CN111292320A - 基于三维数字模型和机器学习的咬合评价方法及评价系统 - Google Patents
基于三维数字模型和机器学习的咬合评价方法及评价系统 Download PDFInfo
- Publication number
- CN111292320A CN111292320A CN202010171816.6A CN202010171816A CN111292320A CN 111292320 A CN111292320 A CN 111292320A CN 202010171816 A CN202010171816 A CN 202010171816A CN 111292320 A CN111292320 A CN 111292320A
- Authority
- CN
- China
- Prior art keywords
- dentition
- shortest distance
- occlusion
- dimensional digital
- machine learning
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C19/00—Dental auxiliary appliances
- A61C19/04—Measuring instruments specially adapted for dentistry
- A61C19/05—Measuring instruments specially adapted for dentistry for determining occlusion
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Graphics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明涉及数字图像处理技术领域,公开了基于三维数字模型和机器学习的咬合评价方法及评价系统,包括:S1、获取上颌牙列和下颌牙列的三维数字模型;S2、计算上颌牙列和下颌牙列各咬合接触点的最短距离;S3、根据咬合接触点的最短距离生成映射图像;S4、高通量提取映射图像的影像特征,通过影像特征对映射图像进行量化;S5、根据量化后的映射图像,利用机器学习方法定量评价咬合关系,本发明不干预受检者的自然咬合状态,为咬合接触提供了客观检测技术支持。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及基于三维数字模型和机器学习的咬合评价方法及评价系统。
背景技术
咬合是指上下牙的接触关系。正常人至少由28颗牙构成的上下牙咬合接触关系,分布广泛,但各个牙尖、牙窝等咬合接触面形态复杂多样,人群中错(牙合)比率高达90%以上,加上缺牙、修复等因素,人类咬合可有数以亿计的表现类别。咬合接触不仅可以影响面部美观,而且直接影响咬合力特征,例如:影响垂直向咬合力向不同方向分解。各个咬合分力的大小、方向、分布特点会通过牙周-中枢-咀嚼肌的反馈活动,影响咀嚼能力,并通过中枢核团的多向联系,影响口、颌、面、颈、肩、躯干等运动系统的功能活动,并影响情绪活动,长期的异常咬合接触可以产生焦虑、抑郁等严重精神心理问题。
目前,临床上尚缺乏可以客观评价上下牙众多咬合接触点大小、形状、分布等特征的技术手段,相关治疗主要基于临床经验,因此,医生的培训周期较长,而标准化程度较低。另外,目前所有的咬合检查技术都需要在上下牙之间放置检测物件,最常见的是咬合纸和T-Scan系统的传感器。咬合纸检测结果受口腔内唾液以及咬合纸本身的着色性能等因素的影响;T-Scan系统的传感器膜片目前最薄做到60微米,而且是均厚,对于具有纵(牙合)曲线和横(牙合)曲线特征的牙列,这种方法的检测误差无法避免。利用口内激光扫描或石膏模型扫描生成三维数字模型,可高精度、高清晰地显示三维咬合关系,数据可直接用于CAD/CAM数字化牙科领域。因此,基于3D扫描的咬合模型进行咬合接触分析,是客观评价咬合的新的重要途径。
近年来,机器学习技术逐渐在医学领域广泛应用,机器学习技术根据已有的数据或经验,自动优化计算机程序性能,提取与预测目标最相关的特征,提供定量的估计结果。通过三维咬合数字模型和机器学习技术结合,可充分挖掘3D咬合模型中的有效信息,将为咬合评价提供新的思路和方法。
发明内容
本发明提供基于三维数字模型和机器学习的咬合评价方法及评价系统,不干预受检者的自然咬合状态,为咬合接触提供了客观检测的技术支持。
本发明提供了基于三维数字模型和机器学习的咬合评价方法,包括以下步骤:
S1、获取上颌牙列和下颌牙列的三维数字模型;
通过对上颌牙列和下颌牙列的石膏模型进行扫描或通过口内激光扫描生成三维数字模型;
S2、计算上颌牙列和下颌牙列各咬合接触点的最短距离;
S3、根据咬合接触点的最短距离生成映射图像;
根据上颌牙列和下颌牙列各咬合接触点的最短距离,计算最短距离在x、y、z三个坐标轴的投影距离,并将最短距离和最短距离在x、y、z三个坐标轴的投影距离分别映射在二维平面,生成映射图像;
