CN111415419B - 基于多源图像的牙体修复模型制作方法和系统 - Google Patents
基于多源图像的牙体修复模型制作方法和系统 Download PDFInfo
- Publication number
- CN111415419B CN111415419B CN202010195222.9A CN202010195222A CN111415419B CN 111415419 B CN111415419 B CN 111415419B CN 202010195222 A CN202010195222 A CN 202010195222A CN 111415419 B CN111415419 B CN 111415419B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- model
- image
- tooth
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 80
- 238000007408 cone-beam computed tomography Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 27
- 230000001815 facial effect Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 21
- 238000009499 grossing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 210000005036 nerve Anatomy 0.000 claims description 12
- 238000003672 processing method Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 210000000214 mouth Anatomy 0.000 abstract description 25
- 238000004458 analytical method Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract 1
- 210000004746 tooth root Anatomy 0.000 description 15
- 230000008439 repair process Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010146 3D printing Methods 0.000 description 5
- 238000003759 clinical diagnosis Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000036346 tooth eruption Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004513 dentition Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011505 plaster Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 208000002925 dental caries Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000004283 incisor Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 210000002200 mouth mucosa Anatomy 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于多源图像的牙体修复模型制作方法，该方法基于获取的面部微笑数字影像的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，得到牙冠贴面二维数字模型；接着，对牙冠贴面二维数字模型进行调整，得到符合面部微笑特征的二维模拟修复模型；然后，基于所述二维模拟修复模型和口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型；最后，基于口腔CBCT拍摄的Dicom三维体模型，与三维模拟修复模型进行配准与融合，得到的模型，可进行牙冠修复测量，牙根变化诊断等临床分析。本发明能够为口腔修复与牙齿变化预测提供有效的指导依据。
Description
技术领域
本发明涉及一种基于多源图像的前牙美学处理牙体修复模型制作方法和系统，具体涉及利用多源影像数据进行口内成像自动分析，并根据测量数据，生成符合面部微笑美学特征的口内修复体模型的方法和系统。
背景技术
传统的口腔修复过程通常是口腔医生对患者拍片后，即进行牙体预备和取模，然后将模型送至制作室，让技师根据模型的条件制作修复体，最后医师将修复体戴入患者口内。这样的口腔修复方式，存在的普遍问题包括：1)美学修复的关键因素是形态与颜色，口头的交流显然无法准确科学地传达美学修复中的各种关键参数；2)单一黑白X光片无法精准体现出牙齿缺损形态及问题，同时阅片人凭个人经验看片会造成较大偏差；3)不通过面部病例照片、CT及口内三维模型等多源数据，无法呈现基于颌面部修复的最终结果，而口腔内牙齿修复精度要求较高，误差会造成修复体反复的修正；4)传统模型取模时会存在较大误差，义齿工厂技师完全凭经验去制作修复体，效率低下。
要解决这些问题，就必须采用基于颌面部整体美学修复的设计方法，由于涉及到患者面部的五官、口内牙列的形态和相对位置关系，美学设计很难通过语言描述或逻辑计算的方式进行，其需要一个可视化、图像化、自动化的处理过程。以往，这一过程常常是通过在患者的照片，或者在石膏模型上制作蜡型来进行的。部分数字美齿设计也会在软件的辅助下，通过图像或三维模型处理进行医患沟通、美学分析与设计以及医技交流等过程。但单一的图像、或一般性三维模型，设计人员凭个人经验进行可视化设计，其结果并不严谨和精准。
业内普遍需要的是基于颌面部病例图像、口内CT数据及口内三维模型等多源数据，可基本实现自动化的快速重叠、分析及变化预测，从而得到口内口外精确的模拟修复效果及量化数据，一方面进行可视化预告、评估分析复杂病例可行性；一方面进行精准医患沟通及手术方案制订；另一方面可将设计数据自动生成加工单，供后台自动化3D打印或切削修复体。
既往CAD/CAM颅颌面功能假体的制造技术主要采用由单一测量途径获取患者缺损畸形部位三维形态的方法，如外科手术修复主要采用CT影像数据，而牙齿牙列缺损修复主要采用口内扫描或模型扫描数据。由于各种临床检测设备自身的技术特点不同，所获取的患者三维信息在表现形式和成像精度上也各不相同。例如，小剂量的CBCT设备适用于各类颅颌面缺损患者的三维体数据(骨骼、神经、肌肉等)获取，扫描范围涵盖颅颌面全部区域，但目前最高精度只能达到0.1mm；而激光扫描技术，虽只适用于获取患者口腔牙冠外形、口腔粘膜表面形态、颜面部外形等表面形貌的获取，但精度却可达到0.02mm。目前，颅颌面牙缺损的临床诊疗发展趋势是综合利用影像学体数据和激光扫描的高精度牙列数据，并有可能结合个性化的功能性运动轨迹数据，为患者制作大大优于传统工艺精度和性能的功能性假体。
综上，为满足这样的需求，就必须在技术上实现对同一患者多途径来源的影像数据包括：颌面部病例二维图像、三维体数据与三维表面数据的配准与融合，从而形成一个包含该患者完整口腔影像信息的高精度三维体貌数据。
发明内容
为解决以上技术问题，本发明提供了一种基于多源图像的牙体修复模型处理方法和系统，利用多源影像数据进行口内成像自动分析，并根据测量数据，生成符合面部微笑美学特征的口内修复体。
本发明采用的技术方案为：
本发明的一方面提供一种基于多源图像的牙体修复模型处理方法，包括：
获取在微笑状态下露出上前牙的面部微笑数字影像，所述上前牙包括待修复牙齿；
基于所述面部微笑数字影像中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，并将确定的标准二维牙冠贴面添加至所述待修复牙齿上，得到牙冠贴面二维数字模型；
对所述牙冠贴面二维数字模型进行调整，得到符合面部微笑特征的二维模拟修复模型；
获取口内牙冠三维数字模型，并基于所述二维模拟修复模型和所述口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型；
基于所述二维模拟修复模型对所述三维模拟修复模型进行变形调整，得到调整后的三维模拟修复模型；
获取口腔CBCT三维体数据，并将所述三维体数据和所述调整后的三维模拟修复模型进行融合处理，得到包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型。
可选地，所述基于所述面部微笑数字影像中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，具体包括：
利用预设的边缘检测方法对所述面部微笑数字影像中的牙齿图像边缘点进行检测，所述牙齿图像边缘点包括嘴唇、牙龈及牙齿的边缘点；
基于检测的边缘点，构建包含边缘点的图像区域的梯度向量场，并提取梯度值位于预设范围内的边缘点构建初始轮廓曲线；
提取所述初始轮廓曲线上的边缘特征点；
将提取的待修复牙齿的边缘特征点与所述标准二维牙冠贴面的边缘特征点进行匹配，确定相对应的标准二维牙冠贴面。
可选地，所述利用预设的边缘检测方法对所述面部微笑数字影像中的牙齿图像边缘点进行检测，具体包括：
利用灰度平滑函数对所述面部微笑数字影像中的每个像素点进行平滑处理，得到平滑处理后的第一影像；
利用标准拉普拉斯算子对所述第一影像中的每个像素点进行处理，得到第二影像；
利用改进后的拉普拉斯算子对所述第二影像中的每个像素点进行处理，得到第三影像；
根据所述第三影像中所有像素点的像素值和位置，进行计算，获取所述第三影像中零交叉点的像素位置坐标，并将获取的零交叉点的位置作为所述边缘点的位置；
其中，所述高斯型平滑函数通过下述公式表示：
其中，x和y分别表示所述面部微笑数字影像中的像素点的坐标，σ是高斯型平滑函数的标准差，为设定值；
所述标准拉普拉斯算子通过下述公式(2)表示：
其中，x1和y1分别表示所述第一影像中的像素点的坐标，
表示每个像素点的标准拉普拉斯算子；
所述改进后的拉普拉斯算子通过下述公式(3)表示：
其中，x2和y2分别表示所述第二影像中的像素点的坐标，LoG(x2,y2)表示每个像素点的改进后的拉普拉斯算子。
可选地，基于检测的边缘点，构建包含边缘点的图像区域的梯度向量场，并提取梯度值位于预设范围内的边缘点构建初始轮廓曲线，具体包括：
将包含所述边缘点的图像分割成若干个图像区域；
基于GVF-Snake算法，得到每个图像区域的梯度向量场；
将每个图像区域内的边缘点中梯度最大值对应的边缘点作为构建所述初始轮廓曲线的边缘点。
可选地，所述提取所述初始轮廓曲线上的边缘特征点，具体包括：
对所述初始轮廓曲线上的边缘点的梯度向量进行计算；
将计算的梯度向量按照由高向低的顺序进行排序，并提取排序靠前的K个边缘点作为边缘特征点，K为预设的边缘特征点的数量。
可选地，所述基于所述二维模拟修复模型和所述口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型，包括：
确定所述二维模拟修复模型与所述口内牙冠三维数字模型的至少三个相同的非共线特征标志点，并利用所述非共线特征标志点通过三维点云数字拼接技术将所述二维模拟修复模型与所述口内牙冠三维数字模型相互重叠，得到组合模型；
基于所述口内牙冠三维数字模型中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准三维牙冠贴面，并将确定的标准三维牙冠贴面添加至所述待修复牙齿上，并从所述组合模型中移除所述二维模拟修复模型，得到口内牙冠贴面三维数字模型；
基于所述二维模拟修复模型对所述口内牙冠贴面三维数字模型进行调整，得到所述三维模拟修复模型。
可选地，还包括：对所述牙冠贴面二维数字模型进行调整，得到测量数据列表和VR动态影像。
可选地，所述面部微笑数字影像通过面部露齿微笑照片和拉钩黑背景的口内牙齿照片得到。
可选地，所述将所述三维体数据和所述调整后的三维模拟修复模型进行融合处理，得到包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型，包括：
将口腔CBCT拍摄的DICOM数据转换为STL格式的数据，得到转化后的三维体模型；
在转化后的三维体模型与所述调整后的三维模拟修复模型中，确定至少三个相同的非共线特征标志点，并利用所述非共线特征标志点通过三维点云数字拼接技术进行模型重叠，得到组合模型；
对所述转化后的三维体模型进行牙根分割，并将分割后的三维体模型与所述调整后的三维模拟修复模型进行配准融合，得到所述包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型。
本发明的另一方面提供一种基于多源图像的牙体修复模型制作系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现前述任一技术方案所述的方法的步骤。
本发明实施例提供的基于多源图像的牙体修复模型处理方法和系统，用于生成对前牙进行美学处理的牙体修复模型，本发明首先基于获取的患者在微笑状态下露出上前牙的面部微笑数字影像的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，并将确定的标准二维牙冠贴面添加至所述待修复牙齿上，得到牙冠贴面二维数字模型；接着，对所述牙冠贴面二维数字模型进行调整，得到符合面部微笑特征的二维模拟修复模型；然后，获取患者的口内牙冠三维数字模型，并基于所述二维模拟修复模型和所述口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型，所述三维模拟修复模型用于牙冠修复体的3D打印或切削制作；最后，基于口腔CBCT拍摄的Dicom三维体模型，与上述三维牙冠模拟修复模型进行配准与融合，得到的模型，可进行牙冠修复测量，牙根变化分析等临床诊断。由此可见，本发明通过借助计算机图形图像处理技术，综合运用口腔美学原则，进行可视化口腔美学分析设计，通过对患者面部和口腔部软硬组织数字量化的准确分析、设计及测量，可在口腔种植、正畸和美学修复等术前模拟患者修复效果，术中指导医生技师工作，术后量化评估修复效果，能够为口腔修复与牙齿变化预测提供有效的指导依据。
附图说明
图1为本发明实施例提供的基于多源图像的牙体修复模型处理方法的流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
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，本领域技术人员在没有作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。
图1为本发明实施例提供的口腔图像处理方法的流程示意图。如图1所示，本发明实施例提供一种基于多源图像的牙体修复模型制作方法，包括：
S100、获取在微笑状态下露出上前牙的面部微笑数字影像，所述上前牙包括待修复牙齿。
在本发明一实施例中，可利用具有拍摄和数据处理功能的落地式面部影像采集装置来获取面部微笑数字影像。在一示意性实施例中，该落地式面部影像采集装置可包括LED灯光源、光亮度传感器、图像拍摄高清摄像头、图像预处理模块及存储运行口腔图像处理程序算法的硬件设备。装置在拍摄面部微笑数字影像时，LED灯光源用于为图像拍摄高清摄像头拍摄图像时提供对应亮度的光源。光亮度传感器可以采集当前的光亮度值，在采集的光亮度值与系统预设亮度值不同时，自动调节LED灯的光亮度值与预设亮度值相同，并在所述光亮度值与所述预设亮度值相同时，控制图像拍摄高清摄像头采集面部微笑数字影像。
在本发明实施例中，LED灯光源、图像拍摄高清摄像头，可为现有的带有拍摄口内图像时所需要的自动调节爆光参数的摄影灯及各类高分辨率拍摄设备；光亮度传感器可为参数采集模块中用于采集光亮度的光亮度采集单元，也可以是单独的光亮度传感器，通过该光亮度传感器所采集的光亮度信息来调节光源组件的光亮度，从而保证摄像模块获取图像时的光亮度相同。在利用该落地式面部影像采集装置拍摄完面部微笑数字影像后，装置会自动追踪上前牙左1至4及右1至4位置，并进行定位，得到定位关键点，在一个示例中，定位关键点可包括门牙的顶缘、切端和颈缘等。
此外，在本发明另一实施例中，可通过现有的拍摄设备例如摄影机等先拍摄相关的图像，然后利用集成有图像预处理模块及存储运行多源口腔图像处理算法的硬件设备，或者提供这些计算机图像处理的程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生的一个机器，来对拍摄的图像进行处理得到面部微笑数字影像，该机器可以是独立服务器或者连接云端服务器的移动终端。因此，本实施例的实现，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
在一个示意性实施例中，面部微笑数字影像可为面部露出上前牙左1/4至右1/4位置即8颗上前牙的数字影像，该数字影像中包括清晰的待修复牙齿的边缘形态。在另一个实施例中，面部微笑数字影像可为通过装置拍摄的面部露齿微笑照片和使用拉钩等开口器在黑背景下得到的拉钩黑背景的口内牙齿照片得到。在该实施例中，在拍摄面部露齿微笑照片和拉钩黑背景的口内牙齿照片后，会自动定位待修复牙齿的定位关键点，然后基于定位关键点，自动将拉钩黑背景的口内牙齿照片与面部露齿微笑照片进行重叠，得到面部微笑数字影像。
S200、基于所述面部微笑数字影像中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，并将确定的标准二维牙冠贴面添加至所述待修复牙齿上，得到牙冠贴面二维数字模型。
在本发明实施例中，采用的面部影像采集装置在获得患者的面部微笑数字影像后，会自动对待修复牙齿的边缘进行检测，得到待修复牙齿的边缘形态，然后基于得到的待修复牙齿的边缘形态从预设的标准牙冠贴面数字模型库中查询与该边缘形态最接近的对应的标准二维牙冠贴面，并将确定的标准二维牙冠贴面自动添加至待修复牙齿上，得到牙冠贴面二维数字模型。预设的标准牙冠贴面数字模型库预先存储有基于大量样本数据得到多个标准牙冠贴面。
具体地，在一示例中，本发明实施例使用的面部影像采集装置中采用了GDI+(Graphics Device Interface：图形设备接口)和OpenCV图像自动处理方法，设置有针对口腔修复设计所需的图形(包括：线段、方框、圆形、贝塞尔曲线等)绘制及图像(口外照、口内照、面向照)处理框架。该处理框架通过口腔唇、齿、龈图像的智能分析、自动检测边缘点并基于检测得到边缘曲线的方法，具有与相近形态牙齿图像进行自动匹配的功能。
更进一步地，在步骤S200中，所述基于所述面部微笑数字影像中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，可包括：
S210、利用预设的边缘检测方法对所述面部微笑数字影像中的牙齿图像边缘点进行检测，所述牙齿图像边缘点包括嘴唇、牙龈及牙齿的边缘点。
现有技术中存在多种边缘检测方法，例如，Reberts算子、prewitt算子、sobel算子、canny算子等，这些算子都可以做边缘检测，但是不同的图像特点应该选用不同的算子。牙齿边缘是牙齿与嘴唇、牙龈图像中灰度发生急剧变化的区域边界，图像灰度的变化情况可以用图像灰度分布的梯度来反映。基于牙齿图像的上述特点，本发明选择高斯-拉普拉斯算子。本实施例对原始图像中像素的某小邻域来构造边缘检测算子，以检测边缘点。
详细地，该实施例可包括以下步骤：
步骤一、利用高斯型平滑函数对所述面部微笑数字影像中的每个像素点进行平滑处理，得到平滑处理后的第一影像。
其中，所述高斯型平滑函数通过下述公式(1)表示：
其中，x和y分别表示所述面部微笑数字影像中的像素点的坐标，σ是高斯型平滑函数的标准差，也可称作平滑程度，为设定值。
通过对原始的面部微笑数字影像与灰度平滑函数进行卷积处理，能够平滑影像及降低噪声，孤立的噪声点和较小的结构组织将被滤除。
步骤二、利用标准拉普拉斯算子对所述第一影像中的每个像素点进行处理，得到第二影像。
上述步骤一的平滑处理会导致影像的边缘灰度的延展，不便于提取灰度急剧变化的边缘点，拉普拉斯函数在边缘检测中可以增强边缘点的定位。本实施例利用标准拉普拉斯算子对第一影像进行卷积，得到灰度变化增强的第二影像。标准拉普拉斯算子通过下述公式(2)表示：
其中，x1和y1分别表示所述第一影像中的像素点的坐标，
表示每个像素点的标准拉普拉斯算子，σ是高斯型平滑函数的标准差，为设定值。
在本发明中，上述步骤一和步骤二为现有技术中的一般处理方法，为避免赘述，在此省略对它们的详细介绍。
步骤三、利用改进后的拉普拉斯算子对所述第二影像中的每个像素点进行处理，得到第三影像。
本发明所处理的牙齿图像中，通过实验发现，由于灰度变化，拉普拉斯增强后，选取的边缘点会出现坏点、暗背景中的亮点、亮背景中的暗点等问题点，影响后续处理。为消除这些问题点，本实施例利用改进后的拉普拉斯算子对所述第二影像进行卷积，得到消除了问题点的第三影像。
在本实施例中，所述改进后的拉普拉斯算子通过下述公式(3)表示：
其中，x2和y2分别表示所述第二影像中的像素点的坐标，LoG(x2,y2)表示每个像素点的改进后的拉普拉斯算子。由于算子是关于圆对称的，所以像素呈现圆对称形状，因此，在本实施例中，根据x和y方向的灰度差异，以像素圆形灰度的权重变化
作为高斯型平滑函数的滤波调节；σ为高斯型平滑函数的标准差，该参数可控制高频截取的幅值。σ越大，提取的高频幅值越大，σ越小，提取的高频幅值越小。
步骤四、根据所述第三影像中所有像素点的像素值和位置，进行计算，获取所述第三影像中零交叉点的像素位置坐标，并将获取的零交叉点的位置作为所述边缘点的位置。
在本实施例中，通过对第三影像中的每个像素点的改进后的拉普拉斯算子的一阶导数峰值对应的该算子零交叉点方法，进行边缘点定位，从而得到所有边缘点。
通过上述步骤一至步骤四，可以检测出灰度急剧变化的边缘点，具体地，本发明首先通过高斯平滑函数对图像进行平滑和降噪处理以滤除孤立的噪声点和较小的结构组织，接着，利用标准拉普拉斯算子对平滑后的图像进行处理，使得图像的灰度变化进行增强，以便于提取灰度急剧变化的边缘点；最后，利用改进的拉普拉斯算子进行处理，对经过标准拉普拉斯算子处理后的图像中的边缘点中出现的坏点、暗背景中的亮点、亮背景中的暗点等进行了消除，得到灰度分界明显的边缘点。
S220、基于检测的边缘点，构建包含边缘点的图像区域的梯度向量场，并提取梯度值位于预设范围内的边缘点构建初始轮廓曲线。
由于步骤S210得到的边缘点数量比较多，如果单纯的将这些边缘点连接起来，则会使得形成的边缘线形状与牙齿本身轮廊存在很大的误差，需要人工调整，这会增加工作量。因此，在本实施例中，为减少工作量，基于GVF-Snake算法对步骤S210得到的边缘点进行提取，提取满足预设条件的边缘点作为构建初始轮廓曲线的边缘点，使得生成的边缘线形状贴合牙齿本身轮廊，无需人工再去调整。本实施例通过GVF-Snake算法，进行高斯型拉普拉斯算子边缘点构成的初始轮廊曲线的近似迭代计算，可以将边缘点组合起来，构成边缘线。
详细地，可包括以下步骤：
(a)将包含所述边缘点的图像分割成若干个图像区域。
在本实施例中，可自定义需要提取边缘点的图像的大小和图像区域的数目。
(b)基于GVF-Snake算法，得到每个图像区域的梯度向量场。
GVF-Snake算法将步骤(a)中的每个图像区域内的图像灰度分布的梯度向量向图像边缘多次迭代扩散，由此可得到整幅图像域内的梯度向量场。
(c)将每个图像区域内的边缘点中梯度最大值对应的边缘点作为构建所述初始轮廓曲线的边缘点。
在步骤(b)中得到的梯度向量场中提取出具有局部梯度最大值的边缘点构成边缘线，即初始轮廊曲线，使轮廓线向图像的高梯度位置靠拢，轮廊线曲率更加平顺，尽可能贴合牙齿本身轮廊。
S230、提取所述初始轮廓曲线上的边缘特征点。
在本实施例中，边缘点坐标(x，y)的灰度值f(x，y)的梯度向量▽T可通过下述公式(4)表示：
对图像的边缘点的灰度值f(x，y)计算其梯度向量场，进行多次近似迭代计算，其梯度较大向量指在坐标(x，y)的f(x，y)的最大变化率方向。这个量用
表示，局部范围内值较大的边缘点作为特征点提取的标准：
在一个示意性实施例中，步骤S230可具体包括：
(1)利用GVF-Snake算法对所述初始轮廓曲线上的边缘点的梯度向量进行计算。
(2)将计算的梯度向量按照由高向低的顺序进行排序，并提取排序靠前的K个边缘点作为边缘特征点，K为预设的边缘特征点的数量。
这样，通过结合GVF-Snake算法，可选取能够表征牙齿轮廓特点的特征点，通过这些特征点能够从数据库中找到最匹配的牙冠贴面。
S240、将提取的待修复牙齿的边缘特征点与所述标准二维牙冠贴面的边缘特征点进行匹配，确定相对应的标准二维牙冠贴面。
在本实施例中，使用最小距离法进行两幅图像特征点的匹配。在一个示例中，以特征点的横向向量为例，提取的待修复牙齿的边缘特征点与标准二维牙冠贴面的边缘特征点之间的距离D可通过下述公式(5)表示：
其中，x1，x2…xn表示提取的待修复牙齿的边缘特征点的横坐标，
表示标准二维牙冠贴面的边缘特征点的横坐标，预先存在在数据库中，距离D越小说明两者之间的匹配的程度越高。提取的待修复牙齿的边缘特征点与标准二维牙冠贴面的边缘特征点，通过最近距离法给出了彼此相对最近的特征点作为匹配点，从而让两个牙齿图像的边缘轮廊特征点尽可能重合，而边缘特征点重合率最高的标准牙冠贴面数字模型，就作为前述边缘形态最接近的对应的标准二维牙冠贴面，并将确定的标准二维牙冠贴面自动添加至前述待修复牙齿图像上，得到牙冠贴面二维数字模型。
S300、对所述牙冠贴面二维数字模型进行调整，得到符合面部微笑特征的二维模拟修复模型。
在本实施例中，可通过手动进行美学分析及设计微调，得到符合面部微笑特征的二维模拟修复模型。
此外，在该步骤中，对所述牙冠贴面二维数字模型进行调整，还可得到测量数据列表和VR动态影像。测量数据列表包括牙齿修复后的角度、色彩和就位情况等。VR动态影像为动态面部露齿微笑影像，可展示牙冠模拟修复效果。可应用VR虚拟化技术，自动追踪匹配牙冠模拟修复体，生成动态面部露齿微笑影像，可展示术前牙冠模拟修复效果。
S400、获取口内牙冠三维数字模型，并基于所述二维模拟修复模型和所述口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型。
在该步骤中，可通过口内扫描仪或者牙齿石膏扫描仪获取口内牙冠三维数字模型。在本发明实施例中，使用的落地式面部影像采集装置中还集成有现有的牙齿设计软件，本发明对牙齿设计软件不作特别限定，只要能够实现异源数据的配准、标齐、匹配点重合分析等即可。这样，在向装置导入口内扫描仪或模型扫描仪采集的口内牙冠三维模型数据后，装置能够实现将牙冠三维模型和二维模拟修复模型进行异源图像的配准、标齐、匹配点重合分析等，并能根据重叠的模型，自动将标准牙冠数字模型库中匹配的最适合标准三维牙冠贴面放入口内牙冠三维数字模型中的对应位置，得到的符合面部微笑特征的牙冠贴面的三维模拟修复模型，该三维模拟修复模型可用于牙冠修复体的3D打印或切削制作，作为修复备牙模型使用。
具体地，步骤S400可包括以下步骤：
S401、确定所述二维模拟修复模型与所述口内牙冠三维数字模型的至少三个相同的非共线特征标志点，并利用所述非共线特征标志点通过三维点云数字拼接技术将所述二维模拟修复模型与所述口内牙冠三维数字模型相互重叠，得到组合模型。
在本发明实施例中，非共线特征标志点(ISS关键点或兴趣点)的确定方法可参见文献【Zhong,Y.(2009).Intrinsic shape signatures:a shape descriptor for 3Dobjectrecognition.In Proc.int.conf.on computer vision workshops(pp.1–8)】，为避免赘述，本发明省略对其的详细介绍。非共线特征标志点可在待修复牙齿区域上随机选择。
在本发明实施例中，使用的三维点云数字拼接技术可包括先后实施的粗拼接和精确拼接。在一个示例中，所述粗拼接可包括转台法、标签法和曲面特征法等，所述精确拼接可包括迭代最近点算法等。
S402、基于所述口内牙冠三维数字模型中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准三维牙冠贴面，并将确定的标准三维牙冠贴面添加至所述待修复牙齿上，并从所述组合模型中移除所述二维模拟修复模型，得到口内牙冠贴面三维数字模型。
在本实施例中，装置会自动检测到口内牙冠三维数字模型中的待修复牙齿的边缘形态，然后基于得到的待修复牙齿的边缘形态从预设的标准牙冠贴面数字模型库中查询与该边缘形态最接近的对应的标准三维牙冠贴面，并将确定的标准三维牙冠贴面自动添加至待修复牙齿上，得到牙冠贴面三维数字模型。
S403、接收用户的输入，基于所述二维模拟修复模型对所述口内牙冠贴面三维数字模型进行调整，得到所述三维模拟修复模型。
在本实施例中，根据二维模拟修复模型对步骤S402得到的口内牙冠贴面三维数字模型进行形态参数等进行手动调整，由此获得符合面部微笑特征的牙冠贴面三维数字模型即三维模拟修复模型，用于牙冠修复体的3D打印或切削制作。
S500、基于所述二维模拟修复模型对所述三维模拟修复模型进行变形调整，得到调整后的三维模拟修复模型。
在本实施例中，通过将所述二维模拟修复模型和所述三维模拟修复模型进行形态参数等进行手动重叠调整，得到调整后的三维模拟修复模型。
S600、获取口腔CBCT三维体数据，并将所述三维体数据和所述三维模拟修复模型进行融合处理，得到包括牙体、牙神经和牙根的三维模拟修复模型。
考虑到牙冠修复变化及原牙制备时，涉及到牙体神经及牙根的变化，因此需结合口腔CBCT数据对步骤S500得到的三维模拟修复模型进行融合处理。
在本实施例中，步骤S600可具体包括：
S601、将口腔CBCT拍摄的DICOM数据转换为STL格式的数据，得到转化后的三维体模型。
S602、在转化后的三维体模型与所述三维模拟修复模型中，确定至少三个相同的非共线特征标志点，并利用所述非共线特征标志点通过三维点云数字拼接技术进行模型重叠，得到组合模型。
S603、对所述转化后的三维体模型进行牙根分割，并将分割后的三维体模型与所述三维模拟修复模型进行配准融合，得到所述包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型。
在本实施例中，口腔CBCT三维体数据是通过CBCT得到的诊断影像，可以判断制备牙齿及修复时，是否会对牙体神经及牙根产生不良的变化和影响。非共线特征标志点的确定和使用的三维点云数字拼接技术与前述步骤S400相同。在该实施例中，可采用现有的任何直接基于体数据进行分割与重建的医学图像三维重建算法进行三维体数据的分割和重建，本发明不作特别限定，只要能够正确地识别出牙髓腔等结构，对于牙根部位与牙槽骨密度相近的部分的分割也具有较好的效果，使得分割出的牙根模型可以很好与三维模拟修复模型匹配即可。此外，在本发明一示意性实施例中，利用特征标志点，可通过ICP(IterativeClosest Point：迭代最近点)拼接算法，进行口腔CBCT三维体数据和口内牙冠形态模拟与临床诊断模型的重叠配准，得到具有二者优点的口内完整的牙根及牙冠三维模拟修复模型，具体为包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型。
综上，本发明实施例提供的基于多源图像的牙体修复模型处理方法，首先基于获取的患者在微笑状态下露出上前牙的面部微笑数字影像的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，并将确定的标准二维牙冠贴面添加至所述待修复牙齿上，得到牙冠贴面二维数字模型；接着，对所述牙冠贴面二维数字模型进行调整，得到符合面部微笑特征的二维模拟修复模型；然后，获取患者的口内牙冠三维数字模型，并基于所述二维模拟修复模型和所述口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型，所述三维模拟修复模型用于牙冠修复体的3D打印或切削制作。最后，基于口腔CBCT拍摄的Dicom三维体模型，与上述三维牙冠模拟修复模型进行配准与融合，得到的模型，可进行牙冠修复测量，牙根变化分析等临床诊断。由此可见，本发明通过借助计算机图形图像处理技术，综合运用口腔美学原则，进行可视化口腔美学分析设计，通过对患者面部和口腔部软硬组织数字量化的准确分析、设计及测量，可在口腔种植、正畸和美学修复等术前模拟患者修复效果，术中指导医生技师工作，术后量化评估修复效果，能够为口腔修复与牙齿变化预测提供有效的指导依据。
本发明实施例还提供了一种基于多源图像的牙体修复模型处理系统，包括存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，其中，上述处理器执行上述计算机程序时实现上述基于多源图像的牙体修复模型处理方法的步骤。
具体地，上述存储器和处理器能够为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述样本数据类别确定方法，从而解决相关技术中对高维数据分类不够客观以及准确度低的问题。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种便携式多功能设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于多源图像的牙体修复模型处理方法，其特征在于，包括：
获取在微笑状态下露出上前牙的面部微笑数字影像，所述上前牙包括待修复牙齿；
基于所述面部微笑数字影像中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，并将确定的标准二维牙冠贴面添加至所述待修复牙齿上，得到牙冠贴面二维数字模型；
对所述牙冠贴面二维数字模型进行调整，得到符合面部微笑特征的二维模拟修复模型；
获取口内牙冠三维数字模型，并基于所述二维模拟修复模型和所述口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型；
基于所述二维模拟修复模型对所述三维模拟修复模型进行变形调整，得到调整后的三维模拟修复模型；
获取口腔CBCT三维体数据，并将所述三维体数据和所述调整后的三维模拟修复模型进行融合处理，得到包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型；
所述基于所述面部微笑数字影像中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准二维牙冠贴面，具体包括：
利用预设的边缘检测方法对所述面部微笑数字影像中的牙齿图像边缘点进行检测，所述牙齿图像边缘点包括嘴唇、牙龈及牙齿的边缘点；
基于检测的边缘点，构建包含边缘点的图像区域的梯度向量场，并提取梯度值位于预设范围内的边缘点构建初始轮廓曲线；
提取所述初始轮廓曲线上的边缘特征点；
将提取的待修复牙齿的边缘特征点与所述标准二维牙冠贴面的边缘特征点进行匹配，确定相对应的标准二维牙冠贴面；
所述利用预设的边缘检测方法对所述面部微笑数字影像中的牙齿图像边缘点进行检测，具体包括：
利用高斯型平滑函数对所述面部微笑数字影像中的每个像素点进行平滑处理，得到平滑处理后的第一影像；
利用标准拉普拉斯算子对所述第一影像中的每个像素点进行处理，得到第二影像；
利用改进后的拉普拉斯算子对所述第二影像中的每个像素点进行处理，得到第三影像；
根据所述第三影像中所有像素点的像素值和位置，进行计算，获取所述第三影像中零交叉点的像素位置坐标，并将获取的零交叉点的位置作为所述边缘点的位置；
其中，所述高斯型平滑函数通过下述公式表示：
其中，x和y分别表示所述面部微笑数字影像中的像素点的坐标，σ是高斯型平滑函数的标准差，为设定值；
所述标准拉普拉斯算子通过下述公式（2）表示：
其中，x1和y1分别表示所述第一影像中的像素点的坐标，
表示每个像素点的标准拉普拉斯算子；
所述改进后的拉普拉斯算子通过下述公式（3）表示：
其中，x2和y2分别表示所述第二影像中的像素点的坐标，
表示每个像素点的改进后的拉普拉斯算子；
基于检测的边缘点，构建包含边缘点的图像区域的梯度向量场，并提取梯度值位于预设范围内的边缘点构建初始轮廓曲线，具体包括：
将包含所述边缘点的图像分割成若干个图像区域；
基于GVF-Snake算法，得到每个图像区域的梯度向量场；
将每个图像区域内的边缘点中梯度最大值对应的边缘点作为构建所述初始轮廓曲线的边缘点；
所述提取所述初始轮廓曲线上的边缘特征点，具体包括：
对所述初始轮廓曲线上的边缘点的梯度向量进行计算；
将计算的梯度向量按照由高向低的顺序进行排序，并提取排序靠前的K个边缘点作为边缘特征点，K为预设的边缘特征点的数量。
2.根据权利要求1所述的基于多源图像的牙体修复模型处理方法，其特征在于，所述基于所述二维模拟修复模型和所述口内牙冠三维数字模型获得符合面部微笑特征的三维模拟修复模型，包括：
确定所述二维模拟修复模型与所述口内牙冠三维数字模型的至少三个相同的非共线特征标志点，并利用所述非共线特征标志点通过三维点云数字拼接技术将所述二维模拟修复模型与所述口内牙冠三维数字模型相互重叠，得到组合模型；
基于所述口内牙冠三维数字模型中的待修复牙齿的边缘形态，确定与所述待修复牙齿的边缘形态相对应的标准三维牙冠贴面，并将确定的标准三维牙冠贴面添加至所述待修复牙齿上，并从所述组合模型中移除所述二维模拟修复模型，得到口内牙冠贴面三维数字模型；
基于所述二维模拟修复模型对所述口内牙冠贴面三维数字模型进行调整，得到所述三维模拟修复模型。
3.根据权利要求1所述的基于多源图像的牙体修复模型处理方法，其特征在于，还包括：对所述牙冠贴面二维数字模型进行调整，得到测量数据列表和VR动态影像。
4.根据权利要求1所述的基于多源图像的牙体修复模型处理方法，其特征在于，所述面部微笑数字影像通过面部露齿微笑照片和拉钩黑背景的口内牙齿照片得到。
5.根据权利要求1所述的基于多源图像的牙体修复模型处理方法，其特征在于，所述将所述三维体数据和所述调整后的三维模拟修复模型进行融合处理，得到包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型，包括：
将口腔CBCT拍摄的DICOM数据转换为STL格式的数据，得到转化后的三维体模型；
在转化后的三维体模型与所述调整后的三维模拟修复模型中，确定至少三个相同的非共线特征标志点，并利用所述非共线特征标志点通过三维点云数字拼接技术进行模型重叠，得到组合模型；
对所述转化后的三维体模型进行牙根分割，并将分割后的三维体模型与所述调整后的三维模拟修复模型进行配准融合，得到所述包括牙体、牙冠贴面、牙神经和牙根的三维模拟修复模型。
6.一种基于多源图像的牙体修复模型制作系统，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010195222.9A CN111415419B (zh) | 2020-03-19 | 2020-03-19 | 基于多源图像的牙体修复模型制作方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010195222.9A CN111415419B (zh) | 2020-03-19 | 2020-03-19 | 基于多源图像的牙体修复模型制作方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415419A CN111415419A (zh) | 2020-07-14 |
| CN111415419B true CN111415419B (zh) | 2021-10-29 |
Family
ID=71493145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010195222.9A Active CN111415419B (zh) | 2020-03-19 | 2020-03-19 | 基于多源图像的牙体修复模型制作方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415419B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862171B (zh) * | 2020-08-04 | 2021-04-13 | 万申(北京)科技有限公司 | 基于多视图融合的cbct与激光扫描点云数据牙齿配准方法 |
| CN112017280B (zh) * | 2020-09-17 | 2023-09-26 | 广东工业大学 | 一种生成具有颜色纹理信息的数字化牙齿模型的方法 |
| CN112767347A (zh) * | 2021-01-18 | 2021-05-07 | 上海商汤智能科技有限公司 | 一种图像配准方法及装置、电子设备和存储介质 |
| CN112734948A (zh) * | 2021-01-20 | 2021-04-30 | 先临三维科技股份有限公司 | 调整牙齿模型的方法和装置 |
| CN113159112B (zh) * | 2021-03-09 | 2023-04-07 | 西南石油大学 | 一种古生物化石图像自动标注方法 |
| CN113393568B (zh) * | 2021-06-08 | 2022-07-29 | 先临三维科技股份有限公司 | 颈缘线形变预测模型的训练方法、装置、设备及介质 |
| CN113298684B (zh) * | 2021-06-18 | 2023-09-29 | 北京联袂义齿技术有限公司 | 一种牙体形态教学系统 |
| CN113592732B (zh) * | 2021-07-19 | 2023-03-24 | 安徽省赛达科技有限责任公司 | 基于大数据和智慧安防的图像处理方法 |
| CN113609928B (zh) * | 2021-07-19 | 2022-12-20 | 广州市雅天网络科技有限公司 | 基于云计算和图像识别的智慧城市管理系统 |
| CN114145869B (zh) * | 2021-12-03 | 2024-03-19 | 深圳云甲科技有限公司 | 义齿贴面制作方法、系统、计算机设备及可读存储介质 |
| CN114612541B (zh) * | 2022-03-23 | 2023-04-07 | 江苏万疆高科技有限公司 | 基于3d打印技术的种植牙打印方法、装置、设备及介质 |
| CN118078467B (zh) * | 2024-04-26 | 2024-07-19 | 深圳云甲科技有限公司 | 模型确定方法、电子设备及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9421074B2 (en) * | 2001-04-13 | 2016-08-23 | Orametrix, Inc. | Unified three dimensional virtual craniofacial and dentition model and uses thereof |
| CN105287027B (zh) * | 2015-10-12 | 2018-06-29 | 深圳市康泰健牙科器材有限公司 | 一种牙冠贴面的数字化设计方法 |
| CN105213043B (zh) * | 2015-10-12 | 2018-06-05 | 深圳市康泰健牙科器材有限公司 | 一种数字化牙冠贴面设计方法 |
| CN106327535B (zh) * | 2016-08-16 | 2020-11-17 | 苏州迪凯尔医疗科技有限公司 | Cbct的牙根与口内扫描的牙冠的融合方法 |
| CN107103323B (zh) * | 2017-03-09 | 2020-06-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
| CN107252356B (zh) * | 2017-05-15 | 2020-07-24 | 西安知北信息技术有限公司 | 一种数字化口腔美学修复方法 |
| CN108606850A (zh) * | 2018-03-13 | 2018-10-02 | 广州医科大学附属口腔医院（广州医科大学羊城医院） | 一种完全数字化氧化锆全瓷贴面修补牙齿冠桥崩瓷的方法 |
-
2020
- 2020-03-19 CN CN202010195222.9A patent/CN111415419B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415419A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415419B (zh) | 基于多源图像的牙体修复模型制作方法和系统 | |
| CN113543742B (zh) | 用于口内扫描的异物对象识别以及图像增强和/或滤波 | |
| JP7386215B2 (ja) | 歯列メッシュ矯正具除去のための方法および装置 | |
| US11276168B2 (en) | Registration of non-overlapping intraoral scans | |
| CN110087577B (zh) | 用于从牙列网格去除牙箍的方法和系统 | |
| US11961238B2 (en) | Tooth segmentation using tooth registration | |
| JP2019524367A (ja) | ハイブリッドメッシュセグメンテーションのための方法及びシステム | |
| CN111820851A (zh) | 口内图像的自动选择和锁定 | |
| CN111727022B (zh) | 用于将患者的牙列的三维模型与患者的面部图像对准的方法 | |
| US20170071706A1 (en) | Method For Creating Flexible Arch Model Of Teeth For Use In Restorative Dentistry | |
| JP2010524529A (ja) | 顔面解析を用いた特注歯セットアップのコンピュータ支援作成 | |
| US20220012888A1 (en) | Methods and system for autonomous volumetric dental image segmentation | |
| US20220378548A1 (en) | Method for generating a dental image | |
| US20220358740A1 (en) | System and Method for Alignment of Volumetric and Surface Scan Images | |
| CN113786262B (zh) | 一种牙冠延长术导板制备方法 | |
| US20230419631A1 (en) | Guided Implant Surgery Planning System and Method | |
| US20230013902A1 (en) | System and Method for Correcting for Distortions of a Diagnostic Image | |
| CN117058309B (zh) | 一种基于口腔成像的图像生成方法及系统 | |
| CN117115405B (zh) | 一种基于cbct的三维牙齿图像切片展示方法、介质和设备 | |
| Zhang et al. | Molar axis estimation from computed tomography images | |
| EP4404139A1 (en) | Method and system for aligning 3d representations | |
| US20230298272A1 (en) | System and Method for an Automated Surgical Guide Design (SGD) | |
| CN118397026B (zh) | 一种义齿颈缘线自动提取方法及系统 | |
| US20230051400A1 (en) | System and Method for Fusion of Volumetric and Surface Scan Images | |
| WO2024121067A1 (en) | Method and system for aligning 3d representations |
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 |