CN113362311A - 深度生成网络辅助的功能性全冠修复体形态生成方法 - Google Patents
深度生成网络辅助的功能性全冠修复体形态生成方法 Download PDFInfo
- Publication number
- CN113362311A CN113362311A CN202110649958.3A CN202110649958A CN113362311A CN 113362311 A CN113362311 A CN 113362311A CN 202110649958 A CN202110649958 A CN 202110649958A CN 113362311 A CN113362311 A CN 113362311A
- Authority
- CN
- China
- Prior art keywords
- tooth
- occlusal surface
- jaw
- network
- prosthesis
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Architecture (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本公开提供深度生成网络辅助的功能性全冠修复体形态生成方法,涉及计算机辅助生物医学工程领域,包括以下步骤:获取缺损牙所在牙颌的三维数据并处理,得到缺损牙在牙颌的颌位空间位置;根据缺损牙的颌位空间位置结合深度生成网络模型重建缺损牙咬合面基本形态、咬合面细节形态;依据重建的缺损牙咬合面形态结合修复体粘接层结构、中间连接体重建缺损牙的全冠修复体;其中,重建咬合面基本形态时,深度网络模型的前端网络采用瓦瑟斯坦距离为差异度量。生成满足颌位空间位置关系的咬合面基本形态;对抗损失促使生成图像的分布接近真实图像,引入感知特征损失函数惩罚生成的不真实咬合面图像,从而重构出更加接近目标牙冠的咬合面形态。
Description
技术领域
本公开涉及计算机辅助生物医学工程领域,特别涉及深度生成网络辅助的功能性全冠修复体形态生成方法。
背景技术
牙齿修复设计方式绝大部分延续了传统手工制作修复体的工艺方法,根据修复治疗方案进行预备体制备、印模、代型、雕刻蜡型、铸造等复杂工序;修复体的制作需要进行多次调整,难以一次性设计出适合患者咀嚼功能的修复体,均需要多次试戴并调磨后才能适应口腔环境,可能会造成最佳治疗时间的延误,且延长了整体的治疗时间。
基于数字化设计制造(CAD/CAM)的牙齿修复技术,将计算机辅助设计、制造成功引入到口腔修复领域,大大提高了修复体的设计质量和制作效率,显著降低了牙医的工作强度。数字几何处理技术与口腔修复学的成功结合存在诸多优势,虽然采用数字化修复方法能够基于标准模板牙冠数据库进行咬合面的智能设计,但对于全冠修复体的咬合面而言,咬合面形态复杂,采用现有的深度生成网络模型设计出的咬合面形态容易生成不真实咬合面图像,需要多次施加约束后人工筛选适配,修复质量仍受限于医生的操作熟练度,难以满足患者的个性化修复设计需求。
发明内容
本公开的目的是针对现有技术存在的缺陷,提供深度生成网络辅助的功能性全冠修复体形态生成方法及系统,能够设计具有天然牙解剖形态和正确咬合接触关系的个性化修复体,避免了基于模板牙冠变形设计的修复体难以适应患者牙列的问题,减少了后期调颌工作,并提高了设计效率和设计质量。
本公开的第一目的是提供一种深度生成网络辅助的功能性全冠修复体形态生成方法,采用以下技术方案:
包括以下步骤:
获取缺损牙所在牙颌的三维数据并处理,得到缺损牙在牙颌的颌位空间位置;
根据缺损牙的颌位空间位置结合深度生成网络模型重建缺损牙咬合面基本形态、咬合面细节形态;
依据重建的缺损牙咬合面形态结合修复体粘接层结构、中间连接体重建缺损牙的全冠修复体;
其中,重建咬合面基本形态时,深度网络模型的前端网络采用瓦瑟斯坦距离为差异度量。
进一步地,所述深度生成网络模型的训练过程,包括以下步骤:
获取已修复牙颌样本数据并处理,获取牙齿咬合面功能特征和咬合面深度图像集;
结合咬合面功能特征和咬合面深度图像集,构建深度生成网络模型。
进一步地,获取样本受损及修复后的牙颌三维数字模型数据,并进行牙齿模型姿态的规范化处理。
进一步地,基于瓦瑟斯坦距离、感知特征损失约束、颌位间距直方图损失约束的生成网络作为深度生成网络模型的前端网络。
进一步地,前端网络采用瓦瑟斯坦距离为差异度量,以牙齿预备体作为输入数据,无磨损牙冠作为目标数据,生成具有清晰组织结构和满足颌位空间位置关系的咬合面几何形态。
进一步地,深度生成网络模型的后端网络通过在前端网络中引入牙齿磨耗和咬合沟窝解析损失约束,来增添咬合面的细节特征。