S4、高通量提取映射图像的影像特征,通过影像特征对映射图像进行量化;
S5、根据量化后的映射图像,利用机器学习方法定量评价咬合关系。
上述步骤S1中的三维数字模型采用STL(Stereo lithographic)格式,使用小三角面片逼近三维表面的空间结构,通过给出三角形法向量的分量及三角形的3个顶点坐标来实现。
上述步骤S2中的最短距离是指读取上颌和下颌STL格式牙列模型的三角面片顶点,包括上牙列表面最短距离和下牙列表面最短距离,上牙列表面最短距离是以上颌牙列为基准,计算从下颌牙列表面的每个顶点到上颌牙列咬合接触面的最短距离,下牙列表面最短距离是以下颌牙列为基准,计算从上颌牙列表面的每个顶点到下颌牙列咬合接触面的最短距离。
上述步骤S3中根据最短距离d与三个坐标轴的夹角(x:α,y:β,z:γ),计算最短距离在x,y,z三个坐标轴的投影距离,分别为:d×cos(α),d×cos(β),d×cos(γ)。
上述步骤S3中,分别计算上牙列表面最短距离和下牙列表面最短距离在x、y、z三个坐标轴的投影距离,将上牙列表面最短距离和下牙列表面最短距离及其在x、y、z三个坐标轴的投影距离映射在二维平面,生成8幅映射图像。
上述步骤S4中的影像特征包括:灰度特征、纹理特征、小波特征、信号强度特征、形态学特征和纹理特征。
上述灰度特征包括:灰度直方图特征、灰度共生矩阵特征和灰度游程矩阵特征。
一种基于三维数字模型和机器学习的咬合评价系统,包括:上颌牙列和下颌牙列的石膏模型、扫描系统和分析评价系统,扫描系统用于对上颌牙列和下颌牙列的石膏模型进行扫描,获取上颌牙列和下颌牙列的三维数字模型,分析评价系统用于根据三维数字模型计算上颌牙列和下颌牙列各咬合接触点的最短距离,计算最短距离在x、y、z三个坐标轴的投影距离,并将最短距离和最短距离在x、y、z三个坐标轴的投影距离分别映射在二维平面,生成映射图像,然后通过高通量地提取映射图像的影像特征,通过影像特征对映射图像进行量化,根据量化后的映射图像,利用机器学习方法定量分析和评价咬合关系。
与现有技术相比,本发明的有益效果在于:
本发明通过扫描上颌和下颌牙列的模型,获得三维数字模型,来计算上、下颌牙列的各咬合接触点之间最短距离,生成最短距离的映射图像,从而将咬合时上、下颌牙列之间的三维接触关系进行量化,全程不干预受检者的自然咬合状态,从而克服了采用传感器带来的误差,为后续的定量分析奠定了基础。
本发明利用所获得的三维咬合接触最短距离量化图像,高通量提取影像特征,为咬合接触提供了客观检测的技术支持。
附图说明
图1为本发明方法的流程图。
图2为本发明计算咬合最短距离的示意图。
图3为本发明基于咬合最短距离生成映射图像的示意图。
具体实施方式
为了更清楚地说明本发明中的技术方案,下面将以颞下颌关节紊乱者与正常人群的数据对比为例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
参照图1,本发明提供了一种基于三维数字模型和机器学习的咬合评价方法,包括以下步骤:
(1)获取上颌牙列、下颌牙列三维数字模型数据;
(2)计算上下颌牙列各咬合接触点的最短距离;
(3)利用计算获得的咬合接触最短距离生成映射图像;
(4)提取映射图像的影像特征,包括灰度、纹理、小波等特征;
(5)利用机器学习方法评价咬合关系。
上述方法中,步骤(1)所述的获取上颌、下颌牙模型数据,是指由被试者上颌和下颌石膏模型或口内扫描等方式获得的三维数字模型。该模型采用STL(Stereolithographic)格式,该格式使用小三角面片逼近三维表面的空间结构,通过给出三角形法向量的分量及三角形的3个顶点坐标来实现。该方法的优势在于格式的优势,在于易获取、成本低以及便于区分和观察上下颌的咬合关系。
步骤(2)所述的计算上下颌牙列各咬合接触点的最短距离,是指读取上颌和下颌STL格式牙列模型的三角面片顶点,包括:①以上颌为基准,计算从下颌表面的每个顶点到上颌表面点的最短距离(上牙列表面最短距离);②以下颌为基准,计算从上颌表面的每个顶点到下颌表面点的最短距离(下牙列表面最短距离),如图2所示。
步骤(3)所述的利用计算获得的最短距离生成映射图像,是指在获得最短距离(d)后,根据最短距离(d)与三个坐标轴的夹角(x:α,y:β,z:γ.),计算最短距离在x,y,z三个坐标轴的投影距离,分别为:d×cos(α),d×cos(β),d×cos(γ),并将最短距离和三个坐标轴投影距离映射在二维平面,即4幅映射图像。考虑到上牙列表面最短距离和下牙列表面最短距离的不同,本发明将二者分别映射,从而生成8幅映射图像,如图3所示。
步骤(4)所述的提取映射图像影像特征,是指高通量地提取映射图像的影像特征,如信号强度特征、形态学特征、纹理特征等,从而将图像量化为影像特征。
步骤(5)所述的利用机器学习方法评价咬合关系。
为了更清楚的描述本发明的方法,利用基于三维数字模型和机器学习的咬合评价方法对颞下颌关节紊乱评价为例进行展示。
(1)数据获取:收集152例被试的上、下颌三维模型数据,包括正常组51例,颞下颌关节紊乱组101例(关节骨质改变者44例和无骨质改变者57例)。在获取被试的上颌和下颌石膏模型后,使用3Shape R750扫描设备,生成每名被试的上颌、下颌STL文件,构成咬合关系的三维数字模型。
(2)读取每名被试的上颌和下颌STL数据,分别以上颌和下颌为基准,计算基准侧的每一个顶点与对侧咬合接触面的最短距离,从而获得上牙列表面最短距离和下牙列表面最短距离,如图2所示。
(3)利用最短距离在三个坐标轴的投影,获取每名被试者的8幅映射图像,即4幅(最短距离+x轴投影+y轴投影+z轴投影)×2(上牙列表面最短距离+下牙列表面最短距离),如图3所示。
(4)提取每幅映射图像的影像特征,包括:8个灰度直方图特征、39个灰度共生矩阵特征,以及33个灰度游程矩阵特征。
(5)定量评价映射图像提取的影像特征对颞下颌关节咬合评价的作用。
本发明考虑到正常组与颞下颌关节紊乱组的数据不均衡问题,为此,在51-101之间生成一个随机数作为颞下颌关节紊乱组的入组数目,利用matlab软件的rand函数,生成随机数为63,因此,本发明在101例中,随机选取63例作为颞下颌关节紊乱组。然后,本发明将114例数据(正常组51例,颞下颌关节紊乱组63例),随机分为85例训练集(38例正常人和47例颞下颌关节紊乱者)和29例测试集(13例正常人和16例颞下颌关节紊乱者),利用SVM分类器,分别评价了所有特征(图3所示的8幅图像)、投影方向(最短距离在x、y和z轴上投影,即图3生成的8幅图像中每一列的2幅图像)、最短距离方向(上牙列表面最短距离和下牙列表面最短距离,即图3生成的8幅图像中每一行的4幅图像)对颞下颌关节紊乱的咬合评价作用,相关结果如表1所示。
表1不同咬合因素对颞下颌关节紊乱评价效能的比较
结果表明:三维咬合最短距离的垂直方向投影即z轴投影和上牙列表面最短距离,对颞下颌关节紊乱咬合评价较敏感。进一步,本发明还计算了上牙列表面最短距离在垂直方向投影图像,即图3第1行第4列图像的预测效能,发现该图像对颞下颌关节紊乱者的异常咬合特征更敏感,提示上牙列表面最短距离在垂直方向投影可能是引起该颞下颌关节紊乱的重要因素。
本发明公开了一种基于三维数字模型和机器学习的咬合评价方法及评价系统,涉及数字图像处理技术领域,方法包括三维咬合数字模型获取、咬合最短距离计算、三维模型映射、机器学习评价等,本发明通过生成最短距离的映射图像,将口腔三维咬合关系进行量化,生成量化图像,并高通量的提取影像特征,为评价咬合接触关系提供数据支持。
本发明描述了优选的实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.基于三维数字模型和机器学习的咬合评价方法,包括以下步骤:
S1、获取上颌牙列和下颌牙列的三维数字模型;
通过对上颌牙列和下颌牙列的石膏模型进行扫描或通过口内激光扫描生成三维数字模型;
S2、计算上颌牙列和下颌牙列各咬合接触点的最短距离;
S3、根据咬合接触点的最短距离生成映射图像;
根据上颌牙列和下颌牙列各咬合接触点的最短距离,计算最短距离在x、y、z三个坐标轴的投影距离,并将最短距离和最短距离在x、y、z三个坐标轴的投影距离分别映射在二维平面,生成映射图像;
S4、高通量地提取映射图像的影像特征,通过影像特征对映射图像进行量化;
S5、根据量化后的映射图像,利用机器学习方法定量评价咬合关系。
2.如权利要求1所述的基于三维数字模型和机器学习的咬合评价方法,其特征在于,所述步骤S1中的三维数字模型采用STL格式,使用小三角面片逼近三维表面的空间结构,通过给出三角形法向量的分量及三角形的3个顶点坐标来实现。
3.如权利要求2所述的基于三维数字模型和机器学习的咬合评价方法,其特征在于,所述步骤S2中的最短距离是指读取上颌和下颌STL格式牙列模型的三角面片顶点,包括上牙列表面最短距离和下牙列表面最短距离,上牙列表面最短距离是以上颌牙列为基准,计算从下颌牙列表面的每个顶点到上颌牙列咬合接触面的最短距离,下牙列表面最短距离是以下颌牙列为基准,计算从上颌牙列表面的每个顶点到下颌牙列咬合接触面的最短距离。
4.如权利要求1所述的基于三维数字模型和机器学习的咬合评价方法,其特征在于,所述步骤S3中根据最短距离d与三个坐标轴的夹角(x:α,y:β,z:γ),计算最短距离在x,y,z三个坐标轴的投影距离,分别为:d×cos(α),d×cos(β),d×cos(γ)。
5.如权利要求1所述的基于三维数字模型和机器学习的咬合评价方法,其特征在于,所述步骤S3中,分别计算上牙列表面最短距离和下牙列表面最短距离在x、y、z三个坐标轴的投影距离,将上牙列表面最短距离和下牙列表面最短距离及其在x、y、z三个坐标轴的投影距离映射在二维平面,生成8幅映射图像。
6.如权利要求1所述的基于三维数字模型和机器学习的咬合评价方法,其特征在于,所述步骤S4中的影像特征包括:灰度特征、纹理特征、小波特征、信号强度特征、形态学特征和纹理特征。
7.如权利要求6所述的基于三维数字模型和机器学习的咬合评价方法,其特征在于,所述灰度特征包括:灰度直方图特征、灰度共生矩阵特征和灰度游程矩阵特征。
8.一种基于三维数字模型和机器学习的咬合评价系统,其特征在于,包括:上颌牙列和下颌牙列的石膏模型、扫描系统和分析评价系统,扫描系统用于对上颌牙列和下颌牙列的石膏模型进行扫描,获取上颌牙列和下颌牙列的三维数字模型,分析评价系统用于根据三维数字模型计算上颌牙列和下颌牙列各咬合接触点的最短距离,计算最短距离在x、y、z三个坐标轴的投影距离,并将最短距离和最短距离在x、y、z三个坐标轴的投影距离分别映射在二维平面,生成映射图像,然后通过高通量地提取映射图像的影像特征,通过影像特征对映射图像进行量化,根据量化后的映射图像,利用机器学习方法定量分析和评价咬合关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171816.6A CN111292320B (zh) | 2020-03-12 | 2020-03-12 | 基于三维数字模型和机器学习的咬合评价方法及评价系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171816.6A CN111292320B (zh) | 2020-03-12 | 2020-03-12 | 基于三维数字模型和机器学习的咬合评价方法及评价系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292320A true CN111292320A (zh) | 2020-06-16 |
CN111292320B CN111292320B (zh) | 2023-01-24 |
Family
ID=71020859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171816.6A Active CN111292320B (zh) | 2020-03-12 | 2020-03-12 | 基于三维数字模型和机器学习的咬合评价方法及评价系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292320B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998349A (zh) * | 2022-08-04 | 2022-09-02 | 首都医科大学宣武医院 | 颞下颌关节数字化三维测量评价方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0984739A1 (en) * | 1997-05-22 | 2000-03-15 | Cadent Ltd. | Method for obtaining a dental occlusion map |
US20030214501A1 (en) * | 2002-04-29 | 2003-11-20 | Hultgren Bruce Willard | Method and apparatus for electronically generating a color dental occlusion map within electronic model images |
CN103908352A (zh) * | 2013-01-07 | 2014-07-09 | 无锡时代天使医疗器械科技有限公司 | 用于生成数字虚拟颌架的方法和系统 |
CN104537135A (zh) * | 2014-10-30 | 2015-04-22 | 北京大学口腔医学院 | 建立牙齿咬合关系的计算机辅助设计方法 |
US20150289960A1 (en) * | 2012-09-26 | 2015-10-15 | The University Of Tokushima | Method and apparatus for upper and lower tooth row three-dimensional simulation display |
US20160000525A1 (en) * | 2013-03-08 | 2016-01-07 | Trophy | Occlusion mapping using elastic foam modeling |
CN110276758A (zh) * | 2019-06-28 | 2019-09-24 | 电子科技大学 | 基于点云空间特征的牙咬合分析系统 |
CN110292449A (zh) * | 2019-06-06 | 2019-10-01 | 杭州口腔医院集团有限公司 | 一种适用于中国人的无牙种植即刻负荷个性化三维数字排牙方法 |
-
2020
- 2020-03-12 CN CN202010171816.6A patent/CN111292320B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0984739A1 (en) * | 1997-05-22 | 2000-03-15 | Cadent Ltd. | Method for obtaining a dental occlusion map |
US20030214501A1 (en) * | 2002-04-29 | 2003-11-20 | Hultgren Bruce Willard | Method and apparatus for electronically generating a color dental occlusion map within electronic model images |
US20150289960A1 (en) * | 2012-09-26 | 2015-10-15 | The University Of Tokushima | Method and apparatus for upper and lower tooth row three-dimensional simulation display |
CN103908352A (zh) * | 2013-01-07 | 2014-07-09 | 无锡时代天使医疗器械科技有限公司 | 用于生成数字虚拟颌架的方法和系统 |
US20160000525A1 (en) * | 2013-03-08 | 2016-01-07 | Trophy | Occlusion mapping using elastic foam modeling |
CN104537135A (zh) * | 2014-10-30 | 2015-04-22 | 北京大学口腔医学院 | 建立牙齿咬合关系的计算机辅助设计方法 |
CN110292449A (zh) * | 2019-06-06 | 2019-10-01 | 杭州口腔医院集团有限公司 | 一种适用于中国人的无牙种植即刻负荷个性化三维数字排牙方法 |
CN110276758A (zh) * | 2019-06-28 | 2019-09-24 | 电子科技大学 | 基于点云空间特征的牙咬合分析系统 |
Non-Patent Citations (3)
Title |
---|
BINKUANG 等: "Combined degenerative and regenerative remodeling responses of the mandibular condyle to experimentally induced disordered occlusion", 《AMERICAN JOURNAL OF ORTHODONTICS AND DENTOFACIAL ORTHOPEDICS》 * |
周振等: "颞下颌关节紊乱病患者的三维咬合接触观察", 《实用口腔医学杂志》 * |
王金平等: "氧化锆单冠制作过程中使用硅橡胶复制法对咬合面形态的影响", 《山西医科大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998349A (zh) * | 2022-08-04 | 2022-09-02 | 首都医科大学宣武医院 | 颞下颌关节数字化三维测量评价方法 |
CN114998349B (zh) * | 2022-08-04 | 2022-11-11 | 首都医科大学宣武医院 | 颞下颌关节数字化三维测量评价方法 |
WO2024027724A1 (zh) * | 2022-08-04 | 2024-02-08 | 首都医科大学宣武医院 | 颞下颌关节数字化三维测量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111292320B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
O'Grady et al. | Facial asymmetry: three-dimensional analysis using laser surface scanning | |
Maal et al. | The accuracy of matching three-dimensional photographs with skin surfaces derived from cone-beam computed tomography | |
Bulatova et al. | Assessment of automatic cephalometric landmark identification using artificial intelligence | |
Ashmore et al. | A 3-dimensional analysis of molar movement during headgear treatment | |
Kau et al. | Use of 3-dimensional surface acquisition to study facial morphology in 5 populations | |
Maal et al. | Variation of the face in rest using 3D stereophotogrammetry | |
EP3354229A1 (en) | Occlusal state identifying method, occlusal state identifying apparatus | |
Rosati et al. | The occlusal plane in the facial context: inter-operator repeatability of a new three-dimensional method | |
Choi et al. | Biomechanics and functional distortion of the human mandible | |
Sforza et al. | Three-dimensional assessment of nose and lip morphology in North Sudanese subjects with Down syndrome | |
Yuan et al. | A method of three-dimensional recording of mandibular movement based on two-dimensional image feature extraction | |
Costa et al. | A computerized tomography study of the morphological interrelationship between the temporal bones and the craniofacial complex | |
Antonacci et al. | Facial scanning technologies in the era of digital workflow: A systematic review and network meta-analysis | |
CN111265316B (zh) | 一种模拟佩戴矫治器的牙齿模型受力分析方法及装置 | |
Tanikawa et al. | Test-retest reliability of smile tasks using three-dimensional facial topography | |
Li et al. | Accuracy of a novel virtual articulator for recording three-dimensional dentition | |
CN111292320B (zh) | 基于三维数字模型和机器学习的咬合评价方法及评价系统 | |
Al-Khatib et al. | Dento-facial relationships in individuals with normal occlusion | |
CN113096236B (zh) | 用于牙齿冠桥功能性咬合面的虚拟牙合架设计方法 | |
Fang et al. | Tracked motion-based dental occlusion surface estimation for crown restoration | |
Contro et al. | Evaluating condylar head morphology as it relates to the skeletal vertical facial dimension: A three-dimensional semi-automated landmark study | |
Ibacache | A finite element study of the human cranium: The impact of morphological variation on biting performance | |
Taneva | 3D evaluation of palatal rugae for human identification | |
Theye | The Effects of Aging and Tooth Loss on the Microstructure of the Mandible in South Africans | |
Park et al. | [Retracted] Intra‐and Interrater Agreement of Face Esthetic Analysis in 3D Face Images |
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 |