CN113344993A - 侧貌模拟方法 - Google Patents
侧貌模拟方法 Download PDFInfo
- Publication number
- CN113344993A CN113344993A CN202110624698.4A CN202110624698A CN113344993A CN 113344993 A CN113344993 A CN 113344993A CN 202110624698 A CN202110624698 A CN 202110624698A CN 113344993 A CN113344993 A CN 113344993A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- points
- point
- side appearance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 title claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000010354 integration Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract description 3
- 210000004283 incisor Anatomy 0.000 description 21
- 210000001519 tissue Anatomy 0.000 description 18
- 210000004872 soft tissue Anatomy 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 210000004373 mandible Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002050 maxilla Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009647 facial growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/10—Selection of transformation methods according to the characteristics of the input images
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了供侧貌模拟方法,包括步骤:对侧位X光片图像上标志点进行定位;不同方式重叠X光片;对治疗前后的X光片图像按对分类,根据定位结果,选择位置对应的点进行重叠;对数据进行预处理;搭建神经网络模型进行数据整合;对数据进行学习;X光片和侧貌重叠;将标志点映射到侧貌上;可视化展示。能够保证定点的准确性,保证标志点信息的准确度,大大提高了网络的精度和泛化性能,提供了一个全面、准确、快速的可视化过程。
Description
技术领域
本发明涉及口腔正畸技术领域,尤其涉及头颅侧位片软、硬组织的个性化可视化侧貌模拟方法。
背景技术
随着人们生活水平和审美的提高,人们对美的追求愈发热切,越来越多的患者因为美观缺陷而想要进行正畸的治疗。然而,在正畸临床治疗过程中,由于患者年龄、性别、面部生长型、唇部形态和唇肌张力的差异等原因,软组织唇部对牙移动的反应性存在较大的个体差异,正畸医生在进行诊断和方案设计时,往往只能根据临床经验进行预估,现有的治疗后侧貌预测系统也都是基于统计数据的平均化结果,缺乏对个体差异的考量,预测准确性欠佳。如果有一个能够通过对切牙位置进行合理调整,模拟出治疗后侧貌的个性化可视系统的话,就可以更好的辅助医生制定精准的个性化方案,也能够满足患者可视化的正畸需求,提高就诊的效率和质量。
目前国内已经研究出一些人工智能辅助系统,在方便医生制定方案上做出了一定贡献,但仍然还存在精度不足、交互性差、实时性差、无个性化结果等问题,在实际临床应用还存在一定的限制。
发明内容
本发明的目的就在于为了解决上述问题而提供侧貌模拟方法,包括步骤:
对侧位X光片图像上标志点进行定位;
对治疗前后的X光片图像按对分类,根据定位结果,选择位置对应的标志点进行重叠,将两个图像转化到同一个尺度下,模拟图像变化情况,并对X光片图像进行增样;
在获取到的重叠图上,对数据进行预处理:对标志点组成的集合进行贝塞尔插值,获取组织外缘的点集,根据组织外缘的点集进行网络状的插值;计算组织中心点,根据中心点对组织内外点集和其余插值后的全部点集进行归一化;
搭建神经网络模型进行数据整合,搭建神经网络模型包括用于对数据进行不同长度变换的映射网络与用于对数据进行整体分析的网络;数据整合过程包括在前一个网络的数据整合完成之后,将映射网络的数据和预处理好的外缘数据进行拼接,然后将整合好的数据放入用于对数据进行整体分析的网络进行分析;
对数据进行学习,获取数据变化规律,根据新的输入,获取到网络对应的输入,再根据数据中心点的位置,将数据反算回原X光片图像;
X片和侧貌重叠:将标志点的数据映射到侧貌图,获取到X片和侧貌图上相同的轮廓,根据轮廓进行重叠,获取对应关系;
将标志点映射到侧貌上,根据前后局部点的变化,对侧貌进行变形,并可视化展示。
具体的,所述对侧位X光片上标志点进行定位采用深度学习方法,首先构建神经网络,对X光片上标志点的大致位置进行定位,然后针对每一个标志点,构建一个分级的小网络,对其进行定位。
具体的,所述对X光片图像进行增样的方法为对其进行旋转错切。
具体的,所述数据包括目标偏移向量、目标角度向量与目标向量;数据整合为对目标偏移向量、目标角度向量与目标向量进行加权。
具体的,所述神经网络模型包括全连接映射网络与卷积网络。
本发明通过以下技术方案来实现上述目的:基于对X光片特殊位置的定点,寻找到X光片上位于硬组织和软组织上的特殊点位,对这一系列特殊点位进行扩充,得到密集且附着在切牙、硬组织和软组织唇颏的点的集合,根据点的集合,构建属于患者的个性化数据,然后再根据这两种数据前后的变化,通过神经网络模型,对目标位进行实时的模拟,然后通过寻找X光片和对应人像图片的对应位置关系,将X光片上起始和目标位的关系反映到人像图上,对侧貌进行局部的变化,并进行实时的展示。
本发明的有益效果在于:本发明是一种基于深度学习和侧位片X光片软、硬组织的个性化可视化侧貌模拟方法,在进行头颅侧位X光片定点的过程中,在传统硬组织和软组织解剖标志点的基础上,增加了新的标志点和标志点之间的辅助点,能够保证定点的准确性,保证标志点信息的准确度,大大提高了网络的精度和泛化性能,让网络不止学会一个点的映射关系;然后根据网络学习到的关系,将关系映射到侧貌图上,侧貌图根据局部的变化来进行图片的局部形变,提供了一个全面、准确、快速的可视化过程。
附图说明
图1是本发明侧貌模拟方法的流程图;
图2是侧位X光片的定点的示意图;
图3是全连接的网络示意图;
图4是卷积网络的示意图。
具体实施方式
下面结合附图对本发明作进一步说明:
如附图1所示,本发明提供侧貌模拟方法,基于对X光片特殊位置的定点,寻找到X光片上位于硬组织和软组织上的特殊点位,对这一系列特殊点位进行扩充,得到密集且附着在切牙、硬组织和软组织唇颏的点的集合,根据点的集合,构建属于患者的个性化数据,然后根据密集点集和个性化数据前后的变化,通过神经网络BP算法,对唇的目标位进行实时的模拟,然后通过寻找X光片和对应人像图片的对应位置关系,将X片上唇的起始和目标位的关系映射到人像图上,对侧貌进行局部的变化,并进行实时的展示。
本发明包括以下步骤:
(1)对头颅侧位X光片上常规解剖标志点和自定义添加的辅助标志点进行定位,定位采用深度学习方法,首先构建神经网络,对头颅侧位X光片上需要标志点的大致位置进行定位,然后针对每一个标志点,构建一个分级的小网络,对其进行精确地定位;
(2)将属于同一个人的治疗前后图像按对分类,由于前后的图像大小和人脸朝向可能不同,根据(1)中的标志点数据,选择几个前后的图像对应位置的标志点来对图像进行重叠(如S-N、S-Sn等),将两个图像转化到同一个尺度下,以此来模拟一个患者前后的变化情况;然后再采用旋转错切等方式,对X光片进行增样;
(3)在步骤(2)获取到的重叠图和治疗前后点集上,先对上牙的数据进行预处理。先挑选两个图像上上切牙、上颌骨前部和上唇的标志点,并分别对上切牙、上颌骨前部组成的点的集合以及上唇内外缘的标志点组成的集合进行贝塞尔插值,分别获取到紧密且附着在上切牙及牙槽骨、上唇内外缘的点集,然后根据上唇内外缘上的对应点,对唇的软组织进行网格状的插值。由于对于每一张光片来看,它的人像位置和背景所占的比例不一,所以自定义一种融入个体信息的数据归一化方式,在处理得到每一张侧位头颅X光片的上唇内外缘点集之后,取第24和第46个点来计算上唇的中心点,根据该中心点来对所有的数据进行归一化。
(4)在步骤(2)获取到的重叠图和治疗前后点集上,对下牙的数据进行预处理。挑选两个图像上上切牙牙冠、下切牙、下颌骨、软组织下唇和颏部的标志点,并分别对上切牙牙冠、下切牙到硬组织颏部组成的点集以及下颌骨前部、下唇软组织到软组织颏下点组成的点集进行贝塞尔插值,分别获取到带有上下硬组织信息的点集和下唇内外缘的点集,然后根据下唇内外缘点上的对应点,对下唇的软组织进行网格状的插值,并在此使用上唇采用的数据预处理方式,选取的点为第40和第76两个点。
(5)搭建神经网络模型。神经网络模型由两个部分构成,一个是用来对数据进行不同长度变换的映射网络,另外一个是对全部总和数据进行整体分析的一个网络。因为在目标位的模拟过程中,不同牙齿的点对最终的目标位影响不尽相同,所以在网络中所能够占用的比例也不尽相同,于是在数据传入网络的时候对重要部分的数据进行赋予大比例的权重。在上牙数据传入过程中,主要对上切牙点的偏移向量,医生修改的角度向量进行了加权,在下牙数据传入的过程中,主要对下切牙的偏移量,医生修改的角度向量,上切牙牙冠的向量进行了加权。在前一个网络的数据整合完成之后,将前一个网络的数据和处理好的上下唇内外缘数据进行拼接,来模拟切牙再定位改变硬组织轮廓的过程,然后将整合好的全部数据放入一个网络进行分析,对传入的数据进行学习,寻找到上下唇目标位的变化和前牙变化之间的规律,这个规律既包含了一般的统计信息,也包含加入的个性化数据。最后根据新的输入,将网络输出根据各个部分的数据处理方式,将数据反算回原图。
(6)X片和侧貌重叠。要将(5)中获取到的治疗前后的点的数据映射到侧貌图上,首先获取到X片和侧貌上的相同轮廓,根据轮廓进行重叠,获取到对应的关系,然后将点映射到侧貌上,根据前后局部点的变化,对侧貌进行变形,并可视化展示。
本发明的实施过程具体包括:
1.侧位X光片的定点:在进行调整前牙点之前,需要用神经网络对X光片进行特殊点位的定点,定点的形式如附图2所示;
2.侧位片的重叠,包括三种方式:
(1)基于X光片定点的相同点位重叠;
(2)基于机器学习的KAZE算法重叠;
(3)基于神经网络的空间特征点重叠;
重叠同一个人治疗前后的两张图片来模拟治疗前后的效果。
3.上唇处理:
在步骤2获取到的重叠图和治疗前后点集上,先对上牙的数据进行预处理;先挑选两个图像上上切牙,上颌骨前部和上唇的标志点,并分别对上切牙、上颌骨前部组成的点的集合以及上颌骨前部、上唇的标志点组成的集合进行贝塞尔插值,分别获取到紧密且附着在上切牙及牙槽骨、上唇内外缘的点集,然后根据上唇内外缘上的对应点,对唇的软组织进行网格状的插值;由于对于每一张光片来看,它的人像位置和背景所占的比例不一,所以自定义了一种融入个体信息的数据归一化方式。在处理得到每一张侧位头颅X光片的上唇内外缘点集之后,取第24和第46个点来计算上唇的中心点,根据该中心点来对所有的数据进行归一化。
4.下唇处理:
在步骤2获取到的重叠图和治疗前后点集上,对下牙的数据进行预处理。挑选两个图像上上切牙牙冠、下切牙,下颌骨,软组织下唇和颏部的标志点,并分别对上切牙牙冠、下切牙到硬组织颏部组成的点集以及下颌骨、下唇软组织到软组织颏下点组成的点集进行贝塞尔插值,分别获取到带有上下硬组织信息的点集和下唇内外缘的点集,然后根据下唇内外缘点上的对应点,对下唇的软组织进行网格状的插值。并在此使用上唇采用的数据预处理方式,选取的点为第40和第76两个点。
5.搭建神经网络模型:
神经网络的基本原理是根据希望的输出和实际的网络输出之间的误差平方和最小的原则来调整网络的权值,它主要由信息的正向传递和误差的反向传播组成。在正向传播过程中,输入信息从输入层经隐含层逐层计算传向输出层,每一层神经元的状态只影响下一层神经元的状态,若在输出层没有得到期望的输出,则计算输出层的误差变化值,然后通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值,直至达到期望目标值。网络搭建过程中用到了两种神经网络模型:全连接和卷积,方法如下:
(1)全连接:
如附图3所示,是全连接的网络结构图,在总体模型中主要完成对数据进行不同长度变换的映射网络,因为在目标位的模拟过程中,不同硬组织的输入对最终的目标位影响不尽相同,所以在网络中所能够占用的比例也不尽相同,于是在数据传入网络的时候就对重要部分的数据进行赋予大比例的权重。
(2)卷积网络:
如附图4所示,是卷积网络的结构图,主要需要对前面处理好的数据进行一个整合,通过人为设定卷积核的大小,通过滑动窗口的方式来对全部的数据进行矩阵的乘法运算,以达到特征提取的目的,然后输出最终的唇形点。
6.X片与侧貌图重叠:
寻找到X片和照片之间的映射关系,采用神经网络的方式寻找到X片和侧貌图相同的轮廓,对轮廓进行数据对应映射,获取到变化的仿射矩阵,然后将学习到的唇形点变化映射到侧貌图上,根据侧貌图局部点的变化,进行侧貌图局部范围的液化。
本发明是一种基于深度学习和侧位片X光片软、硬组织的个性化可视化侧貌模拟方法,在进行头颅侧位X光片定点的过程中,在传统硬组织和软组织解剖标志点的基础上,增加了新的标志点和标志点之间的辅助点,获得更加完整的唇形信息,并且为了保证定点的准确性,在侧位X光片进行自动定点之后,针对软硬组织间的部分进行插值,来数字化的模拟唇形。采用基于特殊点的旋转缩放重叠,基于机器学习中KAZE算法的空间特征向量的裁剪重叠,以及基于寻找特殊角点的神经网络的重叠,对每一个成对的X光片都进行精确的筛选,保证点信息的准确度,为后面网络的学习准确度提供保证。为了丰富样本空间,对图片进行一定的裁剪错切来进行增样,在不损失精确度的状态下提高网络的泛化性能,并且由于图片背景和前景的比例不一,如果采用笛卡尔坐标系来作为归一化的原点,图片的点的信息的表现就不是我们所需要的形式,所以采用分别寻找上下唇的两个固定点,以这两个点为边界点来计算唇形的中心点,以这个中心点来进行归一化;除此之外,在数据处理的过程中,还加入了对每一个患者的唇形的个性化信息,对每一个患者唇形部位的信息都进行了一种形式的数据转换,用一种网格形状的数据来近似模拟唇形弹性变换的过程,然后在将个性化数据和医生修改信息进行融合之后传入网络进行学习,让网络学习一种既包含个性化信息,也包含传统统计信息的规律,这样大大提高了网络的精度和泛化性能,网络不止学会一个点的映射关系;然后根据网络学习到的关系,将关系映射到侧貌图上,侧貌图根据局部的变化来进行图片的局部形变,提供了一个全面、准确、快速的可视化过程。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (5)
1.侧貌模拟方法,其特征在于,包括步骤:
对侧位X光片图像上标志点进行定位;
对治疗前后的X光片图像按对分类,根据定位结果,选择位置对应的标志点进行重叠,将两个图像转化到同一个尺度下,模拟图像变化情况,并对X光片图像进行增样;
在获取到的重叠图上,对数据进行预处理:对标志点组成的集合进行贝塞尔插值,获取组织外缘的点集,根据组织外缘的点集进行网络状的插值;计算组织中心点,根据中心点对组织内外点集和其余插值后的全部点集进行归一化;
搭建神经网络模型进行数据整合,神经网络模型包括用于对数据进行不同长度变换的映射网络与用于对数据进行整体分析的网络;数据整合过程包括在前一个网络的数据整合完成之后,将映射网络的数据和预处理好的外缘数据进行拼接,然后将整合好的数据放入用于对数据进行整体分析的网络进行分析;
对数据进行学习,获取数据变化规律,根据新的输入,获取到网络对应的输入,再根据数据集中心点的位置,将数据反算回原X光片图像;
X光片和侧貌重叠:将标志点的数据映射到侧貌图,获取到X光片和侧貌图上相同的轮廓,根据轮廓进行重叠,获取对应关系;
将标志点映射到侧貌上,根据前后局部点的变化,对侧貌进行变形,并可视化展示。
2.根据权利要求1所述侧貌模拟方法,其特征在于,所述对侧位X光片上标志点进行定位采用深度学习方法,首先构建神经网络,对X光片上标志点的大致位置进行定位,然后针对每一个标志点,构建一个分级的小网络,对其进行定位。
3.根据权利要求1所述侧貌模拟方法,其特征在于,所述对X光片图像进行增样的方法为对其进行旋转错切。
4.根据权利要求1所述侧貌模拟方法,其特征在于,所述数据包括目标偏移向量、目标角度向量与目标向量;数据整合为对目标偏移向量、目标角度向量与目标向量进行加权。
5.根据权利要求1所述侧貌模拟方法,其特征在于,所述神经网络模型包括全连接映射网络与卷积网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624698.4A CN113344993B (zh) | 2021-06-04 | 2021-06-04 | 侧貌模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624698.4A CN113344993B (zh) | 2021-06-04 | 2021-06-04 | 侧貌模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344993A true CN113344993A (zh) | 2021-09-03 |
CN113344993B CN113344993B (zh) | 2022-06-03 |
Family
ID=77475212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110624698.4A Active CN113344993B (zh) | 2021-06-04 | 2021-06-04 | 侧貌模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344993B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140111602A1 (en) * | 2011-11-08 | 2014-04-24 | Huawei Technologies Co., Ltd. | Method, Device and System for Adjusting Image Display |
CN109064549A (zh) * | 2018-07-16 | 2018-12-21 | 中南大学 | 标志点检测模型生成方法及标志点检测方法 |
CN109961436A (zh) * | 2019-04-04 | 2019-07-02 | 北京大学口腔医学院 | 一种基于人工神经网络模型的正中矢状平面构建方法 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN111460899A (zh) * | 2020-03-04 | 2020-07-28 | 达理 | 基于深度学习的软硬组织特征拓扑识别及面部形变预测方法 |
CN111681311A (zh) * | 2020-06-14 | 2020-09-18 | 北京大学口腔医学院 | 通过计算机辅助的稳定正颌手术术后颌骨位置的方法 |
CN111968222A (zh) * | 2020-08-04 | 2020-11-20 | 西北工业大学 | 一种人体组织非静止状态下三维超声重建方法 |
CN112488128A (zh) * | 2020-12-10 | 2021-03-12 | 武汉大学 | 一种基于贝塞尔曲线的任意畸变图像线段检测方法 |
CN112545537A (zh) * | 2019-09-26 | 2021-03-26 | 合肥美亚光电技术股份有限公司 | 头影测量描迹图生成方法及系统 |
-
2021
- 2021-06-04 CN CN202110624698.4A patent/CN113344993B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140111602A1 (en) * | 2011-11-08 | 2014-04-24 | Huawei Technologies Co., Ltd. | Method, Device and System for Adjusting Image Display |
CN109064549A (zh) * | 2018-07-16 | 2018-12-21 | 中南大学 | 标志点检测模型生成方法及标志点检测方法 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN109961436A (zh) * | 2019-04-04 | 2019-07-02 | 北京大学口腔医学院 | 一种基于人工神经网络模型的正中矢状平面构建方法 |
CN112545537A (zh) * | 2019-09-26 | 2021-03-26 | 合肥美亚光电技术股份有限公司 | 头影测量描迹图生成方法及系统 |
CN111460899A (zh) * | 2020-03-04 | 2020-07-28 | 达理 | 基于深度学习的软硬组织特征拓扑识别及面部形变预测方法 |
CN111681311A (zh) * | 2020-06-14 | 2020-09-18 | 北京大学口腔医学院 | 通过计算机辅助的稳定正颌手术术后颌骨位置的方法 |
CN111968222A (zh) * | 2020-08-04 | 2020-11-20 | 西北工业大学 | 一种人体组织非静止状态下三维超声重建方法 |
CN112488128A (zh) * | 2020-12-10 | 2021-03-12 | 武汉大学 | 一种基于贝塞尔曲线的任意畸变图像线段检测方法 |
Non-Patent Citations (4)
Title |
---|
K MUELLER: "Rapid 3-D cone-beam reconstruction with the simultaneous algebraic reconstruction technique(SART) using 2-D texture mapping hardware", 《IEEE》, 31 December 2000 (2000-12-31), pages 1 - 12 * |
YUHANG YANG: "Spatial Interpolation for Periodic Surfaces in Manufacturing Using a Bessel Additive Variogram Model", 《ASME DIGITAL COLLECTION》, 7 March 2018 (2018-03-07), pages 1 - 8 * |
张旭: "正畸软组织侧貌改变预测的研究进展", 《国际口腔医学杂志》, 1 January 2019 (2019-01-01), pages 105 - 111 * |
施展: "基于褶皱轮廓贝塞尔曲线插值的肠道内镜图像三维重建", 《北京生物医学工程》, 20 December 2016 (2016-12-20), pages 576 - 581 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344993B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3952782B1 (en) | Visual presentation of gingival line generated based on 3d tooth model | |
US20200350059A1 (en) | Method and system of teeth alignment based on simulating of crown and root movement | |
US10945813B2 (en) | Providing a simulated outcome of dental treatment on a patient | |
Tian et al. | DCPR-GAN: dental crown prosthesis restoration using two-stage generative adversarial networks | |
CN114746952A (zh) | 用于从二维草图创建三维牙科修复体的方法、系统和计算机可读存储介质 | |
Koch et al. | A framework for facial surgery simulation | |
US20210236241A1 (en) | Face tracking and reproduction with post-treatment smile | |
KR20100016180A (ko) | 형상 정보를 얻기 위한 방법 | |
Xiao et al. | Estimating reference bony shape models for orthognathic surgical planning using 3D point-cloud deep learning | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
Yuan et al. | Personalized design technique for the dental occlusal surface based on conditional generative adversarial networks | |
CN110236673A (zh) | 一种基于数据库的双侧颌骨缺损重建术前设计方法及装置 | |
CN113767424A (zh) | 使用沙漏预测器生成对象的方法 | |
Tian et al. | Efficient tooth gingival margin line reconstruction via adversarial learning | |
CN112201349A (zh) | 一种基于人工智能的正畸手术方案生成系统 | |
CN113344993B (zh) | 侧貌模拟方法 | |
CN111275808B (zh) | 一种牙齿正畸模型的建立方法及装置 | |
CN112545537A (zh) | 头影测量描迹图生成方法及系统 | |
KR20200012707A (ko) | 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스 | |
Vermeulen | Manual forensic facial reconstruction | |
Subramanyan et al. | A procedure to average 3D anatomical structures | |
CN114022611B (zh) | 单侧正锁合下颌骨功能单元的形态学测量分析系统、方法及应用 | |
CN116421341A (zh) | 正颌手术规划方法、设备、存储介质和手术导航系统 | |
CN115222887A (zh) | 一种基于容貌的颅颌面骨骼手术规划的设计方法 | |
CN114022477A (zh) | 基于机器学习的三维牙颌颅面畸形辅助识别方法和系统 |
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 |