CN108491850A - 三维牙齿网格模型的特征点自动提取方法及装置 - Google Patents

三维牙齿网格模型的特征点自动提取方法及装置 Download PDF

Info

Publication number
CN108491850A
CN108491850A CN201810259427.1A CN201810259427A CN108491850A CN 108491850 A CN108491850 A CN 108491850A CN 201810259427 A CN201810259427 A CN 201810259427A CN 108491850 A CN108491850 A CN 108491850A
Authority
CN
China
Prior art keywords
model
tooth
characteristic point
dimensional
mesh model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810259427.1A
Other languages
English (en)
Other versions
CN108491850B (zh
Inventor
陈莉
唐人杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhengqi Oral Cavity Medical Treatment Technology Co Ltd
Original Assignee
Beijing Zhengqi Oral Cavity Medical Treatment Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhengqi Oral Cavity Medical Treatment Technology Co Ltd filed Critical Beijing Zhengqi Oral Cavity Medical Treatment Technology Co Ltd
Priority to CN201810259427.1A priority Critical patent/CN108491850B/zh
Publication of CN108491850A publication Critical patent/CN108491850A/zh
Application granted granted Critical
Publication of CN108491850B publication Critical patent/CN108491850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种三维牙齿网格模型的特征点自动提取方法及装置，涉及口腔技术领域，能够解决现有技术中人工提取三维牙齿网格模型特征点效率低的问题。方法包括：确定训练集中每个特征点在对应三维牙齿网格模型中的坐标；对同一牙齿同一特征点的坐标进行统计，确定出特征点在目标三维牙齿网格模型中的位置范围；利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置；当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置。本发明主要适用于为三维牙齿网格模型自动化提取特征点的场景中。

Description

三维牙齿网格模型的特征点自动提取方法及装置
技术领域
本发明涉及口腔技术领域，特别是涉及一种三维牙齿网格模型的特征点自动提取方法及装置。
背景技术
随着数字化医学的发展，口腔领域也逐渐进入数字化。当患者因为牙齿不整齐影响美观的时候，可以让医生利用数字化口腔技术为其提供一种合理的虚拟排牙方案，然后利用该排牙方案为其制作矫正器进行牙齿矫正。
在排牙等操作的过程中，往往需要先在三维牙齿网格模型中提取出用于排牙等操作的特征点，然后基于这些特征点进行排牙等操作。其中，在三维牙齿网格模型特征点提取领域，目前主要采用的是人工手动提取的方法，即由用户手动在给定的三维牙齿网格模型上通过点击确定特征点位置。然而，一套牙齿涉及上百个特征点，人工一个一个提取，效率极低。
发明内容
有鉴于此，本发明提供的三维牙齿网格模型的特征点自动提取方法及装置，其目的在于解决现有技术中人工提取三维牙齿网格模型特征点效率低的问题。
为了解决上述问题，本发明主要提供如下技术方案：
第一方面，本发明提供了一种三维牙齿网格模型的特征点自动提取方法，所述方法包括：
确定训练集中每个特征点在对应三维牙齿网格模型中的坐标，所述训练集包括至少一套已进行人工提取的牙齿的相关数据；
对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围，所述目标三维牙齿网格模型是与所述特征点对应的、待提取的三维牙齿网格模型；
利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置，所述第一模型是通过对所述训练集中的三维牙齿网格模型上每个点的点特征直方图进行训练而得；
当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，对所述二维图进行训练而得，所述特定牙齿是针对一个特征点确定出至少两个具体位置的牙齿。
第二方面，本发明提供了一种三维牙齿网格模型的特征点自动提取装置，所述装置包括：
第一确定单元，用于确定训练集中每个特征点在对应三维牙齿网格模型中的坐标，所述训练集包括至少一套已进行人工提取的牙齿的相关数据；
定位单元，用于对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围，所述目标三维牙齿网格模型是与所述特征点对应的、待提取的三维牙齿网格模型；
第二确定单元，用于利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置，所述第一模型是通过对所述训练集中的三维牙齿网格模型上每个点的点特征直方图进行训练而得；
第三确定单元，用于当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，对所述二维图进行训练而得，所述特定牙齿是针对一个特征点确定出至少两个具体位置的牙齿。
第三方面，本发明提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如第一方面所述的三维牙齿网格模型的特征点自动提取方法。
第四方面，本发明提供了一种三维牙齿网格模型的特征点自动提取装置，所述装置包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适于由所述处理器加载并执行如第一方面所述的三维牙齿网格模型的特征点自动提取方法。
借由上述技术方案，本发明提供的技术方案至少具有下列优点：
本发明提供的三维牙齿网格模型的特征点自动提取方法及装置，能够通过确定训练集(包括至少一套已进行人工提取的牙齿的相关数据)中每个特征点在对应三维牙齿网格模型中的坐标，并对同一牙齿同一特征点的坐标进行统计，先初步定位出特征点在目标三维牙齿网格模型(即待提取的三维牙齿网格模型)中的位置范围，然后依次通过由训练集中三维牙齿网格模型上每个点的点特征直方图训练而得的第一模型和由特定牙齿的三维牙齿网格模型投影至二维平面生成的二维图训练而得的第二模型从该位置范围中确定出唯一的具体位置。由此可知，本发明在进行特征点提取的整个过程中，都无需人工参与，能够实现自动化提取，效率相对较高。并且，对目标三维牙齿网格模型中特征点位置的确定是通过对已有的至少一套人工提取的牙齿相关数据进行分析而得，因此提取结果也符合人们的需求。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种三维牙齿网格模型的特征点自动提取方法的流程图；
图2示出了本发明实施例提供的一种特征点位置范围示例图；
图3示出了本发明实施例提供的一种卷积神经网络结构示意图；
图4示出了本发明实施例提供的另一种三维牙齿网格模型的特征点自动提取方法的流程图；
图5示出了本发明实施例提供的一种三维牙齿网格模型的特征点自动提取装置的组成框图；
图6示出了本发明实施例提供的另一种三维牙齿网格模型的特征点自动提取装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种三维牙齿网格模型的特征点自动提取方法，如图1所示，所述方法包括：
101、确定训练集中每个特征点在对应三维牙齿网格模型中的坐标。
其中，所述训练集包括至少一套已进行人工提取的牙齿的相关数据，所述相关数据包括各个特征点在所属颌部的整颌部坐标系下的坐标以及整颌部的三维牙齿网格模型。也就是说，医生可以收集已经人工提取好特征点的多套牙齿相关数据，并将这些数据导入到本发明实施例的三维牙齿网格模型的特征点自动提取装置中，以便由本发明实施例的装置对这些数据进行分析、运算，将特征点在整颌部坐标系下的坐标转换到在对应三维牙齿网格模型下的坐标。其中，特征点对应的三维牙齿网格模型是指训练集中特征点所属牙齿的三维牙齿网格模型，也就是说，该三维牙齿网格模型是提取有特征点的三维牙齿网格模型。
102、对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围。
其中，所述目标三维牙齿网格模型是与所述特征点对应的、待提取的三维牙齿网格模型。由于医生在不同套牙齿的同一牙齿上提取的同一特征点的位置可能存在差异，所以在获得多个同一特征点在对应三维牙齿网格模型中的坐标后，可以对这些坐标进行统计，得出一个位置范围，并确定当需要在目标三维牙齿网格模型上提取出该特征点时，该特征点的位置不会超出该位置范围，因此可以在目标三维牙齿网格模型上定位出该位置范围，实现特征点的粗略定位，以便后续再从该位置范围中定位出具体的位置。
具体的，同一牙齿同一特征点的多个坐标符合正态分布，可以采用(μ-3σ,μ+3σ)构成的椭球范围和对应三维牙齿网格模型的交集作为特征点的位置范围。在不同三维牙齿网格模型上定位出的位置范围可以如图2所示。
103、利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置。
其中，所述第一模型是通过对所述训练集中的三维牙齿网格模型上每个点的点特征直方图进行训练而得，即所述第一模型是使用某点的点特征直方图作为输入，输出该点为特征点概率的支持向量回归(即SVR支持向量机)模型。支持向量机是一种用于解决小样本、非线性高维数据的监督学习模型。在通过点特征直方图方法提取出三维牙齿网格模型上某点的局部特征后，为了将该点分类为是特征点和不是特征点，故需要通过支持向量机对点特征直方图进行分类。通过点特征直方图方法对数据集三维牙齿网格模型中每个点计算特征向量后，根据该点是否为特征点为其赋予不同的值作为支持向量机SVR的输入，之后SVR通过对输入数据进行回归拟合，得到三维牙齿网格模型上任意一点的特征向量和该点是否为特征点之间的回归关系。之后实际应用时，只需输入三维牙齿网格模型上一点的特征向量，SVR支持向量机即可输出该点为所求特征点的概率，该概率较高时即可判定该点为所求特征点。也就是说，当基于支持向量回归算法训练出第一模型后，可以将上述步骤102中的位置范围中每个位置输入到该第一模型中，以确定各个位置是相应特征点的概率，并取概率最高的位置作为该特征点在目标三维牙齿网格模型中的具体位置。
确定某一点p的点特征直方图的具体算法可以如下：
(1)对p点计算其所在位置的法向量n。
其中，所在位置是指p点在三维牙齿网格模型中的坐标。
(2)对p点选取其k邻域，对k邻域中的每两个点pj1和pj2，取pj1和pj2中该点处法向量和到另一点向量点积较小者为起点ps，另一点为终点pt。
具体代码可以为：
if nj1·(pj2-pj1)≤nj2·(pj1-pj2)
then ps＝pj1,pt＝pj2,ns＝nj1,nt＝nj2
else ps＝pj2,pt＝pj1,ns＝nj2,nt＝nj1
(3)通过ps和pt建立Darboux坐标系<u,v,w>。
具体为：
(4)根据ps和pt计算4个特征，并根据这4个特征构建点特征直方图。
f0＝<v,nt>
f1＝|pt-ps|
f2＝<u,ps-pt>/fi
f3＝atan(<w,nt>,<u,nt>)
由于上述步骤101-103都是通过牙齿表面特征确定特征点位置的，而患者磨牙使用程度不一，磨损情况不同，所以仅使用表面特征无法精确计算出磨牙“边缘嵴中点”等特征点所在位置，因此通过步骤103确定出的具体位置可能会存在多个，而无法精确定位出磨牙“边缘嵴中点”等特征点。在这种情况下，需要做进一步定位，具体方法如下述步骤104：
104、当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置。
其中，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，对所述二维图进行训练而得，所述特定牙齿是针对一个特征点确定出至少两个具体位置的牙齿，且所述第二模型可以是利用卷积神经网络(Convolutional NeuralNetwork，CNN)算法训练的模型。所述特定牙齿包括磨牙，利用所述第一模型确定出至少两个具体位置的特征点包括磨牙的边缘嵴中点。
具体的，卷积神经网络是一种前馈神经网络，可应用于图像识别领域，在第二模型中使用的卷积神经网络，使用特定牙齿的三维牙齿网格模型在水平方向上投影成的二维图像作为输入层，输出层为特征点在水平方向上投影坐标。该卷积神经网络结构设计为输入层即为特定牙齿的三维牙齿网格模型在水平方向上投影成的二维图像，之后经过三层卷积层及三层池化层，最后经过两层全连接层输出特征点的坐标，网络结构如图3所示。其中，损失函数loss采用均方误差，即
将训练集中三维牙齿网格模型在水平方向上投影成的二维图像及其特征点在水平方向上位置作为卷积神经网络的训练数据进行训练，即可得到第二模型。之后在实际应用时，只需输入三维牙齿网格模型在水平方向上投影成的二维图像，卷积神经网络模型即可输出特征点在水平方向上的位置，从而确定出特征点的唯一位置。
本发明实施例提供的三维牙齿网格模型的特征点自动提取方法，能够通过确定训练集(包括至少一套已进行人工提取的牙齿的相关数据)中每个特征点在对应三维牙齿网格模型中的坐标，并对同一牙齿同一特征点的坐标进行统计，先初步定位出特征点在目标三维牙齿网格模型(即待提取的三维牙齿网格模型)中的位置范围，然后依次通过由训练集中三维牙齿网格模型上每个点的点特征直方图训练而得的第一模型和由特定牙齿的三维牙齿网格模型投影至二维平面生成的二维图训练而得的第二模型从该位置范围中确定出唯一的具体位置。由此可知，本发明在进行特征点提取的整个过程中，都无需人工参与，能够实现自动化提取，效率相对较高。并且，对目标三维牙齿网格模型中特征点位置的确定是通过对已有的至少一套人工提取的牙齿相关数据进行分析而得，因此提取结果也符合人们的需求。
进一步的，依据图1所示的方法，本发明的另一个实施例还提供了三维牙齿网格模型的特征点自动提取方法，如图4所示，所述方法包括：
201、提取训练集中每颗三维牙齿网格模型的特征向量。
具体的，可以通过主成分分析法提取训练集中每颗三维牙齿网格模型的特征向量。
202、根据所述特征向量，为对应的三维牙齿网格模型建立坐标系，获得每颗三维牙齿网格模型的牙齿坐标系。
在获得每颗三维牙齿网格模型的特征向量后，可以根据提取出的特征向量为每颗三维牙齿网格模型建立统一的坐标轴(例如均建立X、Y、Z轴)，并根据整个颌部的位置信息对每颗三维牙齿网格模型的坐标轴方向进行统一，得到统一的牙齿坐标系，以便在牙齿坐标系中确定特征点的位置。
203、分别针对每套牙齿，从所述训练集中获取每个特征点在整颌部坐标系下的坐标，并根据特征点在所述整颌部坐标系下的坐标，计算出在对应牙齿坐标系下的坐标。
由于训练集中包含的是每个特征点在整个颌部下的坐标，且不同套牙齿的颌部存在差异、牙齿在颌部中的位置存在差异，所以特征点在不同颌部下的位置差异更大，所以依据特征点在整颌部坐标系下的坐标直接在目标三维牙齿网格模型中定位特征点，误差较大。但是，针对每颗牙齿而言，不同套牙齿的同一牙齿上的特征点位置往往差异较小，所以可以根据牙齿坐标系来定位特征点。由此可知，在为每颗三维牙齿网格模型建立牙齿坐标系后，可以将特征点在整颌部坐标系下的坐标转换到在对应牙齿坐标下的坐标，以便根据牙齿坐标系下的坐标进行特征点定位、提取操作。
其中，坐标转换的公式可以为：
其中，(x,y,z)为特征点在整颌部坐标系下的坐标，(cx,cy,cz)为该特征点所在牙齿重心在整颌部坐标系下的坐标，xCor,yCor,zCor分别为牙齿坐标系中的三个坐标轴在整颌部坐标系下的坐标。
204、根据三维牙齿网格模型的大小对特征点在牙齿坐标系下的坐标进行归一化处理，获得每个特征点在对应三维牙齿网格模型中的坐标。
由于不同套牙齿的同一牙齿大小存在差异，所以直接使用绝对坐标作为特征点所在坐标会导致结果不准确，为了使得坐标系更加统一，可以根据三维牙齿网格模型的大小对特征点在牙齿坐标系下的坐标进行归一化处理，将归一化处理后的坐标作为特征点在三维牙齿网格模型中的坐标。
其中，归一化处理的公式可以为：
其中，(x′,y′,z′)为特征点在其所在牙齿坐标系下的绝对坐标，xmin、xmax、ymin、ymax、zmin、zmax为x′、y′、z′的最值，(x″,y″,z″)为归一化后的特征点在其所在牙齿坐标系下的相对坐标。
205、对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围。
206、利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置。
207、当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置。
进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种三维牙齿网格模型的特征点自动提取装置，如图5所示，所述装置主要包括：
第一确定单元31，用于确定训练集中每个特征点在对应三维牙齿网格模型中的坐标，所述训练集包括至少一套已进行人工提取的牙齿的相关数据；
定位单元32，用于对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围，所述目标三维牙齿网格模型是与所述特征点对应的、待提取的三维牙齿网格模型；
第二确定单元33，用于利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置，所述第一模型是通过对所述训练集中的三维牙齿网格模型上每个点的点特征直方图进行训练而得；
第三确定单元34，用于当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，对所述二维图进行训练而得，所述特定牙齿是针对一个特征点确定出至少两个具体位置的牙齿。
可选的，如图6所示，所述第一确定单元31包括：
提取模块311，用于提取所述训练集中每颗三维牙齿网格模型的特征向量；
建立模块312，用于根据所述特征向量，为对应的三维牙齿网格模型建立坐标系，获得每颗三维牙齿网格模型的牙齿坐标系；
计算模块313，用于分别针对每套牙齿，从所述训练集中获取每个特征点在整颌部坐标系下的坐标，并根据特征点在所述整颌部坐标系下的坐标，计算出在对应牙齿坐标系下的坐标；
处理模块314，用于根据三维牙齿网格模型的大小对特征点在牙齿坐标系下的坐标进行归一化处理，获得每个特征点在对应三维牙齿网格模型中的坐标。
可选的，所述第一模型是使用某点的点特征直方图作为输入，输出所述点为特征点概率的支持向量回归模型；
和/或，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，通过卷积神经网络对所述二维图进行训练得到的模型。
可选的，所述特定牙齿包括磨牙，利用所述第一模型确定出至少两个具体位置的特征点包括磨牙的边缘嵴中点。
可选的，所述第二模型是在将所述特定牙齿的三维牙齿网格模型投影到水平面上，获得二维的灰度图后，对所述二维的灰度图进行训练而得。
本发明实施例提供的三维牙齿网格模型的特征点自动提取装置，能够通过确定训练集(包括至少一套已进行人工提取的牙齿的相关数据)中每个特征点在对应三维牙齿网格模型中的坐标，并对同一牙齿同一特征点的坐标进行统计，先初步定位出特征点在目标三维牙齿网格模型(即待提取的三维牙齿网格模型)中的位置范围，然后依次通过由训练集中三维牙齿网格模型上每个点的点特征直方图训练而得的第一模型和由特定牙齿的三维牙齿网格模型投影至二维平面生成的二维图训练而得的第二模型从该位置范围中确定出唯一的具体位置。由此可知，本发明在进行特征点提取的整个过程中，都无需人工参与，能够实现自动化提取，效率相对较高。并且，对目标三维牙齿网格模型中特征点位置的确定是通过对已有的至少一套人工提取的牙齿相关数据进行分析而得，因此提取结果也符合人们的需求。
本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上所述的三维牙齿网格模型的特征点自动提取方法。
存储介质可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供的存储介质中存储的指令，能够通过确定训练集(包括至少一套已进行人工提取的牙齿的相关数据)中每个特征点在对应三维牙齿网格模型中的坐标，并对同一牙齿同一特征点的坐标进行统计，先初步定位出特征点在目标三维牙齿网格模型(即待提取的三维牙齿网格模型)中的位置范围，然后依次通过由训练集中三维牙齿网格模型上每个点的点特征直方图训练而得的第一模型和由特定牙齿的三维牙齿网格模型投影至二维平面生成的二维图训练而得的第二模型从该位置范围中确定出唯一的具体位置。由此可知，本发明在进行特征点提取的整个过程中，都无需人工参与，能够实现自动化提取，效率相对较高。并且，对目标三维牙齿网格模型中特征点位置的确定是通过对已有的至少一套人工提取的牙齿相关数据进行分析而得，因此提取结果也符合人们的需求。
本发明实施例提供了一种三维牙齿网格模型的特征点自动提取装置，所述装置包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适于由所述处理器加载并执行如上所述的三维牙齿网格模型的特征点自动提取方法。
处理器中包含内核，由内核去存储介质中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现自动化提取三维牙齿网格模型的特征点，提高提取的效率。
本发明实施例提供的三维牙齿网格模型的特征点自动提取装置，能够通过确定训练集(包括至少一套已进行人工提取的牙齿的相关数据)中每个特征点在对应三维牙齿网格模型中的坐标，并对同一牙齿同一特征点的坐标进行统计，先初步定位出特征点在目标三维牙齿网格模型(即待提取的三维牙齿网格模型)中的位置范围，然后依次通过由训练集中三维牙齿网格模型上每个点的点特征直方图训练而得的第一模型和由特定牙齿的三维牙齿网格模型投影至二维平面生成的二维图训练而得的第二模型从该位置范围中确定出唯一的具体位置。由此可知，本发明在进行特征点提取的整个过程中，都无需人工参与，能够实现自动化提取，效率相对较高。并且，对目标三维牙齿网格模型中特征点位置的确定是通过对已有的至少一套人工提取的牙齿相关数据进行分析而得，因此提取结果也符合人们的需求。
本申请还提供了一种计算机程序产品，当在三维牙齿网格模型的特征点自动提取装置上执行时，适于执行初始化有如下方法步骤的程序代码：
确定训练集中每个特征点在对应三维牙齿网格模型中的坐标，所述训练集包括至少一套已进行人工提取的牙齿的相关数据；
对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围，所述目标三维牙齿网格模型是与所述特征点对应的、待提取的三维牙齿网格模型；
利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置，所述第一模型是通过对所述训练集中的三维牙齿网格模型上每个点的点特征直方图进行训练而得；
当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，对所述二维图进行训练而得，所述特定牙齿是针对一个特征点确定出至少两个具体位置的牙齿。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种三维牙齿网格模型的特征点自动提取方法，其特征在于，所述方法包括：
确定训练集中每个特征点在对应三维牙齿网格模型中的坐标，所述训练集包括至少一套已进行人工提取的牙齿的相关数据；
对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围，所述目标三维牙齿网格模型是与所述特征点对应的、待提取的三维牙齿网格模型；
利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置，所述第一模型是通过对所述训练集中的三维牙齿网格模型上每个点的点特征直方图进行训练而得；
当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，对所述二维图进行训练而得，所述特定牙齿是针对一个特征点确定出至少两个具体位置的牙齿。
2.根据权利要求1所述的方法，其特征在于，确定训练集中每个特征点在对应三维牙齿网格模型中的坐标包括：
提取所述训练集中每颗三维牙齿网格模型的特征向量；
根据所述特征向量，为对应的三维牙齿网格模型建立坐标系，获得每颗三维牙齿网格模型的牙齿坐标系；