进一步地,重建缺损牙咬合面的细节形态包括具有正确的咬合关系、清晰组织结构和咬合面细节特征。
进一步地,基于重建缺损牙咬合面的形态深度图像,采用区域增长算法重建全冠修复体的三维网格模型。
进一步地,采用样条曲线辅助蒙皮剖分的过渡曲面重建方法,设计具有局部可编辑性的缺损牙中间连接体;
采用基于径向基函数的弹性变形方法设计个性化的修复体粘结层结构形态。
本公开的第二目的是提供一种深度生成网络辅助的功能性全冠修复体形态生成系统,包括以下内容:
位置获取模块,被配置为获取缺损牙所在牙颌的三维数据并处理,得到缺损牙在牙颌的颌位空间位置;
咬合面重建模块,被配置为根据缺损牙的颌位空间位置结合深度生成网络模型重建缺损牙咬合面基本形态、咬合面细节形态;
修复体重建模块,依据重建的缺损牙咬合面形态结合修复体粘接层结构、中间连接体重建缺损牙的全冠修复体;
其中,重建咬合面基本形态时,深度网络模型的前端网络采用瓦瑟斯坦距离为差异度量。
与现有技术相比,本公开具有的优点和积极效果是:
(1)前端网络拟采用瓦瑟斯坦距离为差异度量,生成满足颌位空间位置关系的咬合面基本形态,对抗损失促使生成图像的分布接近真实图像,但该损失不直接惩罚实例到实例的映射,引入感知特征损失函数惩罚生成的不真实咬合面图像,从而重构出更加接近目标牙冠的咬合面形态。
(2)采用图像信息熵辅助的自适应视距正交投影方法构建出规范化的牙齿深度图像数据集,并通过构建的功能性全冠修复网络恢复出患牙咬合面上合理的磨耗分布及沟窝形态,设计出具有正确咬合接触关系和正常咀嚼功能的缺损牙修复体,满足牙齿修复的个性化需求。
(3)设计出具有天然牙解剖形态和正确咬合接触关系的个性化修复体,避免了基于模板牙冠变形设计的修复体难以适应患者牙列的问题,减少了后期调颌工作,并提高了设计效率和设计质量。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1、2中功能性全冠修复体形态生成方法的流程示意图;
图2为本公开实施例1、2中牙齿咬合面深度图像生成示意图;
图3是本公开实施例1、2中功能性咬合面形态生成模型的网络结构示意图;
图4是本公开实施例1、2中颌位间距约束损失原理示意图;
图5是本公开实施例1、2中不同阶段网络下的样本数据集示意图;
图6是本公开实施例1、2中缺损牙中间连接体设计示意图;
图7是本公开实施例1、2中缺损牙案例的修复体设计过程示意图。
具体实施方式
实施例1
本公开的一个典型实施例中,如图1-图7所示,给出一种深度生成网络辅助的功能性全冠修复体形态生成方法。
对功能性全冠修复体形态生成方法的整个过程进行描述,包括以下步骤:
获取缺损牙所在牙颌的三维数据并处理,得到缺损牙在牙颌的颌位空间位置;
根据缺损牙的颌位空间位置结合深度生成网络模型重建缺损牙咬合面基本形态、咬合面细节形态;
依据重建的缺损牙咬合面形态结合修复体粘接层结构、中间连接体重建缺损牙的全冠修复体。
具体的,结合图1和图7,对本实施例中的功能性全冠修复体形态生成方法,包括以下步骤:
步骤S1.构建规范化牙齿训练样本数据集;
步骤S1.1.参见图2,采用3Shape(D700,Denmark)三维扫描系统获得患者受损及修复后质量可靠稳定的三维数字牙颌模型数据,同时每个样本对应6组数据模型:预备体、牙齿磨耗面、对颌牙齿、咬合沟窝、无磨耗冠(牙科专家设计的未经过打磨的牙冠)、含磨耗冠(咬合运动过程中反复测试打磨的牙冠)。
步骤S1.2.采用一种基于牙尖特征点的手动交互式方法规范化预处理牙齿咬合面空间姿态;首先,在第一磨牙颊侧、第二磨牙颊侧和第二前磨牙舌侧手动选取牙尖特征点P0、P1和P2,并通过和计算出P0点的法向N0;然后,将牙颌模型的P0点平移到世界坐标系(X,Y,Z)的原点O处,计算出平移矩阵T;利用的单位向量与Y轴的单位向量计算旋转矩阵R1,N0的单位向量与Z轴的单位向量计算旋转矩阵R2;将计算出的复合矩阵TR1R2作用到牙颌模型上,调整咬合面的姿态;其次,计算牙颌模型的包围盒中心点o,并构建以点o为原点的局部坐标系(x,y,z),将o点移动到世界坐标系的原点O处;最后,采用欧拉角转换将包围盒的长轴y轴与世界坐标系Y轴平行,完成牙颌模型姿态的规范化处理;
步骤S1.3.参见图3,采用基于决策智能搜索的牙齿生物特征线探测方法提取牙齿磨耗面及沟窝形态;基于启发式智能搜索代价函数,构建权重因子可自适应调整的路径平滑方法,提取出牙齿咬合面上的功能特征:磨耗面和咬合沟窝,用于辅助构建训练样本数据;
步骤S1.4.采用图像信息熵辅助的自适应视距正交投影方法构建牙齿深度图像集。
步骤S2.构建牙齿咬合功能特征约束的渐进式深度生成网络模型;
