CN111276239B - 一种确定牙齿模型的牙位的方法及装置 - Google Patents
一种确定牙齿模型的牙位的方法及装置 Download PDFInfo
- Publication number
- CN111276239B CN111276239B CN201911206420.4A CN201911206420A CN111276239B CN 111276239 B CN111276239 B CN 111276239B CN 201911206420 A CN201911206420 A CN 201911206420A CN 111276239 B CN111276239 B CN 111276239B
- Authority
- CN
- China
- Prior art keywords
- tooth
- model
- teeth
- value
- tested
- 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
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了一种确定牙齿模型的牙位的方法,包括如下步骤。步骤S210:建立第一先验模型、第二先验模型和第三先验模型。步骤S220:获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距。步骤S230:基于隐马尔科夫模型确定待测试牙齿模型的牙位。本发明能够确定待测试牙齿模型的牙位,即自动识别出待测试牙齿模型上的存留的和缺失的牙齿编号。
Description
技术领域
本发明涉及一种利用机器学习算法确定牙齿模型的牙位的方法,可用于牙齿修补、牙齿矫治排齐等的辅助处理。
背景技术
人类的恒齿(Permanent teeth,adult teeth,也称恒牙)如果全部长出共有32颗。其中包括位于上颌骨的16颗上排牙齿、以及位于下颌骨的16颗下排牙齿。上排牙齿距离中线最远的两颗牙齿、下排牙齿距离中线最远的两颗牙齿称为智齿,也即为第三磨牙。不同人的智齿可能全部不长出、或部分长出、或全部长出,因此,人体的上排牙齿或下排牙齿均在14至16颗之间。请参阅图1,为人类的上排牙齿,从一侧到另一侧依次编号为1至16。
待测试的牙齿模型为患者的真实口内情况显示,一般已知为上排牙齿或下排牙齿,所含牙齿的数量通常小于或等于16颗,原因是部分牙齿未长出或已缺失。面对待测试的牙齿模型,需要将其归入某一类别中,从而明确待测试的牙齿模型上的每一颗存留牙齿的编号及位置、以及缺失的牙齿的编号及位置。例如,对某一颗牙齿进行修补时,需要知道这颗牙齿的编号。又如,牙齿在矫治排齐时也需要知道每颗牙齿的编号。
目前大多数牙齿类型识别方法只能识别牙齿是否为切牙、尖牙、前磨牙或磨牙的一种,而不能具体识别出存留和缺失的牙齿编号。现有的牙齿编号方案大多采用人工标识。例如申请公布号CN109528323A、申请公布日2019年3月29日、名称为《一种基于人工智能的正畸方法及装置》的中国发明专利申请中记载了标注牙齿编号。申请公布号CN109598703A、申请公布日2019年4月9日、名称为《牙齿图像的处理方法、系统、计算机可读存储介质及设备》的中国发明专利申请中记载了为CBCT图像中的待诊断牙齿编号。但是上述公开内容中,采用的方法均为人工标记的方法为牙齿编号具有效率较低、速度较慢等缺点。
因此,研究一种能够无需人工介入,自动确定牙齿模型的牙位信息的方法,具有重要的意义。
发明内容
本发明所要解决的技术问题是提供一种自动地确定牙齿模型的牙位的方法,具有效率高、速度快、准确率高的特点。为此,本发明还提供一种自动地确定牙齿模型的牙位的装置。
为解决上述技术问题,本发明提供了第一种确定牙齿模型的牙位的方法,包括如下步骤。步骤S210:建立第一先验模型、第二先验模型和第三先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值。所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值。步骤S220:获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距。步骤S230:基于隐马尔科夫模型确定待测试牙齿模型的牙位。上述方法是本发明的实施例一,通过第一、第二、第三先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
进一步地,所述第一先验模型至少包括计算缺牙数量为0颗至4颗的不同情形下牙齿间距的概率分布函数值。这是第一先验模型的一种优选实现方式。
进一步地,所述第二先验模型还包括采集已有的牙齿模型中每颗牙齿的表征面积、体积、形状尺寸的特征量的任一种或多种,为具有相同编号的牙齿的表征面积、体积、形状尺寸的特征量分别计算概率分布函数值。这是第二先验模型的一种附加的可选实现方式。
进一步地,所述第三先验模型至少包括计算缺牙数量为0颗至4颗的不同情形下其左右两颗相邻牙齿的牙位排列情况的概率分布函数值。这是第三先验模型的一种优选实现方式。
进一步地,所述概率分布函数值为高斯分布函数值或卡方分布函数值中的任一种。这里给出了两种常见的概率分布函数,作为优选的实现方式。
进一步地,所述步骤S210中,由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1,k2,k3,...,k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量。这是将牙齿状态序列采用线性代数的数学式进行表达,有利于后续的概率计算。
进一步地,所述牙齿编号为:假定牙齿无缺失,右上智齿往左上智齿方向依次编号1至16,右下智齿往左下智齿方向依次编号17至32。这是牙齿编号的一种优选的实现方式。
进一步地,牙齿状态序列K有16!/[n!×(16-n)!]种取值,其中!表示阶乘运算,n为0至16的整数;牙齿状态序列K的每一种取值分别对应牙齿模型的一种牙位排列情况。这表明牙齿数量不同时,牙齿状态序列K的取值数量也不同;并且牙齿状态序列K的取值与牙齿模型的牙位排列存在一一对应关系。
进一步地,所述步骤S220中,还获取待测试牙齿模型的每颗牙齿的表征面积、体积、形状尺寸的特征量的任一种或多种。这是与第二先验模型的附加的可选实现方式相对应。
进一步地,所述每颗牙齿的表征位置的特征量是指每颗牙齿的中心点在牙颌平面上的横坐标和纵坐标。所述每颗牙齿的表征面积的特征量是指每颗牙齿的表面积。所述每颗牙齿的表征体积的特征量是指每颗牙齿的体积。所述每颗牙齿的表征形状尺寸的特征量包括每颗牙齿外接的最小立方体的长、宽、高;以及每颗牙齿表面曲率分布统计值中的任一种或多种。这里给出了牙齿的特征量所包含的一些常见的牙齿参数。