分别针对每套牙齿，从所述训练集中获取每个特征点在整颌部坐标系下的坐标，并根据特征点在所述整颌部坐标系下的坐标，计算出在对应牙齿坐标系下的坐标；
根据三维牙齿网格模型的大小对特征点在牙齿坐标系下的坐标进行归一化处理，获得每个特征点在对应三维牙齿网格模型中的坐标。
3.根据权利要求1所述的方法，其特征在于，所述第一模型是使用某点的点特征直方图作为输入，输出所述点为特征点概率的支持向量回归模型；
和/或，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，通过卷积神经网络对所述二维图进行训练得到的模型。
4.根据权利要求1所述的方法，其特征在于，所述特定牙齿包括磨牙，
利用所述第一模型确定出至少两个具体位置的特征点包括磨牙的边缘嵴中点。
5.根据权利要求1所述的方法，其特征在于，将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图包括：
将所述特定牙齿的三维牙齿网格模型投影到水平面上，获得二维的灰度图。
6.一种三维牙齿网格模型的特征点自动提取装置，其特征在于，所述装置包括：
第一确定单元，用于确定训练集中每个特征点在对应三维牙齿网格模型中的坐标，所述训练集包括至少一套已进行人工提取的牙齿的相关数据；
定位单元，用于对同一牙齿同一特征点的坐标进行统计，定位出特征点在目标三维牙齿网格模型中的位置范围，所述目标三维牙齿网格模型是与所述特征点对应的、待提取的三维牙齿网格模型；
第二确定单元，用于利用第一模型，从所述位置范围中确定出特征点在所述目标三维牙齿网格模型中的具体位置，所述第一模型是通过对所述训练集中的三维牙齿网格模型上每个点的点特征直方图进行训练而得；
第三确定单元，用于当利用所述第一模型确定出的某一特征点的具体位置存在至少两个时，利用第二模型，从至少两个具体位置中确定出所述某一特征点的唯一位置，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，对所述二维图进行训练而得，所述特定牙齿是针对一个特征点确定出至少两个具体位置的牙齿。
7.根据权利要求6所述的装置，其特征在于，所述第一确定单元包括：
提取模块，用于提取所述训练集中每颗三维牙齿网格模型的特征向量；
建立模块，用于根据所述特征向量，为对应的三维牙齿网格模型建立坐标系，获得每颗三维牙齿网格模型的牙齿坐标系；
计算模块，用于分别针对每套牙齿，从所述训练集中获取每个特征点在整颌部坐标系下的坐标，并根据特征点在所述整颌部坐标系下的坐标，计算出在对应牙齿坐标系下的坐标；
处理模块，用于根据三维牙齿网格模型的大小对特征点在牙齿坐标系下的坐标进行归一化处理，获得每个特征点在对应三维牙齿网格模型中的坐标。
8.根据权利要求6所述的装置，其特征在于，所述第一模型是使用某点的点特征直方图作为输入，输出所述点为特征点概率的支持向量回归模型；
和/或，所述第二模型是在将特定牙齿的三维牙齿网格模型投影至二维平面生成二维图后，通过卷积神经网络对所述二维图进行训练得到的模型。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求5中任意一项所述的三维牙齿网格模型的特征点自动提取方法。
10.一种三维牙齿网格模型的特征点自动提取装置，其特征在于，所述装置包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适于由所述处理器加载并执行如权利要求1至权利要求5中任意一项所述的三维牙齿网格模型的特征点自动提取方法。
CN201810259427.1A 2018-03-27 2018-03-27 三维牙齿网格模型的特征点自动提取方法及装置 Active CN108491850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810259427.1A CN108491850B (zh) 2018-03-27 2018-03-27 三维牙齿网格模型的特征点自动提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810259427.1A CN108491850B (zh) 2018-03-27 2018-03-27 三维牙齿网格模型的特征点自动提取方法及装置

Publications (2)

Publication Number Publication Date
CN108491850A true CN108491850A (zh) 2018-09-04
CN108491850B CN108491850B (zh) 2020-04-10

Family

ID=63316568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810259427.1A Active CN108491850B (zh) 2018-03-27 2018-03-27 三维牙齿网格模型的特征点自动提取方法及装置

Country Status (1)

Country Link
CN (1) CN108491850B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111265317A (zh) * 2020-02-10 2020-06-12 上海牙典医疗器械有限公司 一种牙齿正畸过程预测方法
WO2020181972A1 (zh) * 2019-03-14 2020-09-17 杭州朝厚信息科技有限公司 利用人工神经网络产生表示目标牙齿布局的数字数据集的方法及计算机系统
CN112807108A (zh) * 2021-01-27 2021-05-18 清华大学 一种正畸矫治过程中的牙齿矫治状态的检测方法
CN113194872A (zh) * 2018-12-17 2021-07-30 株式会社森田制作所 识别装置、扫描仪系统、识别方法以及识别用程序
CN113728363A (zh) * 2019-02-06 2021-11-30 3 形状股份有限公司 基于目标函数生成牙科模型的方法
WO2023198099A1 (zh) * 2022-04-12 2023-10-19 先临三维科技股份有限公司 基于人工智能的口腔检测方法、装置、电子设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3118698B1 (fr) * 2021-01-12 2024-05-31 Dental Monitoring Procede de caracterisation d’un organe intraoral

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008045997A2 (en) * 2006-10-11 2008-04-17 Leica Geosystems Ag Feature extraction from stereo imagery
US20090291417A1 (en) * 1999-11-30 2009-11-26 Rubbert Ruedger Interactive orthodontic care system based on intra-oral scanning of teeth
CN104978764A (zh) * 2014-04-10 2015-10-14 华为技术有限公司 三维人脸网格模型处理方法和设备
CN105726142A (zh) * 2016-02-01 2016-07-06 北京正齐口腔医疗技术有限公司 自动化模拟排牙的方法及装置
EP2349062B1 (en) * 2008-09-19 2017-05-17 3M Innovative Properties Company Methods and systems for determining the positions of orthodontic appliances
CN107564094A (zh) * 2017-08-02 2018-01-09 杭州美齐科技有限公司 一种基于局部坐标的牙齿模型特征点自动识别算法
CN107689049A (zh) * 2016-08-03 2018-02-13 佛山市诺威科技有限公司 一种牙齿预备体修复模型特征线提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090291417A1 (en) * 1999-11-30 2009-11-26 Rubbert Ruedger Interactive orthodontic care system based on intra-oral scanning of teeth
WO2008045997A2 (en) * 2006-10-11 2008-04-17 Leica Geosystems Ag Feature extraction from stereo imagery
EP2349062B1 (en) * 2008-09-19 2017-05-17 3M Innovative Properties Company Methods and systems for determining the positions of orthodontic appliances
CN104978764A (zh) * 2014-04-10 2015-10-14 华为技术有限公司 三维人脸网格模型处理方法和设备
CN105726142A (zh) * 2016-02-01 2016-07-06 北京正齐口腔医疗技术有限公司 自动化模拟排牙的方法及装置
CN107689049A (zh) * 2016-08-03 2018-02-13 佛山市诺威科技有限公司 一种牙齿预备体修复模型特征线提取方法
CN107564094A (zh) * 2017-08-02 2018-01-09 杭州美齐科技有限公司 一种基于局部坐标的牙齿模型特征点自动识别算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YOUNG-SEOK PARK ETAL.: ""The three-dimensional relationship on a virtual model between the maxillary anterior teeth and incisive papilla"", 《THE JOURNAL OF PROSTHETIC DENTISTRY》 *
何嘉琪: ""口腔正畸计划中牙齿特征提取和咬合评价方法研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113194872A (zh) * 2018-12-17 2021-07-30 株式会社森田制作所 识别装置、扫描仪系统、识别方法以及识别用程序
US12002271B2 (en) 2018-12-17 2024-06-04 J. Morita Mfg. Corp. Identification device, scanner system, and identification method
CN113728363A (zh) * 2019-02-06 2021-11-30 3 形状股份有限公司 基于目标函数生成牙科模型的方法
WO2020181972A1 (zh) * 2019-03-14 2020-09-17 杭州朝厚信息科技有限公司 利用人工神经网络产生表示目标牙齿布局的数字数据集的方法及计算机系统
CN111696068A (zh) * 2019-03-14 2020-09-22 杭州朝厚信息科技有限公司 利用人工神经网络产生表示目标牙齿布局的数字数据集的方法及计算机系统
CN111265317A (zh) * 2020-02-10 2020-06-12 上海牙典医疗器械有限公司 一种牙齿正畸过程预测方法
CN112807108A (zh) * 2021-01-27 2021-05-18 清华大学 一种正畸矫治过程中的牙齿矫治状态的检测方法
CN112807108B (zh) * 2021-01-27 2022-03-01 清华大学 一种正畸矫治过程中的牙齿矫治状态的检测方法
WO2023198099A1 (zh) * 2022-04-12 2023-10-19 先临三维科技股份有限公司 基于人工智能的口腔检测方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN108491850B (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN108491850A (zh) 三维牙齿网格模型的特征点自动提取方法及装置
CN107609459B (zh) 一种基于深度学习的人脸识别方法及装置
US20210264611A1 (en) Deep learning for tooth detection and evaluation
CN110322512A (zh) 结合小样本实例分割和三维匹配的物体位姿估计方法
CN104134234B (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN109033940B (zh) 一种图像识别方法、装置、计算设备及存储介质
CN108492343A (zh) 一种扩充目标识别的训练数据的图像合成方法
CN106030661B (zh) 视野独立的3d场景纹理化背景
CN109378052B (zh) 图像标注的预处理方法及系统
Hurtut et al. Appearance-guided synthesis of element arrangements by example
CN110322510A (zh) 一种利用轮廓信息的6d位姿估计方法
CN110472534A (zh) 基于rgb-d数据的3d目标检测方法、装置、设备和存储介质
CN108629838B (zh) 三维牙冠网格模型的孔洞修补方法及装置
CN105761252A (zh) 图像分割的方法及装置
CN109815865A (zh) 一种基于虚拟水尺的水位识别方法及系统
CN112669454B (zh) 一种用于数字工厂的三维场景构建方法、系统、装置和存储介质
CN109448112B (zh) 三维模型库的建立方法及装置
CN110189300A (zh) 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器
CN108509631B (zh) 一种基于刺绣纹饰的图形特征识别和再设计方法
CN110349159A (zh) 基于权重能量自适应分布的三维形状分割方法及系统
CN108241662A (zh) 数据标注的优化方法及装置
CN115471663A (zh) 基于深度学习的三阶段牙冠分割方法、装置、终端及介质
KR102078547B1 (ko) 변연선을 제공하는 변연선 자동 설정 방법, 변연선 자동 설정 장치 및 기록매체
CN110378999A (zh) 训练样本中目标物体的目标框标注方法、装置及存储介质
CN103793714B (zh) 多分类识别器生成装置及其方法、数据识别装置及其方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant