CN114463328B - 一种自动化正畸难度系数评估方法 - Google Patents
一种自动化正畸难度系数评估方法 Download PDFInfo
- Publication number
- CN114463328B CN114463328B CN202210370788.XA CN202210370788A CN114463328B CN 114463328 B CN114463328 B CN 114463328B CN 202210370788 A CN202210370788 A CN 202210370788A CN 114463328 B CN114463328 B CN 114463328B
- Authority
- CN
- China
- Prior art keywords
- data
- tooth
- parameter
- orthodontic
- calculating
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000009499 grossing Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 210000000214 mouth Anatomy 0.000 claims abstract description 5
- 210000004283 incisor Anatomy 0.000 claims description 57
- 210000001847 jaw Anatomy 0.000 claims description 49
- 238000005259 measurement Methods 0.000 claims description 33
- 210000003128 head Anatomy 0.000 claims description 30
- 238000005520 cutting process Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 210000002455 dental arch Anatomy 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 206010061274 Malocclusion Diseases 0.000 claims description 8
- 210000004195 gingiva Anatomy 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 208000006650 Overbite Diseases 0.000 claims description 4
- 210000000887 face Anatomy 0.000 claims description 4
- 230000036346 tooth eruption Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011505 plaster Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000025157 Oral disease Diseases 0.000 description 1
- 208000031320 Teratogenesis Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000004513 dentition Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 210000001154 skull base Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004304 visual acuity Effects 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
- G06T7/0002—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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G06T5/70—
-
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
Abstract
本发明公开了一种自动化正畸难度系数评估方法，包括：获取待评估口腔的牙齿模型，并对所述牙齿模型的数据进行优化处理生成第一牙齿数据；从所述第一牙齿数据提取细粒度的数据特征作为第二牙齿数据；对所述第二牙齿数据进行分割平滑处理形成第三牙齿数据；根据所述第三牙齿数据生成多个正畸难度评估参数评估正畸难度。本发明一种自动化正畸难度系数评估方法，将正畸难度系数评估完全数字自动化处理，有效的提高了正畸难度评估的准确度，并且不依赖医生的经验判断，有利于大规模推广运用。
Description
技术领域
本发明涉及计算机应用技术和计算机视觉领域，具体涉及一种自动化正畸难度系数评估方法。
背景技术
错颌畸形是现代人最常见的口腔疾病之一。在错颌畸形中，对个体正畸治疗难度进行客观量化的评估是临床诊疗的基石。对正畸难度评估的推广，有利于进行分级诊疗的规划和决策，优化医疗资源的利用，并且可为临床审计活动提供指导。
目前国际上常用的正畸难度评估指数有正畸不调指数(DiscrepancyIndex，DI）、同行评估等级指数、治疗复杂性指数等。DI是由美国正畸医学委员会开发的评估错颌复杂性及治疗难度的可靠指标，且其独特地包含头测片中骨骼/牙齿结构的侧位测量信息。其中，由医生对牙弓石膏模型进行人工测量、评分是重要的评估内容。
然而，石膏模型的制取对于医生的临床经验要求较高，低年资口腔医师取模时常会出现取模不到位等情况。即使对于高年资医师，有时因材料的性能缺陷，也会出现小缺陷（如小气泡等），影响后续精准诊断分析。此外，取模的过程（尤其是多次取模）对患者是不舒适的，有时甚至可能因印模材料而引起过敏。另外，人工评估过程耗时长；医师的测量具有主观性，不同医师的评估结果存在一定偏差，导致评估结果客观性不足，难以提供具有充足可信度的临床审计标准。在辅助正畸诊疗方面，Noroozi开发的软件可以接收患者的图形数据，通过计算机程序提供治疗方案；在正畸疗效评估方面，Kim提高了头影测量标记在预测III类错颌治疗预后的准确率。但在口腔正畸难度评估方面，国内外尚未见自动化正畸难度系数评估系统的相关报道。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种自动化正畸难度系数评估方法，包括：
获取待评估口腔的牙齿模型，并对所述牙齿模型的数据进行优化处理生成第一牙齿数据；
从所述第一牙齿数据提取细粒度的数据特征作为第二牙齿数据；
对所述第二牙齿数据进行分割平滑处理形成第三牙齿数据；
根据所述第三牙齿数据生成多个正畸难度评估参数评估正畸难度。
现有技术中，发明人在科学实践中发现，一般牙齿的3D扫描数据依托于有较大患者数量的医院，这些3D扫描获得牙齿模型非常精确，包含20万到50万个三角面片。虽然数量庞大的三角面片有利于牙齿模型的精确描述，但是在这样的精细模型上进行几何特征的计算是非常耗时的，因此，牙齿网格简化对于牙齿数据的预处理是必要的。
本申请实施例实施时，第一牙齿数据的生成是基于牙齿模型数据的优化处理的，其主要的目的在于保留主要的牙齿数据，并且精简牙齿模型数据；优化过程可以采用网络简化等方式，也可以采用本申请其他实施例的实现方式，本实施例在此不多做限定。而对于优化处理后的第一牙齿数据，为了使得可以进行后续神经网络的处理，本实施例提取细粒度的数据特征形成第二牙齿数据，数据特征提取可以采用现有的相关数据特征提取，也可以采用本申请其他实施例的实现方式进行。获取第二牙齿数据后，对第二牙齿数据进行后处理，后处理的主要目的是通过对第二牙齿数据的分割平滑实现数据的标签优化、数据平滑和数据纠错，最终基于第三牙齿数据进行正畸难度评估。应当理解的是，正畸难度评估基于现有技术中DI指标进行实现，在本申请实施例中，只是将其完全数字自动化处理，有效的提高了正畸难度评估的准确度，并且不依赖医生的经验判断，有利于大规模推广运用。
在一个具体的实现方式中，对所述牙齿模型的数据进行优化处理生成第一牙齿数据包括：
将所述牙齿模型的数据分割为牙齿区域数据和牙龈区域数据；
使用广度优先搜索扩展所述牙龈区域数据的边界获取牙齿牙龈边界区域数据；
对所述牙齿区域数据、所述牙龈区域数据和所述牙齿牙龈边界区域数据进行加权计算简化所述牙齿模型的数据形成所述第一牙齿数据；其中所述牙齿牙龈边界区域数据、所述牙齿区域数据和所述牙龈区域数据对应的权重依次降低。
在一个具体的实现方式中，对所述牙齿模型的数据进行优化处理生成第一牙齿数据包括：
根据下式对所述牙齿模型的数据的标签集进行优化：
式中，F为牙齿模型的三角面的集合，li为牙齿模型中三角面的标签，且li∈[0,1]，0代表牙龈，1代表牙齿；E1为一元项；E2为成对项；λ为一元项和成对项的系数；
所述一元项根据下式获取：
式中，Eu1为z轴坐标的概率能量；Eu2为到最近锐点的测地距离的概率能量；Eu3为到XY平面网格中心的欧氏距离的概率能量；α1、α2和α3为分别对应Eu1、Eu2和Eu3的系数；
其中：
式中，xi为三角面i的的x轴坐标；yi为三角面i的的y轴坐标；zi为三角面i的的z轴坐标；L为所述牙齿模型x轴方向的轴对齐边界框；W为所述牙齿模型y轴方向的轴对齐边界框；H为所述牙齿模型z轴方向的轴对齐边界框；gdi为从第i个面到最近锐点的测地距离；gdmax为所有gdi的最大值；xmesh为共享网格中心的x轴坐标；ymesh为共享网格中心的y轴坐标；zmin为zi中的最小值；
所述成对项根据下式获取：
式中，AD(αij)为角距离，αij为三角面i和三角面j的夹角，avg（AD）为所述角距离的平均值，其中，AD(αij) =η(1−cosαij)，对于凸角，η=0.05，对于凹角，η=1。
在一个具体的实现方式中，从所述第一牙齿数据提取细粒度的数据特征作为第二牙齿数据包括：
从所述第一牙齿数据提取空间描述数据和结构描述数据；
链接所述空间描述数据和所述结构描述数据形成特征数据；
采用所述特征数据的局部几何上下文进行显式建模，并通过多尺度分层建模来搭建网络对数据进行训练形成多尺度分层模型；
采用所述多尺度分层模型进行属于牙齿或牙龈的各三角面的概率预测为每个面生成标签和概率向量形成所述第二牙齿数据。
在一个具体的实现方式中，对所述第二牙齿数据进行分割平滑处理形成第三牙齿数据包括：
对所述第二牙齿数据进行图切割形成牙齿切割数据；
根据主成分分析技术将所述牙齿切割数据中宽度大于预设值的牙齿进行切割并进行边界平滑和标签优化形成牙齿平滑数据；
采用改进的模糊聚类算法细化所述牙齿平滑数据中的边界形成第三牙齿数据。
在一个具体的实现方式中，根据所述第三牙齿数据生成多个正畸难度评估参数评估正畸难度包括：
根据所述第三牙齿数据计算覆盖覆颌参数、前后牙开颌参数、拥挤度参数、咬合关系参数和后牙牙颌参数；根据头影图像数据计算头影测量参数；
将所述覆盖覆颌参数、前后牙开颌参数、拥挤度参数、咬合关系参数、后牙牙颌参数和头影测量参数叠加形成正畸难度总参数；
根据所述正畸难度总参数评估正畸难度。
在一个具体的实现方式中，计算覆盖覆颌参数包括：
以分割网络预测出的两对中切牙为基准获取第一切牙数据和第二切牙数据；所述第一切牙数据为上颌切牙的最低点；所述第二切牙数据为下颌切牙的最高点；
当所述第一切牙数据的x坐标小于所述第二切牙数据的x坐标时，以所述第一切牙数据和所述第二切牙数据的水平距离计算覆盖参数；
当所述第一切牙数据的z坐标小于所述第二切牙数据的z坐标时，以所述第一切牙数据和所述第二切牙数据的垂直距离计算覆颌参数；
将所述覆盖参数和所述覆颌参数综合作为所述覆盖覆颌参数；
计算前后牙开颌参数包括：
以分割网络预测出的两对中切牙为基准获取第一牙数据和第二牙数据；所述第一牙数据为上颌牙的最低点；所述第二牙数据为下颌牙的最高点；
当所述第一牙数据的z坐标大于所述第二牙数据的z坐标，则根据所述第一牙数据和所述第二牙数据的垂直距离计算所述前后牙开颌参数；
计算拥挤度参数包括：
以中切牙到第二前磨牙为基准，定位到相邻牙齿接壤点，并连接两侧接壤点；
计算每颗牙齿左右邻居邻牙距离作为第一距离，并计算每颗牙齿沿着舌面方向的最大宽度作为第二距离；
计算每颗牙齿拥挤度，并将所有牙齿的拥挤度进行求和获取所述拥挤度参数；所述拥挤度为所述第一距离减去第二距离。