进一步地,所述步骤S220中,由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1,b1,X2,b2,...,bn-1,Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量。这是将牙齿观察序列采用线性代数的数学式进行表达,有利于后续的概率计算。
进一步地,所述步骤S230中,所述基于隐马尔科夫模型确定待测试牙齿模型的牙位是指:基于第一先验模型、第二先验模型和第三先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。隐马尔科夫模型(HMM,HiddenMarkovModel)是一种经典的机器学习模型,可用来在给定先验模型和观察序列的条件下,求取观察序列对应的最可能出现的状态序列,本发明用其确定牙齿模型的牙位。
进一步地,所述步骤S230中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B,K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。这是基于隐马尔科夫模型确定牙齿模型的牙位的一种具体实现方式。
进一步地,采用如下公式计算P(B|K);
其中Π表示连乘号,P(Xi|k2i-1)表示编号为k2i-1的牙齿出现特征量Xi的概率,P(bj|k2j)表示缺牙数量为k2j时出现相邻两颗牙齿之间的间距值为bj的概率。这是计算P(B|K)的一种优选实现方式。
进一步地,采用如下公式计算P(K);
其中Π表示连乘号,P(k2i+1|k2i-1)代表牙齿编号为k2i-1的牙齿后面出现牙齿编号为k2i+1的牙齿的牙位排列情况的概率。这是计算P(K)的一种优选实现方式。
进一步地,采用如下公式计算P(B,K);
其中,max表示取最大值,Q表示向量K的所有取值的集合。这是以数学式的形式表示出P(B,K)的含义。
本发明还提供了第二种确定牙齿模型的牙位的方法,包括如下步骤。步骤S212:建立第一先验模型;所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值。步骤S222:获取待测试牙齿模型中相邻两颗牙齿之间的间距。步骤S232:基于隐马尔科夫模型确定待测试牙齿模型的牙位。上述方法是本发明的实施例二,通过第一先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
进一步地,所述步骤S212中还包括建立第二先验模型;所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。所述步骤S222中还包括获取待测试牙齿模型的每颗牙齿的表征位置的特征量。上述方法是本发明的实施例三,通过第一、第二先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
进一步地,所述步骤S212中还包括建立第三先验模型;所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值。上述方法是本发明的实施例四,通过第一、第三先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
进一步地,所述步骤S222中,由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1,b1,X2,b2,...,bn-1,Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量。当所述步骤S212中未建立第二先验模型,则Xi采用常数。这是将牙齿观察序列采用线性代数的数学式进行表达,有利于后续的概率计算。
进一步地,所述步骤S232中,所述基于隐马尔科夫模型确定待测试牙齿模型的牙位是指:基于建立的一个或多个先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。隐马尔科夫模型是一种经典的机器学习模型,可用来在给定先验模型和观察序列的条件下,求取观察序列对应的最可能出现的状态序列,本发明用其确定牙齿模型的牙位。
进一步地,所述步骤S232中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B,K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。这是基于隐马尔科夫模型确定牙齿模型的牙位的一种具体实现方式。
进一步地,采用如下公式计算P(B|K);
其中Π表示连乘号,P(Xi|k2i-1)表示编号为k2i-1的牙齿出现特征量Xi的概率;P(bj|k2j)表示缺牙数量为k2j时出现相邻两颗牙齿之间的间距值为bj的概率。当所述步骤S212中未建立第二先验模型,则P(Xi|k2i-1)采用均匀分布。这是计算P(B|K)的一种优选实现方式。
进一步地,采用如下公式计算P(K);
其中Π表示连乘号,P(k2i+1|k2i-1)代表牙齿编号为k2i-1的牙齿后面出现牙齿编号为k2i+1的牙齿的牙位排列情况的概率。当所述步骤S212中未建立第三先验模型,则P(k2i+1|k2i-1)采用均匀分布。这是计算P(K)的一种优选实现方式。
进一步地,采用如下公式计算P(B,K);
其中,max表示取最大值,Q表示向量K的所有取值的集合。这是以数学式的形式表示出P(B,K)的含义。
本发明还提供了第一种确定牙齿模型的牙位的装置,包括如下单元。模型建立单元,用于建立第一先验模型、第二先验模型和第三先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值。所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值。特征获取单元,用于获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距。牙位确定单元,用于基于隐马尔科夫模型确定待测试牙齿模型的牙位。上述装置是本发明的实施例一,通过第一、第二、第三先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
本发明还提供了第二种确定牙齿模型的牙位的装置,包括如下单元。模型建立单元,用于建立第一先验模型;所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值。特征获取单元,用于获取待测试牙齿模型中相邻两颗牙齿之间的间距。牙位确定单元,用于基于隐马尔科夫模型确定待测试牙齿模型的牙位。上述装置是本发明的实施例二,通过第一先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
进一步地,所述模型建立单元还用于建立第二先验模型;所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。所述特征获取单元还用于获取待测试牙齿模型的每颗牙齿的表征位置的特征量。上述装置是本发明的实施例三,通过第一、第二先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
进一步地,所述模型建立单元还用于建立第三先验模型;所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值。上述装置是本发明的实施例四,通过第一、第三先验模型与获取的牙齿特征进行运算,能够自动识别待测试牙齿模型中每颗存留的牙齿的编号,同时可以确定缺牙编号,从而实现了自动确定牙齿模型的牙位。
本发明采用建立先验模型后,将获取的患者牙齿根据隐马尔科夫模型确定待测试牙齿模型的牙位,该方法能够针对患者的个性化牙齿信息进行准确的确定牙位信息,对能够自动地识别出待测试牙齿模型上存留的牙齿以及缺失的牙齿编号,为后续矫治过程提供依据,相较于现有技术中只能识别牙齿类型,准确度更高,并且识别速度较快,效率较高,节省矫治设计医生设计时的时间,提高设计效率。
附图说明
图1是人类的上排牙齿具有牙齿编号的示意图。
图2是本发明提供的确定牙齿模型的牙位的方法的实施例一的流程图。
图3是牙齿模型的牙位排列情况的示意图一(无缺牙)。
图4是牙齿模型的牙位排列情况的示意图二(缺牙编号为8)。
图5是牙齿模型的牙位排列情况的示意图三(缺牙编号为8、13)。
图6是牙齿模型的牙位排列情况的示意图四(缺牙编号为8、9)。
图7是本发明提供的确定牙齿模型的牙位的方法的实施例二的流程图。
图8是本发明提供的确定牙齿模型的牙位的方法的实施例三的流程图。
图9是本发明提供的确定牙齿模型的牙位的方法的实施例四的流程图。
图10是本发明提供的确定牙齿模型的牙位的装置的实施例一的结构示意图。
图11是本发明提供的确定牙齿模型的牙位的装置的实施例二的结构示意图。
图12是本发明提供的确定牙齿模型的牙位的装置的实施例三的结构示意图。
图13是本发明提供的确定牙齿模型的牙位的装置的实施例四的结构示意图。
图中附图标记为:30、32、34、36为模型建立单元;40、42、44、46为特征获取单元;50、52、54、56为牙位确定单元。
具体实施方式
请参阅图2,这是本发明提供的确定牙齿模型的牙位的方法的实施例一,包括如下步骤。
步骤S210:建立第一先验模型、第二先验模型和第三先验模型。
所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值。优选地,所述第一先验模型至少包括计算缺牙数量为0颗至4颗的不同情形下牙齿间距的概率分布函数值。
所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。可选地,所述第二先验模型还包括采集已有的牙齿模型中每颗牙齿的表征面积、体积、形状尺寸的特征量的任一种或多种,为具有相同编号的牙齿的表征面积、体积、形状尺寸的特征量分别计算概率分布函数值。
所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值。优选地,所述第三先验模型至少包括计算缺牙数量为0颗至4颗的不同情形下其左右两颗相邻牙齿的牙位排列情况的概率分布函数值。
优选地,所述概率分布函数值为高斯分布(Gaussian distribution)函数值或卡方分布(chi-square distribution)函数值中的任一种。其中,高斯分布也称正态分布(normal distribution)。
步骤S220:获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距。可选地,还获取待测试牙齿模型的每颗牙齿的表征面积、体积、形状尺寸的特征量的任一种或多种。
具体而言,所述每颗牙齿的表征位置的特征量是指每颗牙齿的中心点在牙颌平面上的横坐标和纵坐标。所述每颗牙齿的表征面积的特征量是指每颗牙齿的表面积。所述每颗牙齿的表征体积的特征量是指每颗牙齿的体积。所述每颗牙齿的表征形状尺寸的特征量包括每颗牙齿外接的最小立方体的长、宽、高;以及每颗牙齿表面曲率分布统计值中的任一种或多种。
步骤S230:基于隐马尔科夫模型确定待测试牙齿模型的牙位。隐马尔科夫模型是一种经典的机器学习模型,可用于预测(filter)、平滑(smoothing)或解码(mostlikelyexplanation)。其中解码是指给定先验模型和观察序列,求观察序列最可能对应的状态序列。本发明就是将牙齿模型的不同牙位排列情况作为状态序列,将待测试牙齿模型作为观察序列,基于隐马尔科夫模型的机器学习算法确定待测试牙齿模型的牙位。
上述确定牙齿模型的牙位的方法的实施例一同时用到了第一、第二、第三先验模型,使用三种先验模型确定牙齿模型的牙位的方法,对牙位确定的更加精准。
所述步骤S210中,由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1,k2,k3,...,k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量。牙齿状态序列K有16!/[n!×(16-n)!]种取值,其中!表示阶乘运算,n为0至16的整数;牙齿状态序列K的每一种取值分别对应牙齿模型的一种牙位排列情况。
作为一种示例,所述牙齿编号为:假定牙齿无缺失,右上智齿往左上智齿方向依次编号1至16,右下智齿往左下智齿方向依次编号17至32。根据这种牙齿编号方式,图3至图6给出了上排牙齿模型的不同牙位排列情况。图中圆圈表示实际存留的牙齿,圆圈中的数字为牙齿编号。图中方框表示相邻两颗存留的牙齿之间的间隙,方框中的数字表示相邻两颗存留的牙齿之间的缺牙数量。
所述步骤S220中,由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1,b1,X2,b2,...,bn-1,Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量。
所述步骤S230中,所述基于隐马尔科夫模型确定待测试牙齿模型的牙位是指:基于第一先验模型、第二先验模型和第三先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
具体而言,所述步骤S230中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B,K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
例如,采用如下公式计算P(B|K);
其中Π表示连乘号,P(Xi|k2i-1)表示编号为k2i-1的牙齿出现特征量Xi的概率,P(bj|k2j)表示缺牙数量为k2j时出现相邻两颗牙齿之间的间距值为bj的概率。
例如,采用如下公式计算P(K);
其中Π表示连乘号,P(k2i+1|k2i-1)代表牙齿编号为k2i-1的牙齿后面出现牙齿编号为k2i+1的牙齿的牙位排列情况的概率。
例如,采用如下公式计算P(B,K);
其中,max表示取最大值,Q表示向量K的所有取值的集合。
请参阅图7,这是本发明提供的确定牙齿模型的牙位的方法的实施例二,包括如下步骤。
步骤S212:建立第一先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值。
步骤S222:获取待测试牙齿模型中相邻两颗牙齿之间的间距。
所述步骤S222中,由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1,b1,X2,b2,...,bn-1,Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量。由于缺少第二先验模型,故Xi采用常数。
步骤S232:基于隐马尔科夫模型确定待测试牙齿模型的牙位。
所述步骤S232中,所述基于隐马尔科夫模型确定待测试牙齿模型的牙位是指:基于建立的一个或多个先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
具体而言,所述步骤S232中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B,K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
例如,采用如下公式计算P(B|K);
其中Π表示连乘号,P(Xi|k2i-1)表示编号为k2i-1的牙齿出现特征量Xi的概率;P(bj|k2j)表示缺牙数量为k2j时出现相邻两颗牙齿之间的间距值为bj的概率。由于缺少第二先验模型,故P(Xi|k2i-1)采用均匀分布。
例如,采用如下公式计算P(K);
其中Π表示连乘号,P(k2i+1|k2i-1)代表牙齿编号为k2i-1的牙齿后面出现牙齿编号为k2i+1的牙齿的牙位排列情况的概率。由于缺少第三先验模型,故P(k2i+1|k2i-1)采用均匀分布。
例如,采用如下公式计算P(B,K);
其中,max表示取最大值,Q表示向量K的所有取值的集合。
上述确定牙齿模型的牙位的方法的实施例二仅用到了第一先验模型。本实施例在进行先验模型建立时仅建立了一种先验模型,就能够确定待测试模型的牙位信息,建立速度快,对于待测试模型不需要高精度确定牙位的情况下使用。
请参阅图8,这是本发明提供的确定牙齿模型的牙位的方法的实施例三,包括如下步骤。
步骤S214:建立第一先验模型和第二先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值。所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。
步骤S224:获取待测试牙齿模型中每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距。
所述步骤S224中,由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1,b1,X2,b2,...,bn-1,Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量。
步骤S234:基于隐马尔科夫模型确定待测试牙齿模型的牙位。
所述步骤S234中,所述基于隐马尔科夫模型确定待测试牙齿模型的牙位是指:基于建立的一个或多个先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
具体而言,所述步骤S234中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B,K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
例如,采用如下公式计算P(B|K);
其中Π表示连乘号,P(Xi|k2i-1)表示编号为k2i-1的牙齿出现特征量Xi的概率;P(bj|k2j)表示缺牙数量为k2j时出现相邻两颗牙齿之间的间距值为bj的概率。
例如,采用如下公式计算P(K);
其中Π表示连乘号,P(k2i+1|k2i-1)代表牙齿编号为k2i-1的牙齿后面出现牙齿编号为k2i+1的牙齿的牙位排列情况的概率。由于缺少第三先验模型,故P(k2i+1|k2i-1)采用均匀分布。
例如,采用如下公式计算P(B,K);
其中,max表示取最大值,Q表示向量K的所有取值的集合。
上述确定牙齿模型的牙位的方法的实施例三同时用到了第一、第二先验模型,该种方式相较于实施例一减少了第三先验模型的建立,对于确定牙齿模型的牙位速度更快,适用于部分牙齿矫治中不需要使用第三先验模型确认的病例。
请参阅图9,这是本发明提供的确定牙齿模型的牙位的方法的实施例四,包括如下步骤。
步骤S216:建立第一先验模型和第三先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值。所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值。
步骤S226:获取待测试牙齿模型中相邻两颗牙齿之间的间距。
所述步骤S226中,由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1,b1,X2,b2,...,bn-1,Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量。由于缺少第二先验模型,故Xi采用常数。
步骤S236:基于隐马尔科夫模型确定待测试牙齿模型的牙位。
所述步骤S236中,所述基于隐马尔科夫模型确定待测试牙齿模型的牙位是指:基于建立的一个或多个先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
具体而言,所述步骤S236中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B,K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
例如,采用如下公式计算P(B|K);
其中Π表示连乘号,P(Xi|k2i-1)表示编号为k2i-1的牙齿出现特征量Xi的概率;P(bj|k2j)表示缺牙数量为k2j时出现相邻两颗牙齿之间的间距值为bj的概率。由于缺少第二先验模型,故P(Xi|k2i-1)采用均匀分布。
例如,采用如下公式计算P(K);
其中Π表示连乘号,P(k2i+1|k2i-1)代表牙齿编号为k2i-1的牙齿后面出现牙齿编号为k2i+1的牙齿的牙位排列情况的概率。
例如,采用如下公式计算P(B,K);
其中,max表示取最大值,Q表示向量K的所有取值的集合。
上述确定牙齿模型的牙位的方法的实施例四同时用到了第一、第三先验模型,该种方式相较于实施例一减少了第二先验模型的建立,对于确定牙齿模型的牙位速度更快,适用于部分牙齿矫治中不需要使用第二先验模型确认的病例。
请参阅图10,这是本发明提供的确定牙齿模型的牙位的装置的实施例一,与图2所示的确定牙齿模型的牙位的方法的实施例一相对应。所述确定牙齿模型的牙位的装置的实施例一包括模型建立单元30、特征获取单元40和牙位确定单元50。
所述模型建立单元30用于建立第一先验模型、第二先验模型和第三先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值。所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值;
所述特征获取单元40用于获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距。
所述牙位确定单元50用于基于隐马尔科夫模型确定待测试牙齿模型的牙位。本实施例所提供的确定牙齿模型的牙位的装置,采用建立三种先验模型的方法对待测试的牙齿进行确定牙位,能够准确的自动确定牙位。
请参阅图11,这是本发明提供的确定牙齿模型的牙位的装置的实施例二,与图7所示的确定牙齿模型的牙位的方法的实施例二相对应。所述确定牙齿模型的牙位的装置的实施例二包括模型建立单元32、特征获取单元42和牙位确定单元52。
所述模型建立单元32用于建立第一先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值。
所述特征获取单元42用于获取待测试牙齿模型中相邻两颗牙齿之间的间距。
所述牙位确定单元52用于基于隐马尔科夫模型确定待测试牙齿模型的牙位。本实施例所提供的确定牙齿模型的牙位的装置,采用仅建立一种先验模型的方法对待测试的牙齿进行确定牙位,能够准确的自动确定牙位。
请参阅图12,这是本发明提供的确定牙齿模型的牙位的装置的实施例三,与图8所示的确定牙齿模型的牙位的方法的实施例三相对应。所述确定牙齿模型的牙位的装置的实施例三包括模型建立单元34、特征获取单元44和牙位确定单元54。
所述模型建立单元34用于建立第一先验模型和第二先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值。所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值。
所述特征获取单元44用于获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距。
所述牙位确定单元54用于基于隐马尔科夫模型确定待测试牙齿模型的牙位。
请参阅图13,这是本发明提供的确定牙齿模型的牙位的装置的实施例四,与图9所示的确定牙齿模型的牙位的方法的实施例四相对应。所述确定牙齿模型的牙位的装置的实施例四包括模型建立单元36、特征获取单元46和牙位确定单元56。
所述模型建立单元36用于建立第一先验模型和第三先验模型。所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值。所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值。
所述特征获取单元46用于获取待测试牙齿模型中相邻两颗牙齿之间的间距。
所述牙位确定单元56用于基于隐马尔科夫模型确定待测试牙齿模型的牙位。
本发明可自动确定待测试牙齿模型的牙位,即自动识别出待测试牙齿模型上存留的牙齿的编号,并可得到牙齿是否缺失的信息,以及得到缺失牙齿的编号。整个过程采用概率学算法基于隐马尔科夫模型进行判断,自动分类的效率高、速度快、准确率高。
以上仅为本发明的优选实施例,并不用于限定本发明。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (24)
1.一种确定牙齿模型的牙位的方法,其特征是,包括如下步骤:
步骤S210:建立第一先验模型、第二先验模型和第三先验模型;
所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值;由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1, k2, k3, ..., k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量;
所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值;
所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值;
步骤S220:获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距;由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1, b1,X2, b2,..., bn-1, Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量;
步骤S230:基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型、第二先验模型和第三先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
2.根据权利要求1所述的确定牙齿模型的牙位的方法,其特征是,所述第一先验模型至少包括计算缺牙数量为0颗至4颗的不同情形下牙齿间距的概率分布函数值。
3.根据权利要求1所述的确定牙齿模型的牙位的方法,其特征是,所述第二先验模型还包括采集已有的牙齿模型中每颗牙齿的表征面积、体积、形状尺寸的特征量的任一种或多种,为具有相同编号的牙齿的表征面积、体积、形状尺寸的特征量分别计算概率分布函数值。
4.根据权利要求1所述的确定牙齿模型的牙位的方法,其特征是,所述第三先验模型至少包括计算缺牙数量为0颗至4颗的不同情形下其左右两颗相邻牙齿的牙位排列情况的概率分布函数值。
5.根据权利要求1所述的确定牙齿模型的牙位的方法,其特征是,所述概率分布函数值为高斯分布函数值或卡方分布函数值中的任一种。
6.根据权利要求1所述的确定牙齿模型的牙位的方法,其特征是,所述牙齿编号为:假定牙齿无缺失,右上智齿往左上智齿方向依次编号1至16,右下智齿往左下智齿方向依次编号17至32。
7.根据权利要求1所述的确定牙齿模型的牙位的方法,其特征是,牙齿状态序列K有16!/[n!×(16-n)!]种取值,其中!表示阶乘运算,n为0至16的整数;牙齿状态序列K的每一种取值分别对应牙齿模型的一种牙位排列情况。
8.根据权利要求3所述的确定牙齿模型的牙位的方法,其特征是,所述步骤S220中,还获取待测试牙齿模型的每颗牙齿的表征面积、体积、形状尺寸的特征量的任一种或多种。
9.根据权利要求3或8所述的确定牙齿模型的牙位的方法,其特征是,所述每颗牙齿的表征位置的特征量是指每颗牙齿的中心点在牙颌平面上的横坐标和纵坐标;
所述每颗牙齿的表征面积的特征量是指每颗牙齿的表面积;
所述每颗牙齿的表征体积的特征量是指每颗牙齿的体积;
所述每颗牙齿的表征形状尺寸的特征量包括每颗牙齿外接的最小立方体的长、宽、高;以及每颗牙齿表面曲率分布统计值中的任一种或多种。
10. 根据权利要求1所述的确定牙齿模型的牙位的方法,其特征是,所述步骤S230中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B, K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
14.一种确定牙齿模型的牙位的方法,其特征是,包括如下步骤:
步骤S212:建立第一先验模型;所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值;由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1, k2, k3,..., k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量;
步骤S222:获取待测试牙齿模型中相邻两颗牙齿之间的间距;由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1, b1, X2, b2,..., bn-1, Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;所述步骤S212中未建立第二先验模型,Xi采用常数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量;
步骤S232:基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
15.一种确定牙齿模型的牙位的方法,其特征是,包括如下步骤:
步骤S212:建立第一先验模型;所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值;由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1, k2, k3,..., k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量;建立第二先验模型;所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值;
步骤S222:获取待测试牙齿模型中相邻两颗牙齿之间的间距和每颗牙齿的表征位置的特征量;由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1, b1,X2, b2,..., bn-1, Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量;
步骤S232:基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型和第二先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
16.一种确定牙齿模型的牙位的方法,其特征是,包括如下步骤:
步骤S212:建立第一先验模型;所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,为不同数量缺失牙齿的间距计算概率分布函数值;由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1, k2, k3,..., k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量;建立第三先验模型;所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值;
步骤S222:获取待测试牙齿模型中相邻两颗牙齿之间的间距;由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1, b1, X2, b2,..., bn-1, Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;所述步骤S212中未建立第二先验模型,Xi采用常数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量;
步骤S232:基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型和第三先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
17. 根据权利要求14-16中任一项所述的确定牙齿模型的牙位的方法,其特征是,所述步骤S232中,先计算牙齿状态序列K的每一种取值下产生牙齿观察序列B的概率P(B|K)、以及形成牙齿状态序列K的状态转换概率P(K),再计算牙齿观察序列B和牙齿状态序列K的每一种取值同时出现的概率P(B|K)P(K);将其中的最大概率值P(B, K)对应的牙齿状态序列K的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
21.一种确定牙齿模型的牙位的装置,其特征是,包括如下单元:
模型建立单元,用于建立第一先验模型、第二先验模型和第三先验模型;
所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值;由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1, k2, k3, ..., k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量;
所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值;
所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值;
特征获取单元,用于获取待测试牙齿模型的每颗牙齿的表征位置的特征量以及相邻两颗牙齿之间的间距;由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1, b1, X2, b2,..., bn-1, Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量;
牙位确定单元,用于基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型、第二先验模型和第三先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
22.一种确定牙齿模型的牙位的装置,其特征是,包括如下单元:
模型建立单元,用于建立第一先验模型;所述第一先验模型包括采集已有的牙齿模型中每两颗相邻牙齿的间距以及该间距对应的缺牙数量,计算不同数量缺失牙齿的间距的概率分布函数值;由牙齿状态序列表示已有的牙齿模型;所述牙齿状态序列为向量K,K=[k1,k2, k3, ..., k2n-1],n为已有的牙齿模型包含的牙齿数量;向量K包含2n-1个元素,奇数元素的取值为牙齿编号,偶数元素的取值为相邻两颗牙齿之间的缺牙数量;
特征获取单元,用于获取待测试牙齿模型中相邻两颗牙齿之间的间距;由牙齿观察序列表示待测试牙齿模型;所述牙齿观察序列为向量B,B=[X1, b1, X2, b2,..., bn-1, Xn];其中Xi表示第i颗牙齿的特征量,i为1至n的整数;bj表示相邻两颗牙齿之间的间距值,j为1至n-1的整数;n为待测试牙齿模型包含的牙齿数量;
牙位确定单元,用于基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
23.根据权利要求22所述的确定牙齿模型的牙位的装置,其特征是,所述模型建立单元还用于建立第二先验模型;所述第二先验模型包括采集已有的牙齿模型中每颗牙齿的表征位置的特征量,为具有相同编号的牙齿的至少是表征位置的特征量计算概率分布函数值;
所述特征获取单元还用于获取待测试牙齿模型的每颗牙齿的表征位置的特征量;
牙位确定单元,用于基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型和第二先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
24.根据权利要求22所述的确定牙齿模型的牙位的装置,其特征是,所述模型建立单元还用于建立第三先验模型;所述第三先验模型包括采集已有的牙齿模型中牙齿未缺失、或不同数量的牙齿缺失后每两颗相邻牙齿的牙位排列情况,计算牙位排列情况的概率分布函数值;
牙位确定单元,用于基于隐马尔科夫模型确定待测试牙齿模型的牙位,是指基于第一先验模型和第三先验模型计算牙齿状态序列的每一种取值与牙齿观察序列同时出现的概率值,将计算出的最大概率值对应的牙齿状态序列的取值所表示的牙位排列情况作为待测试牙齿模型的牙位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206420.4A CN111276239B (zh) | 2019-11-29 | 2019-11-29 | 一种确定牙齿模型的牙位的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206420.4A CN111276239B (zh) | 2019-11-29 | 2019-11-29 | 一种确定牙齿模型的牙位的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111276239A CN111276239A (zh) | 2020-06-12 |
CN111276239B true CN111276239B (zh) | 2023-06-27 |
Family
ID=71001504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911206420.4A Active CN111276239B (zh) | 2019-11-29 | 2019-11-29 | 一种确定牙齿模型的牙位的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111276239B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111933252B (zh) * | 2020-08-12 | 2023-08-04 | 杭州深睿博联科技有限公司 | 一种牙位检出和缺失牙标记方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766038A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 手掌开合动作识别方法和装置 |
CN105447304A (zh) * | 2015-11-10 | 2016-03-30 | 重庆邮电大学 | 一种基于自学习算法的预警系统及移动终端 |
CN107577918A (zh) * | 2017-08-22 | 2018-01-12 | 山东师范大学 | 基于遗传算法和隐马尔可夫模型的CpG岛识别方法、装置 |
WO2018022752A1 (en) * | 2016-07-27 | 2018-02-01 | James R. Glidewell Dental Ceramics, Inc. | Dental cad automation using deep learning |
CN107909630A (zh) * | 2017-11-06 | 2018-04-13 | 南京齿贝犀科技有限公司 | 一种牙位图生成方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10312848A1 (de) * | 2003-03-21 | 2004-10-07 | Sirona Dental Systems Gmbh | Datenbank, Zahnmodell und Zahnersatzteil, aufgebaut aus digitalisierten Abbildungen realer Zähne |
US8126726B2 (en) * | 2004-02-27 | 2012-02-28 | Align Technology, Inc. | System and method for facilitating automated dental measurements and diagnostics |
US9710603B2 (en) * | 2008-11-12 | 2017-07-18 | Softech, Inc. | Dental charting system |
CN105912838B (zh) * | 2016-04-01 | 2019-01-18 | 深圳市菲森科技有限公司 | 牙齿检查结果的展示方法、系统及医疗设备 |
CN107595419B (zh) * | 2017-08-23 | 2020-10-02 | 深圳云甲科技有限公司 | 义齿计算机辅助设计方法、终端及计算机可读存储介质 |
CN108776992B (zh) * | 2018-05-04 | 2022-08-05 | 正雅齿科科技(上海)有限公司 | 牙齿类型的识别方法、装置、用户终端及存储介质 |
EP3790499B1 (en) * | 2018-05-08 | 2024-04-10 | Align Technology, Inc. | Automatic ectopic teeth detection on scan |
-
2019
- 2019-11-29 CN CN201911206420.4A patent/CN111276239B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766038A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 手掌开合动作识别方法和装置 |
CN105447304A (zh) * | 2015-11-10 | 2016-03-30 | 重庆邮电大学 | 一种基于自学习算法的预警系统及移动终端 |
WO2018022752A1 (en) * | 2016-07-27 | 2018-02-01 | James R. Glidewell Dental Ceramics, Inc. | Dental cad automation using deep learning |
CN107577918A (zh) * | 2017-08-22 | 2018-01-12 | 山东师范大学 | 基于遗传算法和隐马尔可夫模型的CpG岛识别方法、装置 |
CN107909630A (zh) * | 2017-11-06 | 2018-04-13 | 南京齿贝犀科技有限公司 | 一种牙位图生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111276239A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11996181B2 (en) | Automatic detection of tooth type and eruption status | |
CN106228549B (zh) | 一种基于路径规划的三角网格牙齿分割方法 | |
RU2725280C1 (ru) | Приспособления и методы планирования ортодонтического лечения | |
CN108986111B (zh) | 一种用于计算机辅助隐形正畸的三维牙颌模型分割方法 | |
CN112869894B (zh) | 一种壳状牙齿矫治器的设计方法、制备系统及制备方法 | |
CN111276239B (zh) | 一种确定牙齿模型的牙位的方法及装置 | |
CN111274666A (zh) | 一种数字化牙齿位姿变化量的设计、模拟排牙方法及装置 | |
CN100553587C (zh) | 在三维网格牙颌模型上快速精确探测牙弓线的方法 | |
CN108961398A (zh) | 一种基于法向量夹角的牙齿倒凹网格模型自动填充算法 | |
CN115272359A (zh) | 牙齿分割方法、牙齿面数据获取方法和口腔ct设备 | |
CN112562084A (zh) | 一种提取牙齿三维点云模型牙弓曲线的方法及系统 | |
CN115223205A (zh) | 一种基于深度学习的三维口扫牙齿分离模型牙位识别方法、介质及装置 | |
CN114880924A (zh) | 基于深度学习的牙齿修复体自动设计方法及系统 | |
CN105913424A (zh) | 一种基于牙齿推断年龄的方法和装置 | |
CN115830034B (zh) | 一种用于口腔健康管理的数据分析系统 | |
CN107564094B (zh) | 一种基于局部坐标的牙齿模型特征点自动识别算法 | |
CN112545537A (zh) | 头影测量描迹图生成方法及系统 | |
CN113222994B (zh) | 基于多视角卷积神经网络的三维口腔模型安氏分类方法 | |
CN115252174A (zh) | 排牙方法、牙齿正畸模拟方法、存储介质和口腔ct设备 | |
CN115641325A (zh) | 一种口扫牙模的牙齿宽度计算方法、存储介质和电子设备 | |
JP7401954B2 (ja) | ビッグデータによる口腔内補綴物設計方法 | |
CN115708728B (zh) | 一种获取牙弓和牙槽骨弓形态矫治状态的装置及方法 | |
CN115887031B (zh) | 一种排牙方法 | |
CN115688461B (zh) | 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法 | |
CN114652467B (zh) | 基于计算机辅助的牙齿无托槽隐形矫治方法 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 122, 2305 Zuchongzhi Road, Pudong New Area, Shanghai, 201203 Applicant after: Zhengya Dental Technology (Shanghai) Co.,Ltd. Address before: Room 122, 2305 Zuchongzhi Road, Pudong New Area pilot Free Trade Zone, Shanghai, 201203 Applicant before: SHANGHAI SMARTEE DENTI-TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |