CN115471663A - 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 - Google Patents
基于深度学习的三阶段牙冠分割方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN115471663A CN115471663A CN202211420418.9A CN202211420418A CN115471663A CN 115471663 A CN115471663 A CN 115471663A CN 202211420418 A CN202211420418 A CN 202211420418A CN 115471663 A CN115471663 A CN 115471663A
- Authority
- CN
- China
- Prior art keywords
- dental
- stage
- crown
- model
- segmentation
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013135 deep learning Methods 0.000 title abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000005520 cutting process Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 238000012805 post-processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 210000004195 gingiva Anatomy 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008602 contraction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011505 plaster Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- FHVDTGUDJYJELY-UHFFFAOYSA-N 6-{[2-carboxy-4,5-dihydroxy-6-(phosphanyloxy)oxan-3-yl]oxy}-4,5-dihydroxy-3-phosphanyloxane-2-carboxylic acid Chemical compound O1C(C(O)=O)C(P)C(O)C(O)C1OC1C(C(O)=O)OC(OP)C(O)C1O FHVDTGUDJYJELY-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 229940072056 alginate Drugs 0.000 description 1
- 235000010443 alginic acid Nutrition 0.000 description 1
- 229920000615 alginic acid Polymers 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本申请提供基于深度学习的三阶段牙冠分割方法、装置、终端及介质，包括：在第一阶段中，获取原始三角网格牙颌模型，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割；在第二阶段中，基于第一阶段的输出结果计算牙冠所在区域的第一包围盒，利用第一包围盒对原始三角网格牙颌模型进行裁剪，得到裁剪后的牙颌模型；对裁剪后的牙颌模型的三角面片进行降采样并进行多分类的牙冠语义分割；在第三阶段中，基于第二阶段的输出结果计算每个牙冠所在区域的第二包围盒，利用第二包围盒在原始三角网格牙颌模型上裁剪出对应的牙冠；对裁剪后的牙冠的三角面片进行二分类的牙冠语义分割。本发明实现高精度地分割出牙冠和牙龈，提高生产效率和质量。
Description
技术领域
本申请涉及牙齿三位模型技术领域，特别是涉及基于深度学习的三阶段牙冠分割方法、装置、终端及介质。
背景技术
由于口腔扫描仪设备在牙科医疗机构的大量使用，使得计算机辅助设计 (CAD)已广泛用于口腔正畸学的诊断、牙齿修复和治疗计划。
目前主要有两种方式获取用户的三维表面模型：一是通过口腔内扫描仪 (IOS)对患者进行口腔扫描；二是利用藻酸盐或硅橡胶等印模材料获取用户的口腔印模，然后灌注石膏获取牙合石膏模型，最后通过仓扫牙模扫描仪扫描牙合石膏模型。计算机辅助系统借助三维牙合表面模型作为输入，帮助牙医进行拔牙或排牙等治疗程序。在三维牙合表面模型上精确标记牙齿是正畸治疗计划中牙齿位置重排的前提。然而，这是一项具有挑战性的任务，主要是由于患者牙齿的异常和多变外观。由于从三维牙合表面模型中手动标记牙齿很费力，因此开发全自动化精准的三维牙齿分割方法是提高生产效率的有力工具。
近年来，计算机视觉和图形学社区已经提出了一些开创性的端到端方法（比如：PointNet、PointNet++）以直接使用三维表面模型进行三维形状分割。尽管这些方法可能适用于自动牙齿标记任务，但这些算法都无法捕获细粒度的局部拓扑信息，而细粒度的局部拓扑信息对于识别具有不同形状和外观的牙齿又是至关重要的。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供基于深度学习的三阶段牙冠分割方法、装置、终端及介质，用于解决基于点云深度学习模型的牙齿标记不够精准的技术问题。
为实现上述目的及其他相关目的，本申请的第一方面提供一种基于点云深度学习模型的三阶段牙冠分割方法，包括：在第一阶段中，获取原始三角网格牙颌模型并在对构成所述原始三角网格牙颌模型的三角面片进行降采样后，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割；在第二阶段中，基于所述第一阶段的输出结果计算牙冠所在区域的第一包围盒，利用所述第一包围盒对所述原始三角网格牙颌模型进行裁剪以剔除不需要的牙龈部分，得到裁剪后的牙颌模型；对所述裁剪后的牙颌模型的三角面片进行降采样并进行多分类的牙冠语义分割；在第三阶段中，基于所述第二阶段的输出结果计算每个牙冠所在区域的第二包围盒，利用所述第二包围盒在所述原始三角网格牙颌模型上裁剪出对应的牙冠；对所述裁剪后的牙冠的三角面片进行二分类的牙冠语义分割。
于本申请的第一方面的一些实施例中，在第一阶段、第二阶段中，在对原始三角网格牙颌模型的三角面片进行降采样后，使用网格简化模型将降采样后的三角面片的片数进行数量和维度的统一。
于本申请的第一方面的一些实施例中，所述利用三维点云语义分割模型对每片三角面片进行分割的过程包括：在第一阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于牙冠部分的二分类；若为牙冠部分则用一种标记表示，若并非牙冠部分则用另一种标记表示；在第二阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于某个牙位对应的牙冠部分的多分类，若为某个牙位对应的牙冠部分则用对应的牙位标记表示，若并非牙冠部分则用零标记表示；在第三阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于指定牙位对应的牙冠部分的二分类，若为指定牙位对应的牙冠部分则用一种标记表示，若并非指定牙位对应的牙冠部分则用另一种标记表示。
于本申请的第一方面的一些实施例中，在第一、二、三阶段中，在对每片三角面片进行牙冠和牙龈分割后还执行如下：根据各三角面片和相邻三角面片之间的标签异同及夹角关系判断该三角面片的边界是否光滑，以对牙冠和牙龈分割结果中的分类错误或不光滑边界进行后处理。
于本申请的第一方面的一些实施例中，在第二、三阶段中，在三角网格牙颌模型已经调正的情况下选取和牙体长轴方向对齐的包围盒，或者在三角网格牙颌模型未调正的情况下选取定向包围盒，对原始三角网格牙颌模型进行裁剪，以剔除不需要的牙龈部分，得到裁剪的牙颌表面模型。
于本申请的第一方面的一些实施例中，在第三阶段中，采用如下两种预测方法中的任一种方法对裁剪的牙冠牙龈部分进行预测：第一种预测方法：利用点云语义分割模型直接在裁剪的牙冠牙龈部分进行预测，对训练模型预测中的错误分类或不光滑边界进行后处理；第二种预测方法：对裁剪的牙冠牙龈部分进行和模型训练时一样的降采样处理，然后利用训练的点云语义分割模型对降采样的三角网格数据进行预测，随后利用图割算法对预测中的错误分类或不光滑边界进行后处理，并对降采样的预测分析结果进行升采样。
于本申请的第一方面的一些实施例中，当单牙采样率大于四分之一时采用所述第一种预测方法；否则，采用所述第二种预测方法。
为实现上述目的及其他相关目的，本申请的第二方面提供一种基于点云深度学习模型的三阶段牙冠分割装置，包括：第一阶段分割模块，用于获取原始三角网格牙颌模型并在对构成所述原始三角网格牙颌模型的三角面片进行降采样后，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割；第二阶段分割模块，用于基于所述第一阶段的输出结果计算牙冠所在区域的第一包围盒，利用所述第一包围盒对所述原始三角网格牙颌模型进行裁剪以剔除不需要的牙龈部分，得到裁剪后的牙颌模型；对所述裁剪后的牙颌模型的三角面片进行降采样并进行牙冠语义分割；第三阶段分割模块，用于基于所述第二阶段的输出结果计算每个牙冠所在区域的第二包围盒，利用所述第二包围盒在所述原始三角网格牙颌模型上裁剪出对应的牙冠；对所述裁剪后的牙冠的三角面片进行二分类的牙冠语义分割。
为实现上述目的及其他相关目的，本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于点云深度学习模型的三阶段牙冠分割方法。
为实现上述目的及其他相关目的，本申请的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于点云深度学习模型的三阶段牙冠分割方法。
如上所述，本申请的基于深度学习的三阶段牙冠分割方法、装置、终端及介质，具有以下有益效果：本发明可以高精度地分割出牙冠和牙龈，为后续的临床诊断和生产隐形矫治器做好了基础的准备工作，既提高了生产效率，也提高了生产质量。
附图说明
图1显示为本申请一实施例中的一种基于点云深度学习模型的三阶段牙冠分割方法的流程示意图。
图2A显示为本申请一实施例中三维牙颌表面模型的牙龈部分都有可能出现冗余部分的示意图。
图2B显示为本申请一实施例中裁剪得到的牙颌表面模型的示意图。
图2C显示为本申请一实施例中裁剪得到的单个牙冠表面模型的示意图。
图3显示为本申请一实施例中电子终端的结构示意图。
图4显示为本申请一实施例中的一种基于点云深度学习模型的三阶段牙冠分割装置的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
为解决上述背景技术中的问题，本发明提供基于深度学习的三阶段牙冠分割方法、装置、终端及介质，旨在基于PointNet、PointNet++、DGCNN等三维点云语义分割模型，在三维牙齿表面模型上进行自动标记。与此同时，为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
在对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：
<1> 点云：是指目标表面特性的海量点集合。根据激光测量原理得到的点云包括三维坐标（XYZ）和激光反射强度（Intensity），根据摄影测量原理得到的点云包括三维坐标（XYZ）和颜色信息（RGB）。
<2> 三位点云分割：是一种既需要了解全局几何结构，又需要了解每个点的细粒度细节的技术。根据分割粒度的不同，三维点云分割方法可以分为三类：语义分割（场景级）、实例分割（对象级）、部分分割（部分级）。
本发明实施例提供基于点云深度学习模型的三阶段牙冠分割方法、基于点云深度学习模型的三阶段牙冠分割方法的系统、以及存储用于实现基于点云深度学习模型的三阶段牙冠分割方法的可执行程序的存储介质。就基于点云深度学习模型的三阶段牙冠分割方法的实施而言，本发明实施例将对基于点云深度学习模型的牙齿标记的示例性实施场景进行说明。
如图1所示，展示了本发明实施例中的一种基于点云深度学习模型的三阶段牙冠分割方法的流程示意图。本实施例中的基于点云深度学习模型的三阶段牙冠分割方法主要包括如下各步骤：
步骤S11：在第一阶段中，获取原始三角网格牙颌模型并在对构成所述原始三角网格牙颌模型的三角面片进行降采样后，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割。
需说明的是，三角网格是多边形网格的一种，多边形网格又被称为“Mesh”，是计算机图形学中用于为各种不规则物体建立模型的一种数据结构。现实世界中的物体表面直观上看都是由曲面构成，而在计算机世界中，由于只能用离散的结构去模拟现实中连续的事物，所以现实中的曲面实际上在计算机中由无数个小的多边形面组成。三角网格是一个三角形列表，最直接的表示方法是三角形数组，故三角网格牙颌模型是指用大量三角形面片构建牙颌模型。
由于需要从三维牙颌表面模型中提取出每颗牙齿的牙冠部分，无论是仓扫还是口扫获取的三维牙颌表面模型的牙龈部分都有可能出现很多冗余部分，如图2A所示的。过多冗余的牙龈会导致两个问题：其一，三角面片数过多会导致计算机为了处理这些额外的三角面片消耗过多的资源，处理时间也会增加；其二，冗余的牙龈属于噪声部分，过多的噪声对模型处理的精度也会产生较大影响。因此，为了后续分牙算法更加高效及更具鲁棒性，择优删除多余的牙龈部分。
通常而言，原始三角网格牙颌模型的三角面片数一般在10~40万之间，因此为了便于三维点云语义分割模型处理这些数据，首先需要对三角面片进行降采样。降采样也称为下采样，其目的在于从多数集中选出一部分数据与少数集重新组合成一个新的数据集。降采样（下采样）的方式包括但不限于随机下采样、Easy Ensemble下采样或者Near Miss下采样。随机下采样是指从多数类样本中随机选取一些剔除掉；Easy Ensemble下采样是基于无监督的方式从多数类样本中生成子集进行下采样，是将多数类样本随机划分成n个子集，每个子集的数量等于少数类样本的数量，接着每个子集与少数类样本结合起来分别训练一个模型，最后将n个模型集成；Near Miss下采样是从多数类样本中选取最具代表性的样本用于训练。
进一步地，在对原始三角网格牙颌模型的三角面片进行降采样后，使用网格简化模型（如基于二次误差度量的边收缩算法）将降采样后的三角面片的片数进行数量和维度的统一。举例来说，可基于二次误差度量的边收缩算法将降采样后的面片数统一为m（一般可取1~2万之间），并将每个三角面片转化为15维向量，每个15维向量的三角面片由3部分组成：第一部分是3个顶点坐标，每个顶点坐标为3维；第二部分是面片的3维法向量；第三部分是面片的3维重心坐标。其中，所述二次误差度量的边收缩算法本质上是一种模型简化算法，边收缩算法在每一次简化操作中，边是被简化掉的基本图形元素。
于本实施例中，所述利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割包括：利用三维点云语义分割模型对每片三角面片进行是否属于牙冠部分的二分类；若为牙冠部分则用一种标记表示，若并非牙冠部分则用另一种标记表示；例如：若为牙冠部分则记为1，否则记为0（即牙龈部分）。
进一步地，三维点云语义分割既需要了解全局几何结构，又需要了解每个点的细粒度细节。根据分割粒度的不同，三维点云分割方法可以分为三类：语义分割（场景级）、实例分割（对象级）和部分分割（部分级）。对于给定的点云，语义分割的目标是根据点的语义意义将其划分为多个子集。语义分割有4种范式：基于投影的方法、基于离散的方法、基于点的方法和混合方法。
基于投影的方法通常是将三维点云投影到二维图像中，包括多视图和球形图像。总体而言，多视图分割方法的性能对视点选择和遮挡非常敏感。并且这些方法没有充分利用底层的几何和结构信息，因此投影步骤不可避免地会引入信息损失。与单视图投影相比，球面投影保留了更多的信息，适合于激光雷达点云的标注。基于离散化的方法通常将点云转换为稠密/稀疏的离散表示，如体积晶格和稀疏透面体格；密集化的体积表示天然保留了三维点云的邻域结构；其常规数据格式还允许直接应用标准三维卷积。这些因素导致了这一领域的性能稳步提高。混合方法是从三维扫描种学习多模态特征。基于点的方法是直接对无序的、非结构化的点云进行操作；具体算法包括但不限于Pointnet++算法对点进行分层分组，逐步从更大的局部区域进行学习，PointSIFT算法通过three-stage有序卷积将八个空间方向的信息堆叠并编码，多尺度特征被连接在一起实现对不同尺度的自适应。基于注意力的聚合方法在点云分割中引入了注意机制。
于本实施例中，在对每片三角面片进行牙冠和牙龈分割后还执行如下：根据各三角面片和相邻三角面片之间的标签异同及夹角关系判断该三角面片的边界是否光滑，以对牙冠和牙龈分割结果中的分类错误或不光滑边界进行后处理。
具体而言，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割的结果可能会包含错误的分类或者不光滑的边界，为此需要对这些结果进行后处理。利用点云语义分割模型计算三角网格面片的结果为m*2的概率矩阵P，计算每个三角面片和相邻面片之间的距离和夹角关系；若相邻三角面片之间的标签不同，则在二者间的夹角较大的情况下判断光滑项较大，否则光滑项较小；若相邻三角面片之间的标签相同，则判断光滑项为0。在判断光滑项之后利用图割算法（graph cut）进行计算得到边界光滑及伪影处理后的三角网格牙颌模型，以作为第一阶段的处理结果。
步骤S12：在第二阶段中，基于所述第一阶段的输出结果计算牙冠所在区域的第一包围盒，利用所述第一包围盒对所述原始三角网格牙颌模型进行裁剪以剔除不需要的牙龈部分，得到裁剪后的牙颌模型；对所述裁剪后的牙颌模型的三角面片进行降采样并进行多分类的牙冠语义分割。
具体而言，在三角网格牙颌模型已经调正的情况下选取和牙体长轴方向对齐的包围盒（axis-aligned bounding box），或者在三角网格牙颌模型未调正的情况下选取定向包围盒（oriented bounding box），对原始三角网格牙颌模型进行裁剪，以剔除不需要的牙龈部分，得到裁剪的牙颌表面模型如图2B所示。
进一步地，由于裁剪后的三角网格牙颌模型的三角面片数量仍然很多，为便于三维点云语义分割模型处理这些数据，首先需要对三角面片进行降采样；降采样（下采样）的方式包括但不限于随机下采样、Easy Ensemble下采样或者Near Miss下采样等。在降采样后，使用网格简化模型（如基于二次误差度量的边收缩算法）将降采样后的三角面片的片数进行数量和维度的统一。举例来说，可基于二次误差度量的边收缩算法将降采样后的面片数统一为n（一般可取1~2万之间），并将每个三角面片转化为15维向量，每个15维向量的三角面片由3部分组成：第一部分是3个顶点坐标，每个顶点坐标为3维；第二部分是面片的3维法向量；第三部分是面片的3维重心坐标。将n行15列的矩阵作为输入，利用三维点云语义分割模型训练/预测每个三角面片的17分类（每个牙颌上最多有16个牙齿，对应16个牙位，记为1到16，剩余的牙龈记为0）。其中，所述二次误差度量的边收缩算法本质上是一种模型简化算法，边收缩算法在每一次简化操作中，边是被简化掉的基本图形元素。需说明的是，虽然三维上下牙颌表面模型有所区别，但对于模型训练和使用种，上下牙合表面模型的算法区别并不大，即本发明实施例提供的算法可同时应用于上下牙颌。
在第二阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于某个牙位对应的牙冠部分的多分类，若为某个牙位对应的牙冠部分则用对应的牙位标记表示，若并非牙冠部分则用零标记表示。
同第一阶段类似，点云语义分割模型输出的预测结果可能会包含错误的分类或者不光滑的边界，为此需要使用图割算法对点云语义分割模型产生的结果进行后处理。具体的，利用点云语义分割模型计算三角网格面片的结果为n*2的概率矩阵P，计算每个三角面片和相邻面片之间的距离和夹角关系；若相邻三角面片之间的标签不同，则在二者间的夹角较大的情况下判断光滑项较大，否则光滑项较小；若相邻三角面片之间的标签相同，则判断光滑项为0。在判断光滑项之后利用图割算法（graph cut）进行计算得到边界光滑及伪影处理后的三角网格牙颌模型，以作为第二阶段的处理结果。
步骤S13：在第三阶段中，基于所述第二阶段的输出结果计算每个牙冠所在区域的第二包围盒，利用所述第二包围盒在所述原始三角网格牙颌模型上裁剪出对应的牙冠。
在第三阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于指定牙位对应的牙冠部分的二分类，若为指定牙位对应的牙冠部分则用一种标记表示，若并非指定牙位对应的牙冠部分则用另一种标记表示。
具体而言，在三角网格牙颌模型已经调正的情况下选取和牙体长轴方向对齐的包围盒，或者在三角网格牙颌模型未调正的情况下选取定向包围盒，对原始三角网格牙颌模型进行裁剪，以剔除不需要的牙龈部分，得到裁剪的牙颌表面模型如图2C所示。
由于每个牙颌模型上最多有16个牙冠，在训练阶段样本总数是第一阶段或第二阶段的16倍之多，虽然单颗牙表面的三角面片数大概只有第一阶段或第二阶段牙颌表面三角面片数的16分之一，但为了加快单个样本的训练速度需要对裁剪的牙冠牙龈部分进行降采样。同第一、二阶段一样使用常见的网格简化模型（例如基于二次误差度量的边收缩算法）将采样后的面片数统一为k（一般取4000~10000之间）。将每个三角面片转化为15维向量，每个15维向量的三角面片由3部分组成：第一部分是3个顶点坐标，每个顶点坐标为3维；第二部分是面片的3维法向量；第三部分是面片的3维重心坐标。将k行15列的矩阵作为输入，利用三维点云语义分割模型训练/预测每个三角面片的二分类（是否为某个牙位对应的牙冠部分，若为某个牙位对应的牙冠记为1，否则记为0）。虽然每颗牙冠表面模型有区别，但无论是在训练阶段还是推理阶段，本算法都不区分不同牙位的牙冠并做统一处理。
进一步地，针对推理任务，本发明采用如下两种方法对裁剪的牙冠牙龈部分进行预测。
第一种预测方法是利用点云语义分割模型直接在裁剪的牙冠牙龈部分进行预测，同第一阶段和第二阶段一样，点云语义分割模型产生的预测可能会包含错误的分类或者不光滑的边界，为此同样需要使用图割算法对点云语义分割模型产生的结果进行后处理。
第二种预测方法是对裁剪的牙冠牙龈部分进行和模型训练时一样的降采样处理，然后利用训练的点云语义分割模型对降采样的三角网格数据进行预测，随后利用图割算法处理分类错误或者边界不光滑的问题，由于最终需要得到原始牙颌模型上每个三角面片的标签。因此，需要对降采样的预测分牙结果进行升采样。具体可使用最近邻算法（NearestNeighbors）计算出原始牙颌模型上每个三角面片的标签，由于最近邻算法能够比较降采样的面片和原始面片之间的距离，当原始面片有多个最邻近的降采样面片时，最终得到的牙冠边界会出现不光滑的情况，因此最后还需要使用图割算法对每个牙冠进行光滑后处理，从而得到高精度的牙冠分割模型。
优选的，本发明实施例通过大量实验对比上述两种预测方法之间的差异，给出了上述两种预测方法的判断标准如下：当单牙采样率大于四分之一时，采用第一种预测方法的效果更佳；否则，采用第二种预测方法的效果会更好。
值得说明的是，本发明实施例对上下牙颌进行混合训练和推理。在算法的前两个阶段，将上下牙颌的训练样本混合在一起，不区分上下牙颌，用同一个模型进行训练；在算法的第三个阶段，将所有裁剪出来的牙齿混合在一起，不区分上下牙颌和牙位信息，用一个模型进行训练。在进行推理任务时，用模型训练时得到的三个模型在对应的三个阶段分别进行预测。此外，邻牙以及牙龈边界光滑化后处理算法，针对算法每一个阶段得到的牙冠，基于邻牙以及牙龈边界的先验知识，构造面片之间的全局邻接关系，利用图割算法进行光滑化后处理。
本发明实施例提供的基于点云深度学习模型的三阶段牙冠分割方法可以采用终端侧或服务器侧实施，就基于点云深度学习模型的牙齿标记终端的硬件结构而言，请参阅图3，为本发明实施例提供的基于点云深度学习模型的牙齿标记终端300的一个可选的硬件结构示意图，该终端300可以是移动电话、计算机设备、平板设备、个人数字处理设备、工厂后台处理设备等。基于点云深度学习模型的牙齿标记终端300包括：至少一个处理器301、存储器302、至少一个网络接口304和用户接口306。装置中的各个组件通过总线系统305耦合在一起。可以理解的是，总线系统305用于实现这些组件之间的连接通信。总线系统305除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统。
其中，用户接口306可以包括显示器、键盘、鼠标、轨迹球、点击枪、按键、按钮、触感板或者触摸屏等。
可以理解，存储器302可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，StaticRandom Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous StaticRandomAccess Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类别的存储器。
本发明实施例中的存储器302用于存储各种类别的数据以支持基于点云深度学习模型的牙齿标记终端300的操作。这些数据的示例包括：用于在基于点云深度学习模型的牙齿标记终端300上操作的任何可执行程序，如操作系统3021和应用程序3022；操作系统3021包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序3022可以包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例提供的基于点云深度学习模型的三阶段牙冠分割方法可以包含在应用程序3022中。
上述本发明实施例揭示的方法可以应用于处理器301中，或者由处理器301实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器301可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器301可以是微处理器或者任何常规的处理器等。结合本发明实施例所提供的配件优化方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，基于点云深度学习模型的牙齿标记终端300可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable LogicDevice)，用于执行前述方法。
如图4所示，展示了本发明实施例中的一种基于点云深度学习模型的牙齿标记装置的结构示意图。本实施例中，基于点云深度学习模型的三阶段牙冠分割装置400包括第一阶段分割模块401、第二阶段分割模块402、第三阶段分割模块403。
所述第一阶段分割模块401用于获取原始三角网格牙颌模型并在对构成所述原始三角网格牙颌模型的三角面片进行降采样后，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割。所述第二阶段分割模块402用于基于所述第一阶段的输出结果计算牙冠所在区域的第一包围盒，利用所述第一包围盒对所述原始三角网格牙颌模型进行裁剪以剔除不需要的牙龈部分，得到裁剪后的牙颌模型；对所述裁剪后的牙颌模型的三角面片进行降采样并进行多分类的牙冠语义分割。所述第三阶段分割模块403用于基于所述第二阶段的输出结果计算每个牙冠所在区域的第二包围盒，利用所述第二包围盒在所述原始三角网格牙颌模型上裁剪出对应的牙冠；对所述裁剪后的牙冠的三角面片进行二分类的牙冠语义分割。
需要说明的是：上述实施例提供的基于点云深度学习模型的牙齿标记装置在进行基于点云深度学习模型的牙齿标记时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的基于点云深度学习模型的牙齿标记装置与基于点云深度学习模型的三阶段牙冠分割方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
于本申请提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线（DSL）或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘（CD）、激光光盘、光盘、数字多功能光盘（DVD）、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
综上所述，本申请提供基于深度学习的三阶段牙冠分割方法、装置、终端及介质，可以高精度地分割出牙冠和牙龈，为后续的临床诊断和生产隐形矫治器做好了基础的准备工作，既提高了生产效率，也提高了生产质量。所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种基于点云深度学习模型的三阶段牙冠分割方法，其特征在于，包括：
在第一阶段中，获取原始三角网格牙颌模型并在对构成所述原始三角网格牙颌模型的三角面片进行降采样后，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割；
在第二阶段中，基于所述第一阶段的输出结果计算牙冠所在区域的第一包围盒，利用所述第一包围盒对所述原始三角网格牙颌模型进行裁剪以剔除不需要的牙龈部分，得到裁剪后的牙颌模型；对所述裁剪后的牙颌模型的三角面片进行降采样并进行多分类的牙冠语义分割；
在第三阶段中，基于所述第二阶段的输出结果计算每个牙冠所在区域的第二包围盒，利用所述第二包围盒在所述原始三角网格牙颌模型上裁剪出对应的牙冠；对所述裁剪后的牙冠的三角面片进行二分类的牙冠语义分割。
2.根据权利要求1所述的基于点云深度学习模型的三阶段牙冠分割方法，其特征在于，包括：在第一阶段、第二阶段中，在对原始三角网格牙颌模型的三角面片进行降采样后，使用网格简化模型将降采样后的三角面片的片数进行数量和维度的统一。
3.根据权利要求1所述的基于点云深度学习模型的三阶段牙冠分割方法，其特征在于，包括：在第一阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于牙冠部分的二分类；若为牙冠部分则用一种标记表示，若并非牙冠部分则用另一种标记表示；在第二阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于某个牙位对应的牙冠部分的多分类，若为某个牙位对应的牙冠部分则用对应的牙位标记表示，若并非牙冠部分则用零标记表示；在第三阶段中，利用三维点云语义分割模型对每片三角面片进行是否属于指定牙位对应的牙冠部分的二分类，若为指定牙位对应的牙冠部分则用一种标记表示，若并非指定牙位对应的牙冠部分则用另一种标记表示。
4.根据权利要求3所述的基于点云深度学习模型的三阶段牙冠分割方法，其特征在于，在第一、二、三阶段中，在对每片三角面片进行牙冠和牙龈分割后还执行如下：根据各三角面片和相邻三角面片之间的标签异同及夹角关系判断该三角面片的边界是否光滑，以对牙冠和牙龈分割结果中的分类错误或不光滑边界进行后处理。
5.根据权利要求1所述的基于点云深度学习模型的三阶段牙冠分割方法，其特征在于，在第二、三阶段中，在三角网格牙颌模型已经调正的情况下选取和牙体长轴方向对齐的包围盒，或者在三角网格牙颌模型未调正的情况下选取定向包围盒，对原始三角网格牙颌模型进行裁剪，以剔除不需要的牙龈部分，得到裁剪的牙颌表面模型。
6.根据权利要求1所述的基于点云深度学习模型的三阶段牙冠分割方法，其特征在于，在第三阶段中，采用如下两种预测方法中的任一种方法对裁剪的牙冠牙龈部分进行预测：
第一种预测方法：利用点云语义分割模型直接在裁剪的牙冠牙龈部分进行预测，对训练模型预测中的错误分类或不光滑边界进行后处理；
第二种预测方法：对裁剪的牙冠牙龈部分进行和模型训练时一样的降采样处理，然后利用训练的点云语义分割模型对降采样的三角网格数据进行预测，随后利用图割算法对预测中的错误分类或不光滑边界进行后处理，并对降采样的预测分析结果进行升采样。
7.根据权利要求6所述的基于点云深度学习模型的三阶段牙冠分割方法，其特征在于，当单牙采样率大于四分之一时采用所述第一种预测方法；否则，采用所述第二种预测方法。
8.一种基于点云深度学习模型的三阶段牙冠分割装置，其特征在于，包括：
第一阶段分割模块，用于获取原始三角网格牙颌模型并在对构成所述原始三角网格牙颌模型的三角面片进行降采样后，利用三维点云语义分割模型对每片三角面片进行牙冠和牙龈分割；
第二阶段分割模块，用于基于所述第一阶段的输出结果计算牙冠所在区域的第一包围盒，利用所述第一包围盒对所述原始三角网格牙颌模型进行裁剪以剔除不需要的牙龈部分，得到裁剪后的牙颌模型；对所述裁剪后的牙颌模型的三角面片进行降采样并进行多分类的牙冠语义分割；
第三阶段分割模块，用于基于所述第二阶段的输出结果计算每个牙冠所在区域的第二包围盒，利用所述第二包围盒在所述原始三角网格牙颌模型上裁剪出对应的牙冠；对所述裁剪后的牙冠的三角面片进行二分类的牙冠语义分割。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于点云深度学习模型的三阶段牙冠分割方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述基于点云深度学习模型的三阶段牙冠分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211420418.9A CN115471663A (zh) | 2022-11-15 | 2022-11-15 | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211420418.9A CN115471663A (zh) | 2022-11-15 | 2022-11-15 | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115471663A true CN115471663A (zh) | 2022-12-13 |
Family
ID=84338223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211420418.9A Pending CN115471663A (zh) | 2022-11-15 | 2022-11-15 | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115471663A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116385474A (zh) * | 2023-02-27 | 2023-07-04 | 雅客智慧（北京）科技有限公司 | 基于深度学习的牙齿扫描模型分割方法、装置、电子设备 |
| 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 (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986123A (zh) * | 2017-06-01 | 2018-12-11 | 无锡时代天使医疗器械科技有限公司 | 牙颌三维数字模型的分割方法 |
| US20200085546A1 (en) * | 2018-09-14 | 2020-03-19 | Align Technology, Inc. | Machine learning scoring system and methods for tooth position assessment |
| CN112120810A (zh) * | 2020-09-29 | 2020-12-25 | 深圳市深图医学影像设备有限公司 | 一种牙齿正畸隐型矫治器的三维数据生成方法 |
| CN113454637A (zh) * | 2018-12-17 | 2021-09-28 | 普罗马顿控股有限责任公司 | 使用深度学习对非欧式3d数据集的自动语义分割 |
| CN113538438A (zh) * | 2020-04-21 | 2021-10-22 | 宁波深莱医疗科技有限公司 | 牙颌三维数字模型的分割方法 |
| US20220079714A1 (en) * | 2020-09-11 | 2022-03-17 | Align Technology, Inc. | Automatic segmentation quality assessment for secondary treatment plans |
| CN114359296A (zh) * | 2022-01-06 | 2022-04-15 | 杭州柳叶刀机器人有限公司 | 基于深度学习的图像元素及下牙槽神经分割方法与装置 |
| CN114758121A (zh) * | 2022-03-04 | 2022-07-15 | 杭州隐捷适生物科技有限公司 | 一种基于深度学习的cbct牙槽骨分割系统及方法 |
| US20220262007A1 (en) * | 2021-02-12 | 2022-08-18 | Align Technology, Inc. | Machine learning dental segmentation system and methods using graph-based approaches |
| CN115252174A (zh) * | 2021-04-30 | 2022-11-01 | 合肥美亚光电技术股份有限公司 | 排牙方法、牙齿正畸模拟方法、存储介质和口腔ct设备 |
| CN115272359A (zh) * | 2021-04-30 | 2022-11-01 | 合肥美亚光电技术股份有限公司 | 牙齿分割方法、牙齿面数据获取方法和口腔ct设备 |
-
2022
- 2022-11-15 CN CN202211420418.9A patent/CN115471663A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986123A (zh) * | 2017-06-01 | 2018-12-11 | 无锡时代天使医疗器械科技有限公司 | 牙颌三维数字模型的分割方法 |
| US20200085546A1 (en) * | 2018-09-14 | 2020-03-19 | Align Technology, Inc. | Machine learning scoring system and methods for tooth position assessment |
| CN113454637A (zh) * | 2018-12-17 | 2021-09-28 | 普罗马顿控股有限责任公司 | 使用深度学习对非欧式3d数据集的自动语义分割 |
| CN113538438A (zh) * | 2020-04-21 | 2021-10-22 | 宁波深莱医疗科技有限公司 | 牙颌三维数字模型的分割方法 |
| US20220222818A1 (en) * | 2020-04-21 | 2022-07-14 | Ningbo Shenlai Medical Technology Co., Ltd. | Method for segmenting 3d digital model of jaw |
| US20220079714A1 (en) * | 2020-09-11 | 2022-03-17 | Align Technology, Inc. | Automatic segmentation quality assessment for secondary treatment plans |
| CN112120810A (zh) * | 2020-09-29 | 2020-12-25 | 深圳市深图医学影像设备有限公司 | 一种牙齿正畸隐型矫治器的三维数据生成方法 |
| US20220262007A1 (en) * | 2021-02-12 | 2022-08-18 | Align Technology, Inc. | Machine learning dental segmentation system and methods using graph-based approaches |
| CN115252174A (zh) * | 2021-04-30 | 2022-11-01 | 合肥美亚光电技术股份有限公司 | 排牙方法、牙齿正畸模拟方法、存储介质和口腔ct设备 |
| CN115272359A (zh) * | 2021-04-30 | 2022-11-01 | 合肥美亚光电技术股份有限公司 | 牙齿分割方法、牙齿面数据获取方法和口腔ct设备 |
| CN114359296A (zh) * | 2022-01-06 | 2022-04-15 | 杭州柳叶刀机器人有限公司 | 基于深度学习的图像元素及下牙槽神经分割方法与装置 |
| CN114758121A (zh) * | 2022-03-04 | 2022-07-15 | 杭州隐捷适生物科技有限公司 | 一种基于深度学习的cbct牙槽骨分割系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐帆 等: "X 射线胸片计算机辅助检测", 《中国会议》 * |
| 纪峰: "虚拟牙齿矫正中的组织分割研究", 《北华大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116385474A (zh) * | 2023-02-27 | 2023-07-04 | 雅客智慧（北京）科技有限公司 | 基于深度学习的牙齿扫描模型分割方法、装置、电子设备 |
| CN116385474B (zh) * | 2023-02-27 | 2024-06-04 | 雅客智慧（北京）科技有限公司 | 基于深度学习的牙齿扫描模型分割方法、装置、电子设备 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10285781B2 (en) | Method for acquiring tooth crown shape information from data relating to oral cavity shape to automatically construct a database for tooth crown shapes | |
| CN115471663A (zh) | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 | |
| US11842484B2 (en) | Teeth segmentation using neural networks | |
| US11354855B2 (en) | Three-dimensional building information model generation systems and methods | |
| WO2020048960A1 (en) | Automated orthodontic treatment planning using deep learning | |
| CN110033519B (zh) | 基于隐式函数的三维建模方法、装置、系统及存储介质 | |
| EP4096569A1 (en) | Teeth segmentation using neural networks | |
| CN110163087B (zh) | 一种人脸姿态识别方法及系统 | |
| WO2003088085A1 (en) | Three-dimensional digital library system | |
| CN108491850B (zh) | 三维牙齿网格模型的特征点自动提取方法及装置 | |
| WO2012071688A1 (zh) | 基干感知信息的三维模型形狀分析方法 | |
| US8587586B2 (en) | Electronic device and method for meshing curved surface | |
| CN111192320A (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
| CN113112617B (zh) | 一种三维图像的处理方法、装置，电子设备及存储介质 | |
| Ben-Hamadou et al. | 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge | |
| US20050162418A1 (en) | Boundary data inside/outside judgment method and program thereof | |
| CN115953583B (zh) | 基于迭代边界优化和深度学习的牙齿分割方法及系统 | |
| WO2024119612A1 (zh) | 一种数字化口腔模型标志点识别方法、装置及电子设备 | |
| Adhikary et al. | A slice based approach to recognize and extract free-form volumetric features in a CAD mesh model | |
| Mouritsen | Automatic segmentation of teeth in digital dental models | |
| US20230087800A1 (en) | Automated tooth administration in a dental restoration workflow | |
| Hao et al. | Clinically applicable system for 3D teeth segmentation in intraoral scans using deep learning | |
| US20220318989A1 (en) | Automatic Clean Up of Jaw Scans | |
| CN117726640A (zh) | 一种牙齿分割方法以及装置 | |
| CN115938544A (zh) | 基于网格特征深度学习的口腔正畸自动排牙方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221213 |
|
| RJ01 | Rejection of invention patent application after publication |