CN115688461B - 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法 - Google Patents

基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法 Download PDF

Info

Publication number
CN115688461B
CN115688461B CN202211411204.5A CN202211411204A CN115688461B CN 115688461 B CN115688461 B CN 115688461B CN 202211411204 A CN202211411204 A CN 202211411204A CN 115688461 B CN115688461 B CN 115688461B
Authority
CN
China
Prior art keywords
arch
model
alveolar bone
tooth
cluster
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
Application number
CN202211411204.5A
Other languages
English (en)
Other versions
CN115688461A (zh
Inventor
李小兵
罗嘉庆
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
Priority to CN202211411204.5A priority Critical patent/CN115688461B/zh
Publication of CN115688461A publication Critical patent/CN115688461A/zh
Application granted granted Critical
Publication of CN115688461B publication Critical patent/CN115688461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)

Abstract

本发明提供一种基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法，所述方法包括：获取正常牙
Figure DDA0003938633540000011
模型的标准化牙弓形态和标准化牙槽骨弓形态，基于聚类算法划分成数个牙弓簇和牙槽骨弓簇，并统计分析牙弓簇和牙槽骨弓簇之间的量化关联关系；获取待测牙
Figure DDA0003938633540000012
模型的标准化牙弓形态和标准化牙槽骨弓形态，利用牙弓簇、牙槽骨弓簇及其量化关联关系对待测牙
Figure DDA0003938633540000013
模型的标准化牙弓形态和标准化牙槽骨弓形态及其关联关系进行异常程度评估。本发明基于聚类算法得到了标准化牙弓形态和标准化牙槽骨弓形态之间的量化关联关系，从而为早期治疗错
Figure DDA0003938633540000014
畸形提供临床依据时，更加准确。

Description

基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法
技术领域
本发明涉及牙齿异常程度评估技术领域，具体而言，涉及一种基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法。
背景技术
正畸治疗的目标之一是创建一个与支撑骨建立稳定关系的牙弓。“根尖基”理论认为，支撑骨的大小和形状在很大程度上受基因控制，后天牙弓的扩展是有限度的，而“骨生长”理论认为支撑骨的尺寸和形状除了受遗传控制外，在较大程度上取决于环境刺激，包括牙齿的萌动、来自舌头和脸颊的压力、以及咀嚼。大多数临床医生认为，在成长中儿童的牙弓扩张可能存在一个极限，但我们并不知道每个儿童患者的确切极限。
正畸治疗的时机也很关键。人类牙列的发育是一个连续的过程，在正畸治疗规划以及正畸治疗后的稳定性评估中必须考虑这种自然发展。一些临床医生试图通过干预混合牙列来阻止错
Figure GDA0004215448950000011
的发展，并为即将到来的恒牙提供足够的空间，另一些临床医生可能倾向于将正畸治疗推迟到青春期。
研究早期治疗前后牙弓形态和牙槽骨弓形态之间的相关性变化，可为早期治疗错
Figure GDA0004215448950000012
提供临床依据。众所周知，牙弓从乳牙列到恒牙列不断变化，且存在个体差异。大量研究调查了牙弓在生长发育的各个阶段的变化。1934年查克提出了牙弓的第一种分类方式，包括3种形态：卵形、锥形和方形。目前最流行的是Ricketts五形牙弓，其根据牙弓相关性、大小和长度等因素将牙弓分为5种形态。Andrew提出的咬合六要素描述了正常咬合的特征；任何明显偏离正常咬合的情况都会导致错/>
Figure GDA0004215448950000013
。牙槽发育是一个复杂的生物学过程。
综上，牙弓和牙槽骨弓之间的关系存在较大的个体差异。量化这些变化可能有助于确定牙弓和牙槽骨弓之间的个体化平衡。然而，目前没有对牙弓形态和牙槽骨弓形态之间的关联关系进行量化的技术手段，以致于当前利用牙弓形态和牙槽骨弓形态之间的相关性为早期治疗错
Figure GDA0004215448950000021
畸形提供临床依据时，对牙弓和牙槽骨弓形态异常程度评估具有较大误差的问题。
发明内容
本发明旨在提供一种基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法，以解决目前没有对牙弓形态和牙槽骨弓形态之间的相关性进行量化的技术手段，以致于当前利用牙弓形态和牙槽骨弓形态之间的相关性为早期治疗错
Figure GDA0004215448950000022
提供临床依据时，对牙弓和牙槽骨弓形态异常程度具有较大误差可能的问题。
本发明提供的一种基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，包括如下步骤：
S1、获取正常牙
Figure GDA0004215448950000023
模型的牙弓形态，并对正常牙/>
Figure GDA0004215448950000024
模型的牙弓形态进行归一化，得到正常牙/>
Figure GDA0004215448950000025
模型的标准化牙弓形态；/>
S2、获取正常牙
Figure GDA0004215448950000026
模型的牙槽骨弓形态，并对正常牙/>
Figure GDA0004215448950000027
模型的牙槽骨弓形态进行归一化，得到正常牙/>
Figure GDA0004215448950000028
模型的标准化牙槽骨弓形态；
S3、利用聚类算法将正常牙
Figure GDA0004215448950000029
模型的标准化牙弓形态和标准化牙槽骨弓形态分别划分为多个牙弓簇和牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心，并统计分析各个牙弓簇和牙槽骨弓簇之间的量化关联关系；
S4、获取待测牙
Figure GDA00042154489500000210
模型的牙弓形态并对待测牙/>
Figure GDA00042154489500000211
模型的牙弓形态进行归一化，得到待测牙/>
Figure GDA00042154489500000212
模型的标准化牙弓形态；通过计算该待测牙/>
Figure GDA00042154489500000213
模型的标准化牙弓形态到距离其最近的正常牙/>
Figure GDA0004215448950000031
模型的牙弓簇中心的距离，评估该待测牙/>
Figure GDA0004215448950000032
模型的标准化牙弓形态的异常程度；
S5、获取待测牙
Figure GDA0004215448950000033
模型的牙槽骨弓形态并对待测牙/>
Figure GDA0004215448950000034
模型的牙槽骨弓形态进行归一化，得到待测牙/>
Figure GDA0004215448950000035
模型的标准化牙槽骨弓形态；通过计算该待测牙/>
Figure GDA0004215448950000036
模型的标准化牙槽骨弓形态到距离其最近的正常牙/>
Figure GDA0004215448950000037
模型的牙槽骨弓簇中心的距离，评估该待测牙/>
Figure GDA0004215448950000038
模型的标准化牙槽骨弓形态的异常程度；
S6、根据正常牙
Figure GDA0004215448950000039
模型的牙弓簇和牙槽骨弓簇的量化关联关系，评估待测牙/>
Figure GDA00042154489500000310
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常程度；
S7、可视化显示：
对距离待测牙
Figure GDA00042154489500000311
模型的标准化牙弓形态最近的正常牙/>
Figure GDA00042154489500000312
模型的牙弓簇中心进行逆归一化，得到与待测牙/>
Figure GDA00042154489500000313
模型尺寸适配的正常牙/>
Figure GDA00042154489500000314
模型的牙弓簇中心形态；对比显示该待测牙/>
Figure GDA00042154489500000315
模型的牙弓形态与对应的正常牙/>
Figure GDA00042154489500000316
模型的牙弓簇中心形态；
对距离待测牙
Figure GDA00042154489500000317
模型的标准化牙槽骨弓形态最近的正常牙/>
Figure GDA00042154489500000318
模型的牙槽骨弓簇中心进行逆归一化，得到与待测牙/>
Figure GDA00042154489500000319
模型尺寸适配的正常牙/>
Figure GDA00042154489500000320
模型的牙槽骨弓簇中心形态；对比显示该待测牙/>
Figure GDA00042154489500000321
模型的牙槽骨弓形态与对应的正常牙/>
Figure GDA00042154489500000322
模型的牙槽骨弓簇中心形态。
进一步的，步骤S3包括如下子步骤：
S31、用聚类算法对N个正常牙
Figure GDA00042154489500000323
模型的N个标准化牙弓形态和与N个标准化牙槽骨弓形态进行聚类，划分成P个牙弓簇和Q个牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心；
S32、P个牙弓簇和Q个牙槽骨弓簇能够组成P×Q种牙弓簇和牙槽弓簇的配对；对于N个正常牙
Figure GDA0004215448950000041
模型中的任意一个模型，其标准化牙弓形态所属的牙弓簇和标准化牙槽骨弓形态所属的牙槽骨弓簇的配对，属于P×Q种配对中的某一种；统计P×Q种配对中的每一种出现在N个正常牙/>
Figure GDA0004215448950000042
模型中的比例，得到正常牙/>
Figure GDA0004215448950000043
模型牙弓簇和牙槽弓簇的量化关联关系。
进一步的，步骤S4包括如下子步骤：
S41、获取待测牙
Figure GDA0004215448950000044
模型的牙弓形态并对待测牙/>
Figure GDA0004215448950000045
模型的牙弓形态进行归一化，得到待测牙/>
Figure GDA0004215448950000046
模型的标准化牙弓形态；
S42、查找距离待测牙
Figure GDA0004215448950000047
模型的标准化牙弓形态最近的正常牙/>
Figure GDA0004215448950000048
模型的牙弓簇中心，得到与正常牙/>
Figure GDA0004215448950000049
模型的牙弓簇中心对应的正常牙/>
Figure GDA00042154489500000410
模型的牙弓簇，将待测牙/>
Figure GDA00042154489500000411
模型的标准化牙弓形态加入该正常牙/>
Figure GDA00042154489500000412
模型的牙弓簇；
S43、计算待测牙
Figure GDA00042154489500000413
模型的标准化牙弓形态所属正常牙/>
Figure GDA00042154489500000414
模型的牙弓簇的簇内成员到簇中心距离的平均值μd和标准差σd，根据该平均值μd和标准差σd设定距离阈值xd；
S44、判断待测牙
Figure GDA00042154489500000415
模型的标准化牙弓形态到所属正常牙/>
Figure GDA00042154489500000416
模型的牙弓簇中心的距离fd是否超过距离阈值xd：
当距离fd超过距离阈值xd，则判断该待测牙
Figure GDA00042154489500000417
模型的标准化牙弓形态异常；
当距离fd不超过距离阈值xd，则判断该待测牙
Figure GDA00042154489500000418
模型的标准化牙弓形态正常；
S45、重复执行步骤S31～S32以及步骤S42～S44，重复次数M1次，计算该待测牙
Figure GDA0004215448950000051
模型的标准化牙弓形态异常次数与重复次数M1的占比，得到待测牙/>
Figure GDA0004215448950000052
模型的标准化牙弓形态的异常程度。
进一步的，步骤S5包括如下子步骤：
S51、获取待测牙
Figure GDA0004215448950000053
模型的牙槽骨弓形态并对待测牙/>
Figure GDA0004215448950000054
模型的牙槽骨弓形态进行归一化，得到待测牙/>
Figure GDA0004215448950000055
模型的标准化牙槽骨弓形态；
S52、查找距离待测牙
Figure GDA0004215448950000056
模型的标准化牙槽骨弓形态最近的正常牙/>
Figure GDA0004215448950000057
模型的牙槽骨弓簇中心，得到与正常牙/>
Figure GDA0004215448950000058
模型的牙槽骨弓簇中心对应的正常牙/>
Figure GDA0004215448950000059
模型的牙槽骨弓簇，将待测牙/>
Figure GDA00042154489500000510
模型的标准化牙槽骨弓形态加入该正常牙/>
Figure GDA00042154489500000511
模型的牙槽骨弓簇。
S53、计算待测牙
Figure GDA00042154489500000512
模型的标准化牙槽骨弓形态所属正常牙/>
Figure GDA00042154489500000513
模型的牙弓槽骨弓簇的簇内成员到簇中心距离的平均值μa和标准差σa，根据该平均值μa和标准差σa设定距离阈值xa；
S54、判断待测牙
Figure GDA00042154489500000514
模型的标准化牙槽骨弓形态到所属正常牙/>
Figure GDA00042154489500000515
模型的牙槽骨弓簇中心的距离fa是否超过距离阈值xa：
当距离fa超过距离阈值xa，则判断该待测牙
Figure GDA00042154489500000516
模型的标准化牙槽骨弓形态异常；
当距离fa不超过距离阈值xa，则判断该待测牙
Figure GDA00042154489500000517
模型的标准化牙槽骨弓形态正常；
S55、重复执行步骤S31～S32以及步骤S52～S54，重复次数M2次，计算该待测牙
Figure GDA00042154489500000518
模型的标准化牙槽骨弓形态异常次数与重复次数M2的占比，得到待测牙/>
Figure GDA00042154489500000519
模型的标准化牙槽骨弓形态的异常程度。
进一步的，步骤S6包括如下子步骤：
S61、根据正常牙
Figure GDA0004215448950000061
模型的牙弓簇和牙槽弓簇的量化关联关系，判断待测牙/>
Figure GDA0004215448950000062
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系是否异常：
当待测牙
Figure GDA0004215448950000063
模型的标准牙弓形态所属的正常牙/>
Figure GDA0004215448950000064
模型的牙弓簇和待测牙/>
Figure GDA0004215448950000065
模型的标准牙槽骨弓形态所属的正常牙/>
Figure GDA0004215448950000066
模型的牙槽骨弓簇组成的配对，在正常牙/>
Figure GDA0004215448950000067
模型的牙弓簇和牙槽骨弓簇的量化关联关系中的值小于等于接近0的预设阈值，则该待测牙/>
Figure GDA0004215448950000068
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常；
当待测牙
Figure GDA0004215448950000069
模型的标准牙弓形态所属的正常牙/>
Figure GDA00042154489500000610
模型的牙弓簇和待测牙/>
Figure GDA00042154489500000611
模型的标准牙槽骨弓形态所属的正常牙/>
Figure GDA00042154489500000612
模型的牙槽骨弓簇组成的配对，在正常牙/>
Figure GDA00042154489500000613
模型的牙弓簇和牙槽骨弓簇的量化关联关系中的值大于接近0的预设阈值，则该待测牙/>
Figure GDA00042154489500000614
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系正常；
S62、重复执行步骤S31～S32以及步骤S61，重复次数M3，计算该待测牙
Figure GDA00042154489500000615
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常的次数与重复次数M3的占比，得到该待测牙/>
Figure GDA00042154489500000616
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系的异常程度。
在一些可选方案中，所述聚类算法采用划分式聚类算法、基于密度的聚类算法和层次化聚类算法中的一种。
在一些可选方案中，所述距离采用欧式距离、曼哈顿距离、切比雪夫距离和闵可夫斯基距离中的一种。
本发明还提供一种基于聚类的牙弓和牙槽骨弓形态异常程度评估装置，包括相连接的分析处理系统和显示系统；
所述分析处理系统包括：
牙弓形态提取模块，所述牙弓形态提取模块用于获取正常牙
Figure GDA0004215448950000071
模型和待测牙/>
Figure GDA0004215448950000072
模型的牙弓形态，并对正常牙/>
Figure GDA0004215448950000073
模型和待测牙/>
Figure GDA0004215448950000074
模型的牙弓形态进行归一化，得到正常牙
Figure GDA0004215448950000075
模型和待测牙/>
Figure GDA0004215448950000076
模型的标准化牙弓形态；
牙槽骨弓形态提取模块，所述牙槽骨弓形态提取模块用于获取正常牙
Figure GDA0004215448950000077
模型和待测牙/>
Figure GDA0004215448950000078
模型的牙槽骨弓形态，并对正常牙/>
Figure GDA0004215448950000079
模型和待测牙/>
Figure GDA00042154489500000710
模型的牙槽骨弓形态进行归一化，得到正常牙/>
Figure GDA00042154489500000711
模型和待测牙/>
Figure GDA00042154489500000712
模型的标准化牙槽骨弓形态；
量化关联关系分析存储模块，所述量化关联关系分析存储模块用于利用聚类算法将正常牙
Figure GDA00042154489500000713
模型的标准化牙弓形态和标准化牙槽骨弓形态分别划分为多个牙弓簇和牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心，并统计分析各个牙弓簇和牙槽骨弓簇之间的量化关联关系；
牙弓形态异常程度评估模块，所述牙弓形态异常程度评估模块用于通过计算该待测牙
Figure GDA00042154489500000714
模型的标准化牙弓形态到距离其最近的正常牙/>
Figure GDA00042154489500000715
模型的牙弓簇中心的距离，评估该待测牙/>
Figure GDA00042154489500000716
模型的标准化牙弓形态的异常程度；
牙槽骨弓形态异常程度评估模块，所述牙槽骨弓形态异常程度评估模块用于通过计算该待测牙
Figure GDA00042154489500000717
模型的标准化牙槽骨弓形态到距离其最近的正常牙/>
Figure GDA00042154489500000718
模型的牙槽骨弓簇中心的距离，评估该待测牙/>
Figure GDA00042154489500000719
模型的标准化牙槽骨弓形态的异常程度；
关联关系异常程度评估模块，所述关联关系异常程度评估模块用于根据正常牙
Figure GDA00042154489500000720
模型的牙弓簇和牙槽骨弓簇的量化关联关系，评估待测牙/>
Figure GDA00042154489500000721
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常程度；
所述显示系统包括：
簇中心缩放模块，所述簇中心缩放模块用于对距离待测牙
Figure GDA0004215448950000081
模型的标准化牙弓形态和/或标准化牙槽骨弓形态最近的正常牙/>
Figure GDA0004215448950000082
模型的牙弓簇中心和/或牙槽骨弓簇中心进行逆归一化，得到与待测牙/>
Figure GDA0004215448950000083
模型尺寸适配的正常牙/>
Figure GDA0004215448950000084
模型的牙弓簇中心形态和/或牙槽骨弓簇中心形态；
对比显示模块，所述显示模块用于对比显示该待测牙
Figure GDA0004215448950000085
模型的牙弓形态和/或牙槽骨弓形态以及与该待测牙/>
Figure GDA0004215448950000086
模型尺寸适配的正常牙/>
Figure GDA0004215448950000087
模型的牙弓簇中心形态和/或牙槽骨弓簇中心形态。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明利用牙弓和牙槽骨弓之间的关系存在较大的个体差异，基于聚类算法得到了标准化牙弓形态和标准化牙槽骨弓形态之间的量化关系，从而为早期治疗错
Figure GDA0004215448950000088
提供临床依据时，更加准确。
2、本发明利用聚类算法不稳定的特点，采用占比的方式量化了异常程度，使得评估结果更加精确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中基于聚类的牙弓和牙槽骨弓形态异常程度评估方法的流程图。
图2a为本发明实施例中上颌的标准化牙弓形态的簇的分类示意图。
图2b为本发明实施例中上颌的标准化牙槽骨弓形态的簇的分类示意图。
图3a为本发明实施例中下颌的标准化牙弓形态的簇的分类示意图。
图3b为本发明实施例中下颌的标准化牙槽骨弓形态的簇的分类示意图。
图4a为本发明实施例中上颌的标准化牙弓形态和标准化牙槽骨弓形态之间的量化关系示意图。
图4b为本发明实施例中下颌的标准化牙弓形态和标准化牙槽骨弓形态之间的量化关系示意图。
图5为本发明实施例中基于聚类的牙弓和牙槽骨弓形态异常程度评估装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本实施例提出一种基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，包括如下步骤：
S1、获取正常牙
Figure GDA0004215448950000091
模型的牙弓形态，并对正常牙/>
Figure GDA0004215448950000092
模型的牙弓形态进行归一化，得到正常牙/>
Figure GDA0004215448950000093
模型的标准化牙弓形态；
对于提取牙弓形态，最早人们根据bonwill-hawley氏原理绘制弓形图，后来研究人员开始通过数学模型来模拟牙弓形态，主要有抛物线函数、椭圆线函数、垂链线函数、三焦椭圆线、三次样条曲线、二阶到八阶多项式、圆锥曲线方程、幂函数方程、混合模型和β函数等。本实施例中所述牙弓形态为采用不同阶多项式拟合提取的牙弓形态，该牙弓形态的提取为与四川大学合作研发并在四川大学相关项目应用，其提取过程如下：
S11、从正常牙
Figure GDA0004215448950000101
模型中识别牙尖点：正常牙/>
Figure GDA0004215448950000102
模型是指正常受测人群的牙/>
Figure GDA0004215448950000103
3D点云模型；将牙/>
Figure GDA0004215448950000104
3D点云模型转成三角网格，计算三角网格的主曲率方向和值，去掉牙/>
Figure GDA0004215448950000105
3D点云模型中曲率为负对应的3D点(凹的3D点)，保留曲率为正(凸的3D点)且超过曲率阈值对应的3D点；曲率阈值根据需求进行设定，一般地，将曲率的前20％作为曲率阈值。将上述处理后的牙/>
Figure GDA0004215448950000106
3D点云模型中的点按一定分辨率向XOY平面投影，得到牙模投影图像；将牙模投影图像分成左右两个图像；对左右两个图像分别按行扫描，提取每一行中高度超过高度阈值的像素；高度阈值根据需求进行设定，一般地，将高度的前20％作为高度阈值。获取上述得到的像素对应的3D点，标记其中曲率超过曲率阈值的3D点为牙尖点。
S12、从牙尖点中识别颊尖点：将牙尖点按一定分辨率投影到XOY平面，得到牙尖点投影图像；对牙尖点投影图像的像素进行多项式拟合(一般而言，采用4阶多项式)，得到与牙尖点投影图像同分辨率的拟合曲线图像；对拟合曲线图像的像素按列扫描，获取每列的第一个像素，得到拟合曲线舌侧边缘图像；对牙尖点投影图像按列扫描，将牙尖点投影图像每一列中从第一个像素到拟合曲线舌侧边缘图像像素之间的像素清除；标记牙尖点投影图像剩余部分的像素对应的3D点为颊尖点。
S13、采用不同阶多项式对颊尖点进行拟合，生成牙弓形态：根据颊尖点的y值(颊尖点对应的牙弓深度)将颊尖点分为N段(例如，3段或者5段)；本实施例以4阶多项式为基准(需要说明的是，4阶多项式是本实施例的优选方案，也可以采用其他阶多项式)，通过比较每个分段的y值与阈值，选取不同阶多项式对颊尖点进行拟合：(1)对于y值小于阈值(例如，50％或者70％)的分段，采用4阶多项式对该分段的颊尖点进行拟合；(2)对于y值大于阈值(例如，50％或者70％)的分段，判断是否用X阶多项式替代4阶多项式对该分段的颊尖点进行拟合，X＞4。具体地，判断是否用X阶多项式替代4阶多项式的方法为：分段内的X阶多项式拟合的残差小于4阶多项式拟合的残