产生表示目标牙齿布局的数字数据集的方法技术

本申请的一方面提供了一种计算机执行的产生表示目标布局的数字数据集的方法，其包括：获取第一和第二三维数字模型，分别表示处于原始布局的上、下颌牙齿，其中，所述第一和第二三维数字模型处于预定的相对位置关系；对所述第一和第二三维数字模型的每一牙齿提取牙齿级特征向量；利用经训练的第一深度神经网络，基于所述牙齿级特征向量，初步排齐所述第一和第二三维数字模型；对所述经初步排齐的第一和第二三维数字模型的每一牙齿提取牙颌级特征向量；利用经训练的第二深度神经网络，基于所述牙颌级特征向量，对所述经初步排齐的第一和第二三维数字模型进行进一步排齐，得到目标牙齿布局。标牙齿布局。标牙齿布局。

【技术实现步骤摘要】
产生表示目标牙齿布局的数字数据集的方法


[0001]本申请总体上涉及产生表示目标牙齿布局的数字数据集的方法。

技术介绍

[0002]由于美观、便捷以及利于清洁等优点，基于高分子材料的壳状矫治器越来越受欢迎。一套壳状矫治器通常包括十几个甚至几十个逐次的壳状矫治器，用于将患者牙齿从初始布局逐步地重新定位到目标布局，其中，在初始布局到目标布局之间包括从第一中间布局到最后中间布局的N个逐次的中间布局。
[0003]一种常用的壳状矫治器的制作方法是以热压膜成型工艺在一系列逐次的阳模上进行压膜制作，该一系列逐次的阳模是基于对应的一系列逐次的三维数字模型制作获得，而该一系列逐次的三维数字模型是基于表示一系列逐次的自第一中间布局至目标布局的一系列逐次的数字数据集而产生。
[0004]一种常用的获得该一系列逐次的数字数据集的方法是，先扫描获得表示患者原始牙齿布局(即进行正畸治疗前患者的牙齿布局)的三维数字模型，接着，通过人工操作该三维数字模型获得表示目标牙齿布局(即正畸治疗希望达到的牙齿布局)的三维数字模型，然后，基于这两个牙齿布局进行插值得到中间的一系列逐次的牙齿布局。
[0005]然而，人工操作表示患者原始牙齿布局的三维数字模型获得表示目标牙齿布局的三维数字模型费时费力，并且其结果高度依赖操作人员的专业水平和认知，较难保证结果的一致性。鉴于此，有必要提供一种计算机执行的产生表示目标牙齿布局的数字数据集的方法。

技术实现思路

[0006]本申请的一方面提供了一种计算机执行的产生表示目标布局的数字数据集的方法，其包括：获取第一和第二三维数字模型，分别表示处于原始布局的上、下颌牙齿，其中，所述第一和第二三维数字模型处于预定的相对位置关系；对所述第一和第二三维数字模型的每一牙齿提取牙齿级特征向量；利用经训练的第一深度神经网络，基于所述牙齿级特征向量，初步排齐所述第一和第二三维数字模型；对所述经初步排齐的第一和第二三维数字模型的每一牙齿提取牙颌级特征向量；利用经训练的第二深度神经网络，基于所述牙颌级特征向量，对所述经初步排齐的第一和第二三维数字模型进行进一步排齐，得到目标牙齿布局。
[0007]在一些实施方式中，所述预定的相对位置关系是咬合状态。
[0008]在一些实施方式中，每一牙齿级特征向量仅包含所述第一和第二三维数字模型中对应的单颗牙齿的特征，每一牙颌级特征向量不仅包括所述经初步排齐的第一和第二三维数字模型中对应的单颗牙齿的特征，还包括其他牙齿的特征。
[0009]在一些实施方式中，每一牙齿级特征向量是基于从对应的单颗牙齿的三维数字模型提取得到的特征而产生，每一牙颌级特征向量是基于自作为一个整体的所述初步排齐的
第一和第二三维数字模型提取的特征而产生，并且是以一颗对应的牙齿为中心。
[0010]在一些实施方式中，所述特征可以包括面片中心点和面片法向量。
[0011]在一些实施方式中，所述第一深度神经网络可以是基于DGCNN，所述牙齿级特征是利用DGCNN特征提取模块提取获得。
[0012]在一些实施方式中，所述第二深度神经网络可以是基于注意力的深度神经网络。
[0013]在一些实施方式中，所述第二深度神经网络可以是基于Transformer的深度神经网络。
[0014]在一些实施方式中，所述牙颌级特征可以利用DGCNN特征提取模块提取获得。
[0015]在一些实施方式中，所述的计算机执行的产生表示目标布局的数字数据集的方法还可以包括：对于每一牙齿，利用所述第一深度神经网络基于其牙齿级特征向量产生初步变换矩阵；通过将所述初步变换矩阵应用于所述第一和第二三维数字模型的相应牙齿，以将所述第一和第二三维数字模型初步排齐；对于每一牙齿，利用所述第二深度神经网络基于其牙颌级特征向量产生最终变换矩阵；以及通过将所述最终变换矩阵应用于所述经初步排齐的第一和第二三维数字模型的相应牙齿，以将所述经初步排齐的第一和第二三维数字模型进一步排齐。
[0016]在一些实施方式中，训练所述第一和第二深度神经网络所采用的每一损失函数可以包括两个分量：旋转损失和平移损失。
[0017]在一些实施方式中，所述第一和第二深度神经网络可以采用同一训练集进行训练。
[0018]在一些实施方式中，所述第一深度神经网络包括多个平行的模块，每一所述模块对应一颗牙齿。
附图说明
[0019]以下将结合附图及其详细描述对本申请的上述及其他特征作进一步说明。应当理解的是，这些附图仅示出了根据本申请的若干示例性的实施方式，因此不应被视为是对本申请保护范围的限制。除非特别指出，附图不必是成比例的，并且其中类似的标号表示类似的部件。
[0020]图1为本申请一个实施例中的计算机执行的产生表示目标牙齿布局的数字数据集的方法的示意性流程图；以及
[0021]图2为本申请一个实施例中用于产生表示目标牙齿布局的数字数据集的系统200的示意性模块图。
具体实施方式
[0022]以下的详细描述中引用了构成本说明书一部分的附图。说明书和附图所提及的示意性实施方式仅仅出于是说明性之目的，并非意图限制本申请的保护范围。在本申请的启示下，本领域技术人员能够理解，可以采用许多其他的实施方式，并且可以对所描述实施方式做出各种改变，而不背离本申请的主旨和保护范围。应当理解的是，在此说明并图示的本申请的各个方面可以按照很多不同的配置来布置、替换、组合、分离和设计，这些不同配置都在本申请的保护范围之内。
[0023]Transformer是完全基于自注意力的深度神经网络。由于它在个体间关系的建模方面的出色性能，它被广泛应用于自然语言处理，例如，机器翻译等。
[0024]人类排齐牙齿的位姿之间强相关，一颗牙齿的位姿可能影响相邻甚至其他牙齿的位姿，其中，位姿描述牙齿在三维空间的位置和方向。经过大量测试，本申请的专利技术人发现Transformer能够学习排齐的牙齿间相对位置关系的特征，因而能够用于改进由在学习牙齿各自目标位姿的特征方面具有优势的另一深度神经网络所初步排齐的牙齿间的相对位置关系。测试结果显示这两种具有互补优势的深度神经网络的组合在预测目标牙齿布局上具有非常优秀的性能。
[0025]本申请的一方面提供了一种利用两个深度神经网络产生表示目标牙齿布局的数字数据集的方法，其中，第一深度神经网络基于牙齿级特征向量单独地预测各牙齿的目标位姿，第二深度神经网络基于牙颌级特征向量改进经初步排齐的牙齿间的相对位置关系。
[0026]在一个实施例中，表示目标牙齿布局的数字数据集可以是处于目标牙齿布局的牙齿的一组坐标。在又一实施例中，表示目标牙齿布局的数字数据集可以是处于目标牙齿布局的牙齿的三维数字模型。
[0027]牙科正畸治疗是把牙齿从原始布局重新定位到目标布局的过程。可以理解，目标布局是正畸治疗期望达到的牙齿布局；原始布局可以是进行正畸治疗之前患者的牙齿布局，也可以是利用本申请的方法产生目标布局时所基于的患者当前牙齿布局。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机执行的产生表示目标牙齿布局的数字数据集的方法，其包括：获取第一和第二三维数字模型，分别表示处于初始牙齿布局的上、下颌牙齿，其中，所述第一和第二三维数字模型处于预定的相对位置关系；对所述第一和第二三维数字模型的每一牙齿提取牙齿级特征向量；利用经训练的第一深度神经网络，基于所述牙齿级特征向量，初步排齐所述第一和第二三维数字模型；对所述经初步排齐的第一和第二三维数字模型的每一牙齿提取牙颌级特征向量；以及利用经训练的第二深度神经网络，基于所述牙颌级特征向量，对所述经初步排齐的第一和第二三维数字模型进行进一步排齐，得到目标牙齿布局。2.如权利要求1所述的计算机执行的产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述预定的相对位置关系是咬合状态。3.如权利要求1所述的计算机执行的产生表示目标牙齿布局的数字数据集的方法，其特征在于，每一所述牙齿级特征向量仅包含所述第一和第二三维数字模型中对应的单颗牙齿的特征，每一所述牙颌级特征向量不仅包括所述经初步排齐的第一和第二三维数字模型中对应的单颗牙齿的特征，还包括其他牙齿的特征。4.如权利要求1所述的计算机执行的产生表示目标牙齿布局的数字数据集的方法，其特征在于，每一所述牙齿级特征向量是基于从对应的单颗牙齿的三维数字模型提取得到的特征而产生，每一所述牙颌级特征向量是基于以一颗对应的牙齿为中心自作为一个整体的所述经初步排齐的第一和第二三维数字模型提取的特征而产生。5.如权利要求4所述的计算机执行的产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述特征包括面片中心点和面片法向量。6.如权利要求1所述的计算机执行的产生表示目标牙齿布局的数字数据集的方法，其特征在于，所述第一深度神经网络是基于DG...

【专利技术属性】
技术研发人员：郝晋，
申请(专利权)人：杭州朝厚信息科技有限公司，
类型：发明
国别省市：