CN109875683A - 一种下颌角截骨术中建立截骨面预测模型的方法 - Google Patents

Abstract

本发明公开了一种下颌角截骨术中建立截骨面预测模型的方法，包括以下步骤：S1、根据既往患者下颌角截骨手术患者术前CT图像、术后CT图像获得第一截骨面参数，结合既往患者的术前照片、术后照片，基于多任务卷积神经网络，获得截骨面预测模型学习版，得到手术导航系统1.0版；S2、收集新入组患者术前CT图像、术后CT图像，获得第二截骨面参数，获得第二截骨面参数，构建测试集，对截骨面预测模型进行测试，得到稳定的截骨面预测模型，再结合既往患者的危险区、新入组患者的危险区，得到截骨面预测模型稳定版，完成手术导航系统2.0版。本发明将计算机知识与截骨信息结合，实现了下颌角截骨术系统建立，为以后的手术提供依据。

Description

一种下颌角截骨术中建立截骨面预测模型的方法

技术领域

本发明涉及手术模型技术领域，尤其是涉及一种下颌角截骨术中建立截骨面预测模型的方法。

背景技术

由于下颌角截骨术后患者面部外观的变化，除与下颌骨截骨量相关外，与局部软组织张力改变导致的软组织体积量的变化也有一部分关联。因此，下颌角截骨术的去骨量并不是术前患者面部外观与术后预测效果间做减法，既往单纯借助于三维CT及面部3D扫描照相系统来进行手术效果的3D设计，并不能准确预测在下颌角截骨术中为达到术后预测效果时下颌角的去骨量及截骨面形态位置。

现有的针对下颌角截骨术的手术导航系统，通过对患者进行螺旋CT扫描，并将影像数据进行重建及处理，凭借既往临床经验设计截骨线，并将其标注在下颌骨的三维数据模型上，机器人辅助手术系统将截骨线细分为多个钻点，通过在骨面上沿截骨线进行多处钻点钻孔以实现截骨。同时，该系统通过在下颌角区钻孔连接标记模块形成标记复合体，或根据患者下齿列形态定制牙套模，并将标记模块连接在牙套模上，术中通过患者配戴连有标记模块的牙套模来判断下颌骨的相对位置。术中，系统借助增强现实技术通过识辨标记模块判断下颌骨相对位置，并确定截骨线位置，以实现通过RAS行下颌角截骨术。该手术导航系统经过临床实际应用，平均误差较小，可以保证手术的安全性，同时在辅助医生经验积累等方面有较强的优势。但该系统目前存在三个不足之处：（1）需额外固定标志点：通过嘱患者佩带连有标记模块的牙套模用以确定截骨线，由于连接方式为非刚性连接，在术中标记模块与下颌骨之间存在较高的相对移位的风险，从而导致截骨线判断存在误差，降低了手术安全性；或将标记模块通过钻孔方式连接在下颌角区，虽极大地提高了标记模块与下颌骨体间相对位置关系的稳定性，但是由于口内入路的下颌角截骨术实际手术操作空间窄且深，固定标记模块的操作本身难度较高，同时标记模块相对术野过于庞大，能够实现妥善放置标记模块的适用病例受到了极大的限制。（2）该手术导航系统对于截骨方式的处理为采用机械间断打孔的模式，由于打孔形成的经骨组织的孔道为直线型的，因此此模式对于同时需要进行下颌骨外板去除术的病例并不适用，其形成的截骨面为一平面而非曲面，在很大程度上限制了该手术导航系统的应用范围。（3）该手术导航系统并未对下颌角截骨术后的软组织改变予以考虑，截骨线的设计完全凭借术者的既往经验，而无量化的指标，该系统虽然提高了手术的安全性，但对于准确预测患者术后效果及提高患者满意度等方面并无优势。

因此，建立一种基于人工智能技术的下颌角截骨术的预测模型，为患者提供手术依据，预测术后效果，是目前亟待解决的问题。

发明内容

本发明的目的是提供一种下颌角截骨术中建立截骨面预测模型的方法，通过将既往患者相关数据，输入卷积神经网络，得到截骨面预测模型学习版，再通过新入组患者的相关数据，对截骨面预测模型学习版进行训练，然后将既往患者、新入组患者的危险区叠加到模型中，得到截骨面预测模型稳定版。

本发明的上述发明目的通过以下技术方案得以实现：

一种下颌角截骨术中建立截骨面预测模型的方法，包括以下步骤：

S1、根据既往患者下颌角截骨手术患者术前CT图像、术后CT图像获得第一截骨面参数，再结合既往患者的术前照片、术后照片，构建训练集，基于多任务卷积神经网络，获得截骨面预测模型学习版，得到手术导航系统1.0版；

S2、收集新入组患者术前CT图像、术后CT图像，获得第二最终截骨面参数，结合新入组患者的术前照片、术后照片，构建测试集，对截骨面预测模型学习版进行测试，得到稳定的截骨面预测模型，再结合既往患者的危险区、新入组患者的危险区，得到截骨面预测模型稳定版，完成手术导航系统2.0版。

本发明进一步设置为：步骤S1中，收集既往患者下颌角截骨手术患者术前CT图像、术后CT图像，将同一视角的术前CT图像、术后CT图像进行像素级对齐后进行比较，获得的差值即为该视角的最终截骨面，不同视角的最终截骨面形成第一最终截骨面。

本发明进一步设置为：对所述第一最终截骨面进行量化，包括对第一最终截骨面进行拆分、标注；所述拆分是把第一最终截骨面拆分为第一下颌骨截除线与第一下颌骨外板去除平面两部分，在术前CT图像直接标注第一下颌骨截除线α1与第一下颌骨外板去除平面β1，同时在下齿列上，标注多个第一铆钉点，并根据所述第一铆钉点标定第一参考平面γ1；所述标注是量化估计第一下颌骨截除线α1、第一下颌骨外板去除平面β1分别与第一参考平面γ1之间的关系。

本发明进一步设置为：所述标注包括：以第一参考平面γ1为基准，确定第一下颌骨截除线α1、第一下颌骨外板去除平面β1分别与第一参考平面γ1之间的关系；具体地，用参数11表示第一下颌骨截除线α1几何中心距离第一参考平面γ1几何中心的距离；用参数12表示第一下颌骨截除线α1与第一参考平面γ1的偏转角；用参数13表示第一下颌骨外板去除平面β1几何中心距离第一参考平面γ1几何中心的距离；用参数14表示第一下颌骨外板去除平面β1与第一参考平面γ1的偏转角。

本发明进一步设置为：基于多任务卷积神经网络，输入既往患者术前三维CT图像不同视角的数据集、术前照片的数据集、术后照片的数据集、第一最终截骨面的参数，训练得到截骨面预测模型学习版。

本发明进一步设置为：步骤S1中，根据既往患者的术前CT，标记既往患者的下齿槽神经走形区及颏神经走形区为第一危险区1，标记面动脉及面后静脉走形区为第一危险区2；对各危险区进行量化评估，构建第一危险区数据集。

本发明进一步设置为：所述对各危险区进行量化评估，是用参数表示各危险区分别与第一参考平面γ1之间的关系，具体地，用参数15表示第一危险区1几何中心距离第一参考平面γ1几何中心的距离，用参数16表示第一危险区1与第一参考平面γ1的偏转角；用参数17表示第一危险区2几何中心距离第一参考平面γ1几何中心的距离，用参数18表示第一危险区2与第一参考平面γ1的偏转角。

本发明进一步设置为：步骤S2中，收集新入组患者下颌角截骨手术患者术前CT图像、术后CT图像，将同一视角的术前CT图像、术后CT图像进行像素级对齐后进行比较，获得的差值即为该视角的最终截骨面，不同视角的截骨面形成第二最终截骨面，相应地，对所述第二最终截骨面进行量化。

本发明进一步设置为：根据新入组患者的术前CT，标记既往患者的下齿槽神经走形区及颏神经走形区为第二危险区1，标记面动脉及面后静脉走形区为第二危险区2；相应地，对各危险区进行量化评估，构建第二危险数据集。

本发明进一步设置为： 所述测试集包括新入组患者的第二最终截骨面数据集、新入组患者的术前照片、术后照片，用测试集对截骨面预测模型学习版进行训练，得到稳定的截骨面预测模型。

与现有技术相比，本发明的有益技术效果为：

1.本申请通过将神经网络与手术结合，建立手术预测模型，为以后的手术提供科学依据，给患者带来福音。

2.进一步地，将既往患者的相关资料输入多任务卷积神经网络，训练得到截骨面预测模型学习版；获得术后效果与截骨面的相互关系。

通过新入组患者的相关资料对截骨面预测模型学习版进行测试，获得稳定的截骨面预测模型，再加上危险区识别，使预测模型完善，提高精度。

附图说明

图1是本发明的一个具体实施例的手术导航系统总结构示意图；

图2是本发明的一个具体实施例的手术导航系统示意图；

图3是本发明的一个具体实施例的预测模型建立示意图；

图4是本发明的一个具体实施例的截骨面预测示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

图1为本手术导航系统的总结构图。

具体地，一种下颌角截骨术的手术导航系统，如图2所示，包括以下步骤：

S1、根据既往下颌角截骨手术患者的相关资料，建立截骨面预测模型学习版，用新入组下颌角截骨手术患者的相关资料，对截骨面预测模型学习版进行测试，得到稳定的截骨面预测模型；

具体地，如图3所示，包括如下步骤：

A1、根据既往患者下颌角截骨手术患者术前CT图像、术后CT图像获得第一截骨面参数，结合既往患者的术前照片、术后照片，基于多任务卷积神经网络，获得截骨面预测模型学习版，得到手术导航系统1.0版；

A2、收集新入组患者术前CT图像、术后CT图像，获得第二截骨面参数，结合术前照片、术后照片，构建测试集，对截骨面预测模型进行测试，得到稳定的截骨面预测模型，再结合既往患者的危险区、新入组患者的危险区，得到截骨面预测模型稳定版，完成手术导航系统2.0版。

以下详细说明：

将既往下颌角截骨手术患者的术前CT图像、术后CT图像进行像素级别的对齐，进行比较，得到的差值即为既往患者的最终截骨面，即第一最终截骨面，对第一最终截骨面进行拆分与标定。

首先，将第一最终截骨面分为第一下颌骨截除线α1与第一下颌骨外板去除平面β1两个组成部分，在术前CT上直接获得第一下颌骨截除线α1与第一下颌骨外板去除平面β1、第一下齿铆钉点的标注信息，第一下齿铆钉点包括多个点，多个下齿铆钉点决定了第一下齿列铆钉点参考平面γ1。

然后，对第一最终截骨面进行量化处理，用参数分别表示第一下颌骨截除线α1、第一下颌骨外板去除平面β1与第一下齿列铆钉点参考平面γ1之间的位置关系，即，以第一下齿列铆钉点参考平面γ1为基准，用参数分别表示第一下颌骨截除线α1、第一下颌骨外板去除平面β1的位置关系，具体地，用参数11表示第一下颌骨截除线α1几何中心距离第一下齿列铆钉点参考平面γ1几何中心的距离；用参数12表示第一下颌骨截除线α1与第一下齿列铆钉点参考平面γ1的偏转角；用参数13表示第一下颌骨外板去除平面β1几何中心距离第一下齿列铆钉点参考平面γ1几何中心的距离；用参数14表示第一下颌骨外板去除平面β1与第一下齿列铆钉点参考平面γ1的偏转角。

因最终截骨面为三维结构，因而同一视角的参数构成一个数据集，不同视角的参数组成不同的数据集。

既往患者术前CT的多个视角数据集、术前照片多个视角数据集、术后照片多个视角数据集、最终截骨面数据集，构成训练集，输入多任务卷积神经网络进行训练，获得截骨面预测模型学习版，即手术导航系统1.0版。

本步骤中，学习软组织变量对最终术后效果的非线性影响并进行建模，实现基于术前CT数据、术前照片和模拟术后效果对截骨面的精确估计。

对于截骨面预测模型学习版，需要进行稳定性测试。

采集新入组下颌角截骨术患者的数据，组成测试集。

同样的，将新入组患者的术前CT图像、术后CT图像进行像素级别的对齐，进行比较，得到的差值即为新入组患者的最终截骨面，即第二最终截骨面。对第二最终截骨面进行拆分与标定。

首先，将第二最终截骨面分为第二下颌骨截除线α2与第二下颌骨外板去除平面β2两个组成部分，在术前CT上直接获得第二下颌骨截除线α2与第二下颌骨外板去除平面β2、第二下齿铆钉点的标注信息，第二下齿铆钉点包括多个点，多个下齿铆钉点决定了第二下齿列铆钉点参考平面γ2。

然后，对第二最终截骨面进行量化处理，用参数分别表示第二下颌骨截除线α2、第二下颌骨外板去除平面β2与第二下齿列铆钉点参考平面γ2之间的相互关系，即，以第二下齿列铆钉点参考平面γ2为基准，用参数分别表示第二下颌骨截除线α2、第二下颌骨外板去除平面β2的位置关系，具体地，用参数21表示第二下颌骨截除线α2几何中心距离第二下齿列铆钉点参考平面γ2几何中心的距离；用参数22表示第二下颌骨截除线α2与第二下齿列铆钉点参考平面γ2的偏转角；用参数23表示第二下颌骨外板去除平面β2几何中心距离第二下齿列铆钉点参考平面γ2几何中心的距离；用参数24表示第二下颌骨外板去除平面β2与第二下齿列铆钉点参考平面γ2的偏转角。

由不同视角的以上参数的数据集,构成新入组患者的第二最终截骨面的数据集。

由第二最终截骨面的数据集、术前CT、结合新入组患者的术前照片、术后照片，构成测试集。

将测试集数据输入截骨面预测模型学习版进行测试，得到稳定的截骨面预测模型，提高手术导航系统的准确性和稳定性。

根据既往患者的术前CT，标记既往患者的下齿槽神经走形区及颏神经走形区为第一危险区1，标记面动脉及面后静脉走形区为第一危险区2；对各危险区进行量化评估，构建第一危险区数据集。

对第一危险区进行量化，用参数表示各危险区分别与第一下齿列铆钉点参考平面γ1之间的关系，具体地，用参数15表示第一危险区1几何中心距离第一参考平面γ1几何中心的距离，用参数16表示第一危险区1与第一参考平面γ1的偏转角；用参数17表示第一危险区2几何中心距离第一参考平面γ1几何中心的距离，用参数18表示第一危险区2与第一参考平面γ1的偏转角。

根据新入组患者的术前CT，标记既往患者的下齿槽神经走形区及颏神经走形区为第二危险区1，标记面动脉及面后静脉走形区为第二危险区2；对各危险区进行量化评估，构建第二危险数据集。

同样地，对第二危险区进行量化，用参数表示各危险区分别与第二下齿列铆钉点参考平面γ2之间的关系，具体地，用参数25表示第二危险区1几何中心距离第一参考平面γ2几何中心的距离，用参数26表示第二危险区1与第一参考平面γ2的偏转角；用参数27表示第二危险区2几何中心距离第一参考平面γ2几何中心的距离，用参数28表示第二危险区2与第一参考平面γ2的偏转角。

将第一危险区数据集、第二危险区数据集叠加到稳定的截骨面预测模型，得到截骨面预测模型稳定版，完成构建手术导航系统2.0版。

S2、将下颌角截骨术患者的相关信息输入截骨面预测模型，预测术后面部3D效果最大改变范围。

对即将进行下颌角截骨术的患者，即实际患者，根据其术前CT，标记为其下齿槽神经走形区及颏神经走形区为第三危险区1，标记其面动脉及面后静脉走形区为第三危险区2；对各危险区进行量化评估，构建第三危险区数据集。

根据下颌角截骨手术患者的术前CT图像，抓取下齿列铆钉点，获得下颌角截骨术的患者的下齿列铆钉点第三参考平面γ3。

根据下颌角截骨手术患者的术前CT图像，避开第三危险区1、第三危险区2，得到下颌角截骨手术患者的最大去骨范围。

对下颌角截骨手术患者的最大去骨范围进行量化，包括对最大去骨范围进行拆分、标注；把最大去骨范围拆分为第三下颌骨截除线α3与第三下颌骨外板去除平面β3两部分，在术前CT图像直接标注第三下颌骨截除线α3与第三下颌骨外板去除平面β3。

量化估计第三下颌骨截除线α3、第三下颌骨外板去除平面β3分别与第三参考平面γ3之间的关系。具体地，用参数31表示第三下颌骨截除线α3几何中心距离第三参考平面γ3几何中心的距离；用参数32表示第三下颌骨截除线α3与第三参考平面γ3的偏转角；用参数33表示第三下颌骨外板去除平面β3几何中心距离第三参考平面γ3几何中心的距离；用参数34表示第三下颌骨外板去除平面β3与第三参考平面γ3的偏转角。

对各危险区进行量化评估，用参数表示各危险区分别与参考平面γ3之间的关系，其中，用参数35表示第三危险区1几何中心距离第三参考平面γ3几何中心的距离，用参数36表示第三危险区1与参考平面γ3的偏转角；用参数37表示第三危险区2几何中心距离第三参考平面γ3几何中心的距离，用参数38表示第三危险区2与第三参考平面γ3的偏转角。

最大去骨范围并不代表为最终手术截骨面。

将下颌角截骨手术患者的术前CT、术前照片、最大去骨范围输入截骨面预测模型稳定版，获得术后面部最大改变量3D效果预测，即预测术后面部效果图改变范围。

S3、根据下颌角截骨术患者的术前CT、截除线、去骨面，在镜片屏幕上绘制投射出可透视的、与术野实时影像拟合的三维图像。

具体地，如图4所示，包括如下步骤：

B1、根据下颌角截骨手术患者的术前CT图像，获得下颌角截骨手术患者的下齿列铆钉点、危险区，并标定最大去骨范围；

B2、将下颌角截骨手术患者的术前CT图像、术前照片、预测术后照片、最大去骨范围，输入截骨面预测模型，预测出实际患者的截除线、去骨面，结合AR设备，实时渲染术野截除线、去骨面、危险区。

以下详细说明：

根据设备重量、性能稳定程度、穿戴模式稳固程度、是否符合手术无菌原则等条件，测试、选择、购置适宜的可穿戴增强现实设备及可其用于二次开发的软件平台，选择适宜的AR（Augmented Reality）设备，也称可穿戴增强现实设备。

利用增强现实技术，实现术野下截骨面及危险区的实时绘制及拟合，改善下颌角截骨手术的截骨精度，实现对术者的预警作用，避免触碰危险区域。

将下颌角截骨手术患者的术前CT、术前照片、预测术后照片、最大去骨范围输入截骨面预测模型稳定版，预测出实际患者的截除线、去骨面；再根据不同视角的截除线、去骨面、危险区，结合AR设备，实时渲染术野截除线、去骨面、第三危险区1、第三危险区2，将可视化三维模型通过AR系统与实际术野叠加后投射于镜片屏幕，完成手术导航系统3.0版。

具体地，基于AR设备，建立一套针对下颌角截骨术中截骨面的可视化三维模型，并结合三维CT图像，标记术侧多颗下齿，并据此设定多个铆钉点，根据术前CT图像，标记危险区，并在三维模式下，确定可能铆钉点、危险区与截骨面三维模型的空间关系。

在实际手术过程中，通过术者穿戴的AR设备自带的摄像头，对术野进行拍摄并抓取预设铆钉点，根据已构建好的三维空间位置关系，在AR设备屏幕上投射出可透视的、与术野实时影像拟合后的截骨面、危险区1、危险区2图像，实现术野中截除线、去骨面、危险区1、危险区2的实时渲染。根据大量的实际术中影像，筛选出易于抓取、且不影响空间位置关系构建稳定性的3个左右铆钉点。基于AR设备的影像自动化识别技术，构建出实时对术野影像分析识别、自动抓取预设铆钉点的系统功能，并使该系统功能与预先构建好的铆钉点、危险区1、危险区2及截骨面的三维影像相结合，使术者在实际手术中通过穿戴AR设备并在其辅助下，实现截骨面的三维模型可透视地投影与AR设备屏幕上，并与从佩戴者视角中透过AR设备屏幕观察到的患者术野里的下颌骨部分拟合的功能，同时在AR设备屏幕上可透视地投影出第三危险区1、第三危险区2图像，以对应下齿槽神经和颏神经走形区及面动脉和面后静脉走形区，实现对术者的预警作用。

同时，实际手术过程中，对手术导航系统进行测试并进行调整，达到系统定位准确并能稳定投射，从而实现手术导航系统在下颌角截骨手术中的导航作用。

S4、对截骨面预测模型不断进行功能叠加，并不断测试改进，完善手术导航系统。

将步骤S2中的术后面部3D效果预测叠加到步骤S3中的手术导航系统2.0版，完善改进系统，完成手术导航系统4.0版；

对手术导航系统4.0版的反复调试后，将其应用于临床实际工作中，根据实际情况的需要进一步进行升级，增加系统的稳定性，提高术后效果预期及手术过程中的精准度，完成手术导航系统5.0版。

对于患者来说，本申请根据实际患者术前CT及危险区1、2标定最大去骨范围，通过输入术前照片、术前CT及最大去骨量，借助人工智能技术获得术后面部3D效果最大改变图，对患者术后预测面部轮廓可调整范围实现预估，完成对患者术后效果的可实现的高精准度的个性化设计，缩短术前沟通成本，提高患者满意度。

对于医生来说，本申请通过标记危险区，手术导航系统自动预判患者的最大去骨范围，逆推术后预测面部轮廓可调整范围，实现基于3D照相及处理系统的、对术后效果可实现的、精准的个性化设计，结合AR设备，对截除线、去骨面进行术野投影，提高手术精度，在术野下标注危险区，对医生起到提示作用，降低手术风险，缩短手术时间，减少手术并发症。

本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种下颌角截骨术中建立截骨面预测模型的方法，其特征在于：包括以下步骤：

S1、根据既往患者下颌角截骨手术患者术前CT图像、术后CT图像获得第一截骨面参数，再结合既往患者的术前照片、术后照片，构建训练集，基于多任务卷积神经网络，获得截骨面预测模型学习版，得到手术导航系统1.0版；

S2、收集新入组患者术前CT图像、术后CT图像，获得第二最终截骨面参数，结合新入组患者的术前照片、术后照片，构建测试集，对截骨面预测模型学习版进行测试，得到稳定的截骨面预测模型，再结合既往患者的危险区、新入组患者的危险区，得到截骨面预测模型稳定版，完成手术导航系统2.0版。

2.根据权利要求1所述的建立截骨面预测模型的方法，其特征在于：步骤S1中，收集既往患者下颌角截骨手术患者术前CT图像、术后CT图像，将同一视角的术前CT图像、术后CT图像进行像素级对齐后进行比较，获得的差值即为该视角的最终截骨面，不同视角的最终截骨面形成第一最终截骨面。

3.根据权利要求2所述的建立截骨面预测模型的方法，其特征在于：对所述第一最终截骨面进行量化，包括对第一最终截骨面进行拆分、标注；所述拆分是把第一最终截骨面拆分为第一下颌骨截除线与第一下颌骨外板去除平面两部分，在术前CT图像直接标注第一下颌骨截除线α1与第一下颌骨外板去除平面β1，同时在下齿列上，标注多个第一铆钉点，并根据所述第一铆钉点标定第一参考平面γ1；所述标注是量化估计第一下颌骨截除线α1、第一下颌骨外板去除平面β1分别与第一参考平面γ1之间的关系。

4.根据权利要求3所述的建立截骨面预测模型的方法，其特征在于：所述标注包括：以第一参考平面γ1为基准，确定第一下颌骨截除线α1、第一下颌骨外板去除平面β1分别与第一参考平面γ1之间的关系；具体地，用参数11表示第一下颌骨截除线α1几何中心距离第一参考平面γ1几何中心的距离；用参数12表示第一下颌骨截除线α1与第一参考平面γ1的偏转角；用参数13表示第一下颌骨外板去除平面β1几何中心距离第一参考平面γ1几何中心的距离；用参数14表示第一下颌骨外板去除平面β1与第一参考平面γ1的偏转角。

5.根据权利要求3所述的建立截骨面预测模型的方法，其特征在于：基于多任务卷积神经网络，输入既往患者术前三维CT图像不同视角的数据集、术前照片的数据集、术后照片的数据集、第一最终截骨面的参数，训练得到截骨面预测模型学习版。

6.根据权利要求1所述的建立截骨面预测模型的方法，其特征在于：步骤S1中，根据既往患者的术前CT，标记既往患者的下齿槽神经走形区及颏神经走形区为第一危险区1，标记面动脉及面后静脉走形区为第一危险区2；对各危险区进行量化评估，构建第一危险区数据集。

7.根据权利要求6所述的建立截骨面预测模型的方法，其特征在于：所述对各危险区进行量化评估，是用参数表示各危险区分别与第一参考平面γ1之间的关系，具体地，用参数15表示第一危险区1几何中心距离第一参考平面γ1几何中心的距离，用参数16表示第一危险区1与第一参考平面γ1的偏转角；用参数17表示第一危险区2几何中心距离第一参考平面γ1几何中心的距离，用参数18表示第一危险区2与第一参考平面γ1的偏转角。

8.根据权利要求1所述的建立截骨面预测模型的方法，其特征在于：步骤S2中，收集新入组患者下颌角截骨手术患者术前CT图像、术后CT图像，将同一视角的术前CT图像、术后CT图像进行像素级对齐后进行比较，获得的差值即为该视角的最终截骨面，不同视角的截骨面形成第二最终截骨面，相应地，对所述第二最终截骨面进行量化。

9.根据权利要求1所述的建立截骨面预测模型的方法，其特征在于：根据新入组患者的术前CT，标记既往患者的下齿槽神经走形区及颏神经走形区为第二危险区1，标记面动脉及面后静脉走形区为第二危险区2；相应地，对各危险区进行量化评估，构建第二危险数据集。

10.根据权利要求1所述的建立截骨面预测模型的方法，其特征在于：所述测试集包括新入组患者的第二最终截骨面数据集、新入组患者的术前照片、术后照片，用测试集对截骨面预测模型学习版进行训练，得到稳定的截骨面预测模型。