步骤S2.1.采用基于感知特征损失的p i x2p i x网络作为前端(Stage-I GAN)重建出具有清晰组织结构和满足颌位空间位置关系的咬合面基本形态;
步骤S2.2.对于级联后端Stage-I I GAN,通过在Stage-I结果中引入牙齿磨耗面约束和咬合沟窝损失来增添咬合面的细节特征,重建出具有咀嚼功能的缺损牙咬合面形态;
步骤S3.设计个性化缺失牙体形态;
步骤S3.1.依据像素-距离的双向可逆映射关系,将网络生成的缺损牙咬合面深度图像转换为三维点云数据;然后采用牙齿模型局部点云密度自适应的区域增长算法,其中以Ba l l-p i vot i ng算法为主体,初始选取一种子三角形,并以该三角形的三个顶点构建滚动球,采用区域生长的模式,实现全冠修复体三维网格模型的重建;
步骤S3.2.采用基于径向基函数的弹性变形方法设计出个性化的修复体粘结层结构形态;
步骤S3.3.采用样条曲线辅助蒙皮剖分的过渡曲面重建方法,设计出具有局部可编辑性的缺损牙中间连接体。
进一步地,在所述步骤S1.4中,图像信息熵辅助自适应视距正交投影的牙齿咬合面深度生成,其过程包括以下步骤:
(1)获取姿态规范化预处理后的牙齿模型包围盒Z方向的最大值,记为Zmax;
(2)结合自适应投影调节参数γ,以坐标(0,0,Zmax+γ)为中心,构建尺寸为 30×30的正方形投影板P;
(3)划分投影板P为256×256个小方格并与深度图像的像素位(m,n)建立对应关系,计算每个小方格的中点坐标并存储在P(xm,yn,dmn)点集合中;
(4)计算点集合中P(xm,yn,dmn)沿Z轴负方向到牙齿模型Pobject的最短距离 dmin;
(5)设定距离阈值h和转换系数μ=255/h,将距离d映射至0~255像素值区间范围内。当d=0时,pixel(m,n)=255;当d≥h时,pixel(m,n)=0。深度图投影公式为:
其中,μ=256/h为转换系数;h=7为距离阈值;||·||为从网格中心点到咬合面的最短垂直距离;γ为自适应调节参数,其取值不同,如图3所示,图像的明暗程度不同。
(6)采用图像信息熵来辅助评估牙齿深度图像的质量,对比不同γ值下,图像包含咬合面功能特征的信息量;假定一张图像的像素值i在图像中出现的概率为Pi,给出计算公式为:
其中,m为像素的取值范围(0-255),如图3所示,因此,通过调整γ可以构建出具有不同信息量的牙齿咬合面深度图。
图像信息熵是一种统计图像特征的方式,熵值大小反映图像的亮度变化程度以及图像所携带信息量的多少。熵值越大表明图像中包含的信息量越多,反之,图像的信息量越少。
进一步地,在所述步骤S2中,如图4所示,构建牙齿咬合功能特征约束的渐进式深度生成网络模型。构建基于颌位空间位置约束以及咬合生物形态引导的功能性咬合面生成网络模型。
由于直接以牙齿磨耗、咬合沟窝、颌位间距等作为约束条件掺杂网络中进行训练,不能充分发挥各自的作用。在本实施例中,采用渐进式调整策略,将生成任务分解为两个更容易处理的子任务,消除不同约束条件间的相互影响。
如图5所示,拟构建基于Wasserste i n距离、感知特征损失约束、颌位间距直方图损失约束的生成网络作为前端(Stage-I GAN)重构出具有清晰组织结构和满足颌位空间位置关系的咬合面几何形态;对于后端Stage-I I GAN模型,通过在Stage-I结果中引入牙齿磨耗和咬合沟窝解析损失约束来增添咬合面的细节特征,重建出具有功能特征的咬合面,进而恢复出最适合患者正常咀嚼功能的个性化修复体。
具体包括:
S2.1.采用基于感知特征损失的p i x2p i x网络作为前端(Stage-I GAN)重建出具有清晰组织结构和满足颌位空间位置关系的咬合面基本形态;
与典型的CGAN相比,Wasserste i n生成对抗网络(WGAN)通过使用 Wasserste in距离(瓦瑟斯坦距离)来度量样本间的分布,可以避免由KL散度和JS散度带来的样本分布距离求解不连续导致训练困难的问题;为此,前端网络拟采用Wasserste i n距离为差异度量,以牙齿预备体作为网络输入数据x1,无磨耗牙冠作为目标数据z1,生成满足颌位空间位置关系的咬合面基本形态;对抗损失促使生成图像的分布接近真实图像,但该损失不直接惩罚实例到实例的映射;结合L1损失约束和感知特征损失,构建Stage-I GAN网络目标函数为:
其中,第一项为GAN网络的生成损失;第二项为L1损失函数;第三项为感知生成损失函数;λL1、λpG分别为对应损失函数的平衡权重;
判别网络的目标函数为:
其中,第一项为GAN网络的判别损失;第二项感知判别损失函数;λpD为对应损失函数的平衡权重。
进一步提高Stage-I GAN重建缺失牙齿解剖特征的能力,在网络现有损失函数的基础上,引入感知特征损失函数惩罚生成的不真实咬合面图像;通过衡量判别器D1中生成冠与目标冠之间的高维特征偏差,不断迭代优化网络使得判别器 D1能够最大程度地捕捉两图像间的差异,用于指导生成器G1重构出更加接近目标牙冠的咬合面形态;感知特征损失函数为:
其中,λi表示第i层的平衡权重;Ci、Hi和Wi分别为第i层的通道数、高度和宽度;
直接使用对颌牙齿c及与对颌牙的间隙距离d作为约束条件,可以在一定程度上避免生成的咬合面与对颌牙齿间的过渡干涉,但仍然不能恢复出患者正确的咬合接触关系;为此,本项目拟设计一种颌位间距直方图损失函数,使得生成咬合面G(x)与对颌牙的咬合间距直方图分布hfake不断逼近天然牙冠z与对颌牙的咬合间距直方图分布hreal(见图5),从而恢复出缺损牙齿与对颌牙齿间的正确咬合接触关系,减少调颌工作;设计直方图损失函数为:
其中,f(·)表示咬合距离函数;ωi为不同直方图bin的权重,通过调整ωi,可以增强咬合区域的重建效果,过滤不必要的咬合间距;
S2.2.对于级联后端Stage-I I GAN,通过在Stage-I结果中引入牙齿磨耗面约束和咬合沟窝损失来增添咬合面的细节特征,重建出具有咀嚼功能的缺损牙咬合面形态;
Stage-I I GAN的目的是以牙齿磨耗面c2作为功能特征约束条件,引导生成器G2合成具有正确咬合关系、清晰组织结构和丰富细节特征的功能性咬合面;为计算具有目标冠z2的生成器G(x2),同样采用L1距离函数作为Stage-I I的生成损失,其目标函数表示为:
其中,x2表示无磨耗牙冠数据;z2表示具有磨耗的目标牙冠数据;
构建基于p i x2p i x的咬合沟窝解析网络提取待修复牙冠和目标牙冠的沟窝特征,并将预训练好的解析网络作为损失函数,采用L1距离函数作为沟窝特征一致优化目标函数,指导生成器G2重构出清晰、连贯、个性化的咬合沟窝形态,解析损失可以定义为:
Lg(G)=Ex,c,z[||f(z)-f(G(x,c))||]
结合L1损失和咬合沟窝解析损失,生成器G2和判别器D2的损失函数分别表示为:
其中,λL1、λg分别为对应损失函数的平衡权重。
依据条件生成对抗网络基本原理,拟采用跳跃连接方式构建基于U-Net结构的编码-解码生成器模型,编码端按照“卷积+批规范化+修正线性单元”的顺序构建基本单元结构,用于图像特征信息提取;解码端采用“反卷积+批规范化+随机失活+修正线性单元”的结构形式,与编码端的对应层级间采用跳跃连接,实现输入与输出之间的信息共享。
参见图4,依据PatchGAN的构建思想,设计全冠修复网络的判别器结构,通过将待判别图像分割成大小相同的图像块(patch),以局部patch区域作为输入进行真伪鉴别,可减少参数数量,加快训练速度,实现局部图像特征的提取和表征,有利于高分辨率图像的重建。
进一步地,在所述步骤S3.1中,依据像素-距离的双向可逆映射关系,逆投影计算出咬合面深度图上每个像素对应的空间点坐标。针对牙冠咬合面复杂的解剖形态,拟采用基于点云密度自适应的区域增长方法,该方法以Bal l-pivoting 算法为主体,充分利用其高效、稳健的网格重建特性,实现全冠修复体网格模型的三维重建。初始选中一个种子三角形,并以该三角形的三个顶点构建半径为r 的球,采用区域生长的模式,以种子三角形的某一条边eij为滚动轴构建三维网格模型,通过计算边eij的中点p处的局部密度ρ和密度的方差Var(ρs),定义以p 点为中心的邻域球半径:
rp=(2+σ1/2)×(1/ρ)1/3
其中,σ=Var(ρs)1/2为密度的标准差;ρ表示以p为中心的单位栅格体积内的点数。该方法根据点云数据中点的局部邻域密度动态调整滚动球半径,可以避免由于点云分布不均匀引起点丢失或孔洞的问题,进而重建出高质量网格模型。
全冠修复体实体造型是将咬合面、连接体与粘结层表面构成封闭实体,用于后期制作与佩戴。如图6所示,粘结层作为连接修复体和预备体的中间结构,其形状直接影响全冠修复体边缘与预备体颈缘线处的密合度,以及咀嚼过程中咬合力的分布情况。
在所述步骤S3.2中,基于自适应偏置距离的个性化修复体粘结层结构设计;在预备体表面不同区域,选取特征点集V={vi|i=1,2...n},通过离散偏移量的平滑插值,计算模型中各个点的偏移距离d={di|i=1,2...n},构建隐式曲面方程:
其中,cj表示约束点的坐标;ωj表示约束点的权重系数;φ(·)为径向基函数,并且拟采用薄板样条基函数:φ(x)=|x|2log(|x|);h(v)为一阶线性多项式,对任意坐标点ω(x,y,z),存在h(v)=h0+h1x+h2y+h3z,保证曲面的连续性。
