基于网格特征深度学习的口腔正畸自动排牙方法和系统技术方案

本发明专利技术公开了一种基于网格特征深度学习的口腔正畸自动排牙方法和系统。该方法包括：获取用于排牙的牙齿三角网格三维模型；将所述牙齿三角网格模型输入到预训练的深度学习模型，获得排牙结果的牙齿预测位置。其中所述深度学习模型包括第一特征编码器、第二特征编码器以及特征解码与映射器，第一特征编码器以所述牙齿三角网格三维模型作为输入，获得牙齿形状特征，第二特征编码器以牙列点云作为输入，获得牙列全局特征，所述特征解码与映射器基于所述牙齿形状特征和所述牙列全局特征，获得预测的排牙结果。本发明专利技术能自动、准确地规划患者牙齿的理想位姿。牙齿的理想位姿。牙齿的理想位姿。

【技术实现步骤摘要】
基于网格特征深度学习的口腔正畸自动排牙方法和系统


[0001]本专利技术涉及口腔医学
，更具体地，涉及一种基于网格特征深度学习的口腔正畸自动排牙方法和系统。

技术介绍

[0002]牙齿错颌畸形发病率较高，对口腔健康的危害不容忽视。口腔正畸学是专门研究错颌畸形的病因、诊断、治疗和预防的学科。临床口腔正畸治疗通过在错颌畸形患者口内外安装矫治器械，对牙齿施加矫治力以使牙齿产生移动，从而恢复牙齿正常的排列和咬合关系。
[0003]正畸排牙是指将错颌畸形患者的牙列排列成预期的治疗后理想位姿，以作为正畸治疗规划的参考基础，是数字化口腔正畸治疗的关键步骤。但是目前在临床口腔正畸治疗规划阶段，医师通常通过人机交互界面手动排列出期望的牙齿位姿。这种人工排牙方式产生了过高的人工和时间成本。
[0004]近年来，随着计算机图形学和人工智能技术的发展，学界展开了人工智能排牙算法的研究，主要分为早期基于牙弓曲线拟合的方法和现今基于深度学习的方法两大类。基于深度学习的方法是将排牙任务看作一个三维空间六自由度位姿回归问题，使用治疗前后的牙列位姿数据训练深度神经网络，从大量案例中学习错颌牙齿的形状特征、空间位姿与理想牙齿位姿的映射关系，进而求解出从错颌牙齿到理想牙齿的移动量。
[0005]在现有技术中，计算机辅助排牙方案主要包括基于牙弓曲线拟合的排牙方法和基于深度学习的自动排牙方法。
[0006]对于基于牙弓曲线拟合的方法，其首先使用牙齿上的特征点拟合理想牙弓曲线，再根据牙齿当前位置和理想牙弓曲线的位置关系计算每颗牙齿的移动量，进而求解排列后的牙齿位姿。该方法的排牙效果取决于输入特征点的精度，特征点通常通过人工手动选取，因此难以实现全自动排牙。
[0007]对于基于深度学习的方法，其使用的原始数据是通过扫描得到的非透视数据，仅具有表面的牙冠信息，不具有牙根的信息，无法显式考虑牙根，因此可能出现排列后牙齿的牙根过于贴近甚至移出牙槽骨的情况，与正畸临床要求不符。此外，目前用于描述三维模型的主流数据类型包括点云、体素、多视角图片和网格模型，其中网格模型不仅包含了物体的位置信息，还能够提取物体表面相邻单元的相对拓扑关系，对物体的形状具有较强的表示能力。与之相应地，处理网格的神经网络相比于处理点云的神经网络，在物体分类、分割等任务上取得了更好的效果。由于现有自动排牙深度神经网络使用点云处理网络作为编码器对牙齿点云进行特征提取，与网格处理网络相比，其对于牙齿细粒度特征的捕捉和处理能力较弱，因此制约了自动排牙效果。