在一个具体的实现方式中，计算咬合关系参数包括：
根据所述第三牙齿数据进行非线性曲线拟合形成牙弓曲线、牙床平面和平行于所述牙床平面的基准平面；
根据所述牙弓曲线和所述牙床平面获取局部最小点和局部最大点；所述局部最小点为在预设范围内距离所述基准平面距离最小的牙弓曲线上的点；所述局部最大点为在预设范围内距离所述基准平面距离最大的牙弓曲线上的点；
将上颌第一磨牙近中线且靠外的所述局部最大点作为第一待选点，并将下颌第一磨牙中在基准线以下且位于各极值点之间的到基准线最远的局部最大点作为第二待选点；所述基准线为下颌第一磨牙的所有局部最小点的连线；
比较所述第一待选点和第二待选点的对齐程度计算所述咬合关系参数。
在一个具体的实现方式中，计算后牙牙颌参数包括：
根据所述咬合关系参数计算颊尖位置，并根据上后牙和下后牙的所述颊尖位置关系计算所述后牙牙颌参数。
在一个具体的实现方式中，根据头影图像数据计算头影测量参数包括：
通过faster-RCNN对所述头影图像数据进行特征检测，标定头影测量标志点；
根据所述头影测量标志点计算头影测量参量角度，并根据所述头影测量参量角度计算所述头影测量参数。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种自动化正畸难度系数评估方法，将正畸难度系数评估完全数字自动化处理，有效的提高了正畸难度评估的准确度，并且不依赖医生的经验判断，有利于大规模推广运用。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本申请实施例方法步骤示意图；
图2为本申请实施例结构描述数据示意图；
图3为本申请实施例头影测量方法步骤示意图；
图4为本申请实施例正畸难度系数评估方法步骤示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
请结合参阅图1，为本发明实施例所提供的一种自动化正畸难度系数评估方法的流程示意图，进一步地，所述一种自动化正畸难度系数评估方法具体可以包括以下步骤S1-步骤S4所描述的内容。
S1：获取待评估口腔的牙齿模型，并对所述牙齿模型的数据进行优化处理生成第一牙齿数据；
S2：从所述第一牙齿数据提取细粒度的数据特征作为第二牙齿数据；
S3：对所述第二牙齿数据进行分割平滑处理形成第三牙齿数据；
S4：根据所述第三牙齿数据生成多个正畸难度评估参数评估正畸难度。
现有技术中，发明人在科学实践中发现，一般牙齿的3D扫描数据依托于有较大患者数量的医院，这些3D扫描获得牙齿模型非常精确，包含20万到50万个三角面片。虽然数量庞大的三角面片有利于牙齿模型的精确描述，但是在这样的精细模型上进行几何特征的计算是非常耗时的，因此，牙齿网格简化对于牙齿数据的预处理是必要的。
本申请实施例实施时，第一牙齿数据的生成是基于牙齿模型数据的优化处理的，其主要的目的在于保留主要的牙齿数据，并且精简牙齿模型数据；优化过程可以采用网络简化等方式，也可以采用本申请其他实施例的实现方式，本实施例在此不多做限定。而对于优化处理后的第一牙齿数据，为了使得可以进行后续神经网络的处理，本实施例提取细粒度的数据特征形成第二牙齿数据，数据特征提取可以采用现有的相关数据特征提取，也可以采用本申请其他实施例的实现方式进行。获取第二牙齿数据后，对第二牙齿数据进行后处理，后处理的主要目的是通过对第二牙齿数据的分割平滑实现数据的标签优化、数据平滑和数据纠错，最终基于第三牙齿数据进行正畸难度评估。应当理解的是，正畸难度评估基于现有技术中DI指标进行实现，在本申请实施例中，只是将其完全数字自动化处理，有效的提高了正畸难度评估的准确度，并且不依赖医生的经验判断，有利于大规模推广运用。
在一个具体的实现方式中，对所述牙齿模型的数据进行优化处理生成第一牙齿数据包括：
将所述牙齿模型的数据分割为牙齿区域数据和牙龈区域数据；
使用广度优先搜索扩展所述牙龈区域数据的边界获取牙齿牙龈边界区域数据；
对所述牙齿区域数据、所述牙龈区域数据和所述牙齿牙龈边界区域数据进行加权计算简化所述牙齿模型的数据形成所述第一牙齿数据；其中所述牙齿牙龈边界区域数据、所述牙齿区域数据和所述牙龈区域数据对应的权重依次降低。
本申请实施例实施时，发明人发现传统的特征保留网格简化方法往往会丢失语义信息，例如牙齿和牙龈边界的细节。而清晰准确的牙齿边界以及牙齿和牙龈边界在学习过程中起着重要作用。因此，我们使用一种边界感知的牙齿简化算法来尽可能地保留这些语义信息。
在本申请实施例中，将牙齿模型分为三个区域：牙龈、牙齿和牙齿牙龈边界。牙龈区域占据了牙齿数据的很大一部分，但由于其特征较少，为分类提供鉴别信息较少。牙齿区域比牙龈具有更重要的几何细节，不应过于简化。边界区域是分割中最重要的部分，它的细节应该尽量保留。为此，我们在不同的区域使用不同的权重乘以边缘简化成本。
在一个具体的实现方式中，对所述牙齿模型的数据进行优化处理生成第一牙齿数据包括：
根据下式对所述牙齿模型的数据的标签集进行优化：
式中，F为牙齿模型的三角面的集合，li为牙齿模型中三角面的标签，且li∈[0,1]，0代表牙龈，1代表牙齿；E1为一元项；E2为成对项；λ为一元项和成对项的系数；
所述一元项根据下式获取：
式中，Eu1为z轴坐标的概率能量；Eu2为到最近锐点的测地距离的概率能量；Eu3为到XY平面网格中心的欧氏距离的概率能量；α1、α2和α3为分别对应Eu1、Eu2和Eu3的系数；
其中：
式中，xi为三角面i的的x轴坐标；yi为三角面i的的y轴坐标；zi为三角面i的的z轴坐标；L为所述牙齿模型x轴方向的轴对齐边界框；W为所述牙齿模型y轴方向的轴对齐边界框；H为所述牙齿模型z轴方向的轴对齐边界框；gdi为从第i个面到最近锐点的测地距离；gdmax为所有gdi的最大值；xmesh为共享网格中心的x轴坐标；ymesh为共享网格中心的y轴坐标；zmin为zi中的最小值；
所述成对项根据下式获取：
式中，AD(αij)为角距离，αij为三角面i和三角面j的夹角，avg（AD）为所述角距离的平均值，其中，AD(αij) =η(1−cosαij)，对于凸角，η=0.05，对于凹角，η=1。
本申请实施例实施时，牙齿网格被表示为G=〈V，E，F〉其中，F为牙齿模型的三角面的集合，V为牙齿模型的顶点集合，E为牙齿模型的边集合。通过上述公式可以进行标签集L的优化，标签集L由每个三角面的标签li∈[0,1]组成，其中0代表牙龈，1代表牙齿。在本申请实施例中，先将牙齿和牙龈的相关特征进行分开计算，其计算过程通过所述一元项进行实现，再考虑到牙齿和牙龈边界上的面所具备的负曲率，通过成对项来进行计算；最终通过系数加权的方式实现不同类型数据的简化。本申请实施例使用图切割算法来解决方程中的优化问题。因此，原始数据分为两个区域：牙齿和牙龈。再使用广度优先搜索扩展牙龈边界以获得三个区域。最后将进行保留细节的网格简化。
在一个具体的实现方式中，从所述第一牙齿数据提取细粒度的数据特征作为第二牙齿数据包括：
从所述第一牙齿数据提取空间描述数据和结构描述数据；
链接所述空间描述数据和所述结构描述数据形成特征数据；
采用所述特征数据的局部几何上下文进行显式建模，并通过多尺度分层建模来搭建网络对数据进行训练形成多尺度分层模型；
采用所述多尺度分层模型进行属于牙齿或牙龈的各三角面的概率预测为每个面生成标签和概率向量形成所述第二牙齿数据。
本申请实施例实施时，对于空间描述数据来说，主要就是提取面片的空间位置信息。而与空间位置相关的唯一输入值是中心值。本申请实施例简单地将共享多层感知机应用到每个面的中心，类似于基于点云的方法，并输出初始空间特征。
对于结构描述数据来说，请参阅图2，图2示出了结构描述数据的相关内容，结构描述数据一部分为旋转卷积,另一部分为核相关性。对于旋转卷积,它实际上关注的是面片的内部结构以及面片的形状信息。这个模块的输入是三角网格的角信息。对于图2中所示出的三个角矢量V1、V2、V3，两两拼接，并和共享的核做卷积(1维卷积)，核的数目一共是K1个，三个卷积得到的值相加后做一个平均池化，然后再与全连接层相连，最后的输出是K2维的，下面的公式反映了这些操作：
式中，操作f实际上就是核的卷积，除以3等于取了一个平均池化。而操作g是由一个（64,64）的全连接实现。核相关性的目标是为了获得更靠外面的面片结构以及所要计算的面片的周围环境。它的输入是面片的单位法向矢量以及邻居面片的索引。
具体计算过程是，选择所要计算的三角面片以及它的三个邻接的面片的单位法向矢量作为输入,并且选择一组可以学习的矢量作为核,然后定义的如下的相关：
式中，表示的是第i个三角面片和第k个核之间的相关大小。Ni表示i个三角网格和它周边邻接的三角网格，Mk表示第k个kernel的法向矢量。
示例的，采用上述输出作为输入，可以使用图约束学习模块对输入表面数据的局部几何上下文进行显式建模。通过多层级图约束模块多尺度分层建模来搭建网络对数据进行训练。
这里的核通常选高斯核，即有如下形式：
式中的
是一个超参数。它控制的是核的分辨能力或者是对于输入变化的容忍
度。根据上面的公式，如果输入和核越相似，KC(i,k)也就越大，它表示第i个三角面片的第k
个特征，因为有M个核所以单个面片就有M个特征。
在获取了空间描述数据和结构描述数据后需要使用图约束学习模块对输入表面数据的局部几何上下文进行显式建模。这些图约束学习模块的实现规模越来越大，并在网络的前向路径上的不同阶段集成。多尺度上下文特征可以提供额外的信息来更全面地描述网格单元。相应地，我们将来自上述不同区域的局部到全局特征密集连接起来，并通过多层感知机产生一个新的特征矩阵进一步处理。基于这个矩阵，使用softmax激活的1维卷积层来预测出一个N×(C+1)概率矩阵P，每行表示属于特定类别（即C个牙齿和牙龈）的各个三角面片的概率。
在一个具体的实现方式中，对所述第二牙齿数据进行分割平滑处理形成第三牙齿数据包括：
对所述第二牙齿数据进行图切割形成牙齿切割数据；
根据主成分分析技术将所述牙齿切割数据中宽度大于预设值的牙齿进行切割并进行边界平滑和标签优化形成牙齿平滑数据；
采用改进的模糊聚类算法细化所述牙齿平滑数据中的边界形成第三牙齿数据。
本申请实施例实施时，对所述第二牙齿数据进行图切割使分割结果更精确，同时发明人在实践中发现由深度神经网络产生的分割可能包含孤立的错误预测或非平滑边界，所以对所述第二牙齿数据进行图切割形成牙齿切割数据可以采用下述方式进行牙齿数据切割：
假设
是一个由N个mesh单元组成的测试面，网络的相应预测形成一个概率矩
阵P，其中Pi(i=1,...,N)表示Si的类别概率.我们定义了Si的空间邻域Ni，它由与Si共享边
的相邻单元组成。然后，最终S的标签由公式确定：
其中第一项是数据拟合项，第二项定义标签空间中的局部平滑度，λ是平衡两项贡献的调整参数。考虑到牙齿表面牙齿和牙龈之间的边界通常是凹的，我们定义局部标签一致性，即，C(Li,Li*)：
其中δ(Li,Li∗)是Diracdelta函数，当Li=Li∗时等于1。另一方面，ψ(Si,Si∗)偏向凹角，例如：
其中θi,i∗为si和si∗之间的夹角；当θi,i∗为凹面（或不凹）时γi,i∗=1(或者1+|ni·ni∗|)，ni和ni∗分别表示si和si∗的法线；并且di,i∗是si和它的邻居si∗之间的距离。
根据主成分分析技术将所述牙齿切割数据中宽度大于预设值的牙齿进行切割时将所述牙齿切割数据进行主成分分析技术（PCA）分析，只考虑牙齿的宽度轴。对于每个齿，如果其最长宽度轴长于常数 τ1（设定为每个牙齿的平均值的1.4 倍，通过对大量训练数据进行 PCA 分析计算得出），应将其分成两个齿，并在需要时重复该过程。从而进行标签优化以平滑边界。
通过卷积神经网络预测为测试网格上的每个面生成标签和概率向量。预测结果在边界上粗糙且不准确。小碎片出现在不应该出现的地方。为了验证这一点，我们采用了多标签图切割方法，在每次网络预测后对预测结果进行细化。
在牙齿间分割之后，为了区分一颗牙齿和另一颗牙齿，我们对分类后的牙齿进行主成分分析技术（PrincipalComponentsAnalysis,PCA）分析。因为数据集中的牙齿没有根，所以高度可能会因模型而异。我们忽略了通常与Z轴对齐的高度轴，而只考虑牙齿的宽度轴，在测量变化时更可靠。
对于每个齿，如果其最长宽度轴长于常数τ1（设定为每个牙齿的平均值的1.4倍，通过对大量训练数据进行PCA分析计算），我们应将其分成两个齿，并在需要时重复该过程。
而在本申请实施例实施时，发明人发现精确光滑的边界在牙齿治疗中非常重要，因为它将影响进一步的处理，如虚拟牙龈生成、牙齿重排和牙齿应用的产生。然而无论是几何信息还是卷积神经网络预测本身都不能可靠地确定最佳边界。所以本申请实施采用改进的模糊聚类算法细化所述牙齿平滑数据中的边界形成第三牙齿数据，改进的模糊聚类方法同时考虑了几何和CNN预测，适用于牙科模型。
在一个具体的实现方式中，根据所述第三牙齿数据生成多个正畸难度评估参数评估正畸难度包括：
根据所述第三牙齿数据计算覆盖覆颌参数、前后牙开颌参数、拥挤度参数、咬合关系参数和后牙牙颌参数；根据头影图像数据计算头影测量参数；
将所述覆盖覆颌参数、前后牙开颌参数、拥挤度参数、咬合关系参数、后牙牙颌参数和头影测量参数叠加形成正畸难度总参数；
根据所述正畸难度总参数评估正畸难度。
本申请实施例实施时，在上述实施例中生成了各语义区域后，结合牙科先验知识设计出正畸难度预测算法。使用一个含有隐层的神经网络可以很轻松地拟合出非线性曲线，也就是牙弓曲线。再根据DI指标就可以设计出的正畸难度评估算法。其中在本申请实施例中，主要从覆盖覆颌参数、前后牙开颌参数、拥挤度参数、咬合关系参数、后牙牙颌参数以及头影测量参数几个方面进行正畸难度评估，其主要方式可以采用DI指标中的设计方式；本申请实施例利用了上述参数实现了对正畸难度的综合评估。其中头影测量参数是依赖于对头影测量的计算分析实现的。
在一个具体的实现方式中，计算覆盖覆颌参数包括：
以分割网络预测出的两对中切牙为基准获取第一切牙数据和第二切牙数据；所述第一切牙数据为上颌切牙的最低点；所述第二切牙数据为下颌切牙的最高点；
当所述第一切牙数据的x坐标小于所述第二切牙数据的x坐标时，以所述第一切牙数据和所述第二切牙数据的水平距离计算覆盖参数；
当所述第一切牙数据的z坐标小于所述第二切牙数据的z坐标时，以所述第一切牙数据和所述第二切牙数据的垂直距离计算覆颌参数；
将所述覆盖参数和所述覆颌参数综合作为所述覆盖覆颌参数；
计算前后牙开颌参数包括：
以分割网络预测出的两对中切牙为基准获取第一牙数据和第二牙数据；所述第一牙数据为上颌牙的最低点；所述第二牙数据为下颌牙的最高点；
当所述第一牙数据的z坐标大于所述第二牙数据的z坐标，则根据所述第一牙数据和所述第二牙数据的垂直距离计算所述前后牙开颌参数；
计算拥挤度参数包括：
以中切牙到第二前磨牙为基准，定位到相邻牙齿接壤点，并连接两侧接壤点；
计算每颗牙齿左右邻居邻牙距离作为第一距离，并计算每颗牙齿沿着舌面方向的最大宽度作为第二距离；
计算每颗牙齿拥挤度，并将所有牙齿的拥挤度进行求和获取所述拥挤度参数；所述拥挤度为所述第一距离减去第二距离。
本申请实施例实施时，计算覆盖覆颌参数时，以分割网络预测出的两对中切牙为基准，分别找出上颌切牙的最低点（P1）以及下颌切牙的最高点（P2）。如果P1的x坐标小于P2，则为反覆盖，以两点间的水平距离来计算覆盖分数。如果P1的z坐标小于P2，以两点间的垂直距离来计算覆颌分数。最终取均值计入总分。覆盖具体计算标准见表1:
覆颌具体计算标准见表2:
计算前后牙开颌参数时，用分割网络分别预测出前牙对和后牙对，分别找出上颌牙的最低点（P1）以及下颌牙的最高点（P2），如果P1的z坐标大于P2以两点间的垂直距离计算开颌分数。对于前牙开颌，相对切者，每颗牙计1分。开颌者，每颗牙每1毫米计1分，开颌距离不足1毫米者，按1毫米计算。对于后牙开颌，不足1毫米者按1毫米计，每颗牙每毫米计2分。
计算拥挤度参数时，以中切牙到第二前磨牙为基准，定位到相邻牙齿接壤点，连接两侧接壤点计算每颗牙齿左右邻居邻牙距离h，再计算每颗牙齿沿着舌面方向的最大宽度d。每颗牙齿的（h-d）相加得到最终的拥挤度长度。需要注意的是，只取最拥挤的单侧牙列计入总分。拥挤度分数具体计算标准见表3:
在一个具体的实现方式中，计算咬合关系参数包括：
根据所述第三牙齿数据进行非线性曲线拟合形成牙弓曲线、牙床平面和平行于所述牙床平面的基准平面；
根据所述牙弓曲线和所述牙床平面获取局部最小点和局部最大点；所述局部最小点为在预设范围内距离所述基准平面距离最小的牙弓曲线上的点；所述局部最大点为在预设范围内距离所述基准平面距离最大的牙弓曲线上的点；
将上颌第一磨牙近中线且靠外的所述局部最大点作为第一待选点，并将下颌第一磨牙中在基准线以下且位于各极值点之间的到基准线最远的局部最大点作为第二待选点；所述基准线为下颌第一磨牙的所有局部最小点的连线；
比较所述第一待选点和第二待选点的对齐程度计算所述咬合关系参数。
本申请实施例实施时，计算咬合关系参数时，用PCA技术拟合牙弓曲线cur1和牙床平面p1,在创建一个平行p1的平面p2，确保所有牙齿点不会接触p2。然后，通过计算每个点和p2的距离来寻找关键点。如果该点距离大于其两个相邻点的距离，则该点为局部最小点；如果该点距离小于其两个相邻点的距离，则该点为局部最大点。对于上颌牙，比较上颌第一磨牙的局部最大点坐标，离中线近且靠外的分类为近中颊点。对于下颌牙，找出下颌第一磨牙的所有局部最小点坐标，两两连接成直线，选择直线以下且位于各极值点之间的所有局部最大点。计算每个局部最大点到上述直线距离，选择距离最大者为颊沟点。再比较上下颌两选定点在xy平面的对齐程度，进行最终的咬合关系分数计算。使用安氏分类法进行打分,安氏I类即上颌磨牙近中颊尖咬在下颌磨牙颊沟上，记为0分；每侧磨牙近中尖对尖或远中尖对尖记为2分；每侧磨牙完全远中或完全近中记为4分。若磨牙关系超出完全远中或近中，则每侧每毫米增加1分。两侧磨牙需分开测量，并将分值相加。
在一个具体的实现方式中，计算后牙牙颌参数包括：
根据所述咬合关系参数计算颊尖位置，并根据上后牙和下后牙的所述颊尖位置关系计算所述后牙牙颌参数。
本申请实施例实施时，根据咬合关系方法计算颊尖位置，若牙尖交错时下后牙的颊尖咬在上后牙颊尖的颊侧，则记1分。若牙尖交错时上后牙的舌尖咬在下后牙颊尖的颊侧，则记2分。
在一个具体的实现方式中，根据头影图像数据计算头影测量参数包括：
通过faster-RCNN对所述头影图像数据进行特征检测，标定头影测量标志点；
根据所述头影测量标志点计算头影测量参量角度，并根据所述头影测量参量角度计算所述头影测量参数。
本申请实施例实施时，请参阅图3，图3示出了头影测量的流程示意图，其中需要基于faster-RCNN的检测框架进行特征点检测，完成X线头影测量标志点的自动标定。
同样是通过卷积神经网络学习头影测位片的特征，之后通过区域生成网络生成感兴趣区域后进行坐标回归，相比起特征直接映射，可以进一步提升模型的准确性，同时，在主干网络上选择了更新的HR（HighSolution高分辨率）Net,从高分辨率子网络(作为第一阶段开始，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，并将多分辨率子网并行连接。再进行多次多尺度融合，使得每一个高分辨率到低分辨率的表征都从其他并行表示中反复接收信息，从而得到丰富的高分辨率表征。因此，预测的关键点热图更准确，在空间上也更精确。
成功预测出各个关键点之后，计算其连线夹角从而计算头影测量分数。头影测量分数具体计算标准见表4:
其中，ANB为上下齿槽座角，MP为下颌平面，L1为下中切牙点，SN为前颅底平面，上述描述均为头影测量中的标准描述，在此不多做复述。
请参阅图4，图4示出了本申请实施例中包含全部详细步骤的流程示意图，针对现有自动化正畸难度系数评估系统的缺失，本发明主要结合几何信息以及卷积神经网络预测，并使用改进的模糊聚类算法细化牙齿分割边界，建立适用于牙齿分割的模型。并且在复杂外观（缺失/龋坏的牙齿、无特征区域、拥挤的牙齿、额外的医疗附件等）条件下准确提取鲁棒的牙齿特征，并建模其与正畸难度分数之间的关系。以3D口腔扫描及头影侧位片为原始数据，使用深度学习方法提取牙齿特征，构建正畸难度智能评估模型，实现对牙齿正畸难度的自动评估。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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。另外，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，也可以是电的，机械的或其它的形式连接。
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，作为单元显然本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，也可以是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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种自动化正畸难度系数评估方法，其特征在于，包括：
获取待评估口腔的牙齿模型，并对所述牙齿模型的数据进行优化处理生成第一牙齿数据；
从所述第一牙齿数据提取细粒度的数据特征作为第二牙齿数据；
对所述第二牙齿数据进行分割平滑处理形成第三牙齿数据；
根据所述第三牙齿数据生成多个正畸难度评估参数评估正畸难度；
对所述牙齿模型的数据进行优化处理生成第一牙齿数据包括：
将所述牙齿模型的数据分割为牙齿区域数据和牙龈区域数据；
使用广度优先搜索扩展所述牙龈区域数据的边界获取牙齿牙龈边界区域数据；
对所述牙齿区域数据、所述牙龈区域数据和所述牙齿牙龈边界区域数据进行加权计算简化所述牙齿模型的数据形成所述第一牙齿数据；其中所述牙齿牙龈边界区域数据、所述牙齿区域数据和所述牙龈区域数据对应的权重依次降低；
从所述第一牙齿数据提取细粒度的数据特征作为第二牙齿数据包括：
从所述第一牙齿数据提取空间描述数据和结构描述数据；
链接所述空间描述数据和所述结构描述数据形成特征数据；
采用所述特征数据的局部几何上下文进行显式建模，并通过多尺度分层建模来搭建网络对数据进行训练形成多尺度分层模型；
采用所述多尺度分层模型进行属于牙齿或牙龈的各三角面的概率预测为每个面生成标签和概率向量形成所述第二牙齿数据。
2.根据权利要求1所述的一种自动化正畸难度系数评估方法，其特征在于，对所述牙齿模型的数据进行优化处理生成第一牙齿数据包括：
根据下式对所述牙齿模型的数据的标签集进行优化：
式中，F为牙齿模型的三角面的集合，li为牙齿模型中三角面的标签，且li∈[0,1]，0代表牙龈，1代表牙齿；E1为一元项；E2为成对项；λ为一元项和成对项的系数；
所述一元项根据下式获取：
式中，Eu1为z轴坐标的概率能量；Eu2为到最近锐点的测地距离的概率能量；Eu3为到XY平面网格中心的欧氏距离的概率能量；α1、α2和α3为分别对应Eu1、Eu2和Eu3的系数；
其中：
式中，xi为三角面i的的x轴坐标；yi为三角面i的的y轴坐标；zi为三角面i的的z轴坐标；L为所述牙齿模型x轴方向的轴对齐边界框；W为所述牙齿模型y轴方向的轴对齐边界框；H为所述牙齿模型z轴方向的轴对齐边界框；gdi为从第i个面到最近锐点的测地距离；gdmax为所有gdi的最大值；xmesh为共享网格中心的x轴坐标；ymesh为共享网格中心的y轴坐标；zmin为zi中的最小值；
所述成对项根据下式获取：
式中，AD(αij)为角距离，αij为三角面i和三角面j的夹角，avg（AD）为所述角距离的平均值。
3.根据权利要求1所述的一种自动化正畸难度系数评估方法，其特征在于，对所述第二牙齿数据进行分割平滑处理形成第三牙齿数据包括：
对所述第二牙齿数据进行图切割形成牙齿切割数据；
根据主成分分析技术将所述牙齿切割数据中宽度大于预设值的牙齿进行切割并进行边界平滑和标签优化形成牙齿平滑数据；
采用改进的模糊聚类算法细化所述牙齿平滑数据中的边界形成第三牙齿数据。
4.根据权利要求1所述的一种自动化正畸难度系数评估方法，其特征在于，根据所述第三牙齿数据生成多个正畸难度评估参数评估正畸难度包括：
根据所述第三牙齿数据计算覆盖覆颌参数、前后牙开颌参数、拥挤度参数、咬合关系参数和后牙牙颌参数；根据头影图像数据计算头影测量参数；
将所述覆盖覆颌参数、前后牙开颌参数、拥挤度参数、咬合关系参数、后牙牙颌参数和头影测量参数叠加形成正畸难度总参数；
根据所述正畸难度总参数评估正畸难度。
5.根据权利要求4所述的一种自动化正畸难度系数评估方法，其特征在于，计算覆盖覆颌参数包括：
以分割网络预测出的两对中切牙为基准获取第一切牙数据和第二切牙数据；所述第一切牙数据为上颌切牙的最低点；所述第二切牙数据为下颌切牙的最高点；
当所述第一切牙数据的x坐标小于所述第二切牙数据的x坐标时，以所述第一切牙数据和所述第二切牙数据的水平距离计算覆盖参数；
当所述第一切牙数据的z坐标小于所述第二切牙数据的z坐标时，以所述第一切牙数据和所述第二切牙数据的垂直距离计算覆颌参数；
将所述覆盖参数和所述覆颌参数综合作为所述覆盖覆颌参数；
计算前后牙开颌参数包括：
以分割网络预测出的两对中切牙为基准获取第一牙数据和第二牙数据；所述第一牙数据为上颌牙的最低点；所述第二牙数据为下颌牙的最高点；
当所述第一牙数据的z坐标大于所述第二牙数据的z坐标，则根据所述第一牙数据和所述第二牙数据的垂直距离计算所述前后牙开颌参数；
计算拥挤度参数包括：
以中切牙到第二前磨牙为基准，定位到相邻牙齿接壤点，并连接两侧接壤点；
计算每颗牙齿左右邻居邻牙距离作为第一距离，并计算每颗牙齿沿着舌面方向的最大宽度作为第二距离；
计算每颗牙齿拥挤度，并将所有牙齿的拥挤度进行求和获取所述拥挤度参数；所述拥挤度为所述第一距离减去第二距离。
6.根据权利要求4所述的一种自动化正畸难度系数评估方法，其特征在于，计算咬合关系参数包括：
根据所述第三牙齿数据进行非线性曲线拟合形成牙弓曲线、牙床平面和平行于所述牙床平面的基准平面；
根据所述牙弓曲线和所述牙床平面获取局部最小点和局部最大点；所述局部最小点为在预设范围内距离所述基准平面距离最小的牙弓曲线上的点；所述局部最大点为在预设范围内距离所述基准平面距离最大的牙弓曲线上的点；
将上颌第一磨牙近中线且靠外的所述局部最大点作为第一待选点，并将下颌第一磨牙中在基准线以下且位于各极值点之间的到基准线最远的局部最大点作为第二待选点；所述基准线为下颌第一磨牙的所有局部最小点的连线；
比较所述第一待选点和第二待选点的对齐程度计算所述咬合关系参数。
7.根据权利要求6所述的一种自动化正畸难度系数评估方法，其特征在于，计算后牙牙颌参数包括：
根据所述咬合关系参数计算颊尖位置，并根据上后牙和下后牙的所述颊尖位置关系计算所述后牙牙颌参数。
8.根据权利要求4所述的一种自动化正畸难度系数评估方法，其特征在于，根据头影图像数据计算头影测量参数包括：
通过faster-RCNN对所述头影图像数据进行特征检测，标定头影测量标志点；
根据所述头影测量标志点计算头影测量参量角度，并根据所述头影测量参量角度计算所述头影测量参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370788.XA CN114463328B (zh) | 2022-04-11 | 2022-04-11 | 一种自动化正畸难度系数评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370788.XA CN114463328B (zh) | 2022-04-11 | 2022-04-11 | 一种自动化正畸难度系数评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114463328A CN114463328A (zh) | 2022-05-10 |
| CN114463328B true CN114463328B (zh) | 2022-06-17 |
Family
ID=81417546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210370788.XA Active CN114463328B (zh) | 2022-04-11 | 2022-04-11 | 一种自动化正畸难度系数评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463328B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918995A (zh) * | 2019-01-16 | 2019-06-21 | 上海理工大学 | 一种基于深度学习的人群异常检测方法 |
| CN111784754A (zh) * | 2020-07-06 | 2020-10-16 | 浙江得图网络有限公司 | 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质 |
| CN113130071A (zh) * | 2021-05-08 | 2021-07-16 | 四川大学 | 一种评估牙齿隐形矫治难度、优化牙移动路径的方法及系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9788917B2 (en) * | 2010-03-17 | 2017-10-17 | ClearCorrect Holdings, Inc. | Methods and systems for employing artificial intelligence in automated orthodontic diagnosis and treatment planning |
| CN106228549B (zh) * | 2016-07-14 | 2019-04-19 | 嘉兴学院 | 一种基于路径规划的三角网格牙齿分割方法 |
| CN107239649B (zh) * | 2016-11-28 | 2018-10-30 | 可丽尔医疗科技（常州）有限公司 | 一种口腔参数化测量的方法 |
| EP3952782B1 (en) * | 2019-05-14 | 2023-12-20 | Align Technology, Inc. | Visual presentation of gingival line generated based on 3d tooth model |
| CN112308861B (zh) * | 2019-07-31 | 2023-10-27 | 正雅齿科科技(上海)有限公司 | 一种牙齿牙龈分割方法、牙齿分割方法和电子设备 |
| CN111588499B (zh) * | 2020-06-01 | 2021-06-04 | 哈尔滨理工大学 | 一种基于正畸弓丝弯制点密度的平面等半径圆域划分半径确定方法 |
| CN112201349A (zh) * | 2020-11-04 | 2021-01-08 | 四川大学 | 一种基于人工智能的正畸手术方案生成系统 |
| CN114066772A (zh) * | 2021-11-26 | 2022-02-18 | 南京理工大学 | 一种基于transformer编码器的牙体点云补全方法及系统 |
-
2022
- 2022-04-11 CN CN202210370788.XA patent/CN114463328B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918995A (zh) * | 2019-01-16 | 2019-06-21 | 上海理工大学 | 一种基于深度学习的人群异常检测方法 |
| CN111784754A (zh) * | 2020-07-06 | 2020-10-16 | 浙江得图网络有限公司 | 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质 |
| CN113130071A (zh) * | 2021-05-08 | 2021-07-16 | 四川大学 | 一种评估牙齿隐形矫治难度、优化牙移动路径的方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| C Peng等.Densely based multi-scale and multi-modal fully convolutional networks for high-resolution remote-sensing image semantic segmentation.《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》.2019,第12卷(第8期), * |
| 王玉.口腔正畸治疗牙周病致前牙移位的临床效果分析.《健康大视野》.2021,第15卷 * |
| 程涛.PAR指数在拔除第一恒磨牙后正畸治疗疗效评估中的作用.《安徽医药》.2018,(第07期), * |
| 罗庆.基于牙科X线图像的牙齿状态检测与病理分析.《中国优秀硕士学位论文全文数据库 (基础科学辑)》.2022,(第2期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114463328A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11232573B2 (en) | Artificially intelligent systems to manage virtual dental models using dental images | |
| US20210100643A1 (en) | Automated detection, generation and/or correction of dental features in digital models | |
| US20200402647A1 (en) | Dental image processing protocol for dental aligners | |
| RU2725280C1 (ru) | Приспособления и методы планирования ортодонтического лечения | |
| JP5362577B2 (ja) | 自動化された歯の測定と診断とを容易にするシステムおよび方法 | |
| Tian et al. | Efficient computer-aided design of dental inlay restoration: a deep adversarial framework | |
| CN112790879B (zh) | 一种牙齿模型的牙轴坐标系构建方法及系统 | |
| CN114757960B (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
| WO2023202143A1 (zh) | 基于深度学习的牙齿修复体自动设计方法及系统 | |
| Choi et al. | Possibilities of artificial intelligence use in orthodontic diagnosis and treatment planning: Image recognition and three-dimensional VTO | |
| Tian et al. | Efficient tooth gingival margin line reconstruction via adversarial learning | |
| Woodsend et al. | Automatic recognition of landmarks on digital dental models | |
| Ben-Hamadou et al. | 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge | |
| CN112308861B (zh) | 一种牙齿牙龈分割方法、牙齿分割方法和电子设备 | |
| CN114463328B (zh) | 一种自动化正畸难度系数评估方法 | |
| CN116958169A (zh) | 一种三维牙颌模型牙齿分割方法 | |
| CN113139908B (zh) | 一种三维牙列分割与标注方法 | |
| US20230419631A1 (en) | Guided Implant Surgery Planning System and Method | |
| Hao et al. | Clinically applicable system for 3D teeth segmentation in intraoral scans using deep learning | |
| CN113052902B (zh) | 牙齿治疗监测方法 | |
| US20230298272A1 (en) | System and Method for an Automated Surgical Guide Design (SGD) | |
| CN116421341A (zh) | 正颌手术规划方法、设备、存储介质和手术导航系统 | |
| TW202409874A (zh) | 牙齒復原自動化技術 | |
| Broll et al. | Generative deep learning approaches for the design of dental restorations: A narrative review | |
| CN117999615A (zh) | 牙科修复工作流程中的自动牙齿管理 |
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 |