CN111265317A - 一种牙齿正畸过程预测方法 - Google Patents

Abstract

本发明公开了一种牙齿正畸过程预测方法，该预测方法包括获取正畸输入训练数据和正畸输出训练数据；根据所述的正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；获取目标患者的牙齿三维数字化模型；根据所述目标患者的牙齿三维数字化模型并结合正畸模型得到牙齿正畸后的形态。本发明一方面，将正畸前3D牙齿模型作为输入，得到牙齿正畸终态；另一方面，针对阶段性正畸，对于输入的牙齿模型，得到阶段性正畸结束的牙齿形态后，对该状态下的牙齿排列情况是否可达到正畸结束的标准进行判断，若达到标准，则正畸结束并停止，若未达到标准，则继续进行下一阶段正畸，以作为医生规划诊疗方案的参考依据，加快医生的工作速度。

Description

一种牙齿正畸过程预测方法

技术领域

本发明涉及牙齿矫正技术领域，特别涉及一种牙齿正畸过程预测方法。

背景技术

随着人们越来越注重牙齿的美观，越来越多的人能够接受口腔正畸；通过口腔正畸，能够将不整齐的牙齿排列整齐，达到美观、健康、稳定等目的。

口腔正畸是现阶段让我们的牙齿更加整齐和美观的常见方法，但是正畸过程并不智能。正畸治疗开始前，牙齿如何移动，移动多少由医师来判断并设计，有时会出现失误，因此对于正畸最终效果的预测费时、不方便也不太可靠。

另外在牙齿正畸过程中，中间过程状态预测过程不方便，阶段性治疗成果不显著，中间过程的调整与管控完全依赖医生经验，最终导致预测结果准确度不高等问题。

发明内容

本发明的目的是提供一种牙齿正畸过程预测方法，一方面，将正畸前3D牙齿模型作为输入，得到牙齿正畸终态；另一方面，针对阶段性正畸，对于输入的牙齿模型，得到阶段性正畸结束的牙齿形态后，对该状态下的牙齿排列情况是否可达到正畸结束的标准进行判断，若达到标准，则正畸结束并停止，若未达到标准，则继续进行下一阶段正畸，以作为医生规划诊疗方案的参考依据，加快医生的工作速度。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种牙齿正畸过程预测方法，包括：如下步骤：

S1，准备训练样本集，包括若干个体各自三维的正畸前牙齿的初态数据和对应的正畸后牙齿的终态数据；

S2，设计正畸过程终态模型，包括对深度神经网络结构的特征提取模块和特征转换模块进行设置；其中，向该模型分别输入的是步骤S1处理过的单个个体的正畸前牙齿的初态数据，输出的是与单个个体对应的表示正畸后牙齿的终态信息的一个变换矩阵；

S3，所述特征提取模块对单个个体的正畸前牙齿的初态数据进行处理，提取出相应的正畸前牙齿的初态特征向量；

S4，结合步骤S3提取的正畸前牙齿的初态特征向量，利用特征转换模块进行转换，得到每颗牙齿的变换矩阵；

S5，使用训练样本集收集到的正畸前牙齿的初态数据及对应的正畸后牙齿的终态数据，对特征提取模块和特征转换模块进行训练，得到训练完成的深度神经网络结构；

S6，将实际获得的单个个体的三维正畸前牙齿的初态数据，输入到步骤S5训练出的深度神经网络结构，输出的变换矩阵对应于该个体正畸后牙齿的终态信息。

优选地，步骤S1中，通过三维扫描仪分别获得牙齿的三维模型数据，并对所述牙齿的三维模型数据采用轴对齐网格和内部点检测将其格栅化，变为体素数据，其中所述牙齿的三维模型数据包括正畸前上颌初态模型数据、正畸前下颌初态模型数据、正畸后上颌终态模型数据和正畸后下颌终态模型数据。

优选地，步骤S2中，基于每个人有32颗牙齿，所述变换矩阵由32个变换向量组成，每个变换向量对应一颗牙齿的变换情况。

优选地，步骤S3中，所述特征提取模块输入N×N×N×N的体素数据，依次由a₁种不同的b₁×b₁×b₁的卷积核以步长c₁卷积并由ReLU函数激励、由a₂种不同的b₂×b₂×b₂的卷积核以步长c₂卷积并由ReLU函数激励，由a₃种不同的b₃×b₃×b₃的卷积核以步长c₃卷积并由ReLU函数激励，由a₄种不同的b₄×b₄×b₄的卷积核以步长c₄卷积并由ReLU函数激励，输出K维的特征V。

优选地，步骤S4中，所述的特征转换模块采用3层全连接层，输入K维的特征向量V，依次经过第一全连接层并由ReLU函数激励后，经过第二全连接层并由ReLU函数激励，最后通过第三全连接层输出一牙齿的变换矩阵。

优选地，步骤S5中，训练所述特征提取模块和特征转换模块的过程之中，采用欧式损失函数和平均最小表面距离的和作为损失函数:

L＝L₂+AMSSD

其中，L₂＝1/2∑_i(x_i-y_i)²，dist(a,S_B)＝min{dist(a,b),b∈S_B},

AMSSD(S_B,S_A)＝mean{dist(a,S_B),a∈S_A}

其中x_i，y_i分别表示实际输出向量与标准输出向量，AMSSD表示平均最小表面距离，用于限制牙齿位置形态；S_B表示真实状态牙齿表面的顶点的集合，S_A表示预测状态牙齿表面的顶点的集合。

优选地，进一步包括对正畸过程中牙齿中间状态进行预测这一步骤；

所述的对正畸过程中牙齿中间状态进行预测包括：

获取其中一个阶段结束后的牙齿形态，并对该牙齿形态进行判断，若当前的牙齿形态符合正畸结束后的标准，则正畸结束。

优选地，所述的对正畸过程中牙齿中间状态进行预测还包括：

对该牙齿形态进行判断，若当前的牙齿形态不符合正畸结束后的标准，则进行下一阶段的正畸。

本发明与现有技术相比，具有以下优点：

一方面，将正畸前3D牙齿模型作为输入，得到牙齿正畸终态；另一方面，针对阶段性正畸，对于输入的牙齿模型，得到阶段性正畸结束的牙齿形态后，对该状态下的牙齿排列情况是否可达到正畸结束的标准进行判断，若达到标准，则正畸结束并停止，若未达到标准，则继续进行下一阶段正畸，以作为医生规划诊疗方案的参考依据，加快医生的工作速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1、2为本发明一种牙齿正畸过程预测方法的流程图；

图3为本发明一种牙齿正畸过程预测装置的结构示意图；

图4为本发明实施例中中间状态预测模块的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合图1～图4，以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

一种牙齿正畸过程预测方法的实施例之一

如图1、2所示，一种牙齿正畸过程预测方法，该方法包含如下步骤：

S1，准备训练样本集，包括若干个体各自三维的正畸前牙齿的初态数据和对应的正畸后牙齿的终态数据；

S2，设计正畸过程终态模型，包括对深度神经网络结构的特征提取模块和特征转换模块进行设置；其中，向该模型分别输入的是步骤S1处理过的单个个体的正畸前牙齿的初态数据，输出的是与单个个体对应的表示正畸后牙齿的终态信息的一个变换矩阵；

S3，所述特征提取模块对单个个体的正畸前牙齿的初态数据进行处理，提取出相应的正畸前牙齿的初态特征向量；

S4，结合步骤S3提取的正畸前牙齿的初态特征向量，利用特征转换模块进行转换，得到每颗牙齿的变换矩阵；

S5，使用训练样本集收集到的正畸前牙齿的初态数据及对应的正畸后牙齿的终态数据，对特征提取模块和特征转换模块进行训练，得到训练完成的深度神经网络结构；

S6，将实际获得的单个个体的三维正畸前牙齿的初态数据，输入到步骤S5训练出的深度神经网络结构，输出的变换矩阵对应于该个体正畸后牙齿的终态信息。

其中，准备样本数据集并做相应预处理，具体地，选取了178位病人的正畸前后的三维模型和标准输出向量作为本实施例的数据集，将其中的80％作为训练集、20％作为测试集。通过三维扫描仪等设备获取牙齿的三维模型，包括正畸前上颌初态模型、正畸前下颌初态模型、正畸后上颌终态模型、正畸后下颌终态模型。分别为这四种图像打上标签，1为上颌初态，2为下颌初态，3为上颌终态，4为下颌终态，对应的三维数据格式为stl格式。对所述牙齿的三维模型数据采用轴对齐网格和内部点检测将其格栅化，变为体素数据，进一步地，对于stl格式的三维数据，使用二维轴对齐网格并对内部点检测将三角形格栅化，将stl格式转换为vox格式，输出0或1(其中1表示体素在网格表面内，0表示体素在网格外部，即该体素为空白空间)，转换为三维体素数据(体素数据维度为128×128×128)。

本实施例虽然采用了体素化方法，但采用点抽样方法进行数据预处理，利用点云数据进行特征提取与转化也是可以的。

在具体实施例中，上述步骤S2中，基于每个人有32颗牙齿，所述变换矩阵由32个变换向量组成，每个变换向量对应一颗牙齿的变换情况；

进一步的，输入是数据集中的正畸前上下牙初态体素化模型，输出牙齿变换矩阵T。T由32个变换向量组成，每一个向量t对应一颗牙齿的变换情况，一个向量有16个维度，是将牙齿的平移变换和旋转变换统一到的4*4的矩阵的拉伸。该4*4矩阵的一般形式如下：

其中左下角透视变换部分[p_x p_y p_z]全为0，右下角[s]整体比例因子为1，左上角的部分

为三维线性旋转变换部分，右上角部分

为牙齿的平移变换部分。对初始状态单颗牙齿上的各点坐标乘以该变换矩阵，即可得到最终状态单颗牙齿上各点的坐标，进而得到整口牙的位置。

进一步的，在步骤S3中，使用深度卷积网络提取牙齿信息。只需输入层、卷积层、激励层，无需池化层。输入N×N×N×N的体素数据，依次由a₁种不同的b₁×b₁×b₁的卷积核以步长c₁卷积并由ReLU函数激励、由a₂种不同的b₂×b₂×b₂的卷积核以步长c₂卷积并由ReLU函数激励，由a₃种不同的b₃×b₃×b₃的卷积核以步长c₃卷积并由ReLU函数激励，由a₄种不同的b₄×b₄×b₄的卷积核以步长c₄卷积并由ReLU函数激励，输出K维的特征V。

具体地，将牙齿空间位置与形状信息提取至高维特征向量V，输入128×128×128×128的体素数据，依次由16种不同的4×4×4的卷积核以步长2卷积并由ReLU函数激励、由32种不同的8×8×8的卷积核以步长4卷积并由ReLU函数激励，由32种不同的4×4×4的卷积核以步长2卷积并由ReLU函数激励，由256种不同的8×8×8的卷积核以步长8卷积并由ReLU函数激励，输出256维的特征向量V。

需要说明的是，上述的深度卷积网络采用3层全连接层(结构)，输入K维的特征V，依次经过全连接层FC(K)、ReLU函数激励、全连接层FC(K)、ReLU函数激励、全连接层FC(d×e)，输出一个牙齿模型的变换矩阵，由此可见，上述的深度卷积网络并没有常见卷积神经网络设置的池化层，这是因为池化层时对上一层的输出降采样的，会进行一些特征压缩。

进一步的，采用3层全连接结构，输入256维的特征V，依次经过FC(256)、ReLU激励、FC(256)、ReLU激励、FC(16×7)，输出一个牙齿模型的变换矩阵。

上述的深度卷积网络训练过程中采用欧式损失函数(L₂)和平均最小表面距离(AMSSD)的和作为损失函数：L＝L₂+AMSSD

其中，L₂＝1/2∑_i(x_i-y_i)²，dist(a,S_B)＝min{dist(a,b),b∈S_B},

AMSSD(S_B,S_A)＝mean{dist(a,S_B),a∈S_A}

其中x，y分别表示实际输出向量与标准输出向量，i为牙齿编号，AMSSD表示平均最小表面距离，用来限制牙齿位置形态。对牙齿形态的限制要基于正畸后真实的最终状态的牙齿三角网格(下面简称为真实状态)与每一步变换之后的预测状态的牙齿三角网格。考虑到STL格式存储的三角网格精度很高，我们将点到网格表面的距离简化为点到网格顶点距离。对于牙位编号相对应的真实状态与预测状态的单颗牙齿i，S_B表示真实状态牙齿表面的顶点的集合，S_A表示预测状态牙齿表面的顶点的集合，a为S_A中的一个顶点，b为S_B中的顶点。dist(a,b)为a到b的距离，dist(a,S_B)为a到S_B距离，是a到S_B中所有顶点距离的最小值。AMSSD(S_B,S_A)是S_A中的每个点到S_B距离的平均值，作为真实状态与预测状态之间的平均最小表面距离。

本实施例的实验显示，模型训练出的牙齿终态信息与标签相比，平均准确率达到70％以上，最高达到90％以上，因此考虑最小表面距离的约束能达到较好的效果。未来也可将：牙弓曲线及牙列拥挤度数据、Spee曲线数据、牙齿及牙颌的宽度、牙齿的覆合覆盖参数、牙齿的Bolton指数等可用于辅助训练的数据，以损失函数约束或训练时输入的变量等形式增加到网络设计中。

上述深度卷积网络训练过程为：

该深度卷积网络采用的回归网络优化器为Adam，学习率是0.0005，训练缓冲区大小为20。

第一阶段，向前传播阶段：从样本集选取一位病人的正畸前上下颌模型输入网络，深度卷积网络输出对应的变换矩阵数据。此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络依次将输入与每层的权值矩阵相点乘，得到最后的输出结果。

第二阶段，向后传播阶段：

a)计算实际输出与相应的理想输出的差；

b)按极小化误差的方法反向传播调整各层权值。

在具体实施例中，得到正畸前的3D牙齿模型后，利用步骤S5得到的深度神经网络结构，得到模型的输出，利用可视化工具将其转化为可视化模型，作为医师设计牙齿诊疗方案的依据。其中在可视化过程中，利用Meshlab软件实现为正畸初态模型赋予变换矩阵的过程，最终得到正畸终态的牙齿模型。

进一步地，上述可视化过程为：

a.牙齿分离：使用MeshLab，将牙齿从牙床中分离并存储。

b.牙齿变换：利用MeshLab中的‘built-in function’完成变换。

c.牙齿重装：因为分离出的牙齿与牙床有相同的坐标体系，因此MeshLab可以将牙齿重新嵌入牙床。

一种牙齿正畸过程预测方法的实施例之二

一种牙齿正畸过程预测方法，该方法与上述实施例之一相比，还包括对正畸过程中牙齿中间状态进行预测；

所述的对正畸过程中牙齿中间状态进行预测包括：

获取其中一个阶段结束后的牙齿形态，并对该牙齿形态进行判断，若与牙齿正畸后的终态相匹配，则正畸结束。

在具体实施例中，所述的对正畸过程中牙齿中间状态进行预测还包括：

对该牙齿形态进行判断，若与牙齿正畸后的终态不匹配，则进行下一阶段的正畸，且下一阶段的正畸输入为当前阶段结束后的牙齿形态。

因此，上述牙齿正畸过程预测方法可以包含如下步骤：

1)准备样本数据集并做相应预处理。

2)设计正畸过程中间状态的预测模型，包括阶段性正畸状态判断模块与阶段性正畸结果获取模块，具体地，正畸中间状态模型的训练时采用的数据集包括带有0-1标签的中间状态的形态和最终状态(0是中间状态牙齿数据的标签，在实际输出时表示该阶段正畸未达到停止要求，1是最终状态的牙齿数据标签，在实际输出表示达到正畸结束标准、可结束)来训练的。所以在新数据来了做判断时，该阶段结束后，会有一个位于0-1的值输出，该数很接近1时，很可能说明正畸结束了，这时可测量Spee曲线、拥挤度等指标判断综合是否结束。

3)阶段性正畸状态判断模块进行一次分类，用于判断当前状态的牙齿排列是否达到正畸完成的标准。

4)阶段性正畸结果获取模块采用了正畸过程终态预测模型的网络结构(其训练方法与上述的正畸过程终态预测模型也完全一样)，通过该网络结构输出的变换向量得到在该阶段结束后的牙齿形态，并进行网格化、体素化、可视化处理，作为该阶段的输出，作为下一阶段的输入。

5)在实际运用中，利用步骤4)得到上个阶段治疗结束后牙齿的形态，利用步骤3)进行状态判断(如果达到正畸结束的标准，则正畸结束；如果未达到正畸结束标准，则进行下一阶段的正畸)，辅助医生判断阶段性正畸效果，作为医生设计牙齿阶段性诊疗方案的依据。

需要说明的是，该中间状态的预测模型给出了当前状态的牙齿形态，并判断当前的状态是否达到停止正畸的条件，先将已有的正畸数据输进神经网络，训练该神经网络，让它具备上述两种能力。对于一个全新的牙齿案例，由于无法直接获悉该牙齿案例的正畸所需时长，因此将它放进训练好的网络里，得到一个变换矩阵并对结果可视化，判断该状态是否达到停止条件。如果仅需一步便达到停止条件，则直接到达最终状态，此时的状态就是最终状态。如果尚未达到停止条件，则当前结果属于正畸的中间状态，需要将当前结果重新放到这个网络中得到下一步的输出，再继续判断，直到正畸能够停止。

以上结合附图1描述了根据本发明实施例的牙齿正畸过程预测方法。进一步地，本发明还可以应用于牙齿正畸过程预测装置。

如图3所示，一种牙齿正畸过程预测装置，所述装置包括：

训练数据获取模块10，用于获取正畸输入训练数据和正畸输出训练数据；

正畸模型得到模块20，用于根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；

牙齿模型获取模块30，用于获取目标患者的牙齿三维数字化模型；

正畸形态输出模块40，用于根据所述目标患者的牙齿三维数字化模型并结合正畸模型得到牙齿正畸后的形态。

在具体实施例中，上述装置还包括一中间状态预测模块50，用于对正畸过程中牙齿中间状态进行预测。

如图4所示，所述的中间状态预测模块50包括：

阶段性正畸状态判断单元501，获取其中一个阶段结束后的牙齿形态，并对该牙齿形态进行判断；

中间状态预测处理单元502，若与牙齿正畸后的终态相匹配，则正畸结束，若当前牙齿形态与牙齿正畸后的终态不匹配，则进行下一阶段的正畸；

阶段性正畸获取单元503，用于获取下一阶段的正畸输入训练数据，所述下一阶段的正畸输入训练数据为当前阶段结束后的牙齿形态。

该中间状态的预测模型给出了当前状态的牙齿形态，并判断当前的状态是否达到停止正畸的条件，先将已有的正畸数据输进神经网络，训练该神经网络，让它具备上述两种能力。对于一个全新的牙齿案例，由于无法直接获悉该牙齿案例的正畸所需时长，因此将它放进训练好的网络里，得到一个变换矩阵并对结果可视化，判断该状态是否达到停止条件。如果仅需一步便达到停止条件，则直接到达最终状态，此时的状态就是最终状态。如果尚未达到停止条件，则当前结果属于正畸的中间状态，需要将当前结果重新放到这个网络中得到下一步的输出，再继续判断，直到正畸能够停止。

本发明的装置实施例能实现图1的方法实施例中各步骤，为避免重复，在此不再赘述。

本发明实施例提供的牙齿正畸过程预测装置，与上述实施例提供的牙齿正畸过程预测具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

需要说明的是，在本文中，诸如“第一”、“第二”、“第三”等关系术语(如果存在)仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”、“包含”、“具有”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种牙齿正畸过程预测方法，其特征在于，所述的方法包括如下步骤：

S1，准备训练样本集，包括若干个体各自三维的正畸前牙齿的初态数据和对应的正畸后牙齿的终态数据；

S2，设计正畸过程终态模型，包括对深度神经网络结构的特征提取模块和特征转换模块进行设置；其中，向该模型分别输入的是步骤S1处理过的单个个体的正畸前牙齿的初态数据，输出的是与单个个体对应的表示正畸后牙齿的终态信息的一个变换矩阵；

S3，所述特征提取模块对单个个体的正畸前牙齿的初态数据进行处理，提取出相应的正畸前牙齿的初态特征向量；

S4，结合步骤S3提取的正畸前牙齿的初态特征向量，利用特征转换模块进行转换，得到每颗牙齿的变换矩阵；

S5，使用训练样本集收集到的正畸前牙齿的初态数据及对应的正畸后牙齿的终态数据，对特征提取模块和特征转换模块进行训练，得到训练完成的深度神经网络结构；

S6，将实际获得的单个个体的三维正畸前牙齿的初态数据，输入到步骤S5训练出的深度神经网络结构，输出的变换矩阵对应于该个体正畸后牙齿的终态信息。

2.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，步骤S1中，通过三维扫描仪分别获得牙齿的三维模型数据，并对所述牙齿的三维模型数据采用轴对齐网格和内部点检测将其格栅化，变为体素数据，其中所述牙齿的三维模型数据包括正畸前上颌初态模型数据、正畸前下颌初态模型数据、正畸后上颌终态模型数据和正畸后下颌终态模型数据。

3.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，

步骤S2中，基于每个人有32颗牙齿，所述变换矩阵由32个变换向量组成，每个变换向量对应一颗牙齿的变换情况。

4.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，

步骤S3中，所述特征提取模块输入N×N×N×N的体素数据，依次由a₁种不同的b₁×b₁×b₁的卷积核以步长c₁卷积并由ReLU函数激励、由a₂种不同的b₂×b₂×b₂的卷积核以步长c₂卷积并由ReLU函数激励，由a₃种不同的b₃×b₃×b₃的卷积核以步长c₃卷积并由ReLU函数激励，由a₄种不同的b₄×b₄×b₄的卷积核以步长c₄卷积并由ReLU函数激励，输出K维的特征V。

5.如权利要求4所述的牙齿正畸过程预测方法，其特征在于，

步骤S4中，所述的特征转换模块采用3层全连接层，输入K维的特征向量V，依次经过第一全连接层并由ReLU函数激励后，经过第二全连接层并由ReLU函数激励，最后通过第三全连接层输出一牙齿的变换矩阵。

6.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，步骤S5中，训练所述特征提取模块和特征转换模块的过程之中，采用了欧式损失函数和平均最小表面距离的和：L＝L₂+AMSSD；

其中，L₂＝1/2∑_i(x_i-y_i)²，dist(a,S_B)＝min{dist(a,b),b∈S_B},

AMSSD(S_B,S_A)＝mean{dist(a,S_B),a∈S_A}

其中x_i、y_i分别表示实际输出向量与标准输出向量，AMSSD表示平均最小表面距离，用于限制牙齿位置形态；S_B表示真实状态牙齿表面的顶点的集合，S_A表示预测状态牙齿表面的顶点的集合。

7.如权利要求1所述的牙齿正畸过程预测方法，其特征在于，进一步包括对正畸过程中牙齿中间状态进行预测这一步骤；

所述的对正畸过程中牙齿中间状态进行预测包括：

获取其中一个阶段结束后的牙齿形态，并对该牙齿形态进行判断，若当前的牙齿形态符合正畸结束后的标准，则正畸结束。

8.如权利要求7所述的牙齿正畸过程预测方法，其特征在于，所述的对正畸过程中牙齿中间状态进行预测还包括：

对该牙齿形态进行判断，若当前的牙齿形态不符合正畸结束后的标准，则进行下一阶段的正畸。

Images