图3为本专利技术一种牙齿正畸过程预测装置的结构示意图；图4为本专利技术实施例中中间状态预测模块的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。以下结合图1～图4，以具体地实施例对本专利技术的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。一种牙齿正畸过程预测方法的实施例之一如图1、2所示，一种牙齿正畸过程预测方法，该方法包含如下步骤：S1，准备训练样本集，包括若干个体各自三维的正畸前牙齿的初态数据和对应的正畸后牙齿的终态数据；S2，设计正畸过程终态模型，包括对深度神经网络结构的特征提取模块和特征转换模块进行设置；其中，向该模型分别输入的是步骤S1处理过的单个个体的正畸前牙齿的初态数据，输出的是与单个个体对应的表示正畸后牙齿的终态信息的一个变换矩阵；S3，所述特征提取模块对单个个体的正畸前牙齿的初态数据进行处理，提取出相应的正畸前牙齿的初态特征向量；S4，结合步骤S3提取的正畸前牙齿的初态特征向量，利用特征转换模块进行转换，得到每颗牙齿的变换矩阵；S5，使用训练样本集收集到的正畸前牙齿的初态数据及对应的正畸后牙齿的终态数据，对特征提本文档来自技高网...

【技术保护点】
1.一种牙齿正畸过程预测方法，其特征在于，所述的方法包括如下步骤：/nS1，准备训练样本集，包括若干个体各自三维的正畸前牙齿的初态数据和对应的正畸后牙齿的终态数据；/nS2，设计正畸过程终态模型，包括对深度神经网络结构的特征提取模块和特征转换模块进行设置；其中，向该模型分别输入的是步骤S1处理过的单个个体的正畸前牙齿的初态数据，输出的是与单个个体对应的表示正畸后牙齿的终态信息的一个变换矩阵；/nS3，所述特征提取模块对单个个体的正畸前牙齿的初态数据进行处理，提取出相应的正畸前牙齿的初态特征向量；/nS4，结合步骤S3提取的正畸前牙齿的初态特征向量，利用特征转换模块进行转换，得到每颗牙齿的变换矩阵；/nS5，使用训练样本集收集到的正畸前牙齿的初态数据及对应的正畸后牙齿的终态数据，对特征提取模块和特征转换模块进行训练，得到训练完成的深度神经网络结构；/nS6，将实际获得的单个个体的三维正畸前牙齿的初态数据，输入到步骤S5训练出的深度神经网络结构，输出的变换矩阵对应于该个体正畸后牙齿的终态信息。/n

【技术特征摘要】
1.一种牙齿正畸过程预测方法，其特征在于，所述的方法包括如下步骤：
S1，准备训练样本集，包括若干个体各自三维的正畸前牙齿的初态数据和对应的正畸后牙齿的终态数据；
S2，设计正畸过程终态模型，包括对深度神经网络结构的特征提取模块和特征转换模块进行设置；其中，向该模型分别输入的是步骤S1处理过的单个个体的正畸前牙齿的初态数据，输出的是与单个个体对应的表示正畸后牙齿的终态信息的一个变换矩阵；
S3，所述特征提取模块对单个个体的正畸前牙齿的初态数据进行处理，提取出相应的正畸前牙齿的初态特征向量；
S4，结合步骤S3提取的正畸前牙齿的初态特征向量，利用特征转换模块进行转换，得到每颗牙齿的变换矩阵；
S5，使用训练样本集收集到的正畸前牙齿的初态数据及对应的正畸后牙齿的终态数据，对特征提取模块和特征转换模块进行训练，得到训练完成的深度神经网络结构；
S6，将实际获得的单个个体的三维正畸前牙齿的初态数据，输入到步骤S5训练出的深度神经网络结构，输出的变换矩阵对应于该个体正畸后牙齿的终态信息。


2.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，步骤S1中，通过三维扫描仪分别获得牙齿的三维模型数据，并对所述牙齿的三维模型数据采用轴对齐网格和内部点检测将其格栅化，变为体素数据，其中所述牙齿的三维模型数据包括正畸前上颌初态模型数据、正畸前下颌初态模型数据、正畸后上颌终态模型数据和正畸后下颌终态模型数据。


3.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，
步骤S2中，基于每个人有32颗牙齿，所述变换矩阵由32个变换向量组成，每个变换向量对应一颗牙齿的变换情况。


4.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，
步骤S3中，所述特征提取模块输入N×N×N×N的体素数据，依次由a1种不同的b1×b1×b1的卷积核以...

【专利技术属性】
技术研发人员：田烨，盛斌，李鹏，李晓霜，孙洋洋，李庭瑶，周蓉，曹诗怡，
申请(专利权)人：上海牙典医疗器械有限公司，上海交通大学，
类型：发明
国别省市：上海;31