优选的,所述步骤S3.3中,具有局部可编辑性的缺损牙中间连接体设计;
为实现全冠修复体形态个性化设计,恢复缺失牙齿正确的空间位置接触关系,拟采用基于B样条曲线插值的蒙皮剖分方法来自动设计局部形态可编辑的中间连接体。
以粘结层上的颈缘线(SecL2)为基线,采用“平面相交法”计算咬合面边界曲线(SecL1)上的参考点序列;通过曲线SecL1和SecL2上的参考点序列,计算两曲线的中点序列SecK;依次以三组序列点上的对应点作为控制点,计算以B 样条曲线为脊线的具有可控性的曲面形状,并对其均匀离散化;最后,利用三角剖分算法得到连接体网格模型。
如图7所示,给出一例牙冠缺损患者的修复体设计过程。
实施例2
本公开的另一典型实施例中,如图1-图7所示,给出一种深度生成网络辅助的功能性全冠修复体形态生成系统。
包括以下内容:
位置获取模块,被配置为获取缺损牙所在牙颌的三维数据并处理,得到缺损牙在牙颌的颌位空间位置;
咬合面重建模块,被配置为根据缺损牙的颌位空间位置结合深度生成网络模型重建缺损牙咬合面基本形态、咬合面细节形态;
修复体重建模块,依据重建的缺损牙咬合面形态结合修复体粘接层结构、中间连接体重建缺损牙的全冠修复体;
其中,重建咬合面基本形态时,深度网络模型的前端网络采用瓦瑟斯坦距离为差异度量。
具体的,对于深度生成网络辅助的功能性全冠修复体形态生成系统的工作过程以及各个模块的具体配置,参考实施例1中的介绍,在本实施例中不再进行赘述。
设计出具有天然牙解剖形态和正确咬合接触关系的个性化修复体,避免了基于模板牙冠变形设计的修复体难以适应患者牙列的问题,减少了后期调颌工作,并提高了设计效率和设计质量。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,包括以下步骤:
获取缺损牙所在牙颌的三维数据并处理,得到缺损牙在牙颌的颌位空间位置;
根据缺损牙的颌位空间位置结合深度生成网络模型重建缺损牙咬合面基本形态、咬合面细节形态;
依据重建的缺损牙咬合面形态结合修复体粘接层结构、中间连接体重建缺损牙的全冠修复体;
其中,重建咬合面基本形态时,深度网络模型的前端网络采用瓦瑟斯坦距离为差异度量。
2.如权利要求1所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,所述深度生成网络模型的训练过程,包括以下步骤:
获取已修复牙颌样本数据并处理,获取牙齿咬合面功能特征和咬合面深度图像集;
结合咬合面功能特征和咬合面深度图像集,构建深度生成网络模型。
3.如权利要求2所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,获取样本受损及修复后的牙颌三维数字模型数据,并进行牙齿模型姿态的规范化处理。
4.如权利要求1所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,基于瓦瑟斯坦距离、感知特征损失约束、颌位间距直方图损失约束的生成网络作为深度生成网络模型的前端网络。
5.如权利要求4所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,前端网络采用瓦瑟斯坦距离为差异度量,以牙齿预备体作为输入数据,无磨损牙冠作为目标数据,生成具有清晰组织结构和满足颌位空间位置关系的咬合面几何形态。
6.如权利要求1所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,深度生成网络模型的后端网络通过在前端网络中引入牙齿磨耗和咬合沟窝解析损失约束,来增添咬合面的细节特征。
7.如权利要求6所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,重建缺损牙咬合面的细节形态包括具有正确的咬合关系、清晰组织结构和咬合面细节特征。
8.如权利要求1所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,基于重建缺损牙咬合面的形态深度图像,采用区域增长算法重建全冠修复体的三维网格模型。
9.如权利要求8所述的深度生成网络辅助的功能性全冠修复体形态生成方法,其特征在于,采用样条曲线辅助蒙皮剖分的过渡曲面重建方法,设计具有局部可编辑性的缺损牙中间连接体;
采用基于径向基函数的弹性变形方法设计个性化的修复体粘结层结构形态。
10.深度生成网络辅助的功能性全冠修复体形态生成系统,其特征在于,包括以下内容:
位置获取模块,被配置为获取缺损牙所在牙颌的三维数据并处理,得到缺损牙在牙颌的颌位空间位置;
咬合面重建模块,被配置为根据缺损牙的颌位空间位置结合深度生成网络模型重建缺损牙咬合面基本形态、咬合面细节形态;
修复体重建模块,依据重建的缺损牙咬合面形态结合修复体粘接层结构、中间连接体重建缺损牙的全冠修复体;
其中,重建咬合面基本形态时,深度网络模型的前端网络采用瓦瑟斯坦距离为差异度量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649958.3A CN113362311B (zh) | 2021-06-10 | 2021-06-10 | 深度生成网络辅助的功能性全冠修复体形态生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649958.3A CN113362311B (zh) | 2021-06-10 | 2021-06-10 | 深度生成网络辅助的功能性全冠修复体形态生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362311A true CN113362311A (zh) | 2021-09-07 |
CN113362311B CN113362311B (zh) | 2022-07-19 |
Family
ID=77533718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649958.3A Active CN113362311B (zh) | 2021-06-10 | 2021-06-10 | 深度生成网络辅助的功能性全冠修复体形态生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362311B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631634A (zh) * | 2023-07-19 | 2023-08-22 | 南京铖联激光科技有限公司 | 一种基于点云深度学习的可摘全口义齿的智能设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689254A (zh) * | 2016-08-03 | 2018-02-13 | 佛山市诺威科技有限公司 | 一种全冠修复体外表面数字化生成方法 |
CN112184910A (zh) * | 2020-09-28 | 2021-01-05 | 上海正雅齿科科技股份有限公司 | 一种牙颌模型咬合关系建立方法及系统 |
CN112541864A (zh) * | 2020-09-25 | 2021-03-23 | 中国石油大学(华东) | 一种基于多尺度生成式对抗网络模型的图像修复方法 |
-
2021
- 2021-06-10 CN CN202110649958.3A patent/CN113362311B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689254A (zh) * | 2016-08-03 | 2018-02-13 | 佛山市诺威科技有限公司 | 一种全冠修复体外表面数字化生成方法 |
CN112541864A (zh) * | 2020-09-25 | 2021-03-23 | 中国石油大学(华东) | 一种基于多尺度生成式对抗网络模型的图像修复方法 |
CN112184910A (zh) * | 2020-09-28 | 2021-01-05 | 上海正雅齿科科技股份有限公司 | 一种牙颌模型咬合关系建立方法及系统 |
Non-Patent Citations (2)
Title |
---|
SUKUN TIAN ETC.: ""Efficient Computer-Aided Design of Dental Inlay Restoration: A Deep Adversarial Framework"", 《IEEE》 * |
袁福来等: ""采用条件生成式对抗网络的缺损牙全冠修复技术"", 《计算机辅助设计与图形学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631634A (zh) * | 2023-07-19 | 2023-08-22 | 南京铖联激光科技有限公司 | 一种基于点云深度学习的可摘全口义齿的智能设计方法 |