技术实现思路

[0008]本专利技术的目的是克服上述现有技术的缺陷，提供一种新的基于网格特征深度学习
的自动排牙方法，能够从牙齿三角网格模型中学习其特征表示，提高了基于深度学习方法的自动排牙结果的准确度。
[0009]根据本专利技术的第一方面，提供一种基于网格特征深度学习的口腔正畸自动排牙方法。该方法包括以下步骤：
[0010]获取用于排牙的牙齿三角网格三维模型，所述牙齿三角网格三维模型利用三角面片的顶点、形心、中线、法向量和邻接面索引表征牙齿的形状信息和空间位置信息；
[0011]将所述牙齿三角网格模型输入到预训练的深度学习模型，获得排牙结果的牙齿预测位置；
[0012]其中，所述深度学习模型包括第一特征编码器、第二特征编码器以及特征解码与映射器，第一特征编码器以所述牙齿三角网格三维模型作为输入，获得牙齿形状特征，第二特征编码器以牙列点云作为输入，获得牙列全局特征，所述特征解码与映射器基于所述牙齿形状特征和所述牙列全局特征获得预测的排牙结果。
[0013]根据本专利技术的第二方面，提供一种基于网格特征深度学习的口腔正畸自动排牙系统。该系统包括：
[0014]牙齿模型获取单元：用于获取用于排牙的牙齿三角网格三维模型，所述牙齿三角网格三维模型利用三角面片的顶点、形心、中线、法向量和邻接面索引表征牙齿的形状信息和空间位置信息；
[0015]预测单元：用于将所述牙齿三角网格模型输入到预训练的深度学习模型，获得排牙结果的牙齿预测位置；
[0016]其中，所述深度学习模型包括第一特征编码器、第二特征编码器以及特征解码与映射器，第一特征编码器以所述牙齿三角网格三维模型作为输入，获得牙齿形状特征，第二特征编码器以牙列点云作为输入，获得牙列全局特征，所述特征解码与映射器基于所述牙齿形状特征和所述牙列全局特征获得预测的排牙结果。
[0017]与现有技术相比，本专利技术的优点在于，能够基于牙齿三角网格三维模型自动规划错颌畸形患者牙齿的理想位姿，节省口腔正畸医师治疗规划阶段所用时间，克服目前基于深度学习的自动排牙方法提取牙齿细粒度特征的能力较弱导致结果准确度不高的缺点。
[0018]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0019]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0020]图1是根据本专利技术一个实施例的基于网格特征深度学习的口腔正畸自动排牙方法的流程图；
[0021]图2是根据本专利技术一个实施例的牙齿三角网格模型的示意图；
[0022]图3是根据本专利技术一个实施例的自动排牙网络模型的结构图；
[0023]图4是根据本专利技术一个实施例的排牙效果示意图。
具体实施方式
[0024]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0025]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0026]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0027]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0028]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0029]参见图1所示，所提供的基于网格特征深度学习的自动排牙方法包括以下步骤。
[0030]步骤S110，利用牙齿三角网格三维模型构建训练集。
[0031]在一个实施例中，根据以下步骤构建训练集：
[0032]步骤S111，分割重构口腔骨组织模型。
[0033]例如，分别从错颌畸形患者的口内扫描图像(或石膏模型的激光扫描图像)和口腔CT图像中分割重构得到高精度牙冠模型和完整牙齿的三维模型，再对从牙颌激光扫描图像得到的高精度牙冠模型和口腔CT图像得到的完整牙齿模型的牙根部分进行配准和融合，得到用于排牙的牙齿三角网格三维模型。对模型进行简化，使所有牙齿的三角本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网格特征深度学习的口腔正畸自动排牙方法，包括以下步骤：获取用于排牙的牙齿三角网格三维模型，所述牙齿三角网格三维模型利用三角面片的顶点、形心、中线、法向量和邻接面索引表征牙齿的形状信息和空间位置信息；将所述牙齿三角网格模型输入到预训练的深度学习模型，获得排牙结果的牙齿预测位置；其中，所述深度学习模型包括第一特征编码器、第二特征编码器以及特征解码与映射器，第一特征编码器以所述牙齿三角网格三维模型作为输入，获得牙齿形状特征，第二特征编码器以牙列点云作为输入，获得牙列全局特征，所述特征解码与映射器基于所述牙齿形状特征和所述牙列全局特征获得预测的排牙结果。2.根据权利要求1所述的方法，其特征在于，所述牙齿三角网格三维模型根据以下步骤获得：从目标的口内扫描图像和口腔图像中分割重构得到牙冠模型和完整的牙齿三维模型；对所述牙冠模型和所述牙齿三维模型的牙根部分进行配准和融合，得到用于排牙的所述牙齿三角网格三维模型。3.根据权利要求1所述的方法，其特征在于，第一特征编码器包括多个的并行连接的牙齿形状特征提取模块，每个牙齿形状特征提取模块与单颗牙齿一一对应，用于从单颗牙齿的数据中独立学习其形状表示。4.根据权利要求3所述的方法，其特征在于，所述牙齿形状特征提取模块包括空间描述模块、结构描述模块和网格卷积模块，所述空间描述模块以牙齿的形心作为输入，用于将牙齿局部坐标系下的形心映射为局部空间特征并学习局部空间特征之间的变换；所述结构描述模块以牙齿的中线、法向量和邻接面索引作为输入，通过旋转卷积与核相关操作，获得结构特征；所述网格卷积模块通过融合所述局部空间特征和所述结构特征，获得所述牙齿形状特征。5.根据权利要求4所述的方法，其特征在于，所述牙齿形状特征表示为：其中：其中：其中，表示向量的拼接，W
mc1
为一维卷积，gather表示相邻三角面片的结构特征向量的聚合，W
mc2
为二维卷积，是空间描述模块的输...

【专利技术属性】
技术研发人员：夏泽洋，黄嘉伟，熊璟，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：