CN109528323A - 一种基于人工智能的正畸方法及装置 - Google Patents

Abstract

本发明提供了一种基于人工智能的正畸方法及装置，所述方法包括获取标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；根据所述正畸方案，结合所述标注口腔CT影像数据得到的牙齿三维数字化模型得到可打印的牙列模型；基于所述牙列模型制作矫治器。本发明使用了多种机器学习模型，实现了从牙齿三维数字化获取到模型制造全过程的自动化，不易受到医生个人的主观影响，还能够提高诊疗效率。

Description

一种基于人工智能的正畸方法及装置

技术领域

本发明涉及牙齿矫治技术领域，尤其涉及一种基于人工智能的正畸方法及装置。

背景技术

口腔疾病是一种常见的多发性疾病。据世界卫生组织统计，错颌畸形已经成为三大口腔疾病(龋齿、牙周病和错颌畸形)之一。牙齿畸形对口腔健康、口腔功能、颌面骨骼的发育及外貌都有很大的影响。口腔正畸学已被认为是口腔保健治疗中的一个必不可少的重要部分。口腔正畸是针对牙齿排列畸形或错颌，利用弓丝、托槽等组成的固定矫治器械，或者牙套等隐形可摘式矫治器械，对牙齿施加三维矫治力和力矩，调整颜面骨骼、牙齿和颌面肌肉三者间的平衡和协调，经过一段时间的矫治后改善面型、排齐牙列并提高咀嚼效能。传统的正畸治疗主要依靠医生的经验制定矫治方案。

在治疗方案确定前，手动排牙实验可以帮助正畸医生预计正畸治疗所涉及的治疗过程，并且告知患者可能涉及到的牙齿移动和最终治疗效果。手动排牙过程的主要缺点在于需对每颗牙齿进行单独操作，自动化程度低，排牙效率也较低，并且消耗大量材料，可观性不强，患者难以明确了解正畸的效果。

随着计算机图像技术和机器学习技术的发展，自动化的正畸治疗正在快速发展。为了获取正畸治疗所需的牙齿三维模型数据，现有技术中通常需要依托于专业的3D扫描设备获取牙齿的影像数据，3D扫描设备价格昂贵，影像数据的获取成本过高，必然增加医疗机构和用户的负担；而具备高普适度并且成本相对较低的CT影像的准确度不高，难以基于CT影像获取准确的三维模型数据，还需要依托于人工干预。

进一步地，现有技术中的人工正畸方案受限于医生的专业素养，因此，正畸方案的效果难以保证，并且无法以动态影像的形式展现给用户，也不利于用户了解正畸过程。

发明内容

本发明提出了一种基于人工智能的正畸方法及装置，具体包括下述内容：

一种基于人工智能的正畸方法，包括：

获取标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；

将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；

根据所述正畸方案，结合所述标注口腔CT影像数据得到的牙齿三维数字化模型得到可打印的牙列模型；

基于所述牙列模型制作矫治器。

优选的，若标注口腔CT影像数据满足预设清晰度要求，所获得的牙齿三维数字化模型与真实牙冠表面误差满足预设精度要求，直接用于可打印牙列的建模，否则，通过三维取模获取牙冠外表面模型取模获取牙冠外表面模型以得到可打印的牙列模型。

优选的，所述正畸方案包括正畸过程被划分的阶段、

不同阶段发生正畸移动的牙齿编号、

以及不同阶段进行的正畸治疗措施，每个正畸阶段包括一个或多个治疗措施。

优选的，通过一个编码序列表示整个正畸治疗方案，所述编码序列中的一个编码元素即为一个治疗措施，每个编码元素包括16位数字以对应单颌的16颗牙齿，每位数字用于表示其相应的牙齿的处理方式。

优选的，使用预设机器学习模型进行训练以得到第二生成器；预设机器学习模型包括两层卷积层、两层池化层、两层全连接层和一层输出层的神经网络机器学习模型；

第二生成器的训练集包括两部分内容，第一部分为正畸前的标注口腔 CT影像数据，第二部分为所述正畸前的标注口腔CT影像数据对应的以编码形式表示的正畸方案；在训练中调整所述预设机器学习模型的模型参数直至能够对任意正畸前的标注口腔CT影像数据输出合理的以编码形式表示的正畸方案为止。

优选的，还包括：

将所述牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果，所述预测结果以动画形式展示。

优选的，第三生成器的训练方法包括：

获取训练数据，所述训练数据包括牙齿三维数字化模型、对应的编码形式的正畸方案、正畸方案每个阶段的移动数据以及每个阶段完成所需的时间；

根据所述训练数据训练预设神经网络以得到第三生成器，所述第三生成以牙齿三维数字化模型和对应的编码形式的正畸方案为输入，以正畸方案每个阶段的移动数据以及每个阶段完成所需的时间为输出。

