CN115115769A - 去除牙齿三维数字模型上的附件的方法 - Google Patents
去除牙齿三维数字模型上的附件的方法 Download PDFInfo
- Publication number
- CN115115769A CN115115769A CN202110293745.1A CN202110293745A CN115115769A CN 115115769 A CN115115769 A CN 115115769A CN 202110293745 A CN202110293745 A CN 202110293745A CN 115115769 A CN115115769 A CN 115115769A
- Authority
- CN
- China
- Prior art keywords
- digital model
- dimensional digital
- attachment
- tooth
- point cloud
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 239000011800 void material Substances 0.000 claims abstract description 5
- 238000005520 cutting process Methods 0.000 claims abstract description 3
- 238000009499 grossing Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 210000004513 dentition Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000009958 sewing Methods 0.000 description 2
- 230000036346 tooth eruption Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000002455 dental arch Anatomy 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004283 incisor Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013519 translation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
-
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20—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
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请的一方面提供了一种计算机执行的去除牙齿三维数字模型上的附件的方法,其包括:获取表示设有附件的第一牙齿的第一三维数字模型;将所述第一三维数字模型点云化获得第一点云;利用经训练的第一人工神经网络将所述第一点云分割为附件区域和非附件区域,将所述第一点云的非附件区域部分记为第二点云,该第二点云在所述附件区域处形成空缺;利用经训练的第二人工神经网络基于所述第二点云补全其空缺处得到表示无附件的所述第一牙齿的第三点云;基于所述第三点云重建表示无附件的所述第一牙齿的第二三维数字模型;自所述第二三维数字模型切割出与所述空缺处相对应的部分;基于所述第一人工神经网络的分割结果,将所述第一三维数字模型的附件部分删除;以及将所述切割出的部分与删除所述附件部分的所述第一三维数字模型缝合得到表示无附件的所述第一牙齿的第三三维数字模型。
Description
技术领域
本申请总体上涉及去除牙齿三维数字模型上的附件的方法,尤其是涉及利用深度学习人工神经网络去除牙齿三维数字模型上的附件的方法。
背景技术
由于美观、便捷以及利于清洁等优点,以高分子材料制成的壳状牙齿矫治器越来越受欢迎。通常,利用壳状牙齿矫治器进行牙齿正畸治疗,需要一系列逐次的壳状牙齿矫治器,每一个这些壳状牙齿矫治器容纳牙齿的空腔的几何形态与对应矫治步所希望达到的牙齿布局基本匹配。
在很多情况下,单纯依靠壳状牙齿矫治器本身难以保证对牙齿施加大小和方向适宜的矫治力系。例如,在沿牙弓方向近中或远中方向移动牙齿时,虽然,希望的移动方式是牙齿的平移,但在实际操作中很容易形成较大的倾倒力矩,使得牙齿切端向移动方向同侧发生过度移动,从而导致牙齿发生不希望的倾斜移动。在临床应用中,为了避免上述问题,为了在牙齿上施加更接近设计目标所需的矫治力系,往往需要在牙齿上通过粘贴等方法额外固定具有一定外形的凸起的附件,并在壳状牙齿矫治器上形成相应的容纳该附件的腔体,通过腔体与附件之间的挤压和摩擦作用,对该牙齿施加辅助力系,使得对该牙齿施加的总的矫治力系更接近希望的力系。
在一些情况下,需要正畸治疗过程中某一阶段无附件的患者牙齿的三维数字模型,然而,对患者进行口内扫描获得患者牙齿的三维数字模型带有附件,因此,有必要提供一种去除牙齿三维数字模型上的附件的方法。
发明内容
本申请的一方面提供了一种计算机执行的去除牙齿三维数字模型上的附件的方法,其包括:获取表示设有附件的第一牙齿的第一三维数字模型;将所述第一三维数字模型点云化获得第一点云;利用经训练的第一人工神经网络将所述第一点云分割为附件区域和非附件区域,将所述第一点云的非附件区域部分记为第二点云,该第二点云在所述附件区域处形成空缺;利用经训练的第二人工神经网络基于所述第二点云补全其空缺处得到表示无附件的所述第一牙齿的第三点云;基于所述第三点云重建表示无附件的所述第一牙齿的第二三维数字模型;自所述第二三维数字模型切割出与所述空缺处相对应的部分;基于所述第一人工神经网络的分割结果,将所述第一三维数字模型的附件部分删除;以及将所述切割出的部分与删除所述附件部分的所述第一三维数字模型缝合得到表示无附件的所述第一牙齿的第三三维数字模型。
在一些实施方式中,所述第一人工神经网络是以下之一:DGCNN、PointNet及PointNet++。
在一些实施方式中,所述的计算机执行的去除牙齿三维数字模型上的附件的方法还包括:对所述第一人工神经网络产生的分割结果进行平滑处理,该平滑处理同时考虑标注损失和几何损失,其中,所述标注损失是将当前标注平滑为另一标注所产生的损失,所述几何损失是将当前标注平滑为相邻点标注所产生的损失。
在一些实施方式中,所述第二人工神经网络是以下之一:PFNet、PCN、TopNet及GRNet。
在一些实施方式中,所述第二人工神经网络是PFNet,并且其采用基于边卷积的特征提取层。
在一些实施方式中,所述第二人工神经网络的训练考虑曲面偏离损失,以避免所述第三点云中补全的点远离所述第一牙齿表面。
在一些实施方式中,所述的计算机执行的去除牙齿三维数字模型上的附件的方法还包括:通过聚类算法去除所述第三点云中补全的点中的极端点。
在一些实施方式中,所述聚类算法是以下之一:DBSCAN、Kmeans、HDBSCAN及Agglomerative Clustering。
在一些实施方式中,所述的计算机执行的去除牙齿三维数字模型上的附件的方法还包括:用所述去除附件部分的第一三维数字模型的各面片的中心点构建第一KD树,基于面片中心点与该第一KD树的距离,自所述第二三维数字模型中筛选出第一面片集;以及用所述第一三维数字模型上的附件部分的边界面片的中心点构建第二KD树,基于边界点到该第二KD树的距离,自所述第一面片集中筛选出边界与所述附件部分的边界基本吻合的连通的三维数字模型作为所述切割出的部分。
在一些实施方式中,所述第一点云中的每个点包括以下特征:面片中心点的三维坐标、面片的法向量以及面片中心点到每个顶点的向量。
附图说明
以下将结合附图及其详细描述对本申请的上述及其他特征作进一步说明。应当理解的是,这些附图仅示出了根据本申请的若干示例性的实施方式,因此不应被视为是对本申请保护范围的限制。除非特别指出,附图不必是成比例的,并且其中类似的标号表示类似的部件。
图1为本申请一个实施例中的去除牙齿三维数字模型上的附件的方法的示意性流程图;
图2A示意性地展示了一个例子中的一种三角形剖分方案;
图2B示意性地展示了图2A所示例子的另一种三角形剖分方案;以及
图3示意性地展示了又一例子中的三角形剖分方案。
具体实施方式
以下的详细描述中引用了构成本说明书一部分的附图。说明书和附图所提及的示意性实施方式仅仅出于是说明性之目的,并非意图限制本申请的保护范围。在本申请的启示下,本领域技术人员能够理解,可以采用许多其他的实施方式,并且可以对所描述实施方式做出各种改变,而不背离本申请的主旨和保护范围。应当理解的是,在此说明并图示的本申请的各个方面可以按照很多不同的配置来布置、替换、组合、分离和设计,这些不同配置都在本申请的保护范围之内。
本申请的一方面提供了一种计算机执行的去除牙齿三维数字模型上的附件的方法。
请参图1,为本申请一个实施例中的计算机执行的去除牙齿三维数字模型上的附件的方法100的示意性流程图。
在101中,获取表示设有附件的第一牙齿的第一三维数字模型。
在一个实施例中,可以对患者进行口内扫描(例如,利用激光口腔扫描设备进行扫描)获得患者上、下颌牙列的三维数字模型,然后,对所述三维数字模型进行分割以获得单颗牙齿的三维数字模型。口内扫描和牙列三维数字模型的分割均为业界习知技术,此处不再对其进行详细说明。
在103中,点云化第一三维数字模型。
在一个实施例中,所述第一三维数字模型可以是由三角形网格/面片构成的三维数字模型。
在一个实施例中,可以对所述第一三维数字模型进行均匀采样并提取特征,以实现对其的点云化。
在一个实施例中,由于后续数据处理要求,可以采样固定数量(例如,4000个)的点。可以理解,这个固定数量可以由后续处理点云的模块的设计所决定。
在一个实施例中,可以将面片的中心点作为采样点,每个采样点可以由以下特征表示:面片中心点的三维坐标、面片的法向量以及面片中心点到每个顶点的向量(共15维特征)。
在一些情况下,一颗牙齿的三维数字模型的面片数量可能低于所述固定数量,在一个实施例中,可以通过重复采样获得所述固定数量的点,在又一实施例中,可以用零代替短缺的点,在又一实施例中,可以在一个面片上采样两个或以上的点,以获得所述固定数量的点。
点云化第一三维数字模型后获得第一点云。
在105中,利用经训练的第一人工神经网络将第一点云分割成附件区域和非附件区域。
在一个实施例中,第一人工神经网络可以采用动态图卷积神经网络(以下简称DGCNN)。在一个实施例中,通过特征学习(即训练),使得所述第一人工神经网络能够将所述第一点云内的点分割为附件的点(例如,可以用1标注)和非附件的点(例如,可以用0标注)。把所述第一点云输入所述经训练的第一人工神经网络,所述经训练的第一人工神经网络输出所述第一点云中每个点在0和1上的概率分布。若一个点在1上的概率大于其在0上的概率,那么,该点被标注为附件点。
在一个实施例中,可以对分割结果进行平滑处理。在进行平滑处理时可以考虑两个损失,一个是标注损失,另一个是几何损失。
标注损失是将一个面片(即点云中的点)的当前标注平滑处理为另一标注的损失(例如,将附件标注平滑处理为非附件标注)。在一个实施例中,可以把标注损失取值为当前标注的概率,即当前标注概率越大,平滑处理的损失越大。
几何损失是将一个面片的当前标注平滑处理为与之相邻的面片的标注的损失,可以将其取值为这两个面片的中心点距离和二面角的乘积。
接着,通过图割算法(Graph-Cut)最小化标注损失和几何损失的加权和,以实现平滑。在最小化损失中,有一个非负常数lambda作为几何损失的权重,用于平衡标注损失和几何损失对于总损失的影响,经过大量实验,本申请的发明人发现lambda取10具有较好的效果。若lambda取值太大,附件点容易被误认为牙齿点,反之,若lambda取值太小,牙齿点容易被误认为附件点。
获得所述第一点云的最终分割结果后,可以把其中属于附件的点去除,将剩余的点(即牙齿的点)称为第二点云,它表示去除了附件后留下空缺的牙齿的三维数字模型,将该空缺处的点补全后即可得到表示完整牙齿的点云。
在本申请的启示下,可以理解,除了DGCNN之外,第一人工神经网络还可以采用任何其他适用的人工神经网络,例如,PointNet或PointNet++等。
在107中,利用第二人工神经网络基于所述第二点云补全其空缺处得到表示无附件的第一牙齿的第三点云。
在一个实施例中,所述第二人工神经网络可以采用PFNet(Point FractalNetwork for 3D Point Cloud Completion)。
从空间结构来看,空缺处点的生成依赖于其周围最近的多个点(即输入的第二点云)的特征。在一个实施例中,为了获得更多周围点的结构特征,以更好地产生空缺处的点,可以将传统的PFNet的特征提取子网络由简单的多层感知器(Multi-Layer Perceptron)替换为基于边卷积(EdgeConv)的特征提取子网络,例如,DGCNN的特征提取子网络,其包括依次连接的T-Net、3层EdgeConv以及1层Conv2D。
为了使生成的点尽可能地位于牙冠曲面上,而非远离牙冠曲面(例如,靠近牙冠中心,或位于牙冠曲面之外并远离之),可以在训练所述第二人工神经网络的时候增加曲面偏离损失。在一个实施例中,可以根据以下方程式(1)计算曲面偏离损失ξ。
ξ=(m-n)2 方程式(1)
其中,m代表所述第二点云中所有点到其中心点c的距离的平均值,n代表所述第三点云中所有点到所述中心点c的距离的平均值。
由于PFnet对点的预测没有任何强制约束,因此有可能出现极端点(离大多数点较远的点)。本申请的发明人经过大量实验发现,在几乎所有情况下,这些极端点都是需要去除的噪音点。
在一个实施例中,可以采用DBSCAN聚类算法(eps=0.8)在生成的点中找出所有无法被归类到任何一个聚类的点,这些点大概率就是要找的极端点。再进行进一步操作之前,需要将这些点从所述生成的点中删去。
在本申请的启示下,可以理解,除了DBSCAN之外,还可以采用Kmeans、HDBSCAN或Agglomerative Clustering等聚类算法从所述生成的点中删除极端点。
在本申请的启示下,可以理解,除了PFNet之外,第二人工神经网络还可以采用任何其他适用的人工神经网络,例如,PCN(Point Completion Network)、TopNet或GRNet(Gridding Residual Network)等。
在109中,基于第三点云重建表示第一牙齿的第二三维数字模型。
在一个实施例中,可以采用泊松曲面重建算法基于所述第三点云重建所述第二三维数字模型(即网格模型)。在本申请的启示下,可以理解,除了泊松曲面重建算法之外,也可以采用任何其他适用的算法基于所述第三点云重建所述第二三维数字模型,例如,滚球算法(Ball Pivoting)等。
需要注意的是:(1)泊松重建可能会在牙齿边界处产生大量多余的面片;(2)所述重建的第二三维数字模型在非附件区虽然与所述原始的第一三维数字模型非常相似但并不完全重合。因此,可以在所述第二三维数字模型上抠出空缺处的部分,然后,将其缝合到去除了附件的第一三维数字模型上。
在111中,抠出第二三维数字模型对应空缺处的部分。
在一个实施例中,可以采用以下方法抠出所述第二三维数字模型对应空缺处的部分。
首先,可以利用K近邻算法(K-Nearest Neighbour,简称KNN),基于所述第一点云的分割结果,将所述第一三维数字模型上属于附件的面片删除。
接着,可以用所述去除附件部分的第一三维数字模型的各面片的中心点构建一棵KD树(KD-Tree),筛选出所述第二三维数字模型中中心点距离该KD树大于tol的面片,得到第一面片集,这些面片就是所述空缺处所对应的面片以及泊松重建在边界处产生的多余面片。在一个例子中,tol可以取经验值0.3。
然后,可以将第一面片集按连通性分为若干个连通的三维模型。如果某个三维模型与空缺处相对应,那么,其边界应与附件区域的边界近似重合。重合检验可以采用KD树完成。在一个实施例中,可以用所述第一三维数字模型上的附件部分的边界面片的中心点构建一颗KD树,计算各连通的三维模型的每一边界点到该KD树的距离并求平均值,若平均值小于tol2,那么,认为该连通三维模型对应一个附件区域(在一些情况下,一颗牙齿上可以设置多个附件)。在一个例子中,tol2可以取经验值1.3。仅留下与空缺处对应的连通的三维模型,可以去除泊松重建所产生的多余的面片。至此,获得第二三维数字模型对应空缺处的部分。
在113中,将去除附件部分的第一三维数字模型与第二三维数字模型对应空缺处的部分进行缝合,得到表示无附件的第一牙齿的第三三维数字模型。
在一个实施例中,为了保证后续曲面缝合的平滑,可以在曲面缝合前对所述两个待缝合部分的边缘进行平滑处理。在一个实施例中,可以采用拉普拉斯平滑方法,其具体操作如下。
下面以所述第二三维数字模型对应空缺处的部分的边缘为例对平滑操作进行详细说明。
在一个实施例中,拉普拉斯平滑可以下面方程式(2)表达。
其中,n=3,
设经平滑的所述第二三维数字模型对应空缺处的部分的边缘和去除附件部分的第一三维数字模型的空缺处的边缘的点集分别为p1’和p2’。
接着,将p1’和p2’进行排序。在一个实施例中,可以先找出p1’和p2’之间距离最小的一对点{P1′i,P2′j},然后,以p1’i为起点,沿逆时针方向重新将p1’排序,以p2’j为起点,沿逆时针方向重新将p2’排序。
然后,可以基于排序后的点集划分子曲面。在一个实施例中,可以采用如下方法进行子曲面划分。
先计算p1’与p2’中点的数量,数量少的定义为pshort,数量多的定义为plong。
接着,计算pshort和plong的最近点对,其中,pshort和plong的第一个点构成一个最近点对,pshort和plong的最后一个点构成一个最近点对。
每两个相邻的最近点对(4个点)以及它们之间的plong中的点构成一个子曲面,其中,第一个最近点对和最后一个最近点对构成一个子曲面。
接下来对子曲面进行三角剖分。在一个实施例中,可以采用以下方法基于三角形内角对子曲面进行剖分。
首先,计算每一子曲面中属于plong的顶点的数量np。
若np=1,则说明该子曲面为三角形,无需剖分。
若np=2,则该子曲面将被剖分成两个三角形。这时,有两种剖分方法,分别如图2a和2b所示。计算这两种剖分方法的最小内角,采用最小内角较大的剖分方法。
若np>2,先将该子曲面剖分成两个部分f1和f2,其中,f1由4个顶点(pshorti、pshorti+1、plongj以及plongj+1)构成,采用np=2时的剖分方法对f1进行剖分。f2由np个顶点构成,其中,包括一个pshort的顶点pshorti+1和np-1个plong的顶点。此时,pshorti+1和所述np-1个plong的顶点中每两个相邻的顶点构成一个三角形,完成该子曲面的三角形剖分,如图3所示。
三角形剖分完成后即完成了缝合,获得表示去除了附件的第一牙齿的第三三维数字模型。
本申请的去除牙齿三维数字模型上的附件的方法能够由计算机自动执行,具有极高的效率,进而有效降低人力成本。
尽管在此公开了本申请的多个方面和实施例,但在本申请的启发下,本申请的其他方面和实施例对于本领域技术人员而言也是显而易见的。在此公开的各个方面和实施例仅用于说明目的,而非限制目的。本申请的保护范围和主旨仅通过后附的权利要求书来确定。
同样,各个图表可以示出所公开的方法和系统的示例性架构或其他配置,其有助于理解可包含在所公开的方法和系统中的特征和功能。要求保护的内容并不限于所示的示例性架构或配置,而所希望的特征可以用各种替代架构和配置来实现。除此之外,对于流程图、功能性描述和方法权利要求,这里所给出的方框顺序不应限于以同样的顺序实施以执行所述功能的各种实施例,除非在上下文中明确指出。
除非另外明确指出,本文中所使用的术语和短语及其变体均应解释为开放式的,而不是限制性的。在一些实例中,诸如“一个或多个”、“至少”、“但不限于”这样的扩展性词汇和短语或者其他类似用语的出现不应理解为在可能没有这种扩展性用语的示例中意图或者需要表示缩窄的情况。
Claims (10)
1.一种计算机执行的去除牙齿三维数字模型上的附件的方法,包括:
获取表示设有附件的第一牙齿的第一三维数字模型;
将所述第一三维数字模型点云化获得第一点云;
利用经训练的第一人工神经网络将所述第一点云分割为附件区域和非附件区域,将所述第一点云的非附件区域部分记为第二点云,该第二点云在所述附件区域处形成空缺;
利用经训练的第二人工神经网络基于所述第二点云补全其空缺处得到表示无附件的所述第一牙齿的第三点云;
基于所述第三点云重建表示无附件的所述第一牙齿的第二三维数字模型;
自所述第二三维数字模型切割出与所述空缺处相对应的部分;
基于所述第一人工神经网络的分割结果,将所述第一三维数字模型的附件部分删除;以及将所述切割出的部分与删除所述附件部分的所述第一三维数字模型缝合得到表示无附件的所述第一牙齿的第三三维数字模型。
2.如权利要求1所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,所述第一人工神经网络是以下之一:DGCNN、PointNet及PointNet++。
3.如权利要求1所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,它还包括:对所述第一人工神经网络产生的分割结果进行平滑处理,该平滑处理同时考虑标注损失和几何损失,其中,所述标注损失是将当前标注平滑为另一标注所产生的损失,所述几何损失是将当前标注平滑为相邻点标注所产生的损失。
4.如权利要求1所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,所述第二人工神经网络是以下之一:PFNet、PCN、TopNet及GRNet。
5.如权利要求4所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,所述第二人工神经网络是PFNet,并且其采用基于边卷积的特征提取层。
6.如权利要求1所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,所述第二人工神经网络的训练考虑曲面偏离损失,以避免所述第三点云中补全的点远离所述第一牙齿表面。
7.如权利要求1所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,它还包括:通过聚类算法去除所述第三点云中补全的点中的极端点。
8.如权利要求7所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,所述聚类算法是以下之一:DBSCAN、Kmeans、HDBSCAN及Agglomerative Clustering。
9.如权利要求1所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,它还包括:
用所述去除附件部分的第一三维数字模型的各面片的中心点构建第一KD树,基于面片中心点与该第一KD树的距离,自所述第二三维数字模型中筛选出第一面片集;以及用所述第一三维数字模型上的附件部分的边界面片的中心点构建第二KD树,基于边界点到该第二KD树的距离,自所述第一面片集中筛选出边界与所述附件部分的边界基本吻合的连通的三维数字模型作为所述切割出的部分。
10.如权利要求1所述的计算机执行的去除牙齿三维数字模型上的附件的方法,其特征在于,所述第一点云中的每个点包括以下特征:面片中心点的三维坐标、面片的法向量以及面片中心点到每个顶点的向量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110293745.1A CN115115769A (zh) | 2021-03-19 | 2021-03-19 | 去除牙齿三维数字模型上的附件的方法 |
PCT/CN2022/077090 WO2022193909A1 (zh) | 2021-03-19 | 2022-02-21 | 去除牙齿三维数字模型上的附件的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110293745.1A CN115115769A (zh) | 2021-03-19 | 2021-03-19 | 去除牙齿三维数字模型上的附件的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115769A true CN115115769A (zh) | 2022-09-27 |
Family
ID=83321543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110293745.1A Pending CN115115769A (zh) | 2021-03-19 | 2021-03-19 | 去除牙齿三维数字模型上的附件的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115115769A (zh) |
WO (1) | WO2022193909A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546444A (zh) * | 2022-11-28 | 2022-12-30 | 上海牙典医疗器械有限公司 | 基于三维牙齿和牙冠配准的牙齿重建方法、系统及终端 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830287B (zh) * | 2023-02-20 | 2023-12-12 | 汉斯夫(杭州)医学科技有限公司 | 基于激光口扫与cbct重建的牙齿点云融合方法、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004202B2 (en) * | 2017-10-09 | 2021-05-11 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for semantic segmentation of 3D point clouds |
CN111696192A (zh) * | 2019-03-14 | 2020-09-22 | 杭州朝厚信息科技有限公司 | 基于人工神经网络的去除牙齿三维数字模型的表面气泡的方法 |
CN112241997B (zh) * | 2020-09-14 | 2024-03-26 | 西北大学 | 基于多尺度点云上采样的三维模型建立、修复方法及系统 |
-
2021
- 2021-03-19 CN CN202110293745.1A patent/CN115115769A/zh active Pending
-
2022
- 2022-02-21 WO PCT/CN2022/077090 patent/WO2022193909A1/zh active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546444A (zh) * | 2022-11-28 | 2022-12-30 | 上海牙典医疗器械有限公司 | 基于三维牙齿和牙冠配准的牙齿重建方法、系统及终端 |
CN115546444B (zh) * | 2022-11-28 | 2023-03-10 | 上海牙典医疗器械有限公司 | 基于三维牙齿和牙冠配准的牙齿重建方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
WO2022193909A1 (zh) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932716B (zh) | 用于牙齿图像的图像分割方法 | |
US20210330428A1 (en) | Fabrication of Dental Appliances | |
WO2019098887A1 (en) | Dental image processing protocol for dental aligners | |
CN106327535B (zh) | Cbct的牙根与口内扫描的牙冠的融合方法 | |
WO2022193909A1 (zh) | 去除牙齿三维数字模型上的附件的方法 | |
CN110189352B (zh) | 一种基于口腔cbct图像的牙根提取方法 | |
CN111784754B (zh) | 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质 | |
CN105447908A (zh) | 基于口腔扫描数据和cbct数据的牙列模型生成方法 | |
CN115362451A (zh) | 用于从二维图像构建三维模型的系统和方法 | |
CN111862171A (zh) | 基于多视图融合的cbct与激光扫描点云数据牙齿配准方法 | |
CN115619773B (zh) | 一种三维牙齿多模态数据配准方法及系统 | |
CN111685899A (zh) | 基于口内图像和三维模型的牙齿正畸治疗监测方法 | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
CN112308861B (zh) | 一种牙齿牙龈分割方法、牙齿分割方法和电子设备 | |
CN114998577A (zh) | 牙颌三维数字模型的分割方法 | |
CN115272585A (zh) | 一种三维牙列模型构建装置及方法 | |
CN107146232A (zh) | 口腔cbct图像与激光扫描牙齿网格的数据融合方法 | |
Zhang et al. | Computer-aided design of dental inlay restoration based on dual-factor constrained deformation | |
CN110916821A (zh) | 基于3d打印的隐形矫正器的制备方法 | |
Jung et al. | Combining volumetric dental CT and optical scan data for teeth modeling | |
Ben-Hamadou et al. | 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge | |
CN115546444B (zh) | 基于三维牙齿和牙冠配准的牙齿重建方法、系统及终端 | |
WO2023242768A1 (en) | Defect detection, mesh cleanup, and mesh cleanup validation in digital dentistry | |
CN114897924B (zh) | 牙齿模型分割方法及装置 | |
CN114974523A (zh) | 牙齿三维数字模型的融合方法 |
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 |