CN116631634B (zh) * | 2023-07-19 | 2023-09-19 | 南京铖联激光科技有限公司 | 一种基于点云深度学习的可摘全口义齿的智能设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113362311B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11735306B2 (en) | Method, system and computer readable storage media for creating three-dimensional dental restorations from two dimensional sketches | |
EP3952782B1 (en) | Visual presentation of gingival line generated based on 3d tooth model | |
US11321918B2 (en) | Method for manipulating 3D objects by flattened mesh | |
Tian et al. | DCPR-GAN: dental crown prosthesis restoration using two-stage generative adversarial networks | |
AU2019292003A1 (en) | Providing a simulated outcome of dental treatment on a patient | |
US20240212278A1 (en) | Method for generating objects using an hourglass predictor | |
CN112515787B (zh) | 一种三维牙颌数据分析方法 | |
CN107689254B (zh) | 一种全冠修复体外表面数字化生成方法 | |
Yuan et al. | Personalized design technique for the dental occlusal surface based on conditional generative adversarial networks | |
WO2020161245A1 (en) | Method for generating dental models based on an objective function | |
CN115619773A (zh) | 一种三维牙齿多模态数据配准方法及系统 | |
CN113362311B (zh) | 深度生成网络辅助的功能性全冠修复体形态生成方法 | |
CN115272585A (zh) | 一种三维牙列模型构建装置及方法 | |
Tian et al. | Efficient tooth gingival margin line reconstruction via adversarial learning | |
CN105411716B (zh) | 一种无牙颌牙槽嵴牙尖交错位直接测定方法 | |
CN114863056B (zh) | 基于面型参数生成颞下颌关节髁突运动包络面方法和装置 | |
JP7405809B2 (ja) | 推定装置、推定方法、および推定プログラム | |
Broll et al. | Generative deep learning approaches for the design of dental restorations: A narrative review | |
JP7507135B2 (ja) | 推定装置、推定方法、および推定プログラム | |
CN114463328B (zh) | 一种自动化正畸难度系数评估方法 | |
EP4307229A1 (en) | Method and system for tooth pose estimation | |
KR102610716B1 (ko) | 3차원 스캔 데이터로부터 보철물을 자동으로 생성하는 방법 및 이를 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체 | |
CN117204969A (zh) | 一种基于三维打印技术的全瓷牙修复系统 | |
KR20240009897A (ko) | 이미지 처리 방법, 전자 장치 및 컴퓨터 판독 가능저장 매체 | |
CN117788747A (zh) | 一种口扫数据与cbct融合的牙冠三维重建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |