CN110769777B - 牙齿类型和萌出状态的自动检测 - Google Patents

牙齿类型和萌出状态的自动检测 Download PDF

Info

Publication number
CN110769777B
CN110769777B CN201880040186.XA CN201880040186A CN110769777B CN 110769777 B CN110769777 B CN 110769777B CN 201880040186 A CN201880040186 A CN 201880040186A CN 110769777 B CN110769777 B CN 110769777B
Authority
CN
China
Prior art keywords
tooth
eruption
teeth
patient
target
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
Application number
CN201880040186.XA
Other languages
English (en)
Other versions
CN110769777A (zh
Inventor
薛亚
崔智英
J·B·摩尔
A·斯彼德诺夫
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.)
Align Technology Inc
Original Assignee
Align Technology Inc
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 Align Technology Inc filed Critical Align Technology Inc
Priority to CN202310952121.5A priority Critical patent/CN116942335A/zh
Publication of CN110769777A publication Critical patent/CN110769777A/zh
Application granted granted Critical
Publication of CN110769777B publication Critical patent/CN110769777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • A61C7/08—Mouthpiece-type retainers or positioners, e.g. for both the lower and upper arch
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C9/00—Impression cups, i.e. impression trays; Impression methods
    • A61C9/004—Means or methods for taking digitized impressions
    • A61C9/0046—Data acquisition means or methods
    • A61C9/0053—Optical means or methods, e.g. scanning the teeth by a laser or light beam
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Dentistry (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)

Abstract

本文提供了用于检测目标牙齿的萌出状态(例如，牙齿类型和/或萌出状态)的系统和方法。可以对患者的牙齿进行扫描和/或分割。可以识别目标牙齿。可以提取牙齿特征、主成分分析(PCA)特征和/或其他特征，并将其与其他牙齿的上述特征(例如通过自动机器学习系统获得的那些特征)进行比较。检测器可以识别和/或输出目标牙齿的萌出状态，例如目标牙齿是完全萌出的乳牙、部分萌出/未萌出的恒牙还是完全萌出的恒牙。

Description

牙齿类型和萌出状态的自动检测
相关申请的交叉引用
本专利申请要求2017年6月16日提交的名称为“牙齿类型和萌出状态的自动检测”的序列号为62/521,166的美国临时专利申请的优先权，其全部内容通过引用的方式并入本文。
以引用方式并入
本说明书中提及的所有出版物和专利申请均通过引用整体并入本文，如同每个单独的出版物或专利申请被具体地和单独地表明通过引用并入本文。
技术领域
本申请大体涉及牙科领域。特别地，本申请涉及用于自动检测目标牙齿的牙齿类型和萌出状态的系统和方法。
背景技术
在儿科病例中，经常在患者的所有恒牙萌出之前使用正畸矫正器。检测萌出的牙齿可以有助于防止矫正器撞击或接触萌出的牙齿，而矫正器撞击或接触萌出的牙齿可能使牙齿的萌出停止或伤害患者。
在许多现有技术中，医学专家手动地确定患者牙齿的萌出状态和牙齿类型。这可能需要对牙齿或牙齿的图像/扫描进行物理检查，并且需要医疗专业人员对萌出状态和牙齿类型进行判断，这会增加时间和费用。
发明内容
实施方式解决了提供自动化牙齿检测萌出检测系统的需求，该系统可以以高精度自动、有效和准确地预测牙科患者的牙齿类型和萌出状态。本申请通过提供自动检测牙科患者的牙齿类型和萌出状态的技术方案和/或自动代理解决了这些和其他技术问题。牙齿状态(例如，牙齿类型和/或萌出状态)的自动检测可为实施自动正畸治疗计划、设计和/或制造正畸矫正器(包括提供矫正患者牙齿的错位咬合的力的一系列聚合物正畸矫正器)提供基础。
通常，本文描述的示例性装置(例如，装置、系统等)和/或方法可以接收患者牙齿的表示，并且在一些情况下接收关于患者的临床信息，以确定与患者牙齿有关的一个或多个牙齿萌出指标。如本文所使用的“牙齿萌出指标”可以包括与萌出有关的牙齿的指标。牙齿萌出指标的示例包括牙齿的萌出状态。萌出状态的示例包括萌出状态(例如，牙齿是否已完全萌出、部分萌出或根本没有萌出)和萌出持久性状态((例如，牙齿是乳牙/幼齿还是恒牙)。在一些实施方式中，可以确定萌出状态、牙齿类型(例如，乳牙、恒牙等)和/或与患者的牙齿有关的其他特征。这些装置和/或方法可以呈现牙齿萌出指标，并且可以提供或修改治疗计划，包括正畸治疗计划。本文所述的装置和/或方法可以提供指令以生成和/或可以生成一组或一系列的矫正器，和/或提供使用结合了萌出状态和乳牙/恒牙等牙齿类型的正畸矫正器的正畸治疗计划。本文所述的装置和/或方法可以提供患者牙齿的视觉表示，包括萌出状态和乳牙/恒牙等牙齿类型。
如本文所用，“患者”可以是任何受试者(例如，人类、非人类、成人、儿童等)，并且在本文中可以可替代地且等效地称为“患者”或“受试者”。如本文所用，“患者”可以但不一定是医学患者。如本文所用，“患者”可以包括接受正畸治疗的人，该正畸治疗包括利用一系列正畸矫正器进行的正畸治疗。
本文描述的任何装置和/或方法可以是远侧牙齿扫描装置或方法的一部分，或者可以被配置为与数字扫描装置或方法一起使用。
如将在本文中更详细地描述的，自动确定目标牙齿(例如，对于每个患者的牙齿)的萌出状态和/或乳牙或恒牙等牙齿类型可以包括收集患者牙齿的3D扫描。收集3D扫描可以包括进行3D扫描，包括直接(例如，使用口内扫描仪)或间接(例如，扫描患者的牙齿印模)扫描患者的牙弓，从单独的装置和/或第三方接收3D扫描信息，从存储器等接收3D扫描。
可以利用3D扫描收集额外信息，包括患者信息(例如，年龄、性别等)。
3D扫描信息可以被标准化(standardized)或被归一化(normalized)。标准化该扫描可以包括将3D扫描转换成标准格式(例如，牙齿表面网格)，和/或将3D扫描表示为距每个牙齿的中心点的多个角度(例如，矢量角度)等。在一些变型中，标准化可以包括使用另一颗牙齿，包括存储的牙齿值，来归一化3D扫描。
然后，可以对标准化的3D扫描信息进行处理，以提取一个或多个特征，这些特征可以用于自动地确定牙齿萌出、部分萌出或未萌出和/或牙齿的类型；具体来说，牙齿是乳牙还是恒牙。该信息可以用于例如通过以标准牙齿编号对牙齿进行编号来自动且准确地标记3D模型的牙齿。
例如，一种自动确定目标牙齿的萌出状态和乳牙或恒牙类型的方法可以包括：在计算装置中收集包括目标牙齿的患者牙齿的三维(3D)模型；标准化目标牙齿的3D模型；在计算装置中，应用目标牙齿的牙齿特征的主成分分析(PCA)，以获得PCA特征；基于PCA特征确定目标牙齿的萌出状态和乳牙或恒牙类型；以及输出目标牙齿的萌出状态和乳牙或恒牙类型。
注意，尽管本文提供了使用PCA的示例，但是也可以使用其他基于特征向量的多元分析。提出PCA是因为它可以使用已知的技术自动执行，已知的技术包括使用相关法和/或协方差技术、迭代方法，包括但不限于非线性迭代偏最小二乘技术，来计算PCA。
标准化可以包括识别相对于目标牙齿的中心点的角度的预定数量。可以使用任何适当的方法来确定牙齿的中心。例如，可以通过确定每个牙齿的网格点的几何中心、通过确定分割后的牙齿的重心等，从根据每个牙齿的网格点表示(例如，从代表患者牙齿的数字模型的3D扫描的分割版本中)确定牙齿的中心。用于确定每个牙齿的中心的相同方法可以一致地应用于牙齿以及用于形成(例如训练)本文所述系统的任何牙齿。
标准化可以不同于归一化。如本文中所使用的，标准化可以涉及调整牙齿的数字和/或其他描述。例如，标准化可以涉及调整用于描述牙齿的顺序和/或角度的数量(从牙齿的中心)。可以保持来自原始3D扫描的牙齿大小。
本文所述的任何方法和系统可以确定牙弓中的每个牙齿是乳牙还是恒牙和/或该牙齿萌出、未萌出或部分萌出。因此，对于患者牙弓的3D扫描中的患者的牙齿的一个或多个(例如，全部)，这些方法中的任何一种都可以确定该牙齿是乳牙萌出、恒牙部分萌出/未萌出和/或恒牙萌出的牙齿。在这些方法和系统中的任何一种中，对于已经确定了萌出状态和/或乳牙/恒牙描述的每颗牙齿，系统都可以使用该信息以利用指标来标记患者牙齿的数字模型。例如，本文所述的装置和/或方法可以输出(通过显示、传输等)患者牙齿的3D模型，将每个牙齿标记为以下之一：乳牙萌出(或仅“乳牙”)、恒牙部分萌出/未萌出和/或恒牙萌出(或仅“恒牙”)。
可以以任何合适的方式收集患者牙齿的3D扫描，该方式允许以后对其进行操作的方法或装置执行标准化、特征提取以及确定萌出状态和/或恒牙/乳牙状态。例如，收集可以包括直接或间接地从患者牙齿获取患者牙齿的3D模型。例如，收集可以包括从口内扫描仪接收患者牙齿的3D模型。收集可以包括从患者牙齿的模具扫描接收3D模型。
本文所述的任何装置和/或方法可以包括收集有关患者的患者信息，其中，患者信息包括以下一项或多项：患者年龄、萌出序列、测量到的可用于萌出的空间和患者性别；另外，其中，确定目标牙齿的萌出状态和乳牙或恒牙等牙齿类型还基于患者信息。患者信息可以直接或间接地从患者那里获取，包括询问和/或接收患者调查表信息、提取患者信息用于患者的电子记录等。
可以从制备的(例如，标准化和/或归一化的)牙齿中提取任何适当的特征。例如，在一些变型中，特征可以包括针对被检查的牙弓中的每个牙齿的主成分分析(PCA)。可能不需要额外特征(例如，患者牙齿的几何描述)(例如，可以单独使用PCA)，或者额外特征可以用于补充每颗牙齿的PCA。如上所述，可以使用任何适当的技术自动地在标准化牙齿上执行PCA，包括使用来自诸如C++和C#(例如，实现PCA和截短的PCA的ALGLIB库、MLPACK))、Java(例如，KNIME、Weka等)、Mathematica、MATLAB(例如，MATLAB统计工具箱等)、python(例如，Matplotlib python库、Scikit-learn等)、GNU Octave等现有软件环境的模块。
在本文描述的任何装置和方法中，可以基于从标准化的3D扫描中提取的信息来自动确定(使用一个或多个处理器)萌出状态以及乳牙或恒牙类型。在标准化过程之前或作为标准化过程的一部分，可以将患者牙齿的3D模型分割成单独的牙齿和/或进行归一化。例如，可以将患者牙弓的3D扫描传输到分割引擎并由其进行处理，该分割引擎会将3D扫描分为单独的牙齿和/或牙龈。
例如，该方法和/或装置可以通过应用机器学习算法基于PCA特征来确定目标牙齿的萌出状态和乳牙或恒牙类型，该机器学习算法选自由决策树、随机森林、逻辑回归、支持向量机、AdaBOOST，K-最近邻(KNN)、二次判别分析和神经网络组成的组。例如，机器学习技术可以用于形成和应用受训练的网络(神经网络)。替代地或附加地，可以使用逻辑回归。
一种系统(例如，用于确定萌出状态和乳牙或恒牙等牙齿类型的系统)可以包括：一个或多个处理器；耦合到一个或多个处理器的存储器，该存储器被配置为存储计算机程序指令，该计算机程序指令在由一个或多个处理器执行时实现计算机实现的方法，该计算机实现的方法包括：收集包括目标牙齿的患者牙齿的三维(3D)模型；标准化目标牙齿的3D模型；对目标牙齿的牙齿特征进行主成分分析(PCA)，以获得PCA特征；基于PCA特征确定目标牙齿的萌出状态和乳牙或恒牙类型；以及输出目标牙齿的萌出状态和乳牙或恒牙类型。这些系统中的任何一个都可以包括用于存储结果(例如，标记的牙齿的3D模型)的存储器。这些系统中的任何一个也可以包括输出装置(例如，监测器、打印机、发射器，包括无线发射器)等。
还可以使用一组或多组参考牙齿来执行本文所述的装置和/或方法以进行归一化。例如，本文描述的方法可以包括自动确定目标牙齿的萌出状态和乳牙或恒牙类型的方法。该方法可以包括：在计算装置中接收包括目标牙齿的患者牙齿的三维(3D)模型，在计算装置中根据患者牙齿的3D模型确定目标牙齿的牙齿形状特征，在计算装置中根据患者牙齿的3D模型确定一个或多个参考牙齿的牙齿形状特征，在计算装置中使用一个或多个参考牙齿的牙齿形状特征来归一化目标牙齿的至少一些牙齿形状特征，将归一化的牙齿形状特征应用于计算装置的分类器，以及从计算装置输出目标牙齿的萌出状态和乳牙或恒牙类型。
在本文描述的任何装置和/或方法中，可以使用没有人工控制或指导的装置(例如，计算装置)来执行自动确定萌出状态，特别是在接收、确定牙齿形状特征、归一化等步骤中。替代地或附加地，这些步骤中的任何一个可以部分自动地(例如，半自动)或手动地执行。
计算装置可以直接(例如，作为扫描装置或系统的一部分)或间接地(包括从先前获得的模型转移)接收包括目标牙齿的患者牙齿的三维模型(3D)。该计算装置可以是专用装置或专用装置(例如，扫描仪)的一部分，或者可以有线或无线地连接到扫描装置或存储扫描信息的存储器。替代地或附加地，计算装置可以从远程(例如，互联网、云等)源接收3D模型。
在本文描述的任何装置和/或方法中，目标牙齿可以由用户选择。替代地或附加地，可以选择牙齿的3D模型中的所有牙齿作为目标；该装置和方法可以顺序地或同时地确定多个目标牙齿(包括所有牙齿)中的每一个的萌出状态以及乳牙或恒牙状态。
在本文所述的任何装置和/或方法中，可以提供一种输出，该输出包括输出以下各项之一：乳牙萌出、恒牙部分萌出(包括恒牙未萌出，在本文中统称为恒牙部分萌出/未萌出)和恒牙萌出。输出可以包括基于确定的牙齿状态(例如，乳牙萌出、恒牙部分萌出或未萌出、和恒牙萌出)来制造正畸和/或牙科器具。可以基于确定的乳牙萌出、恒牙部分萌出或未萌出以及恒牙萌出来执行预测间距。可以基于现有和相邻牙齿模型(3D模型)和/或来自特定患者或相似患者群体的经验牙齿信息来确定该间距。萌出状态信息和/或间距可以用于确定模型(3D模型，包括数字和非数字模型，例如物理模型)，该模型可以在牙齿和/或正畸装置的制造中制造和/或使用。
本文所述的方法还可以包括获取患者牙齿的3D模型。可以从三维扫描仪接收3D模型。替代地或附加地，可以从患者牙齿的模具中接收3D模型。
本文描述的方法可以包括获取患者信息，其中，患者信息包括以下各项中的一项或多项：患者年龄、萌出序列，测量到的可用于萌出的空间和患者性别；此外，其中，将归一化的牙齿形状特征应用于分类器包括利用归一化的牙齿形状特征将患者信息应用于分类器。
确定目标牙齿的牙齿形状特征可以包括确定以下项中的一项或多项：近中-远侧宽度、颊舌宽度、牙冠高度、牙冠中心和牙尖数量。确定牙尖的数量可以包括确定在一个或多个牙弓方向表面中的牙尖的数量，牙弓方向表面包括：颊近中侧、颊远侧、舌近中侧和舌远侧。
确定一个或多个参考牙齿的牙齿形状特征可以包括确定一个参考牙齿的牙齿形状特征。一个或多个参考牙齿可包括磨牙。确定一个或多个参考牙齿的牙齿形状特征可以包括确定两个参考牙齿的牙齿形状特征。可以确定任何适当的牙齿形状特征(形态特征)。例如，确定一个或多个参考牙齿的牙齿形状特征可以包括针对一个或多个参考牙齿中的每一个确定以下项中的一项或多项：近中-远侧宽度、颊舌宽度和牙冠中心。
使用一个或多个参考牙齿的牙齿形状特征对目标牙齿的至少一些牙齿形状特征进行归一化可以包括将近中-远侧宽度、颊舌宽度、牙冠高度和牙冠中心的一个或多个归一化到一个或多个参考牙齿。归一化还可以包括确定每个牙弓方向表面中的牙尖总数，牙弓方向表面包括：颊近中侧、颊远侧、舌近中侧和舌远侧。
这些方法中的任何一种还可以包括将归一化的牙齿形状特征应用于分类器，其包括：将第一级二进制分类器或第一级二进制分类器和第二级二进制分类器应用于归一化的牙齿形状特征。将归一化的牙齿形状特征应用于分类器可包括：将第一级二进制分类器应用于归一化的牙齿形状特征的第一子集，并基于第一级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型，或者将第二级二进制分类器应用于归一化的牙齿形状特征的第二子集，并基于第二级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型。
这些方法中的任何一个还可以包括输出萌出状态，其包括输出萌出百分比的指示。
自动确定目标牙齿的萌出状态和乳牙或恒牙类型的任何方法可以包括：在计算装置中接收包括目标牙齿的患者牙齿的三维(3D)模型，在计算装置中根据患者牙齿的3D模型确定目标牙齿的牙齿形状特征，在计算装置中根据患者牙齿的3D模型确定一个或多个参考牙齿的牙齿形状特征，在计算装置中使用一个或多个参考牙齿的牙齿形状特征来归一化目标牙齿的至少一些牙齿形状特征，将归一化的牙齿形状特征应用于计算装置的分类器，其中，将归一化的牙齿形状特征应用于分类器包括应用第一级二进制分类器，并且依据第一级二进制分类器的输出，输出目标牙齿的萌出状态和乳牙或恒牙类型，或者将第二级二进制分类器应用于归一化的牙齿形状特征，然后输出目标牙齿的萌出状态和乳牙或恒牙类型。
一种自动确定目标牙齿的萌出状态和乳牙或恒牙类型的方法可以包括：接收包括目标牙齿的患者牙齿的三维模型，基于一个或多个参考牙齿对目标牙齿的至少一个维度进行归一化，将包括至少一个维度的牙齿形状特征输入到第一二进制分类器以确定目标牙齿是否是完全萌出的恒牙，如果第一二进制分类器确定目标牙齿不是完全萌出的恒牙，则将牙齿形状特征输入到第二二进制分类器以确定目标牙齿是恒牙部分萌出/未萌出还是乳牙，并输出目标牙齿是完全萌出的恒牙、部分萌出/未萌出的恒牙或乳牙。
本文还描述了一种用于执行本文描述的任何方法的装置(包括软件、固件和/或硬件，被配置为控制该装置执行和/或协调这些方法的执行)。例如，本文描述的是非暂时性计算装置可读介质，其上存储有用于确定患者目标牙齿状态的指令。指令可由处理器执行，以使计算装置接收包括目标牙齿的患者牙齿的三维(3D)模型，从患者牙齿的3D模型确定目标牙齿的牙齿形状特征，从患者牙齿的3D模型确定一个或多个参考牙齿的牙齿形状特征，使用一个或多个参考牙齿的牙齿形状特征归一化目标牙齿的至少一些牙齿形状特征，将归一化的牙齿形状特征应用于计算装置的分类器；以及输出目标牙齿的萌出状态和乳牙或恒牙类型。
指令还可以被配置为使得输出是以下之一：乳牙萌出、恒牙部分萌出/未萌出或恒牙萌出。
指令还可以被配置为从三维扫描仪接收3D模型。指令可以被配置为获取患者信息，其中，患者信息包括以下各项中的一项或多项：患者年龄、萌出序列、测量到的可用于萌出的空间和患者性别；以及进一步地，其中指令被配置为包括患者信息以及应用于分类器的归一化的牙齿形状特征。
指令还可以被配置为确定以下各项中的一项或多项作为牙齿形状特征的一部分：近中-远侧宽度、颊舌宽度、牙冠高度、牙冠中心和牙尖数量。
在这些装置中的任何一个中，指令还可以被配置为通过确定一个或多个牙弓方向表面中的牙尖数量来确定牙尖数量，牙弓方向表面包括：颊近中侧、颊远侧、舌近中侧和舌远侧。
指令可以被配置为从一个参考牙齿确定一个或多个参考牙齿的牙齿形状特征。一个参考牙齿可以包括磨牙。
指令可以被配置为从两个参考牙齿确定一个或多个参考牙齿的牙齿形状特征。
指令还可以被配置为针对以下各项中的一项或多项确定一个或多个参考牙齿的牙齿形状特征：近中-远侧宽度、颊舌宽度和牙冠中心。
指令还可以被配置为通过将近中-远侧宽度、颊舌宽度、牙冠高度和牙冠中心的一个或多个归一化到一个或多个参考牙齿，来使用一个或多个参考牙齿的牙齿形状特征来归一化目标牙齿的至少一些牙齿形状特征。
指令还可以被配置为通过确定每个牙弓方向表面中的牙尖总数来归一化目标牙齿的至少一些牙齿形状特征，牙弓方向表面包括：颊近中侧、颊远侧、舌近中侧和舌远侧。
指令还可被配置为通过将第一级二进制分类器或第一级二进制分类器和第二级二进制分类器应用于标准化的牙齿形状特征来将归一化的牙齿形状特征应用于分类器。
指令还可以被配置为将第一级二进制分类器应用于归一化的牙齿形状特征的第一子集，并基于第一级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型，或者将第二级二进制分类器应用于归一化的牙齿形状特征的第二子集，并基于第二级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型。
在本文描述的任何装置中，指令还可以被配置为输出萌出百分比的指示。通常，输出可以是视觉的和/或数字的和/或印刷的。
附图说明
本发明的新颖性特征在所附的权利要求书中具体阐述。通过参考下文的详细描述和附图将获得对本公开的特征和优点的更好理解，下文详细描述阐述了利用本公开原理的说明性实施例，在附图中：
图1A是示出被配置为数字扫描牙弓并确定目标牙齿的牙齿类型和/或萌出状态的计算环境的示例的图。
图1B是示出分割引擎的示例的图。
图1C是示出特征提取引擎的示例的图。
图1D是示出特征提取引擎的另一示例的图。
图1E是示出检测器引擎的示例的图。
图1F是自动确定目标牙齿的萌出状态和/或牙齿类型的方法的示例。
图2A是自动确定目标牙齿的萌出状态和牙齿类型的方法的示例。
图2B是自动确定目标牙齿的萌出状态和牙齿类型的方法的示例。
图2C-图2D是描述使用第一和第二二进制分类器来确定目标牙齿的萌出状态和牙齿类型的检测器的流程图。检测器接收目标牙齿的归一化特征以确定萌出状态和牙齿类型。
图3A是描述提取和生成要传递到牙齿状态分类检测器中的数据的方法的流程图。
图3B是描述利用来自图3A的流程图的数据来确定目标牙齿的萌出状态和牙齿类型的牙齿状态分类检测器的流程图。
图3C是描述确定目标牙齿的萌出状态和牙齿类型的牙齿状态分类检测器的分类器的流程图。
图4示出了牙齿4的近中-远侧宽度的分布。
图5A示出了牙齿6的牙冠高度的分布。
图5B示出了牙齿6的颊舌宽度的分布。
图6示出了牙齿5的牙冠高度的分布。
图7示出了牙齿类型和萌出状态的牙齿形状的示例，包括1)恒牙，完全萌出，2)恒牙，部分萌出，以及3)乳牙。
图8是可以执行本文描述的方法的数据处理系统的简化框图。
具体实施方式
本文描述的是用于检测目标牙齿的萌出状态(例如，萌出状态和牙齿类型)的装置(例如，系统、计算装置可读介质、设备等)和方法。当前，青少年使用正畸矫正器时最常听到的一些临床障碍是由于未萌出牙齿或萌出牙齿而带来的挑战。本公开的一个目的是使用机器学习技术来提供一种自动检测器，该检测器可以区分前磨牙和犬牙的三种牙齿类型/萌出状态：1)部分萌出/未萌出的恒牙，2)完全萌出的恒牙，或3)完全萌出的乳牙。检测器可以基于包括患者人口统计学、牙齿测量、牙齿表面网格和历史患者数据的数据进行该确定。这些方法和装置可以使用该信息来向患者、医师、牙科技术人员等提供输出。这些装置和/或方法还可以被配置为在形成一个或多个正畸装置(例如，一个或多个，包括一组，矫正器)、治疗计划或这些的某种组合中使用确定的牙齿类型和萌出状态。
例如，本文描述了装置和/或方法，例如系统，包括结合了自动牙齿检测器的系统以自动实施过程。当系统由对特定牙齿的检测请求触发时，系统可以从本地或远程数据库中检索相关的牙齿/患者信息，处理该信息，并将该信息转换为代表性特征。然后可以将这些特征传递到萌出状态和牙齿类型检测器，该检测器可以使用机器学习技术(例如，决策树、随机森林、逻辑回归、支持向量机、AdaBOOST、K-最近邻(KNN)、二次判别分析、神经网络等)，以返回识别目标牙齿的萌出状态和牙齿类型的目标牙齿状态分类。可以利用历史数据优化输入到萌出状态和牙齿类型检测器中的参数。萌出状态和牙齿检测器可用于确定患者牙弓的数字表示中单个牙齿(例如，单个目标牙齿)或所有牙齿中的一个(或牙齿的子集)上的萌出状态和恒牙/乳牙牙齿类型标识。结果可以按需提供和/或可以存储在存储器(例如数据库)中供以后使用。在一些变型中，结果可用于修改与每个牙齿相关联的用于反映结果的标签(例如，反映萌出状态，例如牙齿的萌出、部分萌出、未萌出和/或乳牙/恒牙状态)。
本文所述的装置和/或方法在包括弹性聚合物定位器具的牙科器具的计划和制造中可能是有用的，在美国专利第5,975,893号和公开的PCT申请WO 98/58596中详细描述了该包括弹性聚合物定位器具的牙科器具的计划和制造，所述文献通过引用并入本文用于所有目的。采用美国专利第5,975,893号中描述的技术的牙科器具的系统可从加利福尼亚州圣克拉拉的Align Technology公司以Invisalign System为商品名商购获得。
在整个具体实施方式部分中，术语“正畸矫正器”，“矫正器”或“牙齿矫正器”的使用与术语“器具”和“牙科器具”的使用在牙科应用方面同义。为了清楚起见，在下文中，在使用和应用器具的背景，并且更具体地在“牙科器具”的背景内描述实施例。
以下描述的装置和/或方法(例如，系统、装置等)可以与正畸治疗计划一起使用和/或集成到正畸治疗计划中。本文所述的装置和/或方法可用于从二维图像中分割患者的牙齿，并且该分割信息可用于模拟、修改和/或在各种正畸治疗计划之间进行选择。可以自动分割患者的牙齿(例如，使用计算装置)。例如，计算机系统可以通过评估患者牙齿或牙弓的数据(例如三维扫描或牙齿印模)自动地执行分割。
如本文所述，口内扫描仪可对患者的牙弓成像并生成该牙弓的虚拟三维模型。在口内扫描程序(也称为扫描会话)期间，口内扫描仪的使用者(例如，牙科从业者)可生成牙齿位点、牙齿位点的模型或其它受试者的多个不同图像(也称为扫描或医学图像)。图像可以是离散图像(例如，对准即拍图像)或来自视频的帧(例如，连续扫描)。三维扫描可以生成代表患者牙弓的3D点网格，包括患者的牙齿和牙龈。进一步的计算机处理可以将点的3D网格分割或分离为单独的牙齿和牙龈。
如本文中所使用的，自动牙齿检测系统可以包括使用自动代理来识别和/或编号单个牙齿和/或牙齿的虚拟表示(诸如以数字扫描生成的三维牙齿网格模型表示的牙齿)的牙齿特征的系统。
本公开提出了一种或多种新颖的过程，用于在识别过程中识别和分割患者的牙齿。本文的一些实施方式可以解决与优化和/或增加数字牙科扫描技术的准确性有关的技术问题。本文描述的牙齿检测过程有利地可以：在不需要人工干预的情况下提供全自动牙齿检测；补偿机器学习检测器生成的误差；快速且有效地识别牙齿类型和/或萌出状态；和/或实施任何机器学习检测器。
图1A是示出被配置为有助于收集其中有牙齿的牙弓的数字扫描的计算环境100A的示例的图。环境100A包括计算机可读介质152、扫描系统154、牙列显示系统156和3D网格处理系统158。计算环境100A中的一个或多个模块可以彼此耦合或耦合到未明确示出的模块。
本文中讨论的计算机可读介质152和其它计算机可读介质旨在表示各种潜在的适用技术。例如，计算机可读介质152可以用于形成网络或网络的一部分。在两个组件共同位于装置上的情况下，计算机可读介质152可包括总线或其它数据通道或平面。在第一组件被共同定位在一个装置上而第二组件被定位在不同装置上的情况下，计算机可读介质152可包括无线或有线后端网络或LAN。如果适用，计算机可读介质152还可包含WAN或其它网络的相关部分。
扫描系统154可包括计算机系统，被配置为扫描患者的牙弓。当从咬合角度观看时，本文使用的“牙弓”可以包括由患者的上颌和/或下颌牙齿形成的患者牙列的至少一部分。牙弓可包括患者的一个或多个上颌或下颌牙齿，例如患者的上颌或下颌的所有牙齿。扫描系统154可包括存储器、一个或多个处理器和检测患者牙弓上的轮廓的传感器。扫描系统154可以被实现为摄像头、口内扫描仪、X射线装置、红外装置等。扫描系统154可包括被设置为提供患者牙弓的物理模型的虚拟表示的系统。扫描系统154可以用作正畸治疗计划的一部分。在一些实施方式中，扫描系统154被设置为在正畸治疗计划的开始阶段、中间阶段等捕捉患者的牙弓。
牙列显示系统156可包括被设置为显示患者牙列的至少一部分的计算机系统。牙列显示系统156可包括存储器、一个或多个处理器和显示患者牙列的显示装置。牙列显示系统156可以被实现为计算机系统的一部分、专用口内扫描仪的显示器等。在一些实施方式中，牙列显示系统156使用在较早日期和/或在远程位置进行的扫描来促进患者牙列的显示。要注意的是，牙列显示系统156也可以促进同时和/或在其本地进行的扫描的显示。如本文所述，牙列显示系统156可被设置为显示应用于由扫描系统154扫描的牙弓的正畸治疗计划的预期或实际结果。结果可包括牙弓的3D虚拟表示、牙弓的2D图像或呈现等。
3D网格处理系统158可以包括计算机系统，该计算机系统被配置为处理由扫描系统154采集的患者牙列的3D扫描或网格。如本文所述，3D网格处理系统158可以被配置为处理牙弓中牙齿的扫描。3D网格处理系统158可以包括分割引擎160、特征提取引擎162和检测器引擎164。图像处理系统158的一个或多个模块可以彼此耦合或耦合到未示出的模块。
如本文所使用的，任何“引擎”可包括一个或多个处理器或其一部分。一个或多个处理器的一部分可包括硬件的一些部分，其少于包括任何给定的一个或多个处理器的全部硬件，比如寄存器的子集、专用于多线程处理器的一个或多个线程的处理器的部分、处理器完全或部分专用于执行引擎的部分功能的时间片等。这样，第一引擎和第二引擎可以具有一个或多个专用处理器，或者第一引擎和第二引擎可以彼此或与其它引擎共享一个或多个处理器。取决于实施方式特定的或其它的考虑，引擎可以是集中式的或其功能分布式的。引擎可包括在计算机可读介质中实施的软件、固件或硬件，用以由处理器执行。处理器使用实现的数据结构和方法将数据转换成新数据，诸如参考本文的附图所描述的。
本文描述的引擎或本文描述的系统和装置可以通过其实现的引擎可以是基于云的引擎。如本文所使用的，基于云的引擎是可以使用基于云的计算系统运行应用程序和/或功能的引擎。应用程序和/或功能的全部或部分可以分布在多个计算装置之间，并且不需要被限制到仅一个计算装置。在一些实施例中，基于云的引擎可以执行终端用户通过网页浏览器或容器应用程序进行访问的功能和/或模块，而无需将功能和/或模块本地安装在终端用户的计算装置上。
如本文所使用的，“数据储存库”可包括具有任何适用的数据组织的储存库，包括表、逗号分隔值(CSV)文件、传统数据库(例如，SQL)或其它适用的已知或方便的组织格式。数据储存库例如可以实现为在专用机器上的物理计算机可读介质中体现的软件、以固件、硬件、它们的组合、或者适用的已知或方便的装置或系统而实现。诸如数据库接口的数据储存库相关组件可被认为是数据储存库的“一部分”、某一其它系统组件的一部分、或它们的组合，尽管数据储存库相关组件的物理位置和其它特性对于理解本文所述的技术不是关键的。
数据储存库可包括数据结构。如本文所使用的，数据结构与在计算机中存储和组织数据使得其可在给定上下文中高效地使用的特定方式相关联。数据结构通常基于计算机在其存储器中的任何位置处获取和存储数据的能力，该位置由地址指定，地址是本身可以存储在存储器中并由程序操纵的位串。因此，一些数据结构基于利用算术操作来计算数据项的地址；而其它数据结构基于在结构本身内存储数据项的地址。许多数据结构使用这两种原理，有时以非一般的方式组合。数据结构的实现通常需要编写一组创建和操纵该结构的实例的程序。本文描述的数据储存库可以是基于云的数据储存库。基于云的数据储存库是与基于云的计算系统和引擎兼容的数据储存库。
分割引擎160可以被配置为实现一个或多个自动代理，该自动代理被配置为处理来自扫描系统154的牙齿扫描。分割引擎160可以包括图形引擎以处理牙弓的图像或扫描。在一些实施方式中，分割引擎160将来自牙弓的扫描的扫描数据格式化为牙弓的牙齿网格模型(例如3D牙齿网格模型)。分割引擎160还可以被配置为将牙弓的3D牙齿网格模型分割为单个牙齿组件，包括将3D牙齿网格模型分割为单个牙齿的3D网格模型。牙弓和/或单个牙齿的3D牙齿网格模型可以包括几何点云或多面体，其以可以在牙列显示系统156上呈现的格式描绘牙齿和/或牙弓的其他元素。分割引擎160可以向3D网格处理系统158的其他模块提供3D牙齿网格模型和/或其他数据。
特征提取引擎162可以实现被配置为提取牙齿特征的一种或多种自动代理。如本文所用，“牙齿特征”可以包括来自3D牙齿网格模型的数据点，该数据点与患者牙齿的边缘、轮廓、顶点、矢量或表面相关。“牙齿特征”可以基于患者的人口统计数据和/或牙齿测量。牙齿特征可以与“PCA特征”有关，例如，从牙齿的主成分分析中得出的那些牙齿特征。在一些实施方式中，特征提取引擎162被配置为分析来自分割引擎160的3D牙齿网格模型以提取牙齿特征。特征提取引擎162可以实施主成分分析(PCA)以获得牙齿特征。在一种实现方式中，单个牙齿的3D牙齿网格模型包括代表患者牙齿的点的散点图，PCA可以应用于散点图以获得沿着散点图最大分布的矢量。然后，特征提取引擎可以从散点图的中心进行投影，以找到与每个角度的牙齿形状相交的矢量。
检测器引擎164可以实施一种或多种自动代理，该自动代理被配置为使用提取的牙齿特征来预测目标牙齿的牙齿状态(例如，牙齿类型和/或萌出状态)。在一些实施方式中，检测器引擎164将与牙弓或牙齿的物理/几何特性有关的物理和/或几何特性分配给3D牙齿网格模型。检测器引擎164可以从特征提取引擎162接收牙齿特征并且应用机器学习算法以使用提取的牙齿特征来预测目标牙齿的牙齿类型和/或萌出状态。在一些实施方式中，检测器引擎164使用训练的卷积神经网络和/或训练的分类器将目标牙齿分类为牙齿类型、萌出状态、牙齿数量等的一个或多个识别的类别。由检测器引擎164实现的机器学习系统的示例可以包括决策树、随机森林、逻辑回归、支持向量机、AdaBOOST、K-最近邻(KNN)、二次判别分析、神经网络等，以确定目标牙齿的牙齿类型(例如，门牙、犬牙、前磨牙、磨牙等)、萌出状态(例如，恒牙、恒牙萌出、乳牙)和/或牙齿数量。检测器引擎164可以将预测的牙齿类型和/或萌出状态并入最终的分割结果中。检测器引擎164还可以将最终的分割结果输出到其他模块，例如，可选的治疗建模引擎166。作为示例，检测器引擎164可以实现一个或多个自动分割代理，其将牙齿标识符(例如，通用牙齿编号、牙齿类型或萌出状态)分配给3D牙齿网格模型的特定部分。
可选的治疗建模引擎166可被配置为存储和/或提供指令以实施正畸治疗计划和/或正畸治疗计划的结果。可选的治疗建模引擎166可以在3D牙齿网格模型上提供正畸治疗计划的结果。可选的治疗建模引擎166可以在正畸治疗计划的过程中对将正畸矫正器应用于患者的牙弓的结果进行建模。
图1B是示出分割引擎160a的示例的图。分割引擎160a可以包括牙弓扫描引擎168和单个牙齿分割数据存储库170。分割引擎160a的一个或多个模块可以彼此耦合或耦合到未示出的模块。
牙弓扫描引擎168可以实现一个或多个自动代理，该自动代理被配置为扫描3D牙齿网格模型以获取单个牙齿分割数据。如本文所用，“单个牙齿分割数据”可以包括位置、几何特性(轮廓等)和/或其他数据，这些数据可以构成从患者牙弓的3D牙齿网格模型分割单个牙齿的基础。牙弓扫描引擎168可以实现自动代理以从牙弓的3D牙齿网格模型中分离单个牙齿的牙齿网格数据。牙弓扫描引擎168还可以实现自动代理以对单个牙齿编号。
单个牙齿分割数据存储库170可以被配置为存储与模型牙弓(包括已被分割成单个牙齿的模型牙弓)有关的数据。模型牙弓数据可以包括与分割的单个牙齿有关的数据，包括单个牙齿的牙齿标识符，例如牙齿类型、牙齿编号和萌出状态。
图1C是示出特征提取引擎162a的示例的图。特征提取引擎162a可以包括主成分分析引擎172、中心投影引擎174和牙齿特征数据存储库170。特征提取引擎162a的一个或多个模块可以彼此耦合或耦合到未示出的模块。
主成分分析引擎172可以实现一个或多个自动代理，该自动代理被配置为将PCA应用于单个牙齿分割数据。主成分分析引擎172可以实现一个或多个自动代理，该自动代理被配置为将PCA应用于单个牙齿分割数据以获得沿着散点图最大分布的矢量。这些矢量可以表示3D空间中矢量与牙齿形状相交的点。主成分分析引擎172可以例如在3D空间中的已知角度(例如，来自3D网格模型的2500个已知角度)处获得有限或特定数量的矢量。主成分分析引擎172可以将矢量数据传输到中心投影引擎174和牙齿特征数据存储库176。
中心投影引擎174可以实施一个或多个自动代理，该自动代理被配置为找到单个牙齿分割数据的适当中心。中心投影引擎174可以例如应用各种技术，诸如几何中心、加权中心等，以找到单个牙齿分割数据的中心。中心投影引擎174可将中心数据存储在牙齿特征数据存储库176中。
牙齿特征数据存储库176可以被配置为存储与牙齿特征有关的数据，包括代表牙齿形状的矢量和代表单个牙齿分割数据的中心的中心数据。在一些实施方式中，仅全部牙齿特征的子集，例如代表牙齿形状的矢量，被存储在牙齿特征数据存储库中。
图1D是示出特征提取引擎162b的替代示例的图。特征提取引擎162b可以包括牙齿比较引擎178、归一化引擎180和牙齿特征数据存储库182。特征提取引擎162a的一个或多个模块可以彼此耦合或耦合到未示出的模块。
牙齿比较引擎178可以实现一种或多种自动代理，该自动代理被配置为从单个牙齿分割数据确定牙齿形状特征。牙齿形状特征可包括例如目标牙齿的长度和/或宽度，例如近中-远侧宽度、颊舌宽度和牙冠高度，并且可附加地包括目标牙齿的牙冠中心或目标牙齿的牙尖数量。牙齿比较引擎178可以实现一种或多种自动代理，该自动代理被配置为将牙齿形状特征与一个或多个参考牙齿进行比较。牙齿比较引擎178可以将牙齿形状特征和比较数据传输到牙齿特征数据存储库182。
归一化引擎180可以实现一种或多种自动代理，该自动化代理被配置为通过考虑牙齿尺寸的个体异质性来标准化单个牙齿分割数据的牙齿形状特征。归一化引擎180可以将归一化数据传送到牙齿特征数据存储库182。
牙齿特征数据存储库182可以被配置为存储与牙齿形状特征有关的数据和来自上述模块的归一化数据。
图1E是示出检测器引擎164a的示例的图。检测器引擎164a可以从上述特征提取引擎162a或162b接收牙齿特征、牙齿形状特征或归一化数据。检测器引擎164a可以包括机器学习检测器引擎184、牙齿类型数据存储库186和萌出状态数据存储库188。
机器学习检测器引擎184可以实现一种或多种自动代理，该自动代理被配置为利用与目标牙齿相关联的提取的牙齿特征，使用机器学习技术来对目标牙齿的萌出状态进行分类。在一些实施方式中，机器学习检测器引擎184可以从特征提取引擎162a或162b接收诸如牙齿特征、牙齿形状特征或归一化数据等牙齿特征。使用受训练的分类器，机器学习检测器引擎184可以提供将目标牙齿与指定牙齿类别相关联的标识符(例如，统计分数或其他分数)。作为示例，机器学习检测器引擎184可以使用受训练的分类器以使各种牙齿特征与牙齿是部分萌出的恒牙、完全萌出的恒牙还是完全萌出的乳牙相关。机器学习检测器引擎184可以使用受训练的分类器，以将各种牙齿特征与牙齿类型(例如，门牙、犬牙、前磨牙、磨牙等)、萌出状态(恒牙、恒牙萌出、乳牙)和/或牙齿编号相关。机器学习检测器引擎184可以结合一种或多种机器学习技术。此类技术的示例包括决策树、随机森林、逻辑回归、支持向量机、AdaBOOST、K-最近邻(KNN)、二次判别分析、神经网络等。
牙齿类型数据存储库186可以被配置为存储使牙齿特征与牙齿类型(例如，门牙、犬牙、前磨牙、磨牙等和/或牙齿编号)(例如，通用的牙齿编号)相关的数据。在一些实施方式中，机器学习检测器引擎184可能已经在训练阶段存储了使牙齿特征与牙齿类型和/或牙齿编号相关的数据。萌出状态数据存储库188可以被配置为存储与牙齿特征萌出状态(恒牙、恒牙萌出、乳牙)有关的数据。在一些实施方式中，机器学习检测器引擎184可能已经在训练阶段存储了使牙齿特征与萌出状态相关的数据。
图1F示出了用于自动确定患者牙弓的一个或多个牙齿的萌出状态(例如，萌出状态和/或乳牙/恒牙类型)的方法的一个示例。该方法可以由诸如图1A所示的计算环境100A中的一个或多个系统等系统自动实现。在操作190处，系统可以自动地收集患者牙弓的三维(3D)扫描。3D扫描可以直接从患者那里收集(例如，使用口内扫描仪)，也可以间接地(例如，通过扫描患者的牙列模型和/或接收由另一人拍摄的患者的数字模型等)收集。可选地，在操作191处，可以(直接或间接)收集有关患者的附加信息，例如患者的年龄、性别等。
可以准备3D扫描以进行进一步处理。例如，3D扫描可以被表示为数字网格和/或被分割成单独的牙齿(以及诸如牙龈、牙弓等非牙齿元素)。在操作192处，可以对3D扫描进行标准化和/或归一化。例如，在一些变型中，可以通过将每个牙齿表示为从该牙齿的中心点到牙齿上的表面点的一组矢量来标准化3D模型。矢量的数量和顺序可以是预设的。例如，可以在每个牙齿的三维空间中获取超过x个角度(例如，超过1000个角度、超过1500个角度、超过2000个角度、超过2500个角度等)。替代地或附加地，如下所述，可以使用参考牙齿的数据库对牙齿或从牙齿中提取的特征进行归一化。
在操作193处，可以例如使用特征提取引擎从患者牙齿的标准化/归一化3D模型(在一些变型中，从有关患者或患者牙齿的附加数据)提取牙齿特征。例如，在一些变型中，特征的提取可以包括在牙齿上(例如，在每个分割的牙齿上)自动执行主成分分析(PCA)，并且得到的PCA的前n个项可以用作提取的特征(例如，其中，n是10个或更多、15个或更多、20个或更多、30个或更多、40个或更多、50个或更多、60个或更多、70个或更多等)。尽管在图1F中同时示出了标准化和归一化(参见操作192)并且在特征提取操作(参见操作193)之前示出，但是在一些变型中，归一化操作(例如，操作192)可以单独地执行和/或与提取牙齿特征(例如，操作193)同时地执行或在提取牙齿特征之后执行。
在操作194处，提取的牙齿特征(例如，提取的PCA特征)可以排他地使用或与本文所述的任何其他提取的特征结合使用。可以将提取的牙齿特征提供给检测器引擎，以确定患者的一个或多个牙齿的乳牙或恒牙类型和/或萌出状态(未萌出、部分萌出、萌出)194。
在操作195处，然后可以输出患者牙弓的一个或多个牙齿的萌出状态(例如，乳牙或恒牙类型和/或萌出状态)。在某些变型中，该信息用于修改患者牙齿(例如牙弓)的模型(例如3D数字模型)。例如，每颗牙齿可以由名称或编号(或其他字母数字)来标记和/或引用，该名称或编号对应于牙齿萌出状态和/或乳牙/恒牙类型。例如，可以使用这些方法和系统在编号标准(例如，通用编号系统或修改的通用编号系统)中自动且准确地标记牙齿，该编号标准进一步指示乳牙/恒牙。例如，如牙科/正畸领域的技术人员所理解的，大写字母A至T可以用于乳牙，而数字1-32可以用于恒牙。可以使用替代的标准牙科编号系统(例如，FDI世界牙科联合会符号、Palmer符号等)。
图2A示出了描述利用检测系统自动确定患者的目标牙齿的萌出状态和牙齿类型的方法的流程图的示例。在图2A的流程图的步骤200处，可以收集患者牙齿的三维(3D)模型。3D模型可以包括表面特征或表面特征和内部特征。在一些实施例中，可以利用口内扫描仪来生成3D模型，该口内扫描仪可以由操作员(例如，牙医、牙科卫生员、技术人员等)手持并在患者的牙齿上移动以扫描表面和(可选地)内部结构。通常，可以使用任何适当的技术来形成包括来自口内扫描仪的表面和内部结构的牙齿的3D模型。在另一个实施例中，可以根据患者牙齿的模具生成3D模型。
在图2A的流程图的步骤202处，可以(可选地)获取诸如患者的年龄、性别、萌出序列、测量到的可用于萌出的空间等患者信息。年龄、萌出序列和性别可以用作预测的支持因素。例如，如果患者的第一双尖牙(牙齿4)早于上颌的犬牙(牙齿3)或上颌的第二双尖牙(牙齿5)萌出，则历史萌出序列数据表明牙齿3和牙齿5这两颗牙齿可能是乳牙。类似地，如果牙齿3萌出，则牙齿4可能会完全萌出，尤其对于男性。如果获取了此信息，则检测系统以后可以使用该信息来帮助确定目标牙齿的萌出状态和牙齿类型。萌出序列并不总是相同的，但是，如本文所述，萌出序列可能会提供另一个考虑因素。例如，上牙的典型萌出序列可以是：6–1–2–4–5–3–7–8或6–1–2–4–3–5–7–8。下牙的典型萌出序列可以是：6–1–2–3–4–5–7–8。
在图2A的流程图的步骤204处，每个牙齿的3D模型可以被标准化。检测系统可以从患者的牙弓获得每个单个牙齿的3D网格数据。在一些示例中，检测系统可以实现自动代理以扫描来自步骤200的患者牙弓的3D模型数据并将其分割成单个牙齿的3D模型数据。单个牙齿的3D模型数据可以包括代表每个牙齿形状的表面特征或表面特征和内部特征。
在图2A的流程图的步骤206处，可以采用每个牙齿的标准化3D模型的PCA，以获得牙齿的PCA特征。在一些实施方式中，检测系统可以接收或确定患者的目标牙齿的牙齿特征。这些牙齿特征可以包括来自3D牙齿网格模型的数据点，这些数据点与患者牙齿的边缘、轮廓、顶点、矢量或表面相关。在一个实施例中，可以从患者牙齿或单个牙齿的3D模型中或者从患者的临床评估中接收或确定牙齿特征。
在图2B的流程图的步骤208处，来自步骤206的牙齿特征用于确定牙齿类型(例如，目标牙齿是乳牙还是恒牙)、牙齿编号(例如，通用牙齿编号)和/或萌出状态(例如，目标牙齿是完全萌出还是部分萌出)。这可以通过将牙齿特征以及可选的患者信息(例如，患者年龄/性别、萌出序列、测量到的可用于萌出的空间)传递给机器学习检测器来实现。机器学习检测器可以应用机器学习算法(包括决策树、随机森林、逻辑回归、支持向量机、AdaBOOST、K-最近邻(KNN)、二次判别分析、神经网络等)，以通过将牙齿特征以及可选的患者数据与参考牙齿特征(同时考虑可选的患者数据)进行比较，来确定目标牙齿的牙齿类型(例如，门牙、犬牙、前磨牙、磨牙等)、萌出状态(恒牙、恒牙萌出、乳牙)和/或牙齿编号。
在图2A的流程图的步骤210处，检测系统可以接收牙齿类型和萌出状态，并且可以输出目标牙齿类型和萌出状态。输出可以包括1)乳牙类型和完全萌出，2)恒牙类型和未萌出/萌出，或3)恒牙类型和完全萌出。可选地，输出可以包括萌出百分比等。
图2B是描述利用检测系统自动确定患者的目标牙齿的萌出状态和牙齿类型的方法的流程图。在图1A的步骤201处，可以(可选地)获取患者牙齿的三维(3D)模型。3D模型可以包括表面特征或表面特征和内部特征。在一些实施例中，可以利用口内扫描仪来生成3D模型，该口内扫描仪可以由操作员(例如，牙医、牙科卫生员、技术人员等)手持并在患者的牙齿上移动以扫描表面和(可选地)内部结构。通常，可以使用任何适当的技术来形成包括来自口内扫描仪的表面和内部结构的牙齿的3D模型。在另一个实施例中，可以根据患者牙齿的模具生成3D模型。
在图2B的步骤203处，可以(可选地)获取诸如患者的年龄、性别、萌出序列、测量到的可用于萌出的空间等患者信息。年龄、萌出序列和性别可以用作预测的支持因素。例如，如果患者的第一双尖牙(牙齿4)早于上颌的犬牙(牙齿3)或上颌的第二双尖牙(牙齿5)萌出，则历史萌出序列数据表明牙齿3和牙齿5这两颗牙齿可能是乳牙。类似地，如果牙齿3萌出，则牙齿4可能会完全萌出，尤其对于男性。如果获取了此信息，则检测系统以后可以使用该信息来帮助确定目标牙齿的萌出状态和牙齿类型。萌出序列并不总是相同的，但是，如本文所述，萌出序列可能会提供另一个考虑因素。例如，上牙的典型萌出序列可以是：6–1–2–4–5–3–7–8或6–1–2–4–3–5–7–8。下牙的典型萌出序列可以是：6–1–2–3–4–5–7–8。
在图2B的步骤205处，检测系统可以接收或确定患者的目标牙齿的牙齿形状特征。这些牙齿形状特征可以包括例如，诸如近中-远侧宽度、颊舌宽度和牙冠高度等目标牙齿的长度和/或宽度；目标牙齿的牙冠中心；以及目标牙齿的牙尖数量，诸如颊近中侧、颊远侧、舌近中侧和舌远侧。在一个实施例中，可以从患者牙齿的3D模型中或可替代地从患者的临床评估中接收或确定牙齿的形状特征。
在图2B的步骤207处，检测系统可以从患者接收或确定一个或多个参考牙齿形状的特征。参考牙齿形状特征可以包括例如目标牙齿的长度和/或宽度，其包括近中-远侧宽度、颊舌宽度，并且还可以包括参考牙齿的牙冠中心。在一个实施例中，可以从患者牙齿的3D模型中或可替代地从患者的临床评估中接收或确定参考牙齿形状的特征。
表1
/>
上面的表1列出了可以由检测系统评估以确定目标牙齿i的萌出状态和牙齿类型的变量。表1还提供了每个变量的数据源，例如，数据是来自临床评估还是来自3D模型。
在图2B的步骤209处，可以将目标牙齿的特征归一化以考虑牙齿尺寸的个体异质性。特征的归一化可以包括图2B的步骤211、213或215中的任何一个。在一个实施例中，在步骤211处，可以相对于一个或多个参考牙齿的宽度(例如，颊舌宽度或近中-远侧宽度)来归一化目标牙齿，该一个或多个参考牙齿包括与目标牙齿在相同的颌中的第一磨牙。在另一实施例中，在步骤213处，可以相对于一个或多个参考牙齿的牙冠中心来归一化目标牙齿，该一个或多个参考牙齿包括与目标牙齿在相同的颌中的第一磨牙，或者包括与目标牙齿在相同的颌中的中门牙。一个或多个参考牙齿应该是第一磨牙或中门牙，第一磨牙或中门牙通常在较早的年龄(6-8岁)萌出，因此在典型患者中被广泛使用。在另一个实施例中，在步骤215处，可以确定目标牙齿的牙尖总数。
返回步骤211，对于颊舌宽度，归一化值为：
如果两个第一磨牙中的任何一个缺失，则检测系统可以使用现有的第一磨牙进行归一化。如果两个第一磨牙均缺失，则可以将的值设置为“非数字”(NaN)。类似的方法适用于归一化近中-远侧宽度的值。
返回步骤213，可以使用以下公式计算在Z方向上目标牙齿的牙冠中心相对于一个或多个参考牙齿的位置：
对于前磨牙，参考牙齿可以是同一颌的同一侧上的第一磨牙，即：
zref＝zSSM
对于犬牙，参考牙齿可以是同一颌的同一侧上的中门牙，即：
zref＝zSSI
如果zref缺失，则的值应设置为NaN。
返回步骤215，目标牙齿的牙尖总数也可以用于萌出状态/牙齿类型检测。可以通过以下等式计算牙尖总数：
ni＝nBM，i+nBD，i+nLM，i+nLD，i
如果nBM，i，nBD，i，nLM，i，nLD，i中的任何一个缺失，则可以将其值估算为0，但有一个例外：如果所有这些都缺失，则应将ni的值设置为NaN。
在图2B的步骤217处，检测系统可以使用来自步骤209的归一化的特征来确定牙齿类型(例如，目标牙齿是乳牙还是恒牙)和萌出状态(例如，目标牙齿是完全萌出还是部分萌出)。这可以通过将归一化的特征和可选的患者信息(例如，患者年龄/性别、萌出序列、测量到的可用于萌出的空间)传递给检测器来实现，在图2C和图2D中进一步描述了该检测器。
表2提供了可以由图2C和图2D的检测器使用以返回目标牙齿状态分类的归一化的特征和可选的患者信息的列表。如上所述，一级分类器可以使用第一组归一化的特征，二级分类器可以使用第二组归一化的特征。
表2-检测器使用的归一化的特征和患者信息的列表
图2C和图2D的检测器可以从三组中确定目标牙齿状态分类，如下表3所示。分类包括有关牙齿类型(恒牙vs乳牙)以及萌出状态(部分萌出vs完全萌出)的信息。
表3-分类组
类别标签 萌出状态 牙齿类型
y＝0 部分萌出 恒牙
y＝1 完全萌出 恒牙
y＝2 完全萌出 乳牙
在步骤217处使用的检测器(图2C或图2D)取决于目标牙齿的牙齿类型。因此，当目标牙齿是第二前磨牙时，使用一种分类结构，而当目标牙齿是第一前磨牙或犬牙时，使用另一分类结构。对于第二前磨牙，乳牙与恒牙在近中-远侧宽度上具有显著差异(例如，参见图4)。然而，对于犬牙来说，完全萌出的恒牙在牙冠高度和颊舌宽度方面与其他两种类型的牙齿明显不同(例如，参见图5A-5B)。对于第一前磨牙的牙冠高度，可以观察到类似的图案(例如，参见图6)。因此，如果目标牙齿包括第二前磨牙，则归一化的特征和患者信息被传递到图2C的检测器。如果目标牙齿包括第一前磨牙或犬牙，则归一化的特征和患者信息被传递到图2D的检测器。
最后，在图2B的步骤219处，检测系统可以从检测器接收牙齿类型和萌出状态，并且可以输出目标牙齿类型和萌出状态。输出可以包括1)乳牙类型和完全萌出，2)恒牙类型和未萌出/萌出，或3)恒牙类型和完全萌出。可选地，输出可以包括萌出百分比等。
图2C是描述使用第一和第二二进制分类器来确定目标牙齿的萌出状态和牙齿类型的检测器的流程图。如上所述，当目标牙齿包括第二前磨牙时，使用图2C的检测器。图2C的流程图描述了来自图2B的步骤217的检测器，该检测器用于确定目标牙齿类型和萌出状态。
图2C的检测器使用分层结构将多类分类问题转换为级联的二进制分类问题。检测器使用1级分类器(图2C的步骤151处)来解决第一(并且相对容易地)分类任务，随后如果需要的话，使用2级分类器(图2C的步骤155处)以完成目标牙齿的分类。1级分类器可以使用第一组归一化的特征以及可选地患者信息来解决第一分类任务，2级分类器可以使用第二组归一化的特征以及可选地患者信息来解决第二分类任务。
参照图2C的步骤251，检测器在1级分类器中使用第一组归一化的特征(以及可选地患者信息)以确定包括第二前磨牙的目标牙齿的第一二进制分类。检测器的1级分类器可以实现各种机器学习算法，包括决策树、随机森林、逻辑回归、支持向量机、AdaBOOST、K-最近邻(KNN)、二次判别分析、神经网络等。在步骤253处，1级分类器可以基于第一组归一化的特征和可选地患者信息来确定目标牙齿是否是完全萌出的乳牙。如果在步骤253处1级分类器确定目标牙齿是完全萌出的乳牙，则检测器可以在步骤261处返回“完全萌出的乳牙”的目标牙齿状态分类。
然而，如果1级分类器确定目标牙齿不是完全萌出的乳牙，则在图2C的步骤255处，检测器在2级分类器中使用第二组归一化的特征(以及可选地患者信息)来确定目标牙齿的第二二进制分类。检测器的2级分类器还可以实现与1级分类器相同的各种机器学习算法。在步骤257处，2级分类器可以基于第二组归一化的特征和可选地患者信息来确定目标牙齿是否是完全萌出的恒牙。如果在步骤257处2级分类器确定目标牙齿是完全萌出的恒牙，则检测器可以在步骤261处返回“完全萌出的恒牙”的目标牙齿状态分类。如果在步骤257处2级分类器确定目标牙齿不是完全萌出的恒牙，则在步骤259处2级分类器确定目标牙齿是部分萌出/未萌出的恒牙，然后检测器可以在步骤261处返回“部分萌出/未萌出的恒牙”的目标牙齿状态分类。
表4描述了当目标牙齿包括第二前磨牙时的分类器设计，该分类器设计包括在检测器的每个阶段的输入(归一化的)的特征以及输出选项。该分类器设计用于图2C的检测器。
表4-当目标牙齿包括第二前磨牙时的分类器设计
因此，根据表4，当目标牙齿是第二前磨牙时，由1级分类器使用的归一化的特征包括归一化的颊舌宽度、归一化的近中-远侧宽度、牙冠高度和牙尖总数。由2级分类器使用的归一化特征包括归一化的颊舌宽度、归一化的近中-远侧宽度、牙冠高度和相对的牙冠中心Z。1级分类器可以返回完全萌出的乳牙的正输出，2级分类器可以返回完全萌出的恒牙的正输出。
图2D是描述使用第一和第二二进制分类器来确定目标牙齿的萌出状态和牙齿类型的检测器的流程图。如上所述，当目标牙齿包括第一前磨牙或犬牙时，使用图2D的检测器。图2D的检测器类似于图2C的检测器，除了分类确定的顺序略有不同。
图2D的流程图描述了来自图2B的步骤217的检测器，该检测器用于确定目标牙齿类型和萌出状态。与上面相似，图2D的检测器使用分层结构将多类别分类问题转换为级联的二进制分类问题。检测器使用1级分类器(图2D的步骤271处)来解决第一(并且相对容易地)分类任务，随后如果需要的话，使用2级分类器(图2D的步骤275处)完成目标牙齿的分类。1级分类器可以使用第一组归一化的特征以及可选地患者信息来解决第一分类任务，2级分类器可以使用第二组归一化的特征以及可选地患者信息来解决第二分类任务。
参照图2D的步骤271，检测器在1级分类器中使用第一组归一化的特征(以及可选地患者信息)以确定包括第一前磨牙或犬牙的目标牙齿的第一二进制分类。检测器的1级分类器可以实现各种机器学习算法，包括决策树、随机森林、逻辑回归、支持向量机、AdaBOOST、K-最近邻(KNN)、二次判别分析、神经网络等。在步骤273处，1级分类器可以基于第一组归一化的特征和可选地患者信息来确定目标牙齿是否是完全萌出的恒牙。如果在步骤273处1级分类器确定目标牙齿是完全萌出的恒牙，则检测器可以在步骤281处返回“完全萌出的恒牙”的目标牙齿状态分类。
然而，如果1级分类器确定目标牙齿不是完全萌出的恒牙，则在图2D的步骤275处，检测器在2级分类器中使用第二组归一化的特征(以及可选地患者信息)来确定目标牙齿的第二二进制分类。检测器的2级分类器还可以实现与1级分类器相同的各种机器学习算法。在步骤277处，2级分类器可以基于第二组归一化的特征和可选地患者信息来确定目标牙齿是否是完全萌出的乳牙。如果在步骤277处2级分类器确定目标牙齿是完全萌出的乳牙，则检测器可以在步骤281处返回“完全萌出的乳牙”的目标牙齿状态分类。如果2级分类器在步骤277处确定目标牙齿不是完全萌出的乳牙，则在步骤279处2级分类器确定目标牙齿是部分萌出/未萌出的恒牙，然后检测器可以在步骤281处返回“部分萌出/未萌出恒牙”的目标牙齿状态分类。
表5描述了当目标牙齿包括第一前磨牙或犬牙时的分类器设计，该分类器设计包括在检测器的每个阶段输入(归一化的)的特征以及输出选项。该分类器设计用于图2D的检测器。
表5-目标牙齿包括第一磨牙或犬牙时的分类器设计
因此，根据表5，当目标牙齿是第一前磨牙或犬牙时，由1级分类器使用的归一化的特征包括归一化的颊舌宽度、归一化的近中-远侧宽度和牙冠高度。由2级分类器使用的归一化特征包括归一化的颊舌宽度、归一化的近中-远侧宽度、牙冠高度、相对的牙冠中心Z、牙尖总数和可选地患者年龄。1级分类器可以返回完全萌出的恒牙的正输出，2级分类器可以返回完全萌出的乳牙的正输出。
图3A-图3C是示出上述整个检测系统的另一组流程图。图3A是描述提取和生成要传递到牙齿状态分类检测器中的数据的方法的流程图。这些步骤通常对应于上述图2B的方法步骤201-217。
在图3A的步骤300处，可以提取数据以供检测系统使用。该数据可以包括患者牙齿数据(例如，牙齿的3D模型/扫描)以及关于患者的临床数据(例如，患者年龄、性别、萌出序列、测量到的可用于萌出的空间等)。接下来，在图3A的步骤302处，检测系统可以根据提取的数据生成特征。如上所述，这考虑了患者牙齿的变化以归一化数据集。最终，在图3A的步骤304处，可以将归一化特征传递到图3B的检测器中。
图3B是描述用于通过来自图3A的流程图的数据来确定目标牙齿的萌出状态和牙齿类型的牙齿状态分类检测器的流程图。在图3B的步骤306处，检测器可以确认必要的归一化的特征已经传递给检测器。在步骤308处，如果任何归一化的特征包括NaN(“非数字”)或错误消息，则可以在步骤310处引发警报并且可以结束检测过程。如果存在所有归一化的特征，则可以在步骤312处将归一化的特征传递给1级分类器。在图3C中还示出1级分类器。
如果在步骤312处1级分类器返回肯定结果，则可以在步骤314处将肯定结果转换为标签，并在步骤316处将其输出回到系统。如上所述，可以为图2C和图2D的检测器使用相同的标签。因此，步骤312的第二前磨牙目标牙齿的肯定结果可以在步骤314处转换为“完全萌出，乳牙”标签，步骤312的第一前磨牙或犬牙的肯定结果可以在步骤314处转换为“完全萌出，恒牙”标签。
如果在步骤312处1级分类器返回否定结果，则在步骤313处将归一化的特征进一步传递给2级分类器。图3C中也示出了该2级分类器。2级分类器类似地返回肯定或否定结果。因此，步骤313处来自2级分类器的第二前磨牙目标牙齿的肯定结果可以在步骤314处转换为“完全萌出，恒牙”标签，并且步骤313处第一前磨牙或犬牙目标牙齿的肯定结果可以在步骤314处被转换为“完全萌出，乳牙”标签。步骤313处来自2级分类器的第二前磨牙目标牙齿的否定结果可以在步骤314处转换为“部分萌出，恒牙”标签，步骤313处第一前磨牙或犬牙目标牙齿的否定结果可以在步骤214处转换为“部分萌出，恒牙”标签。
图3C是描述确定目标牙齿的萌出状态和牙齿类型的检测系统的检测器的流程图。在步骤318处，特征被标准化。特征标准化是机器学习和统计中的常见预处理程序。接下来，在步骤320处，如上所述，图3C的检测器进行预测。该预测可以基于传递给检测器的一组归一化的特征。该预测在步骤322处被二值化，并且被传递回检测系统以进行输出。
图7示出了根据牙齿类型和萌出状态的牙齿形状的示例。图6示出了左上第二双尖牙的不同牙齿类型和萌出状态，包括1)恒牙，完全萌出，2)恒牙，部分萌出，以及3)乳牙。
本文描述的方法可以由诸如数据处理系统的装置执行，该装置可包括用于执行上面描述的这些步骤中的许多步骤的硬件、软件和/或固件。例如，图8是数据处理系统500的简化框图。数据处理系统500通常包括至少一个处理器502，其通过总线子系统504与多个外围装置通信。这些外围装置通常包括存储子系统506(存储器子系统508和文件存储子系统514)、一组用户接口输入和输出装置518以及到包括公共交换电话网络的外部网络516的接口。该接口在图中示意为“调制解调器和网络接口”框516，并且通过通信网络接口524耦接到其它数据处理系统中的相应接口装置。数据处理系统500可包括终端或低端个人计算机或高端个人计算机、工作站或主机。
用户接口输入装置通常包括键盘，还可以包括定点装置和扫描仪。定点装置可以是间接的定点装置，诸如鼠标、跟踪球、接触垫板或图形输入板，或者是直接定点装置，诸如并入显示器中的接触屏。可以使用其它类型的用户接口输入装置，诸如语音识别系统。
用户接口输出装置可以包括打印机和显示子系统，该子系统包括显示控制器和耦接到该控制器的显示装置。显示装置可以是阴极射线管(CRT)、诸如液晶显示器(LCD)的平板显示器、或者投影装置。显示子系统也可以提供非视觉显示，诸如音频输出。
存储子系统506保持提供本发明的功能的基本程序和数据结构。上面讨论的软件模块通常存储在存储子系统506中。存储子系统506通常包括存储器子系统508和文件存储子系统514。
存储器子系统508通常包括多个存储器，其包括用于在程序执行期间存储指令和数据的主随机存取存储器(RAM)510和其中存储固定指令的只读存储器(ROM)512。在Macintosh兼容的个人计算机的情况下，ROM将包括操作系统的部分；在IBM兼容的个人计算机的情况下，这将包括BIOS(基本输入/输出系统)。
文件存储子系统514提供对于程序和数据文件的持久(非易失性)存储，并且通常包括至少一个硬盘驱动器和至少一个软盘驱动器(具有相关联的可移除介质)。还可以有其它装置，诸如CD-ROM驱动器和光盘驱动器(都具有与它们相关的可移除介质)。此外，该系统可包括具有可移除介质的盒式磁带类型的驱动器。可移除介质的盒式磁带例如可以是诸如Syquest等销售的硬盘盒式磁带，以及诸如Iomega销售的软盘盒式磁带。一个或多个驱动器可以位于远程位置，例如位于局域网上的服务器中，或位于因特网的万维网上的站点。
在该上下文中，通用地使用术语“总线子系统”以包括用于使各种组件和子系统如预期地彼此通信的任何机构。除了输入装置和显示器之外，其它组件不需要处于相同的物理位置。因此，例如，文件存储系统的各部分可以通过包括电话线的各种局域或广域网介质连接。类似地，输入装置和显示器不需要与处理器处于相同的位置，尽管可预期本发明将最经常地在PCS和工作站的背景下实现。
总线子系统504被示意性地示出为单个总线，但是，典型的系统具有多个总线，诸如本地总线和一个或多个扩展总线(例如，ADB、SCSI、ISA、EISA、MCA、NuBus或PCI)，以及串行和并行端口。网络连接通常通过一装置建立，该装置诸如这些扩展总线之一上的网络适配器，或串行端口上的调制解调器。客户端计算机可以是台式系统或便携式系统。
扫描仪520负责扫描从患者或从正牙医生获得的患者牙齿的模子，并将扫描到的数字数据集信息提供给数据处理系统500以进一步处理。在分布式环境中，扫描仪520可以位于远程位置，并且通过网络接口524将扫描到的数字数据集信息输送给数据处理系统500。
制造机器522基于从数据处理系统500接收到的中间和最终数据集信息制造牙科器具。在分布式环境中，制造机器522可以位于远程位置，并且通过网络接口524从数据处理系统500接收数据集信息。
可以使用各种替代、修改和等同物来代替上述组件。尽管可以使用计算机辅助技术确定牙齿的最终位置，但是用户可以通过独立地操纵一颗或多颗牙齿同时满足处方的约束来将牙齿移动到其最终位置。
此外，本文描述的技术可以以硬件或软件或两者的组合来实施。这些技术可以在可编程计算机上执行的计算机程序中实现，每个可编程计算机包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)以及合适的输入和输出装置。程序代码被应用于使用输入装置输入的数据，以执行所描述的功能并生成输出信息。输出信息被应用于一个或多个输出装置。
每个程序可以以高级编程语言或面向对象的编程语言实现，以结合计算机系统进行操作。然而，如果需要，程序可以以汇编语言或机器语言来实现。在任何情况下，语言可以是编译或解释语言。
每个这样的计算机程序可以存储在存储介质或装置(例如，CD-ROM、硬盘或磁盘)上，其可由通用或专用可编程计算机读取，用于在存储介质或装置由计算机读取时设置和操作计算机以执行所述过程。该系统还可以被实现为设置有计算机程序的计算机可读存储介质，其中如此设置的存储介质使计算机以特定和预定义的方式操作。
因此，本文描述的任何方法(包括用户界面)可以被实现为软件、硬件或固件，并且可以被描述为存储能够由处理器(例如，计算机、平板电脑、智能手机等)执行的指令集的非暂时性计算机可读存储介质，当指令集由处理器执行时，会使处理器控制执行任何步骤，包括但不限于：显示、与用户通信、分析、修改参数(包括时间、频率、强度等)、确定、警报等。
尽管本文已经示出和描述了本公开的优选实施例，但是对于本领域技术人员来说显而易见的是，这样的实施例仅作为示例提供。本领域技术人员现在在不脱离本发明的情况下将想到许多变型、改变和替换。应该理解的是，本文描述的发明的实施例的各种替代方案可在实施本发明时采用。本文所描述的实施例的各种不同的组合是可能的，且这样的组合被认为是本公开的一部分。此外，结合本文的任何一个实施例讨论的所有特征可以容易地适配为用在本文中的其它实施例中。旨在随附的权利要求书限定本发明的范围，并因此覆盖在这些权利要求及它们的等同物的范围内的方法和结构。
当特征或元件在本文中被称为在另一特征或元件“上”时，它可以直接在另一特征或元件上，或者也可以存在中间特征和/或元件。相反，当特征或元件被称为“直接在”另一特征或元件上时，不存在中间特征或元件。还应该理解，当一个特征或元件被称为“连接”、“附接”或“耦接”到另一个特征或元件时，它可以直接连接、附接或耦接到另一个特征或元件或可以存在中间特征或元件。相反，当特征或元件被称为“直接连接”、“直接附接”或“直接耦接”到另一特征或元件时，不存在中间特征或元件。尽管关于一个实施例进行了描述或示出，但是如此描述或示出的特征和元件可以应用于其他实施例。本领域技术人员还将理解，对与另一特征“相邻”设置的结构或特征的引用可具有与相邻特征重叠或位于相邻特征之下的部分。
本文使用的术语仅用于描述特定实施例的目的，并不意图限制本发明。例如，如本文所用，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确说明。将进一步理解，当在本说明书中使用时，术语“包括”和/或“包含”指定所述特征、步骤、操作、元件和/或组件的存在，但不排除存在或添加一个或多个其他特征、步骤、操作、元素、组件和/或其群组。如本文所使用的，术语“和/或”包括一个或多个相关联所列项目的任何和所有组合，并且可以缩写为“/”。
为了便于描述，本文可以使用空间相对术语，例如“在......下方”、“在......下面”、“下面”、“在...上方”、“上面”等，以描述如图中所示的一个元件或特征与另一个元件或特征的关系。应当理解，除了图中所示的取向之外，空间相对术语旨在包括使用或操作中的装置的不同取向。例如，如果图中的装置被反转，则被描述为在其他元件或特征“下面”或“下方”的元件将被定向在其他元件或特征“上面”。因此，示例性术语“在...之下”可以包括上方和下方的两个取向。装置可以以其他方式定向(旋转90度或以其他取向)，并且相应地解释本文使用的空间相对描述符。类似地，除非另有明确说明，否则本文使用术语“向上”、“向下”、“竖直”、“水平”等仅用于解释的目的。
虽然本文可以使用术语“第一”和“第二”来描述各种特征/元素(包括步骤)，但是这些特征/元素不应受这些术语的限制，除非上下文另有说明。这些术语可用于将一个特征/元素与另一个特征/元素区分开。因此，下面讨论的第一特征/元素可以被称为第二特征/元素，并且类似地，下面讨论的第二特征/元素可以被称为第一特征/元素，而不脱离本发明的教导。
在整个本说明书和以下的权利要求书中，除非上下文另有要求，否则词语“包括”以及诸如“包括”和“包含”之类的变形意味着可以在方法和物品(例如，包括设备和方法的组合物和装置)中共同使用各种组件。例如，术语“包括”将被理解为暗示包括任何陈述的要素或步骤，但是不排除任何其他要素或步骤。
通常，本文所述的任何装置和/或方法应理解为包括性的，但是组件和/或步骤的全部或子集可以可替代地是排他的，并且可以表示为“由各个组件、步骤、子组件或子步骤组成”或“基本上由各个组件、步骤、子组件或子步骤组成”。
如本说明书和权利要求书中所使用的，包括如在示例中使用的并且除非另有明确说明，否则所有数字可以改为好比以“约”或“大约”一词开头，即使该术语没有明确出现。当描述幅度和/或位置以指示所描述的值和/或位置在合理的预期值和/或位置范围内时，可以使用短语“约”或“近似”。例如，数值的值可以是所述值(或值的范围)的+/-0.1％，是所述值(或值的范围)的+/-1％，是所述值(或值的范围)的+/-2％，是所述值(或值的范围)的+/-5％，是所述值(或值的范围)的+/-10％等。除非上下文另外指出，否则本文给出的任何数值也应理解为包括大约或近似该值。例如，如果公开了数值“10”，则也公开了“约10”。本文叙述的任何数值范围旨在包括其中包含的所有子范围。还应理解，如本领域技术人员适当理解的那样，当公开的值为“小于或等于”该值时，还公开了“大于或等于该值”以及值之间的可能范围。例如，如果公开了值“X”，则还公开了“小于或等于X”以及“大于或等于X”(例如，其中X是数值)。还应理解，在整个申请中，以多种不同格式提供数据，并且该数据表示端点和起点以及数据点的任何组合的范围。例如，如果公开了特定数据点“10”和特定数据点“15”，则应理解，大于、大于或等于、小于、小于或等于以及等于10和15被认为公开了且在10和15之间。还应该理解，还公开了两个特定单元之间的每个单元。例如，如果公开了10和15，则还公开了11、12、13和14。
尽管上面描述了各种说明性实施例，但是在不脱离由权利要求描述的本发明的范围的情况下，可以对各种实施例进行许多改变中的任何改变。例如，在替代实施例中可以经常改变执行各种所描述的方法步骤的顺序，并且在其他替代实施例中，可以完全跳过一个或多个方法步骤。各种装置和系统实施例的可选特征可以包括在一些实施例中而不包括在其他实施例中。因此，前面的描述主要是出于示例性目的而提供的，并且不应该被解释为限制如权利要求中所阐述的本发明的范围。
本文包括的实施例和说明通过说明而非限制的方式显示了可以实施主题的具体实施例。如上所述，可以利用其他实施例并从中得出其他实施例，使得可以在不脱离本公开的范围的情况下进行结构和逻辑替换和改变。本发明主题的这些实施例在本文中可以单独地或共同地由术语“发明”来指代，仅仅是为了方便并且不意图将本申请的范围自愿地限制于事实上公开的任何单个发明或发明构思(如果不止一个)。因此，尽管本文已说明和描述了特定实施例，但经计算以实现相同目的的任何布置可替代所示的特定实施例。本公开旨在涵盖各种实施例的任何和所有调适或变化。在阅读以上描述后，上述实施例的组合以及本文未具体描述的其他实施例对于本领域技术人员而言将是显而易见的。

Claims (47)

1.一种自动确定目标牙齿的萌出状态和乳牙或恒牙类型的方法，包括：
收集患者牙列的3D模型；
识别与目标牙齿相对应的患者牙列的3D模型中的部分，患者牙列的3D模型中的所述部分与目标牙齿的一个或多个视觉属性相关联；
标准化目标牙齿的3D模型，包括将3D模型表示为距每个牙齿的中心点的多个矢量角度；
识别与目标牙齿相对应的患者牙列的标准化的3D模型中的部分的一个或多个主成分分析特征，所述一个或多个主成分分析特征与目标牙齿的所述一个或多个视觉属性相关，其中主成分分析在3D空间中的已知角度处获得有限数量的矢量；
使用所述一个或多个主成分分析特征来确定目标牙齿的一个或多个牙齿萌出指标，所述一个或多个牙齿萌出指标提供识别目标牙齿的萌出状态的基础；以及
输出所述一个或多个牙齿萌出指标，
其中，确定目标牙齿的所述一个或多个牙齿萌出指标包括使用机器训练的分类器以基于一个或多个代表性牙齿的3D模型的一个或多个主成分分析特征来识别目标牙齿的萌出状态和牙齿类型中的一个或多个，
其中，输出所述一个或多个牙齿萌出指标包括输出与以下之一相对应的指标：乳牙萌出、恒牙部分萌出或未萌出、以及恒牙萌出。
2.根据权利要求1所述的方法，其中，标准化包括识别相对于目标牙齿的中心点的角度的预定数量。
3.根据权利要求1所述的方法，其中，收集3D模型包括以下一项或多项：获取患者牙齿的3D模型；从口内扫描仪接收患者牙齿的3D模型；以及从患者牙齿模具的扫描接收3D模型。
4.根据权利要求1所述的方法，其中，所述萌出状态包括目标牙齿的萌出状态和持久类型中的一种或多种。
5.根据权利要求4所述的方法，其中，持久状态指定目标牙齿是恒牙还是乳牙。
6.根据权利要求1所述的方法，其中，确定目标牙齿的所述一个或多个牙齿萌出指标至少部分地基于患者年龄、萌出序列、测量到的可用于萌出的空间、患者性别或与患者相关的其他信息。
7.根据权利要求1所述的方法，其中，确定所述一个或多个牙齿萌出指标包括将所述一个或多个主成分分析特征与一个或多个代表性牙齿的3D模型的一个或多个主成分分析特征进行比较。
8.根据权利要求1所述的方法，其中，基于主成分分析特征来确定目标牙齿的所述一个或多个牙齿萌出指标包括应用机器学习算法，所述机器学习算法选自由决策树、随机森林、逻辑回归、支持向量机、AdaBOOST、K-最近邻、二次判别分析和神经网络组成的组。
9.根据权利要求1所述的方法，其中，所述机器训练的分类器实现卷积神经网络。
10.根据权利要求1所述的方法，还包括至少部分地基于目标牙齿的萌出状态输出患者牙齿的3D模型的修改版本以包括牙齿编号。
11.根据权利要求1所述的方法，还包括接收请求以识别目标牙齿的所述一个或多个牙齿萌出指标；并且其中识别一个或多个主成分是响应于所述请求而执行的。
12.根据权利要求1所述的方法，还包括将所述一个或多个牙齿萌出指标用作患者牙齿的正畸治疗计划的一部分。
13.根据权利要求12所述的方法，其中，所述正畸治疗计划包括针对儿科患者的儿科正畸治疗计划。
14.根据权利要求1所述的方法，还包括使用所述一个或多个牙齿萌出指标来设计用于患者牙列的可移除正畸矫正器的至少一部分。
15.根据权利要求1所述的方法，其中，输出所述一个或多个牙齿萌出指标包括与所述一个或多个牙齿萌出指标相对应的一个或多个牙齿萌出指标标签。
16.根据权利要求1所述的方法，其中，识别3D模型的所述部分是分割患者牙列的3D模型的操作的一部分。
17.一种自动确定目标牙齿的萌出状态和乳牙或恒牙类型的系统，包括：
一个或多个处理器；
存储器，耦合到所述一个或多个处理器，所述存储器被配置为存储计算机程序指令，所述计算机程序指令在被所述一个或多个处理器执行时，实现计算机实现的方法，所述计算机实现的方法包括：
收集患者牙列的3D模型；
识别与目标牙齿相对应的患者牙列的3D模型中的部分，患者牙列的3D模型中的所述部分与目标牙齿的一个或多个视觉属性相关联；
通过将3D模型表示为距每个牙齿的中心点的多个矢量角度来标准化目标牙齿的3D模型；
识别与目标牙齿相对应的患者牙列的标准化的3D模型中的部分的一个或多个主成分分析特征，所述一个或多个主成分分析特征与目标牙齿的所述一个或多个视觉属性相关，其中主成分分析在3D空间中的已知角度处获得有限数量的矢量；
使用所述一个或多个主成分分析特征来确定目标牙齿的一个或多个牙齿萌出指标，所述一个或多个牙齿萌出指标提供识别目标牙齿的萌出状态的基础；以及
输出所述一个或多个牙齿萌出指标，
其中，确定目标牙齿的所述一个或多个牙齿萌出指标包括使用机器训练的分类器以基于一个或多个代表性牙齿的3D模型的一个或多个主成分分析特征来识别目标牙齿的萌出状态和牙齿类型中的一个或多个，
其中，输出所述一个或多个牙齿萌出指标包括输出与以下之一相对应的指标：乳牙萌出、恒牙部分萌出或未萌出、以及恒牙萌出。
18.一种自动确定目标牙齿的萌出状态和萌出持久性状态的方法，所述方法包括：
在计算装置中接收包括目标牙齿的患者牙齿的3D模型；
在计算装置中根据患者牙齿的3D模型确定目标牙齿的牙齿形状特征；
在计算装置中根据患者牙齿的3D模型确定一个或多个参考牙齿的牙齿形状特征；
标准化目标牙齿的3D模型，包括将3D模型表示为距每个牙齿的中心点的多个矢量角度；
在计算装置中使用一个或多个参考牙齿的牙齿形状特征来归一化目标牙齿的至少一些牙齿形状特征；
将标准化的和归一化的牙齿形状特征应用于计算装置的机器训练的分类器，以确定目标牙齿的萌出状态和萌出持久性状态，其中确定所述萌出状态包括确定所述目标牙齿已完全萌出、部分萌出还是未萌出，确定所述萌出持久性状态包括确定所述目标牙齿是乳牙还是恒牙；以及
从计算装置输出目标牙齿的萌出状态和乳牙或恒牙类型，
其中，输出萌出状态包括输出萌出百分比的指示，
其中，输出包括输出以下之一：乳牙萌出、恒牙部分萌出或未萌出、以及恒牙萌出。
19.根据权利要求18所述的方法，还包括获取患者牙齿的3D模型。
20.根据权利要求18所述的方法，其中，所述3D模型是从三维扫描仪接收的。
21.根据权利要求18所述的方法，其中，所述3D模型是从患者牙齿的模具接收的。
22.根据权利要求18所述的方法，还包括获得患者信息，其中，所述患者信息包括以下一项或多项：患者年龄、萌出序列、测量到的可用于萌出的空间和患者性别；其中将归一化的牙齿形状特征应用于分类器包括利用归一化的牙齿形状特征将患者信息应用于分类器。
23.根据权利要求18所述的方法，其中，确定目标牙齿的牙齿形状特征包括确定以下各项中的一项或多项：近中-远侧宽度、颊舌宽度、牙冠高度、牙冠中心和牙尖数量。
24.根据权利要求23所述的方法，其中，确定牙尖数量包括确定在包括以下项的一个或多个牙弓方向表面中的牙尖的数量：颊近中侧、颊远侧、舌近中侧和舌远侧。
25.根据权利要求18所述的方法，其中，确定一个或多个参考牙齿的牙齿形状特征包括确定一个参考牙齿的牙齿形状特征。
26.根据权利要求18所述的方法，其中，所述一个或多个参考牙齿包括磨牙。
27.根据权利要求18所述的方法，其中，确定一个或多个参考牙齿的牙齿形状特征包括确定两个参考牙齿的牙齿形状特征。
28.根据权利要求18所述的方法，其中，确定一个或多个参考牙齿的牙齿形状特征包括：针对一个或多个参考牙齿中的每一个，确定以下项中的一项或多项：近中-远侧宽度、颊舌宽度和牙冠中心。
29.根据权利要求18所述的方法，其中，使用一个或多个参考牙齿的牙齿形状特征对目标牙齿的至少一些牙齿形状特征进行归一化包括将近中-远侧宽度、颊舌宽度、牙冠高度和牙冠中心的一个或多个归一化到一个或多个参考牙齿。
30.根据权利要求18所述的方法，其中，归一化还包括确定每个牙弓方向表面中的牙尖总数，所述牙弓方向表面包括：颊近中侧、颊远侧、舌近中侧和舌远侧。
31.根据权利要求18所述的方法，其中，将归一化的牙齿形状特征应用于分类器包括将第一级二进制分类器或第一级二进制分类器和第二级二进制分类器应用于归一化的牙齿形状特征。
32.根据权利要求18所述的方法，其中，将归一化的牙齿形状特征应用于分类器包括：将第一级二进制分类器应用于归一化的牙齿形状特征的第一子集，并基于第一级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型，或者将第二级二进制分类器应用于归一化的牙齿形状特征的第二子集，并基于第二级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型。
33.一种自动确定目标牙齿的萌出状态和乳牙或恒牙类型的方法，所述方法包括：
在计算装置中接收包括目标牙齿的患者牙齿的3D模型；
在计算装置中根据患者牙齿的3D模型确定目标牙齿的牙齿形状特征；
在计算装置中根据患者牙齿的3D模型确定一个或多个参考牙齿的牙齿形状特征；
标准化目标牙齿的3D模型，包括将3D模型表示为距每个牙齿的中心点的多个矢量角度；
在计算装置中使用所述一个或多个参考牙齿的牙齿形状特征来归一化目标牙齿的至少一些牙齿形状特征；
将标准化的和归一化的牙齿形状特征应用于计算装置的分类器，其中，将归一化的牙齿形状特征应用于分类器包括：应用第一级二进制分类器，并且依据第一级二进制分类器的输出，输出目标牙齿的萌出状态和乳牙或恒牙类型，或者将第二级二进制分类器应用于归一化的牙齿形状特征，然后输出目标牙齿的萌出状态和乳牙或恒牙类型，
其中，输出萌出状态包括输出萌出百分比的指示，
其中，输出包括输出以下之一：乳牙萌出、恒牙部分萌出或未萌出、以及恒牙萌出。
34.一种自动确定目标牙齿的萌出状态和乳牙或恒牙类型的方法，所述方法包括：
接收包括目标牙齿的患者牙齿的三维模型；
标准化目标牙齿的3D模型，包括将3D模型表示为距每个牙齿的中心点的多个矢量角度；
基于一个或多个参考牙齿对目标牙齿的至少一个维度进行归一化；
将包括所述至少一个维度的牙齿形状特征输入到第一二进制分类器，以确定目标牙齿是否是完全萌出的恒牙；
如果第一二进制分类器确定目标牙齿不是完全萌出的恒牙，则将牙齿形状特征输入到第二二进制分类器，以确定目标牙齿是部分萌出/未萌出的恒牙还是乳牙；以及
输出目标牙齿是完全萌出的恒牙、部分萌出/未萌出的恒牙或乳牙，
其中，输出萌出状态包括输出萌出百分比的指示。
35.一种非暂时性计算装置可读介质，其上存储有指令，用于确定患者目标牙齿的状态，其中，所述指令可由处理器执行以使计算装置：
接收包括目标牙齿的患者牙齿的3D模型；
根据患者牙齿的3D模型确定目标牙齿的牙齿形状特征；
根据患者牙齿的3D模型确定一个或多个参考牙齿的牙齿形状特征；
标准化目标牙齿的3D模型，包括将3D模型表示为距每个牙齿的中心点的多个矢量角度；
使用所述一个或多个参考牙齿的牙齿形状特征归一化目标牙齿的至少一些牙齿形状特征；
将标准化的和归一化的牙齿形状特征应用于计算装置的机器训练的分类器，以确定目标牙齿的萌出状态和萌出持久性状态，其中确定所述萌出状态包括确定所述目标牙齿已完全萌出、部分萌出还是未萌出，确定所述萌出持久性状态包括确定所述目标牙齿是乳牙还是恒牙；以及
输出目标牙齿的萌出状态和乳牙或恒牙类型，
其中，所述指令还被配置为输出萌出百分比的指示，
其中，所述指令还被配置为使得输出是以下之一：乳牙萌出、恒牙部分萌出/未萌出或恒牙萌出。
36.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为从三维扫描仪接收3D模型。
37.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为获取患者信息，其中，所述患者信息包括以下各项中的一项或多项：患者年龄、萌出序列、测量到的可用于萌出的空间和患者性别；其中，所述指令还被配置为在患者信息中包括应用于分类器的归一化的牙齿形状特征。
38.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为确定以下各项中的一项或多项作为所述牙齿形状特征的一部分：近中-远侧宽度、颊舌宽度、牙冠高度、牙冠中心和牙尖数量。
39.根据权利要求35所述的非暂时性计算装置可读介质，所述指令还被配置为通过确定一个或多个牙弓方向表面中的牙尖数量来确定牙尖数量，所述牙弓方向表面包括：颊近中侧、颊远侧、舌近中侧和舌远侧。
40.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令被配置为根据一个参考牙齿确定所述一个或多个参考牙齿的牙齿形状特征。
41.根据权利要求40所述的非暂时性计算装置可读介质，其中，所述一个参考牙齿包括磨牙。
42.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令被配置为根据两个参考牙齿确定所述一个或多个参考牙齿的牙齿形状特征。
43.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为针对以下各项中的一项或多项确定一个或多个参考牙齿的牙齿形状特征：近中-远侧宽度、颊舌宽度和牙冠中心。
44.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为：通过将近中-远侧宽度、颊舌宽度、牙冠高度和牙冠中心的一个或多个归一化到一个或多个参考牙齿，使用一个或多个参考牙齿的牙齿形状特征来归一化目标牙齿的至少一些牙齿形状特征。
45.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为通过确定每个牙弓方向表面中的牙尖总数来归一化目标牙齿的至少一些牙齿形状特征，所述牙弓方向表面包括：颊近中侧、颊远侧、舌近中侧和舌远侧。
46.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为通过将第一级二进制分类器或第一级二进制分类器和第二级二进制分类器应用于标准化的牙齿形状特征来将归一化的牙齿形状特征应用于分类器。
47.根据权利要求35所述的非暂时性计算装置可读介质，其中，所述指令还被配置为将第一级二进制分类器应用于归一化的牙齿形状特征的第一子集，并基于第一级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型，或者将第二级二进制分类器应用于归一化的牙齿形状特征的第二子集，并基于第二级二进制分类器指示目标牙齿的萌出状态和乳牙或恒牙类型。
CN201880040186.XA 2017-06-16 2018-06-15 牙齿类型和萌出状态的自动检测 Active CN110769777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310952121.5A CN116942335A (zh) 2017-06-16 2018-06-15 牙齿类型和萌出状态的自动检测

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762521166P 2017-06-16 2017-06-16
US62/521,166 2017-06-16
PCT/US2018/037849 WO2018232299A1 (en) 2017-06-16 2018-06-15 Automatic detection of tooth type and eruption status

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310952121.5A Division CN116942335A (zh) 2017-06-16 2018-06-15 牙齿类型和萌出状态的自动检测

Publications (2)

Publication Number Publication Date
CN110769777A CN110769777A (zh) 2020-02-07
CN110769777B true CN110769777B (zh) 2023-08-11

Family

ID=62842288

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310952121.5A Pending CN116942335A (zh) 2017-06-16 2018-06-15 牙齿类型和萌出状态的自动检测
CN201880040186.XA Active CN110769777B (zh) 2017-06-16 2018-06-15 牙齿类型和萌出状态的自动检测

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310952121.5A Pending CN116942335A (zh) 2017-06-16 2018-06-15 牙齿类型和萌出状态的自动检测

Country Status (3)

Country Link
EP (1) EP3638146A1 (zh)
CN (2) CN116942335A (zh)
WO (1) WO2018232299A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112972046A (zh) * 2021-02-03 2021-06-18 西安交通大学口腔医院 一种菌斑控制记录的管理方法及系统
CN117788355A (zh) * 2022-06-20 2024-03-29 杭州朝厚信息科技有限公司 口腔全景片中恒牙和乳牙的分割和牙号确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1655733A (zh) * 2002-05-28 2005-08-17 奥尔托－泰恩公司 基于未萌出牙齿的预测尺寸和形状的牙齿矫正器、系统和方法
RU2013129433A (ru) * 2013-06-26 2015-01-10 Рамиз Гулам оглы Гашимов Способ стимуляции задержавшихся в прорезывании постоянных зубов

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5975893A (en) 1997-06-20 1999-11-02 Align Technology, Inc. Method and system for incrementally moving teeth
US7246100B2 (en) * 2004-12-06 2007-07-17 Intel Corporation Classifying an analog voltage in a control system using binary classification of time segments determined by voltage level
US7792368B2 (en) * 2005-08-10 2010-09-07 Xerox Corporation Monotonic classifier
JP2009059123A (ja) * 2007-08-31 2009-03-19 National Institute Of Information & Communication Technology 翻訳品質の人による評定を推定するための装置及び方法
US8108189B2 (en) * 2008-03-25 2012-01-31 Align Technologies, Inc. Reconstruction of non-visible part of tooth
US8172569B2 (en) * 2008-06-12 2012-05-08 Align Technology, Inc. Dental appliance
US8311956B2 (en) * 2009-08-11 2012-11-13 At&T Intellectual Property I, L.P. Scalable traffic classifier and classifier training system
KR20130006030A (ko) * 2011-07-08 2013-01-16 가톨릭대학교 산학협력단 감성 인식을 위한 분류 모델 구성 방법 및 그 장치
US9744001B2 (en) * 2014-11-13 2017-08-29 Align Technology, Inc. Dental appliance with cavity for an unerupted or erupting tooth
JP6605249B2 (ja) * 2015-08-07 2019-11-13 株式会社吉田製作所 歯牙解析装置およびそのプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1655733A (zh) * 2002-05-28 2005-08-17 奥尔托－泰恩公司 基于未萌出牙齿的预测尺寸和形状的牙齿矫正器、系统和方法
RU2013129433A (ru) * 2013-06-26 2015-01-10 Рамиз Гулам оглы Гашимов Способ стимуляции задержавшихся в прорезывании постоянных зубов

Also Published As

Publication number Publication date
US20180360567A1 (en) 2018-12-20
WO2018232299A1 (en) 2018-12-20
CN116942335A (zh) 2023-10-27
EP3638146A1 (en) 2020-04-22
CN110769777A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
US11957541B2 (en) Machine learning scoring system and methods for tooth position assessment
US20230320824A1 (en) Molar trimming prediction and validation using machine learning
CN111195161B (zh) 利用缺失牙齿预测的牙科分析
US20240099814A1 (en) Dental arch width measurement tool
CN112105315B (zh) 基于扫描的自动异位牙齿检测
US11357598B2 (en) Dental arch analysis and tooth numbering
US20220257342A1 (en) Method and system for providing dynamic orthodontic assessment and treatment profiles
US8126726B2 (en) System and method for facilitating automated dental measurements and diagnostics
US11903793B2 (en) Machine learning dental segmentation methods using sparse voxel representations
US9517111B2 (en) Methods and systems for employing artificial intelligence in automated orthodontic diagnosis and treatment planning
CN110769777B (zh) 牙齿类型和萌出状态的自动检测
US20230390027A1 (en) Auto-smile design setup systems
US11996181B2 (en) Automatic detection of tooth type and eruption status
JP7195291B2 (ja) データ処理装置、データ処理システム、データ処理方法、およびデータ処理用プログラム
Kumar Automated virtual treatment planning in orthodontics: modeling and algorithms

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