CN110473283B - 牙齿三维数字模型的局部坐标系设定方法 - Google Patents
牙齿三维数字模型的局部坐标系设定方法 Download PDFInfo
- Publication number
- CN110473283B CN110473283B CN201810445610.0A CN201810445610A CN110473283B CN 110473283 B CN110473283 B CN 110473283B CN 201810445610 A CN201810445610 A CN 201810445610A CN 110473283 B CN110473283 B CN 110473283B
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- axis
- local coordinate
- dimensional digital
- digital 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 87
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- WDEFWOPTRFWZLM-LEQGEALCSA-N (2,5-dioxopyrrolidin-1-yl) (2r)-2,5,7,8-tetramethyl-6-(oxan-2-yloxy)-3,4-dihydrochromene-2-carboxylate Chemical compound C([C@@](C)(OC=1C(C)=C2C)C(=O)ON3C(CCC3=O)=O)CC=1C(C)=C2OC1CCCCO1 WDEFWOPTRFWZLM-LEQGEALCSA-N 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 210000004513 dentition Anatomy 0.000 description 5
- 230000036346 tooth eruption Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000004283 incisor Anatomy 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000011505 plaster Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
- A61C7/002—Orthodontic computer assisted systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
- A61C7/002—Orthodontic computer assisted systems
- A61C2007/004—Automatic construction of a set of axes for a tooth or a plurality of teeth
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本申请的一方面提供了一种计算机执行的牙齿三维数字模型的局部坐标系的设定方法，包括：获取第一三维数字模型，它是基于世界坐标系表示第一牙齿的三维数字模型；以及利用第一人工神经网络，基于所述第一三维数字模型，为其设定局部坐标系，其中，所述第一人工神经网络是经训练的具有深度学习能力的人工神经网络。
Description
技术领域
本申请总体上涉及牙齿三维数字模型的局部坐标系设定方法。
背景技术
随着计算机科学的不断发展，牙科专业人员越来越多地借助计算机技术来提高牙科诊疗的效率。
在借助计算机的牙科诊疗中，常用到牙齿的三维数字模型。为了便于处理和计算，可以建立一个世界坐标系并且为每一颗牙齿建立一个局部坐标系，对于每一颗牙齿，可以结合所述世界坐标系以及该牙齿的局部坐标系来表示该牙齿的方位。在一些借助计算机的牙科诊疗中，例如，借助计算机的牙科正畸方案制定，局部坐标系的设定非常关键。
当前，局部坐标系通常是人工设定的，但人工设定局部坐标系存在以下几点不足之处：第一，每个技术人员对局部坐标系的认识可能不同，故难以保证局部坐标系设定的一致性；第二，分别为每一颗牙齿人工设定局部坐标系会花费大量时间和人力，另外，对局部坐标系的优化相当于重新进行一次人工设定，因此，人工设定局部坐标系时间和人力成本较高。
鉴于以上，有必要提供一种新的局部坐标系设定方法。
发明内容
本申请的一方面提供了一种计算机执行的牙齿三维数字模型的局部坐标系的设定方法，包括：获取第一三维数字模型，它是基于世界坐标系表示第一牙齿的三维数字模型；以及利用第一人工神经网络，基于所述第一三维数字模型，为其设定局部坐标系，其中，所述第一人工神经网络是经训练的具有深度学习能力的人工神经网络。
在一些实施方式中，所述第一人工神经网络可以是多层感知器。
在一些实施方式中，所述的基于计算机的牙齿三维数字模型的局部坐标系的设定方法还可以包括：利用所述第一人工神经网络，基于所述第一三维数字模型，获得第一预测向量，其与所述局部坐标系的第一坐标轴相对应，该第一坐标轴为所述局部坐标系的y轴和z轴之一，所述局部坐标系的y轴和z轴除所述第一坐标轴外的另一个为第二坐标轴；利用主成分分析法，基于所述第一三维数字模型，确定所述局部坐标系的x轴；基于所述已确定的x轴以及第一预测向量，确定所述第二坐标轴；以及基于所述已确定的x轴以及第二坐标轴，确定所述第一坐标轴。
在一些实施方式中，所述主成分分析法可以是基于法向的主成分分析法。
在一些实施方式中，所述的基于计算机的牙齿三维数字模型的局部坐标系的设定方法还可以包括：利用第二人工神经网络，基于所述第一三维数字模型，获得第二预测向量，其中，所述第二人工神经网络是经训练的具有深度学习能力的人工神经网络，用于预测局部坐标系的x轴，所述第二预测向量与所述局部坐标系的x轴相对应；利用所述主成分分析法，基于所述第一三维数字模型产生三个特征向量；以及从所述三个特征向量中选取与所述第二预测向量所在直线夹角最小的一个，并根据所述第二预测向量赋予所述被选中的特征向量正确的符号，作为所述局部坐标系的x轴。
在一些实施方式中，利用叉乘，基于所述已确定的x轴与第一预测向量确定所述第二坐标轴；以及利用叉乘，基于所述已确定的x轴以及第二坐标轴，确定所述第一坐标轴。
在一些实施方式中，所述局部坐标系的第一坐标轴可以是z轴。
在一些实施方式中，所述的基于计算机的牙齿三维数字模型的局部坐标系的设定方法还可以包括：对所述第一三维数字模型进行简化，使其顶点数等于预定的N，获得第一数字数据集，利用所述第一人工神经网络，基于该第一数字数据集，获得所述第一预测向量，其中，所述N是自然数。
在一些实施方式中，所述的基于计算机的牙齿三维数字模型的局部坐标系的设定方法还可以包括：对所述简化后数据集进行中心化，获得第二数字数据集，利用所述第一人工神经网络，基于该第二数字数据集，获得所述第一预测向量，利用所述主成分分析法，基于所述第二数字数据集，确定所述局部坐标系的x轴。
在一些实施方式中，所述的基于计算机的牙齿三维数字模型的局部坐标系的设定方法还可以包括：对所述第二数字数据集进行归一化处理，获得第三数字数据集，利用所述第一人工神经网络，基于该第三数字数据集，获得所述第一预测向量。
在一些实施方式中，所述第一人工神经网络的输出层包括EuclideanLoss代价函数，用于通过反向传播训练各层参数。
在一些实施方式中，所述的基于计算机的牙齿三维数字模型的局部坐标系的设定方法还可以包括：根据所述第一牙齿的类型，从多个人工神经网络中选定所述第一人工神经网络，其中，所述多个人工神经网络是经训练的具有深度学习能力的人工神经网络，分别用于为不同类型的牙齿设定局部坐标系。
在一些实施方式中，所述第一人工神经网络可以是以下之一：多层感知器、基于八叉树的卷积神经网络、卷积神经网络、递归神经网络、强化学习以及生成对抗网络。
在一些实施方式中，所述第一人工神经网络是以手工标定局部坐标系的多个牙齿三维数字模型进行训练，其中，所述多个牙齿三维数字模型均是与所述第一牙齿相同类型的牙齿的三维数字模型。
附图说明
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。
图1为本申请一个实施例中计算机实施的牙齿三维数字模型的局部坐标系的设定方法的示意性流程图；
图2示意性地展示了本申请一个实施例中多层感知器人工神经网络的结构；
图3示意性地展示了牙齿的象限分配；
图4为本申请一个实施例中的计算机实施的牙齿三维数字模型的局部坐标系的设定方法的示意性流程图；
图5示意性地展示了本申请一个实施例中的O-CNN网络的结构。
具体实施方式
以下的详细描述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是出于说明性之目的，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。
经过大量的研发工作，本申请的发明人开发出了一种计算机执行的基于深度学习的牙齿三维数字模型的局部坐标系设定方法，利用经训练的具有深度学习能力的人工神经网络设定牙齿三维数字模型的局部坐标系。
请参图1，为本申请一个实施例中的计算机执行的牙齿三维数字模型的局部坐标系的设定方法100的示意性流程图。
在一个实施例中，计算机执行的牙齿三维数字模型的局部坐标系的设定方法100是基于多层感知器(Multi-Layer Perceptron，简称MLP)。
在一个实施例中，为了提高人工神经网络的预测精度，可以为每一种类型的牙齿分别建立一个人工神经网络，例如，为1至7号牙分别建立一个人工神经网络，分别用于为相应类型的牙齿设定局部坐标系。
在101中，获取第一三维数字模型。
第一三维数字模型是基于世界坐标系的表示第一牙齿的三维数字模型，其各顶点的坐标值是所述世界坐标系下的坐标值。
在一个实施例中，世界坐标系可以手工设定。例如，可以将垂直于咬合面的向量作为世界坐标系的Z轴，将两颗6号牙的牙尖连线作为世界坐标系X轴的方向，然后基于该两坐标轴确定Y轴。
获取患者牙齿的数字三维模型的方法有多种。在一个实施例中，可以直接扫描患者的牙颌(上颌和/或下颌)，获得表示患者牙列的三维数字模型。在又一实施例中，可以扫描患者牙颌的实体模型，例如石膏模型，获得表示患者牙列的三维数字模型。在又一实施例中，可以扫描患者牙颌的印模，获得表示患者牙列的三维数字模型。将表示患者牙列的三维数字模型进行分割即可获得表示各牙齿的三维数字模型。
在一个实施例中，可以基于三角网格构建牙齿的三维数字模型，下面以此类三维数字模型为例进行说明。可以理解，还可以基于其他类型的网格构建牙齿的三维数字模型，例如，四边形网格、五边形网格、六边形网格等，此处不再进行一一说明。
在103中，对第一三维数字模型进行简化获得第一数字数据集。
未经处理的原始牙齿三维数字模型的顶点/面片数量可能各不相同，不利于对人工神经网络进行训练，也不利于用经训练的人工神经网络来设定其局部坐标系。因此，在把三维数字模型输入人工神经网络之前，可以先对其进行简化处理，使其顶点/面片数量等于预定的值N。在一个实施例中，可以把该预定的值设为2048或1024，即经简化处理后的三维数字模型的顶点数量为2048或1024。可以理解，该预定的值也可以根据具体情况和需求设置为其他数字。此处，第一数字数据集表示经简化后的三维数字模型。
在一个实施例中，可以利用以二次误差作为度量代价的边收缩算法(QuadricError Metrics)对第一三维数字模型进行简化处理。
首先，对于第一三维数字模型的每个顶点，可以根据方程式(1)计算Q矩阵：
Q＝∑p∈planes(v)Kp 方程式(1)
其中，planes(v)表示原始顶点(未经简化的第一三维数字模型的顶点)相关平面的集合，Kp由以下方程式(2)表达，
其中，p由以下方程式(3)表达，
p＝[a b c d]T 方程式(3)
其中，p代表以下方程式(4)的平面方程的系数，
ax+by+cz+d＝0 方程式(4)
其中，a、b以及c满足以下条件，
a2+b2+c2＝1 方程式(5)
在一个实施例中，可以针对每一对相邻的顶点组合计算合并误差，然后迭代选取最小误差的顶点组合进行收缩，并更新所有相关的边的误差。基于Q矩阵的计算，可以获得简化后的顶点集合。
经过简化后的三维数字模型的顶点数量不一定等于所述预定的值，此时，可以通过添加或删减顶点使得第一数字数据集的顶点数量等于所述预定的值。
在本申请的启发下，可以理解，除了以二次误差作为度量代价的边收缩算法之外，可以采用任何其他适用的算法对第一三维数字模型进行简化。
在105中，对第一数字数据集进行中心化处理获得第二数字数据集。
在一个实施例中，可以对第一数字数据集中的各顶点坐标求均值，获得中心点坐标，然后把各顶点坐标减去该中心点坐标得到第二数字数据集。
在107中，对第二数字数据集进行归一化处理获得第三数字数据集。
在一个实施例中，可以对第二数字数据集在各维度分别进行归一化，获得第三数字数据集。例如，在世界坐标系X轴上的归一化可以根据下列方程式(6)进行：
其中，m-data(X)代表在世界坐标系X轴上归一化后的数据；min(data(X))代表顶点的最小X坐标值；max(data(X))代表顶点的最大X坐标值。
在一个实施例中，可以将归一化后的数据保存为hdf5格式(Hierarchical DataFormat version 5.0)，即第三数字数据集为hdf5格式。
在一个实施例中，对于世界坐标系Y轴和Z轴分量的归一化也可以采用min(data(X))和max(data(X))，即进行各项同性归一化，经实验证明其效果较佳，此处不再赘述。在本申请的启发下，可以理解，各项同性归一化也可以采用min(data(Y))和max(data(Y))，或min(data(Z))和max(data(Z))。
在109中，利用经训练的具有深度学习能力的人工神经网络，基于第三数字数据集，得到对应局部坐标系z轴的第一预测向量。
在一个实施例中，可以采用多层感知器(Multi-Layer Perceptron，简称MLP)，基于第三数字数据集，预测得到第一预测向量。
请参图2，示意性地展示了本申请一个实施例中多层感知器人工神经网络200的结构。
在一个实施例中，多层感知器200包括输入层201，6个全连接层203、205、207、211、215以及217，2个Dropout层209和213，以及输出层219。
全连接层203、205以及207中包括ReLU激活函数，以实现非线性及避免梯度弥散，对模型的深度和广度提供了包容性。全连接层在保留所有输入信息的基础上，通过线性与非线性变化提升模型拟合能力，提取有效特征。
Dropout层209和213能够加强模型泛化性，减少过拟合产生。
【多层感知器的训练】
在一个实施例中，可以用手工标定局部坐标系的牙齿三维数字模型来训练多层感知器。
在一个实施例中，可以为不同的牙齿分别建立多层感知器人工神经网络，并分别进行训练，以提高预测的准确性。
在一个实施例中，在训练时，label项(即人工神经网络学习的方向)可以设为局部坐标系的z轴。可以理解，label项也可以设为局部坐标系的y轴。
输出层219中包括EuclideanLoss代价函数，表示预测结果与标记结果的均方根误差，以此通过反向传播(Back Propagation，简称BP)来训练MLP各层参数。EuclideanLoss代价函数的数学式表达为：
其中，N代表训练采用的数据量(即用于训练的人工标定了局部坐标系的该类牙齿的三维数字模型的数量)，labeli表示第i个训练数据的label项，predicitioni表示人工神经网络基于第i个训练数据预测得到的项。
反向传播算法是在有监督的情况下，适合多层神经网络的一种学习算法。它建立在梯度下降法的基础上。反向传播算法主要由两个环节(激励传播和权重更新)反复循环迭代，直到网络对输入的响应达到预定的目标范围为止。反向传播算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层。如果在输出层得不到期望的输出值，以代价函数作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据。网络的学习在权值修改过程中完成。误差达到所期望值时，网络学习结束。
MLP输出的第一预测向量可以是在世界坐标系X、Y、Z轴上的三个分量。当label项为局部坐标系的z轴时，那么该第预测一向量就是MLP预测得到的局部坐标系的z轴。
在一个实施例中，训练过程可以在ubuntu系统下，python结合caffe来实现，训练参数及其设定值如下：
max_iter：40000
base_lr：0.001(或0.01)
Lr_policy：step
Stepsize＝20000(或40000)
Gamma：0.1
Momentum：0.9
Momentum2：0.99
Weight_decay＝0.005
Solver：SGDSolver
Weight_filler：Xavier
其中学习率base_lr及stepsize可根据训练反馈情况进行调整，以得到较佳模型。
在111中，利用基于法向的主成分分析算法，基于第二数字数据集，确定局部坐标系的x轴。
请参由Papadakis P、Pratikakis I、Perantonis S等在Pattern Recognition，2007，40(9)：2437-2452上发表的“Efficient 3D Shape Matching and Retrieval Usinga Concrete Radialized Spherical Projection Representation”，披露了一种基于法向的三维数据的主成分分析法(Normals Principal Component Analysis，简称NPCA)。
基于法向的主成分分析算法对于点序变化、平移、旋转等变换不敏感，能够强有力地描述一个面片数据在三维坐标系下的表示，使得在匹配问题上减少了许多麻烦。
本申请的发明人通过大量的实验发现，利用NPCA算法对牙齿数据进行分析，得到的某一特征向量与局部坐标系的x轴方向吻合度极高，在99％左右的情况下，两者的夹角小于1度。因此，可以从利用NPCA算法对第二数字数据集进行处理而获得的三个特征向量中符合局部坐标系x轴空间条件的那个特征向量挑选出，赋予其正确的符号后，作为局部坐标系的x轴。
下面对如何利用NPCA算法确定局部坐标系x轴的过程进行详细描述，其中，以X、Y、Z表示世界坐标系的坐标轴，以x、y、z表示局部坐标系的坐标轴。
在一个实施例中，可以利用NPCA算法直接确定局部坐标系的x轴。
【利用NPCA直接确定局部坐标系的x轴】
首先，计算每一个三角面片的法向量ni和表面积Ei。
接着，根据以下方程式(7)计算协方差矩阵，
其中，E表示所有三角面片的表面积总和。
然后，基于计算得到的协方差矩阵计算得到三个特征向量x’、y’以及z’，分别与局部坐标系的x、y及z轴相对应，在赋予x’正确的符号后，作为局部坐标系的x轴。
此时，还无法确定计算得到的三个特征向量中的哪一个与局部坐标系的x轴相对应。在一个实施例中，可以基于以下方法来确定。
首先，可以基于特征向量与世界坐标系Z轴所在直线的夹角，从特征向量中选出夹角最小的作为与局部坐标系z轴相对应的向量z’。对于第一或第二象限牙齿，计算特征向量与-Z向量的夹角；对于第三或第四象限牙齿，计算与Z轴向量的夹角。
请参图3，示意性地展示了牙齿的象限分配。
该视图是上、下颌牙齿沿从后往前方向的投影。其中，第一象限1和第二象限2中的为上颌牙齿，第三象限3和第四象限4中的为下颌牙齿。各牙齿的编号中第一位是象限的编号，第二位是牙齿的编号。例如，上颌左侧1号牙的编号为11，以此类推。
然后，从剩余的两个特征向量中选择其一为x’，再赋予其相应的符号，作为局部坐标系的x轴。在一个实施例中，可以基于以下方法来确定剩余的两个特征向量中哪一个是x’。
在一个实施例中，可以利用x’、y’、z’构建一个伪坐标系x1y1z1。在考虑方向变化的情况下，有4种符合右手定则的情况，分别为[x’，y’](将剩余两个特征向量中的第一向量作为x1，第二向量作为y1)、[y’，-x’](将剩余两个特征向量中的第一向量作为y1，第二向量作为-x1)、[-x’，-y’](将剩余两个特征向量中的第一向量作为-x1，第二向量作为-y1)以及[-y’，x’](将剩余两个特征向量中的第一向量作为-y1，第二向量作为x1)。对于1～6号牙，可以根据与世界坐标系X、Y轴的位置关系以及牙齿本身的形状差异，基于以下规则进行处理。
规则一：对于第一、第四象限的牙齿，可以规定x’在世界坐标系X轴上的分量小于零；对于第二、第三象限的牙齿，可以规定x’在世界坐标系X轴上的分量大于零。
规则二：对于第一、第二象限的牙齿，可以规定x’在世界坐标系Y轴上的分量小于零，y’在世界坐标系X轴上的分量小于零；对于第三、第四象限的牙齿，可以规定x’在世界坐标系Y轴上的分量小于零，y’在世界坐标系X轴上的分量大于零。
规则三：对于第一、第四象限的牙齿，可以规定当x’在世界坐标系X轴上的分量小于零时，x’在世界坐标系Y轴上的分量小于约-sin(pi/6)，其中，该值是本申请的发明人基于大量实验而得出的经验值；当x’在世界坐标系X轴上的分量大于零时，x’在世界坐标系Y轴上的分量小于约-sin(pi/3)，其中，该值是本申请的发明人基于大量实验而得出的经验值。对于第二、第三象限牙齿，可以规定当x’在世界坐标系X轴上的分量小于零时，x’在世界坐标系Y轴上的分量小于约-sin(pi/3)，当x’在世界坐标系X轴上的分量大于零时，x’在世界坐标系Y轴上的分量小于约-sin(pi/6)。
由于形态的特殊性，对于1～3号牙齿，可以z’方向上最大最小值中点为分割点，保留牙冠上部。然后，对上部牙冠再次进行NPCA分析，在这种情况下，第一主成分的向量大概率与局部坐标系x轴所在直线基本平行。因此，可以将完整牙冠NPCA的特征向量中与上部牙冠NPCA的第一主成分向量所在直线夹角最小的向量作为x’。那么，上述的4种情况就可以被简化为2种。然后，再依据规则一和规则二来最终确定局部坐标系x轴的方向。
对于中切牙，可以基于在世界坐标系X轴上的分量的绝对值大小来区分x’和y’，绝对值大的为x’，绝对值小的为y’，该判断方法可以替代规则二。
对于4～6号牙，在经过基于规则三的判断之后，有可能出现多种情况均符合要求，例如，[x’，y’]、[y’，-x’]。
医学规则规定局部坐标系的x轴应与中央沟平行。那么可以基于以下规则进行进一步判断。
分别用10组垂直于局部坐标系x轴的平面与牙齿模型求交，得到不同x值下的10组交线。在这两种情况下(即[x’，y’]和[y’，-x’])，分别获得交线集合A和B。若交线集合A凹的情况较多，则[x’，y’]更加合适；若交线集合B凹的情况较多，则[y’，-x’]更加合适。为了判断交线是否为凹，可以用z＝a(a为10个在曲线z值范围内的等间距的值)的直线与交线求交，若交点数大于2，则判断该曲线为凹。比较A、B情况下，基于交线为凹的数量，最终确定局部坐标系的x轴。
对于7号牙，可以根据以下规则四进行判断。对于第一、第三象限的牙齿，y’在世界坐标系Y轴上的分量大于-sqrt(3)/2，其中，该值是本申请的发明人基于大量实验而得出的经验值；对于第二、第四象限的牙齿，y’在世界坐标系Y轴上的分量小于sqrt(3)/2。
若经过规则四和规则二后，依旧有一个以上的情况满足规则，那么可以选择局部坐标系y轴与世界坐标系X轴夹角最小的组合。
若基于以上依旧无法判断对应关系，那么随机输出结果，这就是1％误差的来源。
在又一实施例中，还可以结合NPCA和MLP来确定局部坐标系的x轴。
【结合NPCA和MLP确定局部坐标系的x轴】
在一个实施例中，可以参照以上的方法，针对局部坐标系的x轴，建立并训练28个MLP网络，分别对应每一颗牙齿。
然后，将第三数字数据集输入对应的MLP网络，获得第二预测向量，即该MLP网络基于第三数字数据集预测得到的局部坐标系的x轴。
接着，以NPCA处理第二数字数据集，得到三个特征向量x’、y’、z’分别与局部坐标系的x、y、z轴相对应，但此时还无法区分三个特征向量与局部坐标系的x、y、z轴的对应关系。
对于不同象限的牙齿，挑选出三个特征向量中与世界坐标系的Z轴所在直线夹角最小的作为z’。
将第二预测向量与剩下两个特征向量所在直线进行比较，选取夹角最小的那个特征向量，并赋予其正确的符号，作为局部坐标系的x轴。例如，当被选中的特征向量与第二预测向量的夹角小于90度，则赋予其“+”号，表示不改变其方向；当被选中的特征向量与第二预测向量的夹角大于90度，则赋予其“-”号，表示反转其方向。
在113中，基于已确定的局部坐标系x轴以及第一预测向量，确定局部坐标系的y轴和z轴。
在一个实施例中，可以将已确定的局部坐标系x轴与第一预测向量进行叉乘，得到局部坐标系y轴。然后，再将已确定的局部坐标系的x轴和y轴进行叉乘，得到修正后的局部坐标系z轴。
在一个实施例中，局部坐标系的坐标中心可以是牙洞线中心。至此，局部坐标系设定完毕。
请参图4，为本申请一个实施例中的计算机实施的牙齿三维数字模型的局部坐标系的设定方法400的示意性流程图。
计算机实施的牙齿三维数字模型的局部坐标系的设定方法400是利用基于八叉树的卷积神经网络(Octree-Based Convolutional Neural Networks，简称O-CNN)。
在401中，获取第一三维数字模型。
第一三维数字模型是基于世界坐标系的表示第一牙齿的三维数字模型，也就是说，其各顶点的坐标值是所述世界坐标系下的坐标值。
在403中，对第一三维数字模型进行细化得到第二三维数字模型。
在一个实施例中，为后续体素化后的数据增加更多信息，可以对第一三维模型进行细化上采样，得到第二三维数字模型。具体操作如下。
首先，计算三角面片fi三边的中点ai、bi、ci。
然后，连接aibi、aici、bici，此时，原三角面片fi被分割为4个小三角面片。
分割完所有三角面片后，还可以迭代上述操作，直至达到经验要求。在一个实施例中，可以对第一三维数字模型进行4次上采样，得到第二三维数字模型。
在405中，对第二三维数字模型进行八叉树体素化得到体数据集。
在一个实施例中，可以把第二三维数字模型放入一个单位包围盒内(长宽高均为1)，然后，以广度优先的顺序将该单位包围盒递归地分割为8个子包围盒，重复递归直到满足预先设定的八叉树深度d。
在一个实施例中，在体素化后可以搜集一些O-CNN变换中需要的信息，如shufflekey和O-label。
其中，shufflekey定义了父节点下的当前子节点的相对位置，其为卷积计算服务。O-label定义了当前子节点的父节点是谁，以及是父节点下的第几个非空子节点，该过程为pooling操作服务。
在407中，利用经训练的O-CNN网络，基于体数据集，预测得到对应局部坐标系其中两个坐标轴的第三预测向量和第四预测向量。
在一个实施例中，在训练O-CNN网络时，可以针对局部坐标系的三个坐标轴分别建立O-CNN网络并进行训练，根据训练过程中的结果，选择预测最准确的两个O-CNN网络(分别对应局部坐标系的其中两个坐标轴)来设定局部坐标系。
【O-CNN网络的训练】
在训练O-CNN网络时，为了提高O-CNN网络的泛化能力，可以将用于训练的细化后的三维数字模型以15度为步长分别绕局部坐标系的三个轴旋转[-45,45]度，数据因此可增广73倍。
请参由Wang P S、Liu Y、Guo Y X等在Acm Transactions on Graphics，2017，36(4)：72上发表的“O-CNN：Octree-Based Convolutional Neural Networks for 3D ShapeAnalysis”，披露了一种在以体素化3D数据为输入的卷积神经网络，该网络为3D模型的分类分割问题提供了非常好的解决方案。针对局部坐标系坐标轴的预测，可以将O-CNN的分类层改成以EuclideanLoss为代价函数的回归层。
请参图5，示意性地展示了本申请一个实施例中的O-CNN网络500的结构。
O-CNN网络500包括输入层501、O-CNN[d]503、505及507、Dropout层509和513、全连接层511和515以及输出层517。
其中，O-CNN[d]503、505及507的每一个均包括卷积层(convolution)、批量正规化层(batch normalization)、激活函数ReLU以及池化层(pooling)。卷积层通过对小范围域内的数据通过卷积的方式计算局部特征。池化层通过上采样实现部分的旋转平移等不变性。批量正规化层在一定程度上解决了数据的每层输出分布不统一的问题，具有能够使用更高的学习率，避免过拟合，合理避免梯度饱和等优点。
在一个实施例中，输入的数据值为每一个叶子节点所在包围盒中所有顶点的平均法向。若叶子节点为空，则将法向设定为0。
在409中，基于第三预测向量和第四预测向量确定局部坐标系的三个坐标轴。
在一个实施例中，可以根据O-CNN网络预测的偏差大小决定将第三预测向量和第四预测向量之一作为局部坐标系的第一坐标轴。然后，将第三预测向量和第四预测向量进行叉乘得到局部坐标系的第二坐标轴。最后将第一坐标轴和第二坐标轴进行叉乘得到局部坐标系的第三坐标轴。
例如，若第三预测向量对应局部坐标系的x轴，第四预测向量对应局部坐标系的z轴，若该O-CNN网络对局部坐标系的x轴的预测更加准确，那么，将第三预测向量作为局部坐标系的x轴。然后，将第三预测向量和第四预测向量进行叉乘得到局部坐标系的y轴。最后，将x轴和y轴进行叉乘得到局部坐标系的z轴。
在本申请的启发下，可以理解，除了以上具有深度学习能力的人工神经网络，还可以采用其他适用的人工神经网络设定局部坐标系的坐标轴，例如，卷积神经网络(Convolutional Neural Networks，简称CNN)、递归神经网络(Recurrent NeuralNetworks，简称RNN)、强化学习(Reinforcement Learning，简称RL)以及生成对抗网络(Generative Adversarial Networks，简称GANs)。
尽管在此公开了本申请的多个方面和实施例，但在本申请的启发下，本申请的其他方面和实施例对于本领域技术人员而言也是显而易见的。在此公开的各个方面和实施例仅用于说明目的，而非限制目的。本申请的保护范围和主旨仅通过后附的权利要求书来确定。
同样，各个图表可以示出所公开的方法和系统的示例性架构或其他配置，其有助于理解可包含在所公开的方法和系统中的特征和功能。要求保护的内容并不限于所示的示例性架构或配置，而所希望的特征可以用各种替代架构和配置来实现。除此之外，对于流程图、功能性描述和方法权利要求，这里所给出的方框顺序不应限于以同样的顺序实施以执行所述功能的各种实施例，除非在上下文中明确指出。
除非另外明确指出，本文中所使用的术语和短语及其变体均应解释为开放式的，而不是限制性的。在一些实例中，诸如“一个或多个”、“至少”、“但不限于”这样的扩展性词汇和短语或者其他类似用语的出现不应理解为在可能没有这种扩展性用语的示例中意图或者需要表示缩窄的情况。
Claims (13)
1.一种计算机执行的牙齿三维数字模型的局部坐标系的设定方法，包括：
获取第一三维数字模型，它是基于世界坐标系表示第一牙齿的三维数字模型；
利用第一人工神经网络，基于所述第一三维数字模型，产生第一预测向量，其与所述第一三维数字模型的局部坐标系的第一坐标轴相对应，该第一坐标轴为所述局部坐标系的y轴和z轴之一，所述局部坐标系的y轴和z轴除所述第一坐标轴外的另一个为第二坐标轴；
利用第二人工神经网络，基于所述第一三维数字模型，产生第二预测向量，其与所述局部坐标系的x轴相对应；
利用主成分分析法，基于所述第一三维数字模型，产生三个特征向量，
分别与所述局部坐标系的x、y及z轴相对应；
从所述三个特征向量中选取与所述第二预测向量所在直线夹角最小的一个，并根据所述第二预测向量赋予所述被选中的特征向量正确的符号，作为所述局部坐标系的x轴；
基于所述已确定的x轴以及第一预测向量，确定所述第二坐标轴；以及
基于所述已确定的x轴以及第二坐标轴，确定所述第一坐标轴。
2.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，所述第一人工神经网络是多层感知器。
3.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，所述主成分分析法是基于法向的主成分分析法。
4.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，
利用叉乘，基于所述已确定的x轴与第一预测向量确定所述第二坐标轴；以及
利用叉乘，基于所述已确定的x轴以及第二坐标轴，确定所述第一坐标轴。
5.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，所述局部坐标系的第一坐标轴是z轴。
6.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，它还包括：对所述第一三维数字模型进行简化，使其顶点数等于预定的N，获得第一数字数据集，利用所述第一人工神经网络，基于该第一数字数据集，获得所述第一预测向量，其中，所述N是自然数。
7.如权利要求6所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，它还包括：对所述简化后数据集进行中心化，获得第二数字数据集，利用所述第一人工神经网络，基于该第二数字数据集，获得所述第一预测向量，利用所述主成分分析法，基于所述第二数字数据集，确定所述局部坐标系的x轴。
8.如权利要求7所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，它还包括：对所述第二数字数据集进行归一化处理，获得第三数字数据集，利用所述第一人工神经网络，基于该第三数字数据集，获得所述第一预测向量。
9.如权利要求2所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，所述第一人工神经网络的输出层包括EuclideanLoss代价函数，用于通过反向传播训练各层参数。
10.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，它还包括：根据所述第一牙齿的类型，从多个人工神经网络中选定所述第一人工神经网络，其中，所述多个人工神经网络是经训练的具有深度学习能力的人工神经网络，分别用于为不同类型的牙齿设定局部坐标系。
11.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，所述第一人工神经网络是以下之一：多层感知器、基于八叉树的卷积神经网络、卷积神经网络、递归神经网络、强化学习以及生成对抗网络。
12.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，所述第一人工神经网络是以手工标定局部坐标系的多个牙齿三维数字模型进行训练，其中，所述多个牙齿三维数字模型均是与所述第一牙齿相同类型的牙齿的三维数字模型。
13.如权利要求1所述的计算机执行的牙齿三维数字模型的局部坐标系的设定方法，其特征在于，所述局部坐标系的x轴是医学上规定应与所述第一牙齿的中央沟平行的坐标轴。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810445610.0A CN110473283B (zh) | 2018-05-09 | 2018-05-09 | 牙齿三维数字模型的局部坐标系设定方法 |
| US16/967,671 US11694397B2 (en) | 2018-05-09 | 2019-03-12 | Method for setting a local coordinate system of a tooth 3D digital model |
| PCT/CN2019/077805 WO2019214339A1 (zh) | 2018-05-09 | 2019-03-12 | 牙齿三维数字模型的局部坐标系设定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810445610.0A CN110473283B (zh) | 2018-05-09 | 2018-05-09 | 牙齿三维数字模型的局部坐标系设定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110473283A CN110473283A (zh) | 2019-11-19 |
| CN110473283B true CN110473283B (zh) | 2024-01-23 |
Family
ID=68466876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810445610.0A Active CN110473283B (zh) | 2018-05-09 | 2018-05-09 | 牙齿三维数字模型的局部坐标系设定方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11694397B2 (zh) |
| CN (1) | CN110473283B (zh) |
| WO (1) | WO2019214339A1 (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102581685B1 (ko) | 2017-06-30 | 2023-09-25 | 프로메이톤 홀딩 비.브이. | 딥 러닝을 이용한 3d 구강 악안면 구조의 분류 및 3d 모델링 |
| EP3462373A1 (en) | 2017-10-02 | 2019-04-03 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
| EP3503038A1 (en) * | 2017-12-22 | 2019-06-26 | Promaton Holding B.V. | Automated 3d root shape prediction using deep learning methods |
| EP3561778A1 (en) | 2018-04-26 | 2019-10-30 | Promaton Holding B.V. | Automated correction of metal affected voxel representations of x-ray data using deep learning techniques |
| TWI712396B (zh) * | 2020-01-16 | 2020-12-11 | 中國醫藥大學 | 口腔缺陷模型之修補方法及口腔缺陷模型之修補系統 |
| CN113822305A (zh) * | 2020-06-19 | 2021-12-21 | 杭州朝厚信息科技有限公司 | 产生表示牙齿正畸治疗的目标牙齿布局的数字数据集的方法 |
| CN112790879B (zh) * | 2020-12-30 | 2022-08-30 | 正雅齿科科技(上海)有限公司 | 一种牙齿模型的牙轴坐标系构建方法及系统 |
| CN113421333B (zh) * | 2021-07-01 | 2023-10-24 | 正雅齿科科技(上海)有限公司 | 牙齿局部坐标系确定方法和系统、设备及计算机存储介质 |
| CN113570709B (zh) * | 2021-08-05 | 2024-05-10 | 杭州隐捷适生物科技有限公司 | 一种基于八叉树结构的3d牙齿分割方法 |
| WO2023242767A1 (en) * | 2022-06-16 | 2023-12-21 | 3M Innovative Properties Company | Coordinate system prediction in digital dentistry and digital orthodontics, and the validation of that prediction |
| EP4307229A1 (en) * | 2022-07-15 | 2024-01-17 | 3Shape A/S | Method and system for tooth pose estimation |
| CN117351293B (zh) * | 2023-12-04 | 2024-02-06 | 天津医科大学口腔医院 | 一种联合学习的牙周病图像分类方法及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008096017A2 (en) * | 2007-02-09 | 2008-08-14 | Universiteit Antwerpen | 3-d orthognathic surgery simulation |
| CN102073749A (zh) * | 2009-11-04 | 2011-05-25 | 常州高新技术产业开发区三维工业技术研究所有限公司 | 设计中间全颌牙齿数字模型的方法 |
| CN202154758U (zh) * | 2011-07-26 | 2012-03-07 | 北京大学口腔医学院 | 一种数字化口腔修复体制作设备 |
| CN105931291A (zh) * | 2016-05-16 | 2016-09-07 | 杭州美齐科技有限公司 | 一种数字化完整牙颌建模方法 |
| CN107239826A (zh) * | 2017-06-06 | 2017-10-10 | 上海兆芯集成电路有限公司 | 在卷积神经网络中的计算方法及装置 |
| CN107260335A (zh) * | 2017-06-26 | 2017-10-20 | 达理 | 一种基于人工智能的牙列畸形自动化分类和设计方法 |
| CN107301673A (zh) * | 2017-05-17 | 2017-10-27 | 杭州美齐科技有限公司 | 一种利用标准模型库构造牙齿的局部坐标系的算法 |
| CN107374758A (zh) * | 2017-07-14 | 2017-11-24 | 西安科技大学 | 基于拟合优化的自动排牙方法和装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9632981B2 (en) * | 2012-07-12 | 2017-04-25 | Vital Connect, Inc. | Calibration of a chest-mounted wireless sensor device for posture and activity detection |
| KR101865655B1 (ko) * | 2014-06-26 | 2018-06-11 | 한국과학기술원 | 증강현실 상호 작용 서비스 제공 장치 및 방법 |
| US20160019688A1 (en) * | 2014-07-18 | 2016-01-21 | University Of Georgia Research Foundation, Inc. | Method and system of estimating produce characteristics |
| CN105380723B (zh) * | 2015-12-23 | 2017-03-29 | 南京航空航天大学 | 制作全口义齿的排牙方法 |
| EP3151164A3 (en) * | 2016-12-26 | 2017-04-12 | Argosai Teknoloji Anonim Sirketi | A method for foreign object debris detection |
| EP3612132B1 (en) * | 2017-04-21 | 2023-08-23 | Martz, Andrew, S. | Method and system for the fabrication of dental appliances |
| CN108010036B (zh) * | 2017-11-21 | 2020-01-21 | 江南大学 | 一种基于rgb-d相机的物体对称轴检测方法 |
| US10643384B2 (en) * | 2018-02-08 | 2020-05-05 | Google Llc | Machine learning-based geometric mesh simplification |
-
2018
- 2018-05-09 CN CN201810445610.0A patent/CN110473283B/zh active Active
-
2019
- 2019-03-12 US US16/967,671 patent/US11694397B2/en active Active
- 2019-03-12 WO PCT/CN2019/077805 patent/WO2019214339A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008096017A2 (en) * | 2007-02-09 | 2008-08-14 | Universiteit Antwerpen | 3-d orthognathic surgery simulation |
| CN102073749A (zh) * | 2009-11-04 | 2011-05-25 | 常州高新技术产业开发区三维工业技术研究所有限公司 | 设计中间全颌牙齿数字模型的方法 |
| CN202154758U (zh) * | 2011-07-26 | 2012-03-07 | 北京大学口腔医学院 | 一种数字化口腔修复体制作设备 |
| CN105931291A (zh) * | 2016-05-16 | 2016-09-07 | 杭州美齐科技有限公司 | 一种数字化完整牙颌建模方法 |
| CN107301673A (zh) * | 2017-05-17 | 2017-10-27 | 杭州美齐科技有限公司 | 一种利用标准模型库构造牙齿的局部坐标系的算法 |
| CN107239826A (zh) * | 2017-06-06 | 2017-10-10 | 上海兆芯集成电路有限公司 | 在卷积神经网络中的计算方法及装置 |
| CN107260335A (zh) * | 2017-06-26 | 2017-10-20 | 达理 | 一种基于人工智能的牙列畸形自动化分类和设计方法 |
| CN107374758A (zh) * | 2017-07-14 | 2017-11-24 | 西安科技大学 | 基于拟合优化的自动排牙方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11694397B2 (en) | 2023-07-04 |
| US20210217233A1 (en) | 2021-07-15 |
| CN110473283A (zh) | 2019-11-19 |
| WO2019214339A1 (zh) | 2019-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110473283B (zh) | 牙齿三维数字模型的局部坐标系设定方法 | |
| US8639477B2 (en) | Reconstruction of non-visible part of tooth | |
| EP2598034B1 (en) | Adaptive visualization for direct physician use | |
| CN113454637A (zh) | 使用深度学习对非欧式3d数据集的自动语义分割 | |
| WO2020048960A1 (en) | Automated orthodontic treatment planning using deep learning | |
| Chan et al. | Volumetric parametrization from a level set boundary representation with PHT-splines | |
| WO2020066662A1 (ja) | 形状補完装置、形状補完学習装置、方法、及びプログラム | |
| Zheng et al. | TeethGNN: semantic 3D teeth segmentation with graph neural networks | |
| CN111968146A (zh) | 三维牙颌网格模型分割方法 | |
| CN112560639B (zh) | 人脸关键点数目转换方法、系统、电子设备及存储介质 | |
| US20220252906A1 (en) | Computer-implemented method for individualising a spectacle frame element by determining a parametric substitution model of a spectacle frame element, and device and systems using such a method | |
| JP2022036918A (ja) | 人工知能の使用による３ｄオブジェクトへのｕｖマッピング | |
| Iglesias et al. | Immunological approach for full NURBS reconstruction of outline curves from noisy data points in medical imaging | |
| Yao et al. | Shape estimation for elongated deformable object using B-spline chained multiple random matrices model | |
| EP3270308B9 (en) | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product | |
| Juneja et al. | OCLU-NET for occlusal classification of 3D dental models | |
| Zou et al. | Constraint-based beautification and dimensioning of 3D polyhedral models reconstructed from 2D sketches | |
| CN114494109A (zh) | 用于为3d cad对象的b-rep生成主观风格比较度量的技术 | |
| Wang et al. | B-spline freeform surface tailoring for prescribed irradiance based on differentiable ray-tracing | |
| Huysmans et al. | Multi-patch B-spline statistical shape models for CAD-compatible digital human modeling | |
| EP4307229A1 (en) | Method and system for tooth pose estimation | |
| WO2023242767A1 (en) | Coordinate system prediction in digital dentistry and digital orthodontics, and the validation of that prediction | |
| Ergün et al. | ANFIS definition of focal length for zoom lens via fuzzy logic functions | |
| JP3079692B2 (ja) | コンピュータ支援設計装置におけるマスプロパティ演算装置及び方法 | |
| Jenkins et al. | Joint constraint modelling using evolved topology generalized multi-layer perceptron (gmlp) |
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 |