一种基于人工智能的正畸装置，包括：

标注口腔CT影像数据获取模块，用于获取标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；所述标注口腔CT影像数据通过将原始口腔CT影像数据输入预先训练好的第一生成器而得到；

正畸方案获取模块，用于将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；

可打印的牙列模型获取模块，用于根据所述正畸方案，结合所述标注口腔CT影像数据得到的牙齿三维数字化模型得到可打印的牙列模型；

矫治器制作模块，用于基于所述牙列模型制作矫治器。

优选的，还包括：

预测模块，用于将所述牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果，所述预测结果以动画形式展示。

优选的，还包括：

第二生成器训练模块，用于使用预设机器学习模型进行训练以得到第二生成器；

第三生成器训练模块，用于训练第三生成器，所述第三生成器训练模块包括：

训练数据单元，用于获取训练数据，所述训练数据包括牙齿三维数字化模型、对应的编码形式的正畸方案、正畸方案每个阶段的移动数据以及每个阶段完成所需的时间；

训练单元，用于根据所述训练数据训练预设神经网络以得到第三生成器，所述第三生成以牙齿三维数字化模型和对应的编码形式的正畸方案为输入，以正畸方案每个阶段的移动数据以及每个阶段完成所需的时间为输出。

本发明提供的一种基于人工智能的正畸方法及装置，使用了多种机器学习模型，实现了从牙齿三维数字化获取、正畸方案生成到模型制造全过程的自动化，从而替代或部分替代医师的判断和决策过程。相对于现有技术本发明不易受到医生个人的主观影响，还能够提高诊疗效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本说明书实施例提供的种基于机器学习的牙齿三维数字化获取方法流程图；

图2是本说明书实施例提供的第一生成器的训练方法流程图；

图3是本说明书实施例提供的半自动化的标注方法流程图；

图4是本说明书实施例提供的一种基于人工智能的正畸方案自动规划方法流程图；

图5(a)是本说明书实施例提供的上牙正畸前的原始状态示意图；

图5(b)是本说明书实施例提供的上牙正畸沿牙弓方向排齐的操作示意图；

图5(c)是本说明书实施例提供的上牙正畸第二阶段推磨牙向后的操作示意图；

图5(d)是本说明书实施例提供的上牙综合调整排齐(多个操作同时出现)的操作示意图；

图5(e)是本说明书实施例提供的上牙前牙内收操作示意图；

图5(f)是本说明书实施例提供的上牙整体微调排齐操作示意图；

图6(a)是本说明书实施例提供的下牙正畸前的原始状态示意图；

图6(b)是本说明书实施例提供的下牙前牙内收排齐的操作示意图；

图6(c)是本说明书实施例提供的下牙后牙内收排齐的操作示意图；

图6(d)是本说明书实施例提供的下牙推磨牙向后与排齐操作示意图；

图6(e)是本说明书实施例提供的下牙沿牙弓排齐操作示意图；

图6(f)是本说明书实施例提供的下牙整体微调排齐操作示意图；

图7是本说明书实施例提供的两层神经网络的结构示意图；

图8是本说明书实施例提供的制作隐形矫治所需要的无托槽矫治器方法流程图；

图9是本说明书实施例提供的一种基于人工智能的正畸装置框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

口腔CT影像数据具有成本低，易获取等优势，但是相比于专业的口腔 3D打印设备其影像数据的精度不高，难以基于口腔CT影像数据直接得到牙齿三维数字化模型，这也是口腔CT影像数据难以大规模使用的原因，为了基于口腔CT影像数据得到高精度的牙齿三维数字化模型，本发明实施例提供一种基于机器学习的牙齿三维数字化获取方法，如图1所示，所述方法包括：

S101.获取原始口腔CT影像数据。

原始口腔CT影像数据包含了完整的牙齿信息(包括整体牙根与牙冠)。

S103.将所述原始口腔CT影像数据输入预先训练好的第一生成器，以得到标注口腔CT影像数据。

具体地，所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域。圈出的区域标注出相应牙齿编号，非牙齿区域置为0。

所述第一生成器为一种通过机器学习获得的具备图像标识功能的神经网络，所述第一生成器可以以原始口腔CT影像为输入，并输出对于原始口腔CT影像中牙齿区域的识别结果，所述识别结果以标注口腔CT影像数据的形式输出。所述第一生成器的训练过程将在下文详述。

在一个优选的实施方式中，在将原始口腔CT影像数据输入第一生成器之前，还可以对原始口腔CT影像数据对应的二维图像进行缩放处理和归一化处理。缩放处理指把图像缩放到某预先设定的大小(比如512*512)。归一化处理是指通过线性变换把像素数值归一化到标准数据范围(比如0-1 的数据范围)；相应的，对标注口腔CT影像数据中标识出的区域也进行缩放处理和归一化处理。

S105.根据所述标注口腔CT影像数据生成牙齿三维数字化模型。

所述标注口腔CT影像数据中记录了经过标记的牙齿信息，得到了牙齿的三维立体体素数据。该数据也可经过常见的面重建算法(比如移动立方体法)获得三维面数据，得到牙齿三维数字化模型。

本发明实施例提供了一种基于神经网络智能化从原始口腔CT影像数据中获取完整的牙齿三维数字化模型的方法。进一步地，在一种优选的实施方式中，还可以在得到的所述牙齿三维数字化模型中额外标注其它特征点或特征线，比如，如耳点位置，面型外轮廓等。

本发明实施例中具体使用GAN网络获取标注口腔CT影像数据。为了下文详述第一生成器的训练方法，本发明实施例首先对于GAN网络进行介绍。GAN的主要思想是利用生成器网络生成标注口腔CT影像数据对应的二维图像，再利用判别器网络判断该生成器生成的所述二维图像的真伪，如此循环直到判别器网络无法判断所述二维图像的真伪，具体体现在对任意一张输入的原始口腔CT影像数据，判别器网络给出的真伪的可能性都是 0.5，此时的生成器网络是本发明实施例所需要的，即为第一生成器，而判别器可以丢弃。即本发明实施例使用这个训练好的第一生成器获取标注口腔CT影像数据。

然而，在具体地GAN训练过程中，当网络层数达到一定的数目以后，网络的性能就会饱和，再增加网络的性能就会开始退化，训练精度和测试精度都在下降，为了保证训练精度，并且在网络深度增加的时候，时间和计算复杂度也不会急剧上升，保证快速收敛和避免梯度消失和梯度弥散现象，本发明实施例在生成器网络中嵌入残差网络。

残差网络使用跳跃结构来作为网络的基本结构，并通过跳跃结构把优化的目标由H(x)转化为H(x)-x，其中，H(x)＝F(x)+x，从而使得深网络在浅网络的基础上只要上面几层做一个等价映射就可以达到浅网络同样的效果，从而显著降低训练难度。

具体地，本发明实施例中的残差网络设计了多个残差块(residual block)，每个残差块中都包括卷积层(Conv)和归一化层(Batchnormlize)。残差块的数量在网络训练之前可根据任务的复杂度自行调整，任务复杂度越高，可以将其数量设计的越多。

在生成器网络中，输入原始口腔CT影像数据并输出标注口腔CT影像数据，所述生成器网络包括卷积层(Conv)、归一化层(Batchnormlize)、激活层(PReLU)，以及残差网络(N*residual block)。

具体地，本发明实施例提供一种第一生成器的训练方法，如图2所示，包括：

S10.获取训练数据，所述训练数据包括预存患者的原始口腔CT影像数据和所述原始口腔CT影像数据对应的标注口腔CT影像数据。

在一个可行的实施方式中，所述标注口腔CT影像数据由专业医生对于原始口腔CT影像数据进行人工手动标注而获得。

本实施例中专业医生按照齿科标准的牙位表示法对各个牙列进行标记。其中，牙位表示法是给每颗人类牙齿编号表示的方法；用十字符号将上下牙列分为上下左右四个区，右上区又称为A区，左上区又称为B区，右下区又称为C区，左下区又称为D区。常见的牙位表示法为FDI牙位表示法(数字标记法)，其中的每颗牙用2个阿拉伯数字记录；每颗牙用两位阿拉伯数字表示，第一位表示牙齿所在的象限：患者的右上、左上、左下、右下在恒牙为1、2、3、4，在乳牙为5、6、7、8；第二位表示牙齿的位置：从中门齿到第三臼齿为1-8；表1所示是以牙医的方位来看(左边对应患者的右侧)，但左、右的区分则反过来，以患者实际牙齿为准。

表1：

需要给予说明的是，一组标准的原始牙列模型为上颌16颗牙齿，下颌 16颗牙齿的模型。没有被识别为牙冠(牙齿空缺)的位置赋值为0；有识别为牙冠的位置，根据牙位表示法标记为相应的编号；同时进一步识别匹配出对应的牙列形状信息。

在另一个可行的实施方式中，还可以使用半自动化的方法得到标注口腔CT影像数据，所述半自动化的标注方法如图3所述，包括：

S01.基于原始口腔CT影像数据得到多张切片，进而得到三维坐标系的体素数据。

原始口腔CT影像数据上每一个点的像素数据称为三维空间的体素数据。

S02.获取分类阈值，所述分类阈值用于对体素数据进行分类。

S03.基于位置关系和所述分类阈值对所述体素数据进行分组。

具体地，基于相邻关系，对相邻且同类的体素数据归集为若干组。

S04.根据预设规则从所述分组结果中分析出独立牙齿区域。

具体地，所述预设规则包括：

a.参考牙齿的解剖结构，牙齿整体(不包含牙髓质等非骨性组织)的像素数值在较小的阈值区间内。或者说可分在一类之内。则一颗完整的牙齿必然在一组数据内。

b.相邻牙齿可能由于过于拥挤，归集在同组。

c.牙齿和牙槽骨组织可能由于密度相近，且有接触而归集在同组。

进一步地，对上述b,c的情况，需要分割获取独立牙齿区域。具体方法可以为：

1)通过面重建算法(比如移动立方体法等)，获得上述数据的三维面数据，并指定其牙齿编号。

2)使用对应编号的标准牙齿三维面数据进行匹配处理(比如采用ICP 匹配算法，或手工匹配调整)，把标准模型通过三维空间变换(包括平移变换，旋转变换，仿射变换等)变换到重建模型位置，得到预计的模型形态。

3)像素点不在匹配后模型范围内的可删除，获取独立牙齿区域。

S05.对所述独立牙齿区域进行标记。

相对上一个实施方式中由医生得到标注口腔CT影响数据的方法，本发明实施方式中不需要对几百张图片逐一标记。自动分析结果在阈值选择适当时可自动化绝大多数牙齿区域的获取。部分未识别牙齿也可通过较少的手动操作完成。

S20.将所述训练数据输入GAN网络，以对所述GAN网络中的生成器网络和判别器网络进行训练，直至所述判别器无法区分出生成器网络获取的标注口腔CT影像数据和由专业医生或基于半自动方法标注出的标注口腔CT影像数据。

在训练好的GAN网络中，将原始口腔CT影像数据输入生成器网络获取标注口腔影像数据后，所述判别器网络输入生成器网络输出的标注口腔 CT影像数据后判别所述标注口腔CT影像数据的真伪(生成器网络生成的标注口腔影像数据为假，由专业医生或基于半自动方法标注的标注口腔影像数据为真)，若判别器网络无法分辨真假，则此时的生成器网络即可作为第一生成器，本发明实施例中判别器网络与生成器网络具备相似结构。

S30.将训练后的生成器网络作为第一生成器。

在本发明实施例中第一生成器应用于获取标注口腔CT影像数据的优势是显而易见的。一份原始口腔CT影像数据有若干切片，一份切片有若干牙齿影像。采用手工方式需要几百张影像的标记处理工作，必须由相关专业经验和解剖知识的医生完成，非常繁复和耗费时间。即便是半自动方式，也需要选择适当的阈值数据，额外配合一些交互处理的工作，完成标注工作。采用人工智能模型——第一生成器，可智能化完成精确标记，减少对专业医生的依赖。

本发明实施例中提供了一种基于机器学习的牙齿三维数字化获取方法，能够基于第一生成器自动得到标注口腔影像数据，相较于专业口腔3D 打印设备降低了成本，并且基于机器学习提升了从CT影像数据中获取牙齿模型体素数据的精准度和自动化程度。

在获得牙齿三维数字化模型的基础上，即可获取牙齿正畸方案。牙齿正畸或矫正治疗是指通过一列医疗手段，逐渐调整牙齿的相对位置，排列正齐，调校咬合状态，以达到排列正齐，改善功能，美容面容的效果。正畸治疗多需要多个阶段，每个阶段解决一个或多个问题，逐步完成治疗效果。正畸治疗的多个阶段，综合形成一个完整治疗方案。本发明实施例提供一种基于人工智能的正畸方案自动规划方法，如图4所示，所述方法包括：

S201.获取标注口腔CT影像数据。

具体地，所述牙齿三维数字化模型可以由步骤S103获得，也可以有专业医生或基于半自动标注法获得。

S202.将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案。

具体地，所述正畸方案包括下述内容：

(1)正畸过程可划分的若干个阶段(数量)；

(2)不同阶段发生正畸移动的牙齿编号(部分牙齿移动，部分牙齿不移动)；

(3)不同阶段进行的正畸治疗措施(扩弓，内收，拔牙，中线排齐，微调排齐等)；具体地，每个阶段可以有多个治疗措施。

事实上，正畸方案可分为多个阶段，每个阶段可执行多个操作，每个操作可包含一颗或多颗牙齿。本发明实施例中可通过编码的方式，表示每一颗牙齿在每一个阶段的操作内容。如此可通过一个编码序列表示整个正畸治疗方案。通常单颌有16颗牙齿，可用16个数字表示。为方便说明，以下编号过程中对牙齿按照从左到右1到16编号表示。

下面以示例的方式说明。

正畸分上下牙两部分，可同时进行，也可一侧进行。某个牙齿不移动的情况编码为0，移动的情况下编码为该移动对应的操作编码。

上牙举例如下：

如图5(a)所示，其示出正畸前的原始状态。如图5(b)所示，其示出正畸沿牙弓方向排齐的操作。执行前牙牙齿向中线排齐的操作编码：0000001111100000，16颗牙齿，每个牙齿都有一个数字表示0表示牙齿没有操作，1表示沿牙弓排齐(对准中线)，这一串编码可以表示对7，8，9， 10，11同时排齐这个操作。如图5(c)所示，其示出了正畸第二阶段推磨牙向后的操作。其对应的操作编码为0660000000000660，用编号6表示推后磨牙这个动作，对应牙齿编号为2，3，14，15四颗牙齿。如图5(d)所示，其示出了综合调整排齐(多个操作同时出现)的操作。其对应的操作编号为0062220000222770。这个阶段多个操作同时进行，由于磨牙后推之后，牙弓形状有所变化，相邻的4，5，6，11，12，13需要牙弓排齐(后磨牙方向移动)对应操作编号为2、3号牙齿后退不到位，需要持续后推(对应操作编号为6)13，15号牙齿向颊侧偏离，需要内收排齐(后牙)(对应操作编号为7)。如图5(e)所述，其示出了前牙内收操作。其对应的编码为0000088888800000。前阶段调整后，需要内收排齐(前牙)(操作编号用8表示)。如图5(f)所述，其示出了整体微调排齐操作。其对应的编码为0009999999999990。前一阶段结果已经接近目标效果。这一阶段进行微调，以达到目标排牙效果。用9表示微调操作。

下牙举例如下：

如图6(a)所示，其示出正畸前的原始状态。如图6(b)所示，其示出前牙内收排齐操作，其对应编码为0000088888800000，如前所述，内收排齐(对齐中线)对应操作为8。如图6(c)所示，其示出后牙内收排齐操作，其对应编码为077700000077700，如前所述，内收排齐(对齐中线) 对应操作为7。如图6(d)所示，其示出推磨牙向后与排齐操作，其对应编码为0630000000000000，上述阶段3号牙齿受到2号磨牙牙齿阻挡。需要推2号磨牙向后，同时单独对3号牙齿进行扭转排齐(用操作3表示)。如图6(e)所示，其示出沿牙弓排齐操作，其对应编码0000200000000000。如图6(f)所示，其示出整体微调排齐，其对应编码0009999999999000。同上牙，最后一步微调排齐以达到预期目标。

最后，输出为编码序列(左侧为上牙牙齿，右侧为下牙牙齿)

0000001111100000 0000088888800000

0660000000000660 0077700000077700

0062220000222770 0630000000000000

0000088888800000 0000200000000000

0009999999999990 0009999999999000

上下牙齿组合，可形成整体方案。在一些情况下，当单侧牙齿无移动时，可设置为0000000000000000。

本发明实施例中以三维牙齿数字信息为输入，即可自动得到以编码序列表示的正畸方案。

具体地，本发明实施例中使用预设机器学习模型进行训练以得到第二生成器。具体地，所述第二生成器的训练集包括两部分内容，第一部分为正畸前的标注口腔CT影像数据，第二部分为所述正畸前的标注口腔CT影像数据对应的以编码形式表示的正畸方案。在训练中调整所述预设机器学习模型的模型参数直至能够对任意正畸前的标注口腔CT影像数据输出合理的以编码形式表示的正畸方案。

一般地学习模型可以被设置成包括：

一个输入层，x；

任意数量的隐含层；每层隐藏层都有对应的模型参数，每层的模型参数可以是多个，每层隐藏层中的一个模型参数对输入的数据进行线性或非线性变化，得到运算结果；每个隐藏层接收前一隐藏层的运算结果，经过自身的运算，对下一输出本层的运算结果；

一个输出层，

每两层之间都有一组权重和偏置(W和b)；

如图7所示的神经网络的结构所示；其中，权重W和偏置b是影响输出根据输入数据微调权重和偏置的过程称为神经网络训练过程，所以，神经网络的最佳权重和偏置是在训练神经网络的过程中得到的。

其中，本实施例中的神经网络模型可以利用现有的实现训练过程的机器学习算法，但不限于采用卷积神经网络、递归神经网络或逻辑回归网络等机器学习算法。

具体地，本发明实施例中所述预设机器学习模型，可以包括两层卷积层、两层池化层、两层全连接层和一层输出层的神经网络机器学习模型。

具体的，所述卷积层可以对所述输入的正畸输入训练数据进行卷积处理，实现特征提取。

具体的，所述池化层可以对上一层的输出进行降采样操作，即返回采样窗口中最大值作为降采样的输出。一方面可以简化计算复杂度；另一方面可以进行特征压缩，提取主要特征。

具体的，所述全连接层可以作为上下两层的节点之间的连接层，将上下两层所得到的各节点数据建立连接关系，将输出值送给分类器(如softmax 分类器)。

在上述的预设机器学习模型中，每一层输出的都是上一层输入的线性函数，考虑到在实际应用中数据往往不是线性可分的，可以通过增加激活函数的方式引入非线性因数，即增加线性校正层。

具体的，所述输出层可以采用softmax函数进行正畸输出训练数据的输出，Softmax函数中包含的是一个非线性分类器，对正畸输入训练数据进行分类器训练。具体的，可以确定所述正畸输入训练数据与正畸输出训练数据匹配的概率值。

此外，需要说明的是，本发明实施例所述机器学习模型并不仅限于上述的神经网络机器学习模型，在实际应用中，还可以包括其他机器学习模型，例如决策树机器学习模型等，本发明实施例并不以上述为限。

在一个具体的实施例中，所述预设机器学习模型可以被设置成，包括：

第一卷积层；以及与所述第一卷积层相连的第一池化层；以及与所述第一池化层相连的第二卷积层；以及与所述第二卷积层相连的第二池化层；以及第二池化层相连接的第一全连接层；以及与所述第一全连接层相连的第二全连接层；以及与所述第一全连接层相连的线性校正层；以及与所述第二全连接层连接的输出层的神经网络机器学习模型。

在上述的预设机器学习模型中，每一层输出的都是上一层输入的线性函数，考虑到在实际应用中数据往往不是线性可分的，可以通过增加激活函数的方式引入非线性因数。

此外，需要说明的是，上述仅仅是本发明进行参数识别模型训练所采用的预设机器学习模型的一种示例，在实际应用中，还可以结合实际应用需求包括更多或更少的层。

在一个优选的实施例中第一生成器和第二生成器可以以组合形式进行使用，其组合结果作为一个整体可以用于实现以原始口腔CT影像数据为输入，以编码化的正畸方案为输出的技术方案。

本发明实施例中提出的一种基于人工智能的正畸方案自动规划方法，能够依托于第二生成器快速自动化的得出正畸方案，该正畸方案客观标准，不受主观及外部因素影响。

正畸方案实施过程中，正畸治疗的主要目标为牙齿的预期移动。可以用牙齿相对前一个阶段的空间变换表示(数学上可以表示为一个三维空间变换矩阵)。每个阶段完成一个或多个治疗目的，比如(关闭牙齿间缝隙，扩弓获取间隙，推磨牙向后形成间隙等)

在获取编码化的正畸方案的相关描述可知正畸治疗过程长，可分解为多个阶段，每个阶段针对若干牙齿可分别采取标准操作方法。该方法采用特定施力措施，使得牙齿发生移动，达到阶段矫治效果。为更加精准的完成治疗方案设计，若能够定量或以三维可视化的方式，表现该阶段牙齿的矫治目标，则更加有利于医生判定正畸方案是否合理或者有利于患者对于牙齿的变化做到心中有数。基于此，本发明实施例进一步提供一种正畸方案的治疗效果预测方法，所述预测方法包括：

S301.获取牙齿三维数字化模型。

S303.获取以编码形式表征正畸方案。

S305.将所述牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果，所述预测结果以动画形式展示。

传统的方法是采用三维扫描的方式获取牙齿的数字模型，经过数字化分割获取独立的牙冠模型，然后采用三维可视化的方法显示牙冠的三维排列(牙列模型)，并通过交互方式移动所针对牙冠的位置(包括平移与扭转)，以获取主观预测(或期望)的目标排列(牙列模型)状态。显然，本发明实施例中基于CT获取的三维牙齿模型(同时包含牙冠与牙根)，提供智能化算法，能够获取同样效果。

具体地，本发明实施例提供了一种第三生成器的训练方法，所述方法包括：

S100.获取训练数据，所述训练数据包括牙齿三维数字化模型、对应的编码形式的正畸方案、正畸方案每个阶段的移动数据以及每个阶段完成所需的时间。

具体地，所述牙齿三维数字化模型可以基于本发明实施例中步骤 S101-S105中的方法得到，也可以是传统三维扫描方式下的牙冠模型。

获取牙冠的三维模型,采用传统方法进行排牙操作，获取牙齿在各个阶段的移动数据。基于经验方法，获取每个阶段完成所需时间。

S200.根据所述训练数据训练预设神经网络以得到第三生成器，所述第三生成以牙齿三维数字化模型和对应的编码形式的正畸方案为输入，以正畸方案每个阶段的移动数据以及每个阶段完成所需的时间为输出。

优选的，所述第三生成器还可以基于正畸方案每个阶段的移动数据以及每个阶段完成所需的时间绘制动画。

在一个优选的实施例中第一生成器、第二生成器和第三生成器可以以组合形式进行使用，其组合结果作为一个整体可以用于实现以原始口腔CT 影像数据为输入，以预测结果为输出的技术方案。第二生成器和第三生成器可以使用相同或不同的神经网络进行训练。

相对于现有技术，本发明实施例提供的一种正畸方案的治疗效果预测方法能够快速便捷形象地得到正畸方案的预测效果，降低了从业人员的工作难度，显著降低了医生的负担，也提升了患者对于其将要接受的正畸方案的形象感官认识。

为了实施正畸方案，需要根据正畸方案制作相应的矫治器械。具体地，本发明实施例中可以制作隐形矫治所需要的无托槽矫治器。所述制作方法如图8所示，包括：

S401.获取标注口腔CT影像数据及基于所述标注口腔CT影像数据得到的牙齿三维数字化模型。

S403.根据所述标注口腔CT影像数据获取正畸方案。

S405.根据所述正畸方案，结合所述标注口腔CT影像数据得到的牙齿三维数字化模型得到可打印的牙列模型。

具体地，可以基于无托槽矫治器的制作原理，集合正畸方案对应的动画数据，建模输出为可进行3D打印的牙列模型。通过高分子材料热压膜成型的方式，制作无托槽矫治器。

具体地，所述标注口腔CT影像数据、基于所述标注口腔CT影像数据得到的牙齿三维数字化模型、正畸方案及正畸方案的动画数据均可以使用本发明实施例所提供的方法得到。

S407.基于所述牙列模型制作矫治器。

制作模具和制作矫治器的过程可合并为一个步骤，即直接打印成矫治器的形状，减少压膜制作的步骤；进一步提升了矫治器的制作效率。

在本发明一个可行的实施方式中，若标注口腔CT影像数据足够清晰，所获得的牙齿三维数字化模型与真实牙冠表面误差满足要求，可直接用于可打印牙列的建模。具体地，所述误差可能与具体的正畸方案有关，不同的正畸方案对于牙齿模型牙冠表面与真实牙冠表面误差的要求不同。

有鉴于标注口腔CT影像数据可能包含了软组织等噪声信息，可能不够清晰。因此，还可以由专业医生对得到的可打印的牙列模型进行评估，评估其是否可以用于制作矫治器。

在本发明的另一个可行的实施方式中，若考虑更精确反应牙冠外表面模型形态，可通过三维取模获取牙冠外表面模型取模获取牙冠外表面模型。无托槽矫治器的制作对牙冠外表面的形态符合程度要求较高。通常需要三维扫描取模后处理。即通过口内扫描方式，或口外取牙齿石膏模型再扫描的方式，获取牙冠外表面模型。扫描获取的牙冠模型与本发明实施例中获取的牙齿三维数字化模型牙冠部分形态差异极小，在某些情况下，由于阈值选取的原因，牙齿三维数字化模型牙冠可能略小于真实牙冠；或者由于扫描的误差原因，三维扫描可能局部略不同于牙齿三维数字化模型。

进一步地，本发明实施例中基于CT扫描并最终得到的牙齿三维数字化模型与三维扫描得到的模型属于在三维空间的两个表现形式。由于各自的三维坐标系不同，因此在三维空间上并不重合。可基于常用的三维空间数据匹配算法(比如ICP算法)，匹配扫描牙冠模型到牙齿三维数字化模型中牙冠位置，使之重合。

进一步地，本发明各个方法可以自由结合使用，以达到自动化正畸的目的。现有技术中从医疗影像到治疗方案通常在较大程度上依赖于医生，而自动化程度难以提高。本发明实施例中较多地使用了机器学习方法，通过大数据训练获得用于进行正畸治疗的智能化计算模型，从而替代或部分替代医师的判断和决策过程。相对于现有技术本发明不易受到医生个人的主观影响，还能够提高诊疗效率。

本发明把整个诊疗过程分解为多个独立的计算过程，使用的智能体第一生成器、第二生成器和第三生成器可以分别进行基于深度学习或神经网络的机器学习训练，从而对于诊疗所需的各个医疗环节解耦合，减轻了了对原始数据的依赖，也提高了诊疗各个过程的精准度。

本发明实施例还公开了一种基于人工智能的正畸装置，如图9所述，包括：

标注口腔CT影像数据获取模块501，用于获取标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；所述标注口腔CT影像数据通过将原始口腔CT影像数据输入预先训练好的第一生成器而得到；

正畸方案获取模块502，用于将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；

预测模块503，用于将所述牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果，所述预测结果以动画形式展示。

可打印的牙列模型获取模块504，用于根据所述正畸方案，结合所述标注口腔CT影像数据得到的牙齿三维数字化模型得到可打印的牙列模型；

矫治器制作模块505，用于基于所述牙列模型制作矫治器。

进一步地，还包括：

第二生成器训练模块，用于使用预设机器学习模型进行训练以得到第二生成器；

第三生成器训练模块，用于训练第三生成器，所述第三生成器训练模块包括：

训练数据单元，用于获取训练数据，所述训练数据包括牙齿三维数字化模型、对应的编码形式的正畸方案、正畸方案每个阶段的移动数据以及每个阶段完成所需的时间；

训练单元，用于根据所述训练数据训练预设神经网络以得到第三生成器，所述第三生成以牙齿三维数字化模型和对应的编码形式的正畸方案为输入，以正畸方案每个阶段的移动数据以及每个阶段完成所需的时间为输出。

需要说明的是，装置实施例具有与方法实施例相同的发明构思。

本发明中所述模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。可以根据实际的需要选择其中的部分或者全部模块/单元来达到实现本发明方案的目的。

另外，在本发明各个实施例中的各模块/单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于人工智能的正畸方法，其特征在于，包括：

获取标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；

将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；

根据所述正畸方案，结合所述标注口腔CT影像数据得到的牙齿三维数字化模型得到可打印的牙列模型；

基于所述牙列模型制作矫治器。

2.根据权利要求1所述的方法，其特征在于：

若标注口腔CT影像数据满足预设清晰度要求，所获得的牙齿三维数字化模型与真实牙冠表面误差满足预设精度要求，直接用于可打印牙列的建模，否则，通过三维取模获取牙冠外表面模型取模获取牙冠外表面模型以得到可打印的牙列模型。

3.根据权利要求1所述的方法，其特征在于：

所述正畸方案包括正畸过程被划分的阶段、

不同阶段发生正畸移动的牙齿编号、

以及不同阶段进行的正畸治疗措施，每个正畸阶段包括一个或多个治疗措施。

4.根据权利要求3所述的方法，其特征在于：

通过一个编码序列表示整个正畸治疗方案，所述编码序列中的一个编码元素即为一个治疗措施，每个编码元素包括16位数字以对应单颌的16颗牙齿，每位数字用于表示其相应的牙齿的处理方式。

5.根据权利要求1所述的方法，其特征在于：

使用预设机器学习模型进行训练以得到第二生成器；预设机器学习模型包括两层卷积层、两层池化层、两层全连接层和一层输出层的神经网络机器学习模型；

第二生成器的训练集包括两部分内容，第一部分为正畸前的标注口腔CT影像数据，第二部分为所述正畸前的标注口腔CT影像数据对应的以编码形式表示的正畸方案；在训练中调整所述预设机器学习模型的模型参数直至能够对任意正畸前的标注口腔CT影像数据输出合理的以编码形式表示的正畸方案为止。

6.根据权利要求1所述的方法，其特征在于，还包括：

将所述牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果，所述预测结果以动画形式展示。

7.根据权利要求6所述的方法，其特征在于，第三生成器的训练方法包括：

获取训练数据，所述训练数据包括牙齿三维数字化模型、对应的编码形式的正畸方案、正畸方案每个阶段的移动数据以及每个阶段完成所需的时间；

根据所述训练数据训练预设神经网络以得到第三生成器，所述第三生成以牙齿三维数字化模型和对应的编码形式的正畸方案为输入，以正畸方案每个阶段的移动数据以及每个阶段完成所需的时间为输出。

8.一种基于人工智能的正畸装置，其特征在于，包括：

标注口腔CT影像数据获取模块，用于获取标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；所述标注口腔CT影像数据通过将原始口腔CT影像数据输入预先训练好的第一生成器而得到；

正畸方案获取模块，用于将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；

可打印的牙列模型获取模块，用于根据所述正畸方案，结合所述标注口腔CT影像数据得到的牙齿三维数字化模型得到可打印的牙列模型；

矫治器制作模块，用于基于所述牙列模型制作矫治器。

9.根据权利要求8所述的装置，其特征在于，还包括：

预测模块，用于将所述牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果，所述预测结果以动画形式展示。

10.根据权利要求8所述的装置，其特征在于，还包括：

第二生成器训练模块，用于使用预设机器学习模型进行训练以得到第二生成器；

第三生成器训练模块，用于训练第三生成器，所述第三生成器训练模块包括：

训练数据单元，用于获取训练数据，所述训练数据包括牙齿三维数字化模型、对应的编码形式的正畸方案、正畸方案每个阶段的移动数据以及每个阶段完成所需的时间；

训练单元，用于根据所述训练数据训练预设神经网络以得到第三生成器，所述第三生成以牙齿三维数字化模型和对应的编码形式的正畸方案为输入，以正畸方案每个阶段的移动数据以及每个阶段完成所需的时间为输出。