CN115409156A - 用于正畸教学的托槽位置智能评估方法、装置及系统 - Google Patents

用于正畸教学的托槽位置智能评估方法、装置及系统 Download PDF

Info

Publication number
CN115409156A
CN115409156A CN202211022714.3A CN202211022714A CN115409156A CN 115409156 A CN115409156 A CN 115409156A CN 202211022714 A CN202211022714 A CN 202211022714A CN 115409156 A CN115409156 A CN 115409156A
Authority
CN
China
Prior art keywords
points
bracket
evaluated
crown
image
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
Application number
CN202211022714.3A
Other languages
English (en)
Other versions
CN115409156B (zh
Inventor
詹美均
薛超然
白丁
韩向龙
李玉龙
李佳冶
郑沧平
闫晓静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Publication of CN115409156A publication Critical patent/CN115409156A/zh
Application granted granted Critical
Publication of CN115409156B publication Critical patent/CN115409156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G09B23/283—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine for dentistry or oral hygiene
    • 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
    • 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
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Epidemiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)

Abstract

本发明提供一套用于正畸教学的托槽位置智能评估方法、装置及系统，该评估方法是通过对原始照片数据进行降噪滤波、对比度增强、边缘检测，提取教学评估基座的四边形轮廓，与该教学评估基座的标准比例尺寸联立进行透视变换计算，实现透视角度的矫正，输出标准待评估图像；通过评估校准线区域图，检验标准待评估图像的透视变换结果，当透视变换结果在误差允许范围内时，完成对托槽粘接位置的评估，输出评分结果。本发明所提供的技术方案能够让使用者在进行粘接托槽训练后方便、快速地对托槽粘接准确度进行评估，极大地提高了教学工作的效率。

Description

用于正畸教学的托槽位置智能评估方法、装置及系统
技术领域
本发明属于口腔牙齿正畸技术领域，涉及用于正畸教学的托槽粘接位置智能评估方法、装置及系统，尤其涉及针对中国专利“一种用于教学评估牙齿正畸托槽体外粘接准确度的装置”（CN214202882U）的智能评估方法，应用于口腔医学教育中方便、快速评估体外牙齿正畸托槽粘接准确度。
背景技术
固定矫治技术是当前正畸临床应用最广泛、矫治效果最可靠的矫治技术。托槽（bracket）是固定矫治技术的重要部件，在临床治疗中，需要借助托槽传递弓丝产生的矫治力，以此控制牙齿移动，达到矫治的目的。
在正畸治疗过程中，托槽位置的准确与否对于整个治疗过程起着重要的作用， 因此，在口腔正畸学的教学过程中，评估学生粘接托槽的准确度十分重要。
现下的教学体系中，通常采用体外牙颌模型用于教学培训及评估工作。学生在牙颌模型上完成托槽粘接后，如何快速、有效且稳定地反映出学生粘接托槽的准确度，成为该教学领域的难点：一方面，对于一个学员的粘接托槽情况评估，就需要对全牙列多达28颗牙齿的合龈向、近远中向、轴倾度等多个方向进行判断，工作量巨大，即使是经验丰富的牙科医生也需要相当长时间完成该判断，更何况目前口腔正畸学师资有限，但学员众多；另一方面，现阶段的评估方法主要为依赖肉眼或使用标尺，不同教师的评估可重复性难以统一。
为了解决上述现有技术中的问题，本发明的发明人在先授权中国专利“一种用于教学评估牙齿正畸托槽体外粘接准确度的装置”（CN214202882U）、“一种教学评估牙齿正畸托槽体外粘接准确度的方法”（CN112634723B），公开了一种用于教学评估牙齿正畸托槽粘接准确度的装置，所述装置包括带有牙根连接件的虚拟牙齿模型及用于固定放置虚拟牙齿模型的教学评估基座，所述教学评估基座包括牙根连接凹槽及评估用辅助线，所述评估用辅助线为多条且其交接处或延长线交接处为评估点位。在将虚拟牙齿模型放置固定于教学评估基座上时，所述评估用辅助线及其交接处的评估点位用于快速评估虚拟牙齿模型的牙冠上粘接托槽位置的准确度。且所述虚拟牙齿模型为多个时，通过其水平排列形式，相较于传统的弓形颌架，能够更直观、便捷地对多个虚拟牙齿模型上粘接的托槽进行整体性的教学评估。
但是，上述专利技术在实施过程中，虽然借助该专利技术中的装置大幅降低了人工评估的复杂程度，并提供了一种新的评估方法，但仍旧依托于人工进行评估，难免在评估过程中产生不准或误差的情形。
因此，本发明的发明人聚焦于近年来飞速发展的图像处理与智能识别技术，高效精准的图像智能识别技术也许是解决托槽体外粘接评估难、评估不准的有效方法。
发明内容
针对上述现有技术中的问题，本发明提供一套用于正畸教学的托槽位置智能评估方法、装置及系统，能够让使用者在进行粘接托槽训练后方便、快速地对托槽粘接准确度进行评估，极大地提高了教学工作的效率。
为实现上述目的，本发明是采用由以下技术措施构成的技术方案来实现的。
在一方面，本发明提供了一种用于正畸教学的托槽位置智能评估方法，主要包括以下步骤：
S Ⅰ、用户在使用教学评估基座进行托槽粘接后，对其进行拍摄，得到原始照片数据（origin_image）；
S Ⅱ、将原始照片数据（origin_image），依次按照以下方式进行处理：
Ⅱ-1、采用Python程序读取原始照片数据（origin_image），然后通过Python程序的照片调整预设值，调整照片宽度和/或高度，得到调整照片数据（resized_image），并获取调整照片数据（resized_image）的宽度值width，高度值height；
Ⅱ-2、去除调整照片数据（resized_image）的颜色信息，得到灰度图（gray_image）；
Ⅱ-3、对灰度图（gray_image）进行高斯滤波处理，完成图片降噪，得到高斯降噪照片（gaussian_image）；
Ⅱ-4、采用Canny边缘检测算法获取高斯降噪照片（gaussian_image）中的边缘信息；通过Canny边缘检测算法处理后，得到的图像为二值图像，再采用OpenCV中的cvFindContours函数获取轮廓，得到轮廓点集contours；
Ⅱ-5、对轮廓点集contours中的所有轮廓，按照轮廓围成的面积由大到小进行排序；需要说明的是，最大的轮廓通常对应教学评估基座；
Ⅱ-6、提取轮廓围成面积最大的轮廓，依次遍历该轮廓中的所有点，找出最左上、最右上、最左下、最右下的4个点的坐标，形成原始照片角点坐标列表list1；
Ⅱ-7、根据标准答案状态的教学评估基座图像，设置相应比例尺寸的目标照片角点坐标列表list2；
Ⅱ-8、采用OpenCV中的getPerspectiveTransform函数计算从list1到list2的透视变换矩阵M，并使用OpenCV的warpPerspective透视变换函数，用透视变换矩阵M对原始照片数据（origin_image）进行裁剪与透视变换，最终得到待评估图像（std_image）；
S Ⅲ、将待评估图像（std_image），依次按照以下方式进行处理：
Ⅲ-1、根据标准答案状态的教学评估基座图像，设置感兴趣区域（ROI）信息，包括校准线区域（ROI-ruler）以及其坐标值集，每颗牙齿模型的牙冠区域（ROI-xx，xx为牙齿模型编号）以及其坐标值集；
Ⅲ-2、采用Python程序读取待评估图像（std_image），并将其转换为待评估灰度图（gray_std_image）；
Ⅲ-3、根据感兴趣区域（ROI）信息生成与待评估灰度图（gray_std_image）大小相同的mask图片，mask图片为一单通道图片，且在感兴趣区域（ROI）所规定的范围内，像素值为255，其余范围像素值为0；
Ⅲ-4、将mask图片与待评估灰度图（gray_std_image）叠加，叠加的规则为：mask图片中为像素值为0的范围，在叠加后保留像素值为0；mask图片中像素值为255的范围，在叠加后保留为待评估灰度图（gray_std_image）的像素值；
Ⅲ-5、根据步骤Ⅲ-4叠加后像素值非0部分，分别得到待评估校准线区域图（ruler_image）和每颗牙齿模型的待评估牙冠区域图（xx_image），并保留待评估校准线区域图（ruler_image）和待评估牙冠区域图（xx_image）于待评估图像（std_image）上的坐标值集；
S Ⅳ、将待评估校准线区域图（ruler_image），依次按照以下方式进行处理与评估：
IV-1、根据步骤Ⅲ-1中校准线区域（ROI-ruler）以及其坐标值集，提取边缘方位点并记录为校准线标准点坐标值；
IV-2、将待评估校准线区域图（ruler_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估校准线轮廓信息contours；
IV-3、将待评估校准线轮廓信息contours中轮廓的所有点进行遍历，以校准线标准点坐标值相同方位的边缘方位点作为校准特征点，记录校准特征点坐标值；
IV-4、基于校准线标准点坐标值，采用透视变换结果检验算法对校准特征点坐标值进行评估：
若误差过大，要求用户重新从步骤S Ⅰ开始，拍摄得到原始照片数据（origin_image）；
若误差在可准许范围内，可接受误差，继续下一步骤S Ⅴ进行托槽位置评分；
S Ⅴ、将每颗牙齿模型的待评估牙冠区域图（xx_image），依次按照以下方式进行处理与评估：
Ⅴ-1、根据步骤Ⅲ-1中每颗牙齿模型的牙冠区域（ROI-xx，xx为牙齿模型编号）以及其坐标值集，提取边缘方位点并记录为牙冠轮廓标准点坐标值，提取每颗牙齿模型上所粘接托槽的边缘方位点并记录为托槽轮廓标准点坐标值；
Ⅴ-2、将每颗牙齿模型的待评估牙冠区域图（xx_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估牙冠轮廓信息contours；
Ⅴ-3、将待评估牙冠轮廓信息contours中轮廓的所有点进行遍历，以牙冠轮廓标准点坐标值相同方位的边缘方位点作为牙冠轮廓特征点，记录牙冠轮廓特征点坐标值；通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图（xx_image）上所粘接托槽的边缘方位点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值；
Ⅴ-4、基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，对牙冠轮廓特征点坐标值、托槽轮廓特征点坐标值进行评估，得到评估分值，作为用户粘接托槽准确度训练分数。
在本文中，所述教学评估基座可以是基于本发明的发明人在先授权中国专利“一种用于教学评估牙齿正畸托槽体外粘接准确度的装置”（CN214202882U）中所公开的一种用于教学评估牙齿正畸托槽体外粘接准确度的装置：
一种用于教学评估牙齿正畸托槽体外粘接准确度的装置，包括带有牙根连接件的虚拟牙齿模型及用于固定放置虚拟牙齿模型的教学评估基座；
所述带有牙根连接件的虚拟牙齿模型包括虚拟牙冠模型以及与之固定连接的牙根连接件，所述虚拟牙冠模型的形状与人体牙齿牙冠形状一致，在虚拟牙冠模型釉牙骨质界沿牙长轴方向±1mm处截断且与牙根连接件固定连接，且所述牙根连接件的长端与牙长轴平行；
所述教学评估基座包括用于固定放置虚拟牙齿模型的牙根连接凹槽及评估用辅助线，所述牙根连接凹槽与牙根连接件形状相匹配；
所述虚拟牙齿模型通过牙根连接件活动固定于教学评估基座上所设置的牙根连接凹槽内；当虚拟牙齿模型为多个时，活动固定于教学评估基座上的虚拟牙齿模型呈水平排列，且虚拟牙齿模型用于粘接托槽的牙冠面朝向一致；
所述评估用辅助线为多条且其交接处或延长线交接处为评估点位；
在教学评估基座上还设有基座校准线，所述基座校准线是由水平线和垂直线所构成的“十”字形、“L”形或“井”字形。
在上述所公开的一种用于教学评估牙齿正畸托槽体外粘接准确度的装置结构特征中，“带有牙根连接件的虚拟牙齿模型”等同于本文中的“牙齿模型”，“基座校准线”等同于本文中的“校准线”。在本文中，基于在先授权专利的术语进行了一定的简化和替换，必要时，本领域技术人员可通过具体实施方式进行理解。
在本文中，所述教学评估基座还可以是具有如下结构特征的器件/装置：
一种用于正畸教学智能评估的教学评估基座，包括带有牙根连接件的牙齿模型及用于固定放置牙齿模型的基座；
所述带有牙根连接件的牙齿模型包括牙冠模型以及与之固定连接的牙根连接件，所述牙冠模型的形状与人体牙齿牙冠形状一致，在牙冠模型釉牙骨质界沿牙长轴方向±1mm处截断且与牙根连接件固定连接，且所述牙根连接件的长端与牙长轴平行；
所述基座包括用于固定放置牙齿模型的牙根连接凹槽，所述牙根连接凹槽与牙根连接件形状相匹配；
所述牙齿模型活动固定于基座上所设置的牙根连接凹槽内，且牙齿模型用于粘接托槽的牙冠面与牙根连接凹槽所在基座平面平行；当牙齿模型为多个时，活动固定于基座上的牙齿模型呈水平排列，且牙齿模型用于粘接托槽的牙冠面朝向一致；所述牙齿模型用于粘接托槽的牙冠面凸出于牙根连接凹槽所在基座平面，以使得牙冠面外形轮廓便于识别；
在基座上还设有校准线，所述校准线是由水平线和垂直线所构成的“十”字形、“丅”形、“L”形或“井”字形。
在其中一种优选的技术方案中，所述基座上还设有用于区分不同类型教学评估基座的标识，例如二维码。
需要说明的是，基于本发明的发明人在先授权中国专利“一种用于教学评估牙齿正畸托槽体外粘接准确度的装置”（CN214202882U）中描述，根据虚拟牙齿模型数量的不同及其它因素具有不同尺寸、形状的具体实施选择。相对应的，本文中所述“教学评估基座”也可同样对应上述专利中所公开的不同尺寸、形状选择，以及上述一种用于正畸教学智能评估的教学评估基座也可同样对应上述专利中所公开的不同尺寸、形状选择。例如，在步骤Ⅱ-7中，就是根据具体的教学评估基座选择，设置相应比例尺寸的目标照片角点坐标列表list2。
在本文中，步骤Ⅲ-1中所述根据标准答案状态的教学评估基座，即通过另一用户（例如教师）使用教学评估基座，以符合规范的方式进行托槽的标准粘接，从而作为标准答案状态的教学评估基座。
在其中一种技术方案中，步骤IV-1中所述根据步骤Ⅲ-1中校准线区域（ROI-ruler）以及其坐标值集，提取边缘方位点并记录为校准线标准点坐标值，其提取边缘方位点的方式可以是人工通过直接标识提取，也可以是基于计算机视觉库OpenCV提取，例如Canny边缘检测算法（即与步骤IV-1和步骤IV-2相同的方式）提取。
因校准线是由水平线和垂直线所构成的“十”字形、“丅”形、“L”形或“井”字形，上述边缘方位点可以是上述形状的边缘端点；例如当校准线为“丅”形时，其边缘方位点为最左侧点、最下侧点和最右侧点。
在其中一种技术方案中，步骤Ⅴ-1中所述根据步骤Ⅲ-1中每颗牙齿模型的牙冠区域（ROI-xx，xx为牙齿模型编号）以及其坐标值集，提取边缘方位点并记录为牙冠轮廓标准点坐标值，其提取边缘方位点的方式可以是人工通过直接标识提取，也可以是基于计算机视觉库OpenCV提取，例如Canny边缘检测算法（即与步骤Ⅴ-2和步骤Ⅴ-3相同的方式）提取。
在其中一种优选的技术方案中，步骤Ⅴ-1中所述牙冠轮廓标准点坐标值所对应的边缘方位点分别为牙冠近远中最凸点M (xM, yM)和N (xN, yN)、牙冠切方最凸点K (xK,yK)。关于“牙冠近远中最凸点”和“牙冠切方最凸点”的定义，本领域技术人员可通过具体实施方式进行理解，或是查询口腔牙齿正畸技术领域的教课书中同词汇定义。
在其中一种技术方案中，步骤Ⅴ-1中所述提取每颗牙齿模型上所粘接托槽的边缘方位点并记录为托槽轮廓标准点坐标值，其提取边缘方位点的方式可以是人工通过直接标识提取，也可以是同样基于步骤Ⅴ-3训练好的神经网络提取，所述神经网络的训练方法可参照下文。
在其中一种技术方案中，步骤Ⅴ-3中所述通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图（xx_image）上所粘接托槽的边缘方位点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，其具体的神经网络训练方法包括如下步骤：
（1-1）人工标注训练样图集（训练样图的制式同待评估牙冠区域图一致）中牙冠表面粘接的托槽区域，形成label文件，制作数据集；并使用pixelLabelDatastore将数据集中的像素标签数据和标签ID封装到类名映射中；
（1-2）使用deeplabv3plusLayers函数基于 ResNet-18构建一个DeepLab v3+ 网络，并构建语义分割Deeplab v3+网络，定义类别数量和设置类别权重；
（1-3）设置训练参数，基于数据集使用trainNetwork开始训练神经网络；
用于训练的优化算法是具有动量的随机梯度下降 (SGDM)；学习率采用分段调度，学习率每 10 轮降低 0.3；这允许网络以更高的初始学习率快速学习，而一旦学习率下降，能够求得接近局部最优的解；
（1-4）基于一个测试图像（例如未标注托槽区域的牙冠区域图像）来进行模型性能验证，将机器学习的结果与预期真实值（例如标注了托槽区域的牙冠区域图像）相比较，判断该网络进行语义分割的准确性；若要衡量多个测试图像的准确度，对整个测试集运行semanticseg。
进一步地，步骤Ⅴ-3中所述经由训练好的神经网络提取待评估牙冠区域图（xx_image）上所粘接托槽的边缘方位点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，主要包括如下步骤：
（2-1）在得到上述神经网络后，将待评估牙冠区域图（xx_image）输入到神经网络中，得到托槽标识区域图（xx_labeled_image）；该图通常主要包括如下特征：图中的托槽区域被某一纯色色块所覆盖，该色块的颜色与图片中牙齿颜色存在明显对比；
（2-2）将托槽标识区域图（xx_labeled_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估托槽轮廓信息contours；
（2-3）将待评估托槽轮廓信息contours中轮廓的所有点进行遍历，以托槽轮廓标准点坐标值相同方位的边缘方位点作为托槽轮廓特征点，记录托槽轮廓特征点坐标值。
在其中一种优选的技术方案中，步骤Ⅴ-1中所述托槽轮廓标准点坐标值所对应的粘接托槽的边缘方位点，分别为托槽底边近远中端点P (xP, yP)、Q (xQ, yQ)。关于“托槽底边近远中端点”的定义，本领域技术人员可通过具体实施方式结合附图进行理解。
在其中一种优选的技术方案中，步骤IV-4中所述基于校准线标准点坐标值，采用透视变换结果检验算法对校准特征点坐标值进行评估，为了更好地对评估进行说明，这里提供了一种经由发明人长期临床经验总结所得到的评估方法供以参考和说明：
当所述教学评估基座的基座上设有校准线，所述校准线是由水平线和垂直线所构成的 “丅”形，且在成像图片中依旧保持为“丅”形时，以及所述“丅”形的垂直线长度为水平线的1/4时：
IV-1、根据步骤Ⅲ-1中校准线区域（ROI-ruler）以及其坐标值集，提取最左侧、最右侧、最下方的点并记录为校准线标准点坐标值；
IV-2、将待评估校准线区域图（ruler_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估校准线轮廓信息contours；
IV-3、将待评估校准线轮廓信息contours中轮廓的所有点进行遍历，以最左侧、最右侧、最下方的点作为校准特征点，记录校准特征点坐标值，分别为A (xA, yA)，B (xB,yB)，C (xC, yC)；
IV-4、基于最左侧、最右侧的校准线标准点坐标值计算其长度值LAB’，基于“丅”形校准线的水平线真实长度LR，采用透视变换结果检验算法对校准特征点坐标值进行评估：
LAB = √( (xA – xB)2 + (yA – yB)2 ) ，
n = LR / LAB ，
n’= LR / LAB’，
l = | yC – (yA + yB) / 2 | ，
δ = | ( l – LAB/4 ) * n | ；
若δ > 0.1 mm，要求用户重新从步骤S Ⅰ开始，拍摄得到原始照片数据（origin_image）；
若δ < 0.1 mm，可接受误差，继续下一步骤S Ⅴ进行托槽位置评分。
在其中一种优选的技术方案中，步骤Ⅴ-4中所述基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，对牙冠轮廓特征点坐标值、托槽轮廓特征点坐标值进行评估，得到评估分值，作为用户粘接托槽准确度训练分数，为了更好地对评估进行说明，这里提供了一种经由发明人长期临床经验总结所得到的评估方法供以参考和说明：
当所述教学评估基座的牙齿模型的牙冠切方朝下，且在成像图片中依旧保持牙冠切方朝下时：
Ⅴ-1、根据步骤Ⅲ-1中每颗牙齿模型的牙冠区域（ROI-xx，xx为牙齿模型编号）以及其坐标值集，提取最左侧、最右侧（分别为牙冠近远中最凸点）和最下方（牙冠切方最凸点）的点并记录为牙冠轮廓标准点坐标值，提取每颗牙齿模型上所粘接托槽底边的最左侧、最右侧（分别为托槽底边近远中端点）的点并记录为托槽轮廓标准点坐标值；
Ⅴ-2、将每颗牙齿模型的待评估牙冠区域图（xx_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估牙冠轮廓信息contours；
Ⅴ-3、将待评估牙冠轮廓信息contours中轮廓的所有点进行遍历，以最左侧、最右侧（分别为牙冠近远中最凸点）和最下方（牙冠切方最凸点）的点作为牙冠轮廓特征点，记录牙冠轮廓特征点坐标值，分别为牙冠近远中最凸点M (xM, yM)和N (xN, yN)、牙冠切方最凸点K (xK, yK)；通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图（xx_image）上所粘接托槽底边最左侧、最右侧（分别为托槽底边近远中端点）的点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，分别为托槽底边近远中端点P (xP, yP)、Q (xQ,yQ)；
Ⅴ-4、基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，对牙冠轮廓特征点坐标值、托槽轮廓特征点坐标值进行评估：
设P、Q的中点为O (xO, yO)，其中：
xO = (xP + xQ) / 2 ，
yO = (yP + yQ) / 2 ；
①计算垂直向测量值h：
h = (yO – yK) * n ；
②计算水平向测量值x：
x = ( (xO – xM) – (xO – xN) ) / 2 * n ；
③计算轴倾角测量值α：
α = arctan[ (yP – yQ) / (xP – xQ) ] ；
基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，通过上述①、②、③在替换“n”为“n’”后的计算方式，计算得到垂直向标准值H、水平向标准值X、轴倾角标准值θ，并按照下述方式进行评估分值的计算：
计算h – H的值，评分规则如下：
< -0.5 mm：托槽偏切方，不合格；
> 0.5 mm：托槽偏龈方，不合格；
[-0.5, 0.5]mm：合格；
计算x – X的值，评分规则如下：
< -0.5 mm：托槽偏远中，不合格；
> 0.5 mm：托槽偏近中，不合格；
[-0.5, 0.5] mm：合格；
计算α–θ的值，评分规则如下：
< -2°：托槽轴倾角偏近中，不合格；
> 2°：托槽轴倾角偏远中，不合格；
[-2°, 2°]：合格。
在另一方面，本发明还提供了一种用于上述评估方法的智能评估系统，包括运行于硬件终端的软件平台，该软件平台包括图像处理模块、智能评分模块及结果展示模块；
其中，所述图像处理模块接收原始照片数据，通过对原始照片进行降噪滤波、对比度增强、边缘检测，提取教学评估基座的四边形轮廓，得到该四边形的四个顶点坐标；将四个顶点坐标与该教学评估基座的标准比例尺寸联立进行透视变换计算，实现透视角度的矫正，输出标准待评估图像；
所述智能评分模块接收来自图像处理模块的标准待评估图像，通过评估校准线区域图，检验标准待评估图像的透视变换结果，当透视变换结果在误差允许范围内时，完成对托槽粘接位置的评估，输出评分结果；
所述结果展示模块接收来自智能评分模块的评分结果，包括标准待评估图像、待评估牙冠区域图，以及各牙齿托槽粘接的评估分值；所述结果展示模块通过展示页面，以图片及表格的形式向用户展示本次托槽粘接训练的评分结果。
在其中一种优选的技术方案中，所述硬件终端为智能移动硬件终端，例如可运行APP的智能手机；所述软件平台为可装载于智能移动硬件终端的软件，例如装载于智能手机的APP。
在其中一种优选的技术方案中，当所述硬件终端为可运行APP的智能手机，所述软件平台为装载于智能手机的APP时，所述图像处理模块接收原始照片数据，其中原始照片数据可选择来源于智能手机的拍摄模块，或是来源于智能手机的存储模块。用户可通过智能手机的拍摄模块直接对教学评估基座进行拍摄，输出照片作为原始照片数据。
在其中一种更为优选的技术方案中，当所述硬件终端为可运行APP的智能手机，所述软件平台为装载于智能手机的APP时，所述智能评估系统还包括相机拍照模块，所述相机拍照模块通过调用智能手机的拍摄硬件进行拍摄，输出原始照片数据。用户可通过相机拍照模块选择当前拍摄的教学评估基座类型。
又一方面，为了辅助用户标准化拍摄教学评估基座，本发明还提供了一种用于拍摄教学评估基座的拍摄支架，包括拍摄设备放置平台、可升降支架、基座放置平台及补光灯；
所述拍摄设备放置平台设置于可升降支架的升降端，基座放置平台设置于可升降支架底部，补光灯设置于可升降支架的一侧或拍摄设备放置平台的底面并朝向于基座放置平台；
所述基座放置平台在其中央设有基座定位标识，用于提示教学评估基座放置位置；
所述拍摄设备放置平台中央设置有拍摄用孔洞。
上述拍摄支架在拍摄时，将拍摄设备的摄像头对准孔洞放置，调节升降支架高度后，即可拍摄。通常地，可基于教学评估基座给出可升降支架的指导高度，以便更进一步的辅助用户标准化拍摄教学评估基座。
本发明具有如下有益效果：
1、本发明基于发明人在先授权中国专利“一种用于教学评估牙齿正畸托槽体外粘接准确度的装置”（CN214202882U）、“一种教学评估牙齿正畸托槽体外粘接准确度的方法”（CN112634723B），通过软件平台功能实现了智能式自动评估，解决了上述专利技术在实施时因人工评估所出现的评估难、评估不准的现状问题。
2、本发明智能评估方法与在先授权中国专利的技术内容高度结合，提出了一套行之有效且已经投入试验实施的技术方案，未来有望于直接应用于口腔牙齿正畸的高校教学内容中。
3、本发明智能评估方法可与智能手机深度结合，方便用户直接使用，并完成托槽粘接训练的自主学习过程，极大有利于托槽粘接教学工作的进行，培养更优秀的下一代口腔正畸医生。
附图说明
图1为本发明实施例2中智能评估系统的模块流程图。
图2为本发明实施例1中教学评估基座的结构示意正视图。
图3为本发明实施例1中教学评估基座的结构示意侧方位剖视图。
图4为本发明实施例1中牙齿模型的结构示意图。
图5为本发明实施例1中教学评估基座的立体模型效果图。
图6为本发明实施例1中待评估校准线区域图的校准特征点示意图。
图7为本发明实施例1中待评估牙冠区域图的牙冠轮廓特征点和托槽轮廓特征点示意图。
图8为本发明一种用于拍摄教学评估基座的拍摄支架的结构示意图。
图9为本发明实施例2中用于教学评估牙齿正畸托槽体外粘接准确度的装置的立体结构示意图。
图10本发明实施例2中智能评估系统的相机拍照模块在拍照时的界面示意图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为了进一步说明本发明的特征和优点，而不是对发明权利要求的限制。本领域技术人员可以借鉴本文内容，适当改进参数实现。特别需要指出的是，所有类似的替换和改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明内。本发明的方法及应用已经通过较佳实施例进行了描述，相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和应用进行改动或适当变更与组合，来实现和应用本发明技术。虽然相信本领域普通技术人员充分了解以下术语，但仍陈述以下定义以有助于说明本发明所公开的主题。
实施例1
本实施例所使用的教学评估基座如附图2~5所示：
一种用于正畸教学智能评估的教学评估基座，包括带有牙根连接件的牙齿模型1及用于固定放置牙齿模型的基座2；
所述带有牙根连接件的牙齿模型1包括牙冠模型以及与之固定连接的牙根连接件，所述牙冠模型的形状与人体牙齿牙冠形状一致，在牙冠模型釉牙骨质界沿牙长轴方向±1mm处截断且与牙根连接件固定连接，且所述牙根连接件的长端与牙长轴平行；
所述基座2包括用于固定放置牙齿模型1的牙根连接凹槽，所述牙根连接凹槽与牙根连接件形状相匹配；
所述牙齿模型1活动固定于基座2上所设置的牙根连接凹槽内，且牙齿模型1用于粘接托槽5的牙冠面与牙根连接凹槽所在基座平面平行；当牙齿模型1为多个时，活动固定于基座2上的牙齿模型1呈水平排列，且牙齿模型1用于粘接托槽5的牙冠面朝向一致；所述牙齿模型1用于粘接托槽5的牙冠面凸出于牙根连接凹槽所在基座2平面，以使得牙冠面外形轮廓便于识别；
在基座2上还设有校准线4，所述校准线是由水平线和垂直线所构成的 “丅”形，所述“丅”形的垂直线长度为水平线的1/4。
在另一种优选的实施方案中，所述基座上还设有用于区分不同类型教学评估基座的标识，例如二维码。
本实施例针对上述教学评估基座，提供了一种用于正畸教学的托槽位置智能评估方法，主要包括以下步骤：
S Ⅰ、用户在使用教学评估基座进行托槽粘接后，对其进行拍摄，得到原始照片数据（origin_image）；
S Ⅱ、将原始照片数据（origin_image），依次按照以下方式进行处理：
Ⅱ-1、采用Python程序读取原始照片数据（origin_image），然后通过Python程序的照片调整预设值，调整照片宽度和/或高度，得到调整照片数据（resized_image），并获取调整照片数据（resized_image）的宽度值width，高度值height；
Ⅱ-2、去除调整照片数据（resized_image）的颜色信息，得到灰度图（gray_image）；
Ⅱ-3、对灰度图（gray_image）进行高斯滤波处理，完成图片降噪，得到高斯降噪照片（gaussian_image）；
Ⅱ-4、采用Canny边缘检测算法获取高斯降噪照片（gaussian_image）中的边缘信息；通过Canny边缘检测算法处理后，得到的图像为二值图像，再采用OpenCV中的cvFindContours函数获取轮廓，得到轮廓点集contours；
Ⅱ-5、对轮廓点集contours中的所有轮廓，按照轮廓围成的面积由大到小进行排序；需要说明的是，最大的轮廓通常对应教学评估基座；
Ⅱ-6、提取轮廓围成面积最大的轮廓，依次遍历该轮廓中的所有点，找出最左上、最右上、最左下、最右下的4个点的坐标，形成原始照片角点坐标列表list1；
Ⅱ-7、根据标准答案状态的教学评估基座图像，设置相应比例尺寸的目标照片角点坐标列表list2；
Ⅱ-8、采用OpenCV中的getPerspectiveTransform函数计算从list1到list2的透视变换矩阵M，并使用OpenCV的warpPerspective透视变换函数，用透视变换矩阵M对原始照片数据（origin_image）进行裁剪与透视变换，最终得到待评估图像（std_image）；
S Ⅲ、将待评估图像（std_image），依次按照以下方式进行处理：
Ⅲ-1、根据标准答案状态的教学评估基座图像，设置感兴趣区域（ROI）信息，包括校准线区域（ROI-ruler）以及其坐标值集，每颗牙齿模型的牙冠区域（ROI-xx，xx为牙齿模型编号）以及其坐标值集；
Ⅲ-2、采用Python程序读取待评估图像（std_image），并将其转换为待评估灰度图（gray_std_image）；
Ⅲ-3、根据感兴趣区域（ROI）信息生成与待评估灰度图（gray_std_image）大小相同的mask图片，mask图片为一单通道图片，且在感兴趣区域（ROI）所规定的范围内，像素值为255，其余范围像素值为0；
Ⅲ-4、将mask图片与待评估灰度图（gray_std_image）叠加，叠加的规则为：mask图片中为像素值为0的范围，在叠加后保留像素值为0；mask图片中像素值为255的范围，在叠加后保留为待评估灰度图（gray_std_image）的像素值；
Ⅲ-5、根据步骤Ⅲ-4叠加后像素值非0部分，分别得到待评估校准线区域图（ruler_image）和每颗牙齿模型的待评估牙冠区域图（xx_image），并保留待评估校准线区域图（ruler_image）和待评估牙冠区域图（xx_image）于待评估图像（std_image）上的坐标值集；
S Ⅳ、将待评估校准线区域图（ruler_image），依次按照以下方式进行处理与评估：
IV-1、根据步骤Ⅲ-1中校准线区域（ROI-ruler）以及其坐标值集，提取最左侧、最右侧、最下方的点并记录为校准线标准点坐标值；
IV-2、将待评估校准线区域图（ruler_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估校准线轮廓信息contours；
IV-3、将待评估校准线轮廓信息contours中轮廓的所有点进行遍历，以最左侧、最右侧、最下方的点作为校准特征点，记录校准特征点坐标值，分别为A (xA, yA)，B (xB,yB)，C (xC, yC)；
IV-4、基于最左侧、最右侧的校准线标准点坐标值计算其长度值LAB’，基于“丅”形校准线的水平线真实长度LR，采用透视变换结果检验算法对校准特征点坐标值进行评估：
LAB = √( (xA – xB)2 + (yA – yB)2 ) ，
n = LR / LAB ，
n’= LR / LAB’，
l = | yC – (yA + yB) / 2 | ，
δ = | ( l – LAB/4 ) * n | ；
若δ > 0.1 mm，要求用户重新从步骤S Ⅰ开始，拍摄得到原始照片数据（origin_image）；
若δ < 0.1 mm，可接受误差，继续下一步骤S Ⅴ进行托槽位置评分；
S Ⅴ、将每颗牙齿模型的待评估牙冠区域图（xx_image），依次按照以下方式进行处理与评估：
Ⅴ-1、根据步骤Ⅲ-1中每颗牙齿模型的牙冠区域（ROI-xx，xx为牙齿模型编号）以及其坐标值集，提取最左侧、最右侧（分别为牙冠近远中最凸点）和最下方（牙冠切方最凸点）的点并记录为牙冠轮廓标准点坐标值，提取每颗牙齿模型上所粘接托槽的最左侧、最右侧（分别为托槽底边近远中端点）的点并记录为托槽轮廓标准点坐标值；
Ⅴ-2、将每颗牙齿模型的待评估牙冠区域图（xx_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估牙冠轮廓信息contours；
Ⅴ-3、将待评估牙冠轮廓信息contours中轮廓的所有点进行遍历，以最左侧、最右侧（分别为牙冠近远中最凸点）和最下方（牙冠切方最凸点）的点作为牙冠轮廓特征点，记录牙冠轮廓特征点坐标值，分别为牙冠近远中最凸点M (xM, yM)和N (xN, yN)、牙冠切方最凸点K (xK, yK)；通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图（xx_image）上所粘接托槽底边最左侧、最右侧（分别为托槽底边近远中端点）的点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，分别为托槽底边近远中端点P (xP, yP)、Q (xQ,yQ)；
Ⅴ-4、基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，对牙冠轮廓特征点坐标值、托槽轮廓特征点坐标值进行评估：
设P、Q的中点为O (xO, yO)，其中：
xO = (xP + xQ) / 2 ，
yO = (yP + yQ) / 2 ；
①计算垂直向测量值h：
h = (yO – yK) * n ；
②计算水平向测量值x：
x = ( (xO – xM) – (xO – xN) ) / 2 * n ；
③计算轴倾角测量值α：
α = arctan[ (yP – yQ) / (xP – xQ) ]；
基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，通过上述①、②、③在替换“n”为“n’”后的计算方式，计算得到垂直向标准值H、水平向标准值X、轴倾角标准值θ，并按照下述方式进行评估分值的计算：
计算h – H的值，评分规则如下：
< -0.5 mm：托槽偏切方，不合格；
> 0.5 mm：托槽偏龈方，不合格；
[-0.5, 0.5] mm：合格；
计算x – X的值，评分规则如下：
< -0.5 mm：托槽偏远中，不合格；
> 0.5 mm：托槽偏近中，不合格；
[-0.5, 0.5] mm：合格；
计算α–θ的值，评分规则如下：
< -2°：托槽轴倾角偏近中，不合格；
> 2°：托槽轴倾角偏远中，不合格；
[-2°, 2°]：合格。
步骤Ⅴ-3中所述通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图（xx_image）上所粘接托槽的最左侧、最右侧（分别为托槽底边近远中端点）的点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，分别为托槽底边近远中端点P (xP, yP)、Q(xQ, yQ)，其具体的神经网络训练方法包括如下步骤：
（1-1）人工标注训练样图集（训练样图的制式同待评估牙冠区域图一致）中牙冠表面粘接的托槽区域，形成label文件，制作数据集；并使用pixelLabelDatastore将数据集中的像素标签数据和标签ID封装到类名映射中；
（1-2）使用deeplabv3plusLayers函数基于 ResNet-18构建一个DeepLab v3+ 网络，并构建语义分割Deeplab v3+网络，定义类别数量和设置类别权重；
（1-3）设置训练参数，基于数据集使用trainNetwork开始训练神经网络；
用于训练的优化算法是具有动量的随机梯度下降 (SGDM)；学习率采用分段调度，学习率每 10 轮降低 0.3；这允许网络以更高的初始学习率快速学习，而一旦学习率下降，能够求得接近局部最优的解；
（1-4）基于一个测试图像（例如未标注托槽区域的牙冠区域图像）来进行模型性能验证，将机器学习的结果与预期真实值（例如标注了托槽区域的牙冠区域图像）相比较，判断该网络进行语义分割的准确性；若要衡量多个测试图像的准确度，对整个测试集运行semanticseg。
进一步地，步骤Ⅴ-3中所述经由训练好的神经网络提取待评估牙冠区域图（xx_image）上所粘接托槽的最左侧、最右侧（分别为托槽底边近远中端点）的点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，分别为托槽底边近远中端点P (xP, yP)、Q (xQ, yQ)，主要包括如下步骤：
（2-1）是在得到上述神经网络后，将待评估牙冠区域图（xx_image）输入到神经网络中，得到托槽标识区域图（xx_labeled_image）；该图通常主要包括如下特征：图中的托槽区域被某一纯色色块所覆盖，该色块的颜色与图片中牙齿颜色存在明显对比；
（2-2）将托槽标识区域图（xx_labeled_image）采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估托槽轮廓信息contours；
（2-3）将待评估托槽轮廓信息contours中轮廓的所有点进行遍历，以托槽底边最左侧、最右侧（分别为托槽底边近远中端点）的点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，分别为托槽底边近远中端点P (xP, yP)、Q (xQ, yQ)。
本实施例还提供了一种用于上述评估方法的智能评估系统，包括运行于硬件终端的软件平台，该软件平台包括图像处理模块、智能评分模块及结果展示模块；
其中，所述图像处理模块接收原始照片数据，通过对原始照片进行降噪滤波、对比度增强、边缘检测，提取教学评估基座的四边形轮廓，得到该四边形的四个顶点坐标；将四个顶点坐标与该教学评估基座的标准比例尺寸联立进行透视变换计算，实现透视角度的矫正，输出标准待评估图像；
所述智能评分模块接收来自图像处理模块的标准待评估图像，通过评估校准线区域图，检验标准待评估图像的透视变换结果，当透视变换结果在误差允许范围内时，完成对托槽粘接位置的评估，输出评分结果；
所述结果展示模块接收来自智能评分模块的评分结果，包括标准待评估图像、待评估牙冠区域图，以及各牙齿托槽粘接的评估分值；所述结果展示模块通过展示页面，以图片及表格的形式向用户展示本次托槽粘接训练的评分结果。
在其中一种优选的实施方案中，所述硬件终端为智能移动硬件终端，例如可运行APP的智能手机；所述软件平台为可装载于智能移动硬件终端的软件，例如装载于智能手机的APP。
在其中一种优选的实施方案中，当所述硬件终端为可运行APP的智能手机，所述软件平台为装载于智能手机的APP时，所述图像处理模块接收原始照片数据，其中原始照片数据可选择来源于智能手机的拍摄模块，或是来源于智能手机的存储模块。用户可通过智能手机的拍摄模块直接对教学评估基座进行拍摄，输出照片作为原始照片数据。
在其中一种更为优选的实施方案中，当所述硬件终端为可运行APP的智能手机，所述软件平台为装载于智能手机的APP时，所述智能评估系统还包括相机拍照模块，所述相机拍照模块通过调用智能手机的拍摄硬件进行拍摄，输出原始照片数据。用户可通过相机拍照模块选择当前拍摄的教学评估基座类型。
为了辅助用户标准化拍摄教学评估基座，如附图8所示，本实施例还提供了一种用于拍摄教学评估基座的拍摄支架，包括拍摄设备放置平台6、可升降支架7、基座放置平台8及补光灯9；
所述拍摄设备放置平台6设置于可升降支架7的升降端，基座放置平台8设置于可升降支架7底部，补光灯9设置于拍摄设备放置平台的底面并朝向于基座放置平台；
所述基座放置平台8在其中央设有基座定位标识11，用于提示教学评估基座放置位置；
所述拍摄设备放置平台6中央设置有拍摄用孔洞10。
上述拍摄支架在拍摄时，将拍摄设备的摄像头对准孔洞放置，调节升降支架高度后，即可拍摄。通常地，可基于教学评估基座给出可升降支架的指导高度，以便更进一步的辅助用户标准化拍摄教学评估基座。
实施例2
本实施例所使用的教学评估基座如附图9所示：
本实施例所述教学评估基座是基于本发明的发明人在先授权中国专利“一种用于教学评估牙齿正畸托槽体外粘接准确度的装置”（CN214202882U）中所公开的一种用于教学评估牙齿正畸托槽体外粘接准确度的装置：
一种用于教学评估牙齿正畸托槽体外粘接准确度的装置，包括带有牙根连接件的虚拟牙齿模型及用于固定放置虚拟牙齿模型的教学评估基座；
所述带有牙根连接件的虚拟牙齿模型包括虚拟牙冠模型以及与之固定连接的牙根连接件，所述虚拟牙冠模型的形状与人体牙齿牙冠形状一致，在虚拟牙冠模型釉牙骨质界沿牙长轴方向±1mm处截断且与牙根连接件固定连接，且所述牙根连接件的长端与牙长轴平行；
所述教学评估基座包括用于固定放置虚拟牙齿模型的牙根连接凹槽及评估用辅助线，所述牙根连接凹槽与牙根连接件形状相匹配；
所述虚拟牙齿模型通过牙根连接件活动固定于教学评估基座上所设置的牙根连接凹槽内；当虚拟牙齿模型为多个时，活动固定于教学评估基座上的虚拟牙齿模型呈水平排列，且虚拟牙齿模型用于粘接托槽的牙冠面朝向一致；
所述评估用辅助线为多条且其交接处或延长线交接处为评估点位；
在教学评估基座上还设有基座校准线，所述基座校准线是由水平线和垂直线所构成的“一”字形或“井”字形。
在上述所公开的一种用于教学评估牙齿正畸托槽体外粘接准确度的装置结构特征中，“带有牙根连接件的虚拟牙齿模型”等同于本文中的“牙齿模型”，“基座校准线”等同于本文中的“校准线”。在本文中，基于在先授权专利的术语进行了一定的简化和替换。
本实施例针对上述教学评估基座，提供了一种用于正畸教学的托槽位置智能评估方法，主要步骤同实施例1一致，但因校准线形状不同，例如当校准线为“井”字形时，可选择“井”字型左端上方/左端下方、右端上方/右端下方、下端左方/下端右方作为校准特征点；当校准线为“一”字型时，可添加垂直于“一”字校准线的竖直刻度线以提供Y轴方向上的校准特征点。
本实施例还提供了一种用于上述评估方法的智能评估系统，包括运行于智能手机上的APP，该APP包括相机拍照模块、图像处理模块、智能评分模块及结果展示模块；
其中，所述相机拍照模块通过调用智能手机的拍摄硬件进行拍摄，输出原始照片数据；用户可通过相机拍照模块选择当前拍摄的教学评估基座类型，如附图10所示；
所述图像处理模块接收原始照片数据，通过对原始照片进行降噪滤波、对比度增强、边缘检测，提取教学评估基座的四边形轮廓，得到该四边形的四个顶点坐标；将四个顶点坐标与该教学评估基座的标准比例尺寸联立进行透视变换计算，实现透视角度的矫正，输出标准待评估图像；
所述智能评分模块接收来自图像处理模块的标准待评估图像，通过评估校准线区域图，检验标准待评估图像的透视变换结果，当透视变换结果在误差允许范围内时，完成对托槽粘接位置的评估，输出评分结果；
所述结果展示模块接收来自智能评分模块的评分结果，包括标准待评估图像、待评估牙冠区域图，以及各牙齿托槽粘接的评估分值；所述结果展示模块通过展示页面，以图片及表格的形式向用户展示本次托槽粘接训练的评分结果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代,组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种用于正畸教学的托槽位置智能评估方法，其特征在于主要包括以下步骤：
S Ⅰ、用户在使用教学评估基座进行托槽粘接后，对其进行拍摄，得到原始照片数据；
S Ⅱ、将原始照片数据，依次按照以下方式进行处理：
Ⅱ-1、采用Python程序读取原始照片数据，然后通过Python程序的照片调整预设值，调整照片宽度和/或高度，得到调整照片数据，并获取调整照片数据的宽度值width，高度值height；
Ⅱ-2、去除调整照片数据的颜色信息，得到灰度图；
Ⅱ-3、对灰度图进行高斯滤波处理，完成图片降噪，得到高斯降噪照片；
Ⅱ-4、采用Canny边缘检测算法获取高斯降噪照片中的边缘信息；通过Canny边缘检测算法处理后，得到的图像为二值图像，再采用OpenCV中的cvFindContours函数获取轮廓，得到轮廓点集contours；
Ⅱ-5、对轮廓点集contours中的所有轮廓，按照轮廓围成的面积由大到小进行排序；需要说明的是，最大的轮廓通常对应教学评估基座；
Ⅱ-6、提取轮廓围成面积最大的轮廓，依次遍历该轮廓中的所有点，找出最左上、最右上、最左下、最右下的4个点的坐标，形成原始照片角点坐标列表list1；
Ⅱ-7、根据标准答案状态的教学评估基座图像，设置相应比例尺寸的目标照片角点坐标列表list2；
Ⅱ-8、采用OpenCV中的getPerspectiveTransform函数计算从list1到list2的透视变换矩阵M，并使用OpenCV的warpPerspective透视变换函数，用透视变换矩阵M对原始照片数据进行裁剪与透视变换，最终得到待评估图像；
S Ⅲ、将待评估图像，依次按照以下方式进行处理：
Ⅲ-1、根据标准答案状态的教学评估基座图像，设置感兴趣区域信息，包括校准线区域以及其坐标值集，每颗牙齿模型的牙冠区域以及其坐标值集；
Ⅲ-2、采用Python程序读取待评估图像，并将其转换为待评估灰度图；
Ⅲ-3、根据感兴趣区域信息生成与待评估灰度图大小相同的mask图片，mask图片为一单通道图片，且在感兴趣区域所规定的范围内，像素值为255，其余范围像素值为0；
Ⅲ-4、将mask图片与待评估灰度图叠加，叠加的规则为：mask图片中为像素值为0的范围，在叠加后保留像素值为0；mask图片中像素值为255的范围，在叠加后保留为待评估灰度图的像素值；
Ⅲ-5、根据步骤Ⅲ-4叠加后像素值非0部分，分别得到待评估校准线区域图和每颗牙齿模型的待评估牙冠区域图，并保留待评估校准线区域图和待评估牙冠区域图于待评估图像上的坐标值集；
S Ⅳ、将待评估校准线区域图，依次按照以下方式进行处理与评估：
IV-1、根据步骤Ⅲ-1中校准线区域以及其坐标值集，提取边缘方位点并记录为校准线标准点坐标值；
IV-2、将待评估校准线区域图采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估校准线轮廓信息contours；
IV-3、将待评估校准线轮廓信息contours中轮廓的所有点进行遍历，以校准线标准点坐标值相同方位的边缘方位点作为校准特征点，记录校准特征点坐标值；
IV-4、基于校准线标准点坐标值，采用透视变换结果检验算法对校准特征点坐标值进行评估：
若误差过大，要求用户重新从步骤S Ⅰ开始，拍摄得到原始照片数据；
若误差在可准许范围内，可接受误差，继续下一步骤S Ⅴ进行托槽位置评分；
S Ⅴ、将每颗牙齿模型的待评估牙冠区域图，依次按照以下方式进行处理与评估：
Ⅴ-1、根据步骤Ⅲ-1中每颗牙齿模型的牙冠区域以及其坐标值集，提取边缘方位点并记录为牙冠轮廓标准点坐标值，提取每颗牙齿模型上所粘接托槽的边缘方位点并记录为托槽轮廓标准点坐标值；
Ⅴ-2、将每颗牙齿模型的待评估牙冠区域图采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估牙冠轮廓信息contours；
Ⅴ-3、将待评估牙冠轮廓信息contours中轮廓的所有点进行遍历，以牙冠轮廓标准点坐标值相同方位的边缘方位点作为牙冠轮廓特征点，记录牙冠轮廓特征点坐标值；通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图上所粘接托槽的边缘方位点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值；
Ⅴ-4、基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，对牙冠轮廓特征点坐标值、托槽轮廓特征点坐标值进行评估，得到评估分值，作为用户粘接托槽准确度训练分数。
2.根据权利要求1所述方法，其特征在于：步骤IV-1中所述根据步骤Ⅲ-1中校准线区域以及其坐标值集，提取边缘方位点并记录为校准线标准点坐标值，其提取边缘方位点的方式可以是人工通过直接标识提取，也可以是基于计算机视觉库OpenCV提取；
步骤Ⅴ-1中所述根据步骤Ⅲ-1中每颗牙齿模型的牙冠区域以及其坐标值集，提取边缘方位点并记录为牙冠轮廓标准点坐标值，其提取边缘方位点的方式可以是人工通过直接标识提取，也可以是基于计算机视觉库OpenCV提取。
3.根据权利要求2所述方法，其特征在于：步骤Ⅴ-1中所述牙冠轮廓标准点坐标值所对应的边缘方位点分别为牙冠近远中最凸点M (xM, yM)和N (xN, yN)、牙冠切方最凸点K (xK,yK)。
4.根据权利要求1所述方法，其特征在于：步骤Ⅴ-3中所述通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图上所粘接托槽的边缘方位点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，其具体的神经网络训练方法包括如下步骤：
（1-1）人工标注训练样图集中牙冠表面粘接的托槽区域，形成label文件，制作数据集；并使用pixelLabelDatastore将数据集中的像素标签数据和标签ID封装到类名映射中；
（1-2）使用deeplabv3plusLayers函数基于 ResNet-18构建一个DeepLab v3+ 网络，并构建语义分割Deeplab v3+网络，定义类别数量和设置类别权重；
（1-3）设置训练参数，基于数据集使用trainNetwork开始训练神经网络；
用于训练的优化算法是具有动量的随机梯度下降；学习率采用分段调度，学习率每 10轮降低 0.3；
（1-4）基于一个测试图像来进行模型性能验证，将机器学习的结果与预期真实值相比较，判断该网络进行语义分割的准确性；若要衡量多个测试图像的准确度，对整个测试集运行semanticseg。
5.根据权利要求4所述方法，其特征在于：步骤Ⅴ-3中所述经由训练好的神经网络提取待评估牙冠区域图上所粘接托槽的边缘方位点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，主要包括如下步骤：
（2-1）在得到神经网络后，将待评估牙冠区域图输入到神经网络中，得到托槽标识区域图；该图主要包括如下特征：图中的托槽区域被某一纯色色块所覆盖，该色块的颜色与图片中牙齿颜色存在明显对比；
（2-2）将托槽标识区域图采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估托槽轮廓信息contours；
（2-3）将待评估托槽轮廓信息contours中轮廓的所有点进行遍历，以托槽轮廓标准点坐标值相同方位的边缘方位点作为托槽轮廓特征点，记录托槽轮廓特征点坐标值。
6.根据权利要求1所述方法，其特征在于：步骤Ⅴ-1中所述托槽轮廓标准点坐标值所对应的粘接托槽的边缘方位点，分别为托槽底边近远中端点P (xP, yP)、Q (xQ, yQ)。
7.根据权利要求1所述方法，其特征在于：
当所述教学评估基座的基座上设有校准线，所述校准线是由水平线和垂直线所构成的“丅”形，且在成像图片中依旧保持为“丅”形时，以及所述“丅”形的垂直线长度为水平线的1/4时：
IV-1、根据步骤Ⅲ-1中校准线区域以及其坐标值集，提取最左侧、最右侧、最下方的点并记录为校准线标准点坐标值；
IV-2、将待评估校准线区域图采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估校准线轮廓信息contours；
IV-3、将待评估校准线轮廓信息contours中轮廓的所有点进行遍历，以最左侧、最右侧、最下方的点作为校准特征点，记录校准特征点坐标值，分别为A (xA, yA)，B (xB, yB)，C(xC, yC)；
IV-4、基于最左侧、最右侧的校准线标准点坐标值计算其长度值LAB’，基于“丅”形校准线的水平线真实长度LR，采用透视变换结果检验算法对校准特征点坐标值进行评估：
LAB = √( (xA – xB)2 + (yA – yB)2 ) ，
n = LR / LAB ，
n’= LR / LAB’，
l = | yC – (yA + yB) / 2 | ，
δ = | ( l – LAB/4 ) * n | ；
若δ > 0.1 mm，要求用户重新从步骤S Ⅰ开始，拍摄得到原始照片数据；
若δ < 0.1 mm，可接受误差，继续下一步骤S Ⅴ进行托槽位置评分。
8.根据权利要求7所述方法，其特征在于：
当所述教学评估基座的牙齿模型的牙冠切方朝下，且在成像图片中依旧保持牙冠切方朝下时：
Ⅴ-1、根据步骤Ⅲ-1中每颗牙齿模型的牙冠区域以及其坐标值集，提取最左侧、最右侧和最下方的点并记录为牙冠轮廓标准点坐标值，提取每颗牙齿模型上所粘接托槽底边的最左侧、最右侧的点并记录为托槽轮廓标准点坐标值；
Ⅴ-2、将每颗牙齿模型的待评估牙冠区域图采用Canny边缘检测算法识别图中的边缘信息，得到一个二值图像，采用cvFindContours获取二值图像中的待评估牙冠轮廓信息contours；
Ⅴ-3、将待评估牙冠轮廓信息contours中轮廓的所有点进行遍历，以最左侧、最右侧和最下方的点作为牙冠轮廓特征点，记录牙冠轮廓特征点坐标值，分别为牙冠近远中最凸点M(xM, yM)和N (xN, yN)、牙冠切方最凸点K (xK, yK)；通过神经网络训练，经由训练好的神经网络提取待评估牙冠区域图上所粘接托槽底边最左侧、最右侧的点作为托槽轮廓特征点，记录为托槽轮廓特征点坐标值，分别为托槽底边近远中端点P (xP, yP)、Q (xQ, yQ)；
Ⅴ-4、基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，对牙冠轮廓特征点坐标值、托槽轮廓特征点坐标值进行评估：
设P、Q的中点为O (xO, yO)，其中：
xO = (xP + xQ) / 2 ，
yO = (yP + yQ) / 2 ；
①计算垂直向测量值h：
h = (yO – yK) * n ；
②计算水平向测量值x：
x = ( (xO – xM) – (xO – xN) ) / 2 * n ；
③计算轴倾角测量值α：
α = arctan[ (yP – yQ) / (xP – xQ) ]；
基于牙冠轮廓标准点坐标值、托槽轮廓标准点坐标值，通过上述①、②、③在替换“n”为“n’”后的计算方式，计算得到垂直向标准值H、水平向标准值X、轴倾角标准值θ，并按照下述方式进行评估分值的计算：
计算h – H的值，评分规则如下：
< -0.5 mm：托槽偏切方，不合格；
> 0.5 mm：托槽偏龈方，不合格；
[-0.5, 0.5] mm：合格；
计算x – X的值，评分规则如下：
< -0.5 mm：托槽偏远中，不合格；
> 0.5 mm：托槽偏近中，不合格；
[-0.5, 0.5] mm：合格；
计算α–θ的值，评分规则如下：
< -2°：托槽轴倾角偏近中，不合格；
> 2°：托槽轴倾角偏远中，不合格；
[-2°, 2°]：合格。
9.一种用于权利要求1所述评估方法的智能评估系统，其特征在于包括运行于硬件终端的软件平台，该软件平台包括图像处理模块、智能评分模块及结果展示模块；
其中，所述图像处理模块接收原始照片数据，通过对原始照片进行降噪滤波、对比度增强、边缘检测，提取教学评估基座的四边形轮廓，得到该四边形的四个顶点坐标；将四个顶点坐标与该教学评估基座的标准比例尺寸联立进行透视变换计算，实现透视角度的矫正，输出标准待评估图像；
所述智能评分模块接收来自图像处理模块的标准待评估图像，通过评估校准线区域图，检验标准待评估图像的透视变换结果，当透视变换结果在误差允许范围内时，完成对托槽粘接位置的评估，输出评分结果；
所述结果展示模块接收来自智能评分模块的评分结果，包括标准待评估图像、待评估牙冠区域图，以及各牙齿托槽粘接的评估分值；所述结果展示模块通过展示页面，以图片及表格的形式向用户展示本次托槽粘接训练的评分结果。
10.一种用于权利要求1所述评估方法的教学评估基座，其特征在于包括带有牙根连接件的牙齿模型及用于固定放置牙齿模型的基座；
所述带有牙根连接件的牙齿模型包括牙冠模型以及与之固定连接的牙根连接件，所述牙冠模型的形状与人体牙齿牙冠形状一致，在牙冠模型釉牙骨质界沿牙长轴方向±1mm处截断且与牙根连接件固定连接，且所述牙根连接件的长端与牙长轴平行；
所述基座包括用于固定放置牙齿模型的牙根连接凹槽，所述牙根连接凹槽与牙根连接件形状相匹配；
所述牙齿模型活动固定于基座上所设置的牙根连接凹槽内，且牙齿模型用于粘接托槽的牙冠面与牙根连接凹槽所在基座平面平行；当牙齿模型为多个时，活动固定于基座上的牙齿模型呈水平排列，且牙齿模型用于粘接托槽的牙冠面朝向一致；所述牙齿模型用于粘接托槽的牙冠面凸出于牙根连接凹槽所在基座平面，以使得牙冠面外形轮廓便于识别；
在基座上还设有校准线，所述校准线是由水平线和垂直线所构成的“十”字形、“丅”形、“L”形或“井”字形。
CN202211022714.3A 2022-04-11 2022-08-25 用于正畸教学的托槽位置智能评估方法、装置及系统 Active CN115409156B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210376063 2022-04-11
CN2022103760631 2022-04-11

Publications (2)

Publication Number Publication Date
CN115409156A true CN115409156A (zh) 2022-11-29
CN115409156B CN115409156B (zh) 2023-12-12

Family

ID=84162287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211022714.3A Active CN115409156B (zh) 2022-04-11 2022-08-25 用于正畸教学的托槽位置智能评估方法、装置及系统

Country Status (1)

Country Link
CN (1) CN115409156B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106880414A (zh) * 2017-02-27 2017-06-23 深圳华锐医疗科技有限公司 目标导向定位正畸托槽的间接粘接方法
RU2627804C1 (ru) * 2016-10-10 2017-08-11 Федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородская государственная медицинская академия" Министерства здравоохранения Российской Федерации (ФГБОУ ВО НижГМА Минздрава России) Способ позиционирования брекетов при ортодонтическом лечении аномалий зубочелюстной системы
US20180268733A1 (en) * 2017-03-15 2018-09-20 International Business Machines Corporation System and method to teach and evaluate image grading performance using prior learned expert knowledge base
CN112634723A (zh) * 2021-01-06 2021-04-09 四川大学 一种教学评估牙齿正畸托槽体外粘接准确度的方法
CN112826615A (zh) * 2021-03-24 2021-05-25 北京大学口腔医院 正畸治疗中基于混合现实技术的透视术区的显示方法
CN112932703A (zh) * 2021-02-05 2021-06-11 四川大学 一种利用混合现实技术的正畸托槽粘接方法
CN113693749A (zh) * 2021-09-02 2021-11-26 四川大学 一种托槽定位装置及制备方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2627804C1 (ru) * 2016-10-10 2017-08-11 Федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородская государственная медицинская академия" Министерства здравоохранения Российской Федерации (ФГБОУ ВО НижГМА Минздрава России) Способ позиционирования брекетов при ортодонтическом лечении аномалий зубочелюстной системы
CN106880414A (zh) * 2017-02-27 2017-06-23 深圳华锐医疗科技有限公司 目标导向定位正畸托槽的间接粘接方法
US20180268733A1 (en) * 2017-03-15 2018-09-20 International Business Machines Corporation System and method to teach and evaluate image grading performance using prior learned expert knowledge base
CN112634723A (zh) * 2021-01-06 2021-04-09 四川大学 一种教学评估牙齿正畸托槽体外粘接准确度的方法
CN112932703A (zh) * 2021-02-05 2021-06-11 四川大学 一种利用混合现实技术的正畸托槽粘接方法
CN112826615A (zh) * 2021-03-24 2021-05-25 北京大学口腔医院 正畸治疗中基于混合现实技术的透视术区的显示方法
CN113693749A (zh) * 2021-09-02 2021-11-26 四川大学 一种托槽定位装置及制备方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丛颖波: "摇椅形"弓丝作用下牙颌组织的生物力学研究", 《中国优秀硕士论文医药卫生科技》 *
井庆泉;孟昭华;孙治国;张本君;: "托槽定位夹持器的制作与临床应用", 临床口腔医学杂志, no. 08 *
白丁 等: "唇舌侧托槽伸出压入力学性能的有限元分析", 《中国现代医学杂志》 *

Also Published As

Publication number Publication date
CN115409156B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
US20220241056A1 (en) Monitoring of dentition
US10779909B2 (en) Method for monitoring an orthodontic treatment
US20170024881A1 (en) Patient-specific three-dimensional dentition model
CN113520641B (zh) 用于构造修复体的方法
Baab et al. Size, shape, and asymmetry in fossil hominins: the status of the LB1 cranium based on 3D morphometric analyses
CN110782974A (zh) 预测解剖标志的方法和使用该方法预测解剖标志的设备
US20090042168A1 (en) Tooth locating within dental images
JP2008537494A (ja) 口腔スキャニング用システムおよび方法
US20220215778A1 (en) Training method for evaluating bonding accuracy of orthodontic brackets
CN113168731A (zh) 曲面网格的自动修剪
JP2005349176A (ja) 顎運動解析方法及び顎運動解析システム
CN111931843A (zh) 一种基于图像处理的监控牙齿位置的方法
CN115409156A (zh) 用于正畸教学的托槽位置智能评估方法、装置及系统
CN112807108B (zh) 一种正畸矫治过程中的牙齿矫治状态的检测方法
CN108833772A (zh) 基于深度相机的拍照引导系统及方法
CN112545537B (zh) 头影测量描迹图生成方法及系统
CN214202882U (zh) 一种用于教学评估牙齿正畸托槽体外粘接准确度的装置
CN113096236B (zh) 用于牙齿冠桥功能性咬合面的虚拟牙合架设计方法
US11869203B2 (en) Dental image registration device and method
KR102277022B1 (ko) 구강 ct 영상 및 구강 스캔 영상의 정합 방법 및 장치
US20240070885A1 (en) Skeleton estimating method, device, non-transitory computer-readable recording medium storing program, system, trained model generating method, and trained model
Kim et al. Accuracy evaluation of dental model scanner according to occlusal attrition type
CN112329546A (zh) 一种基于深度学习的眼睛高度测量方法
CN115969418A (zh) 一种核酸检测口腔采集点识别方法
CN103177250B (zh) 一种平面目标图像透视变形的矫正方法和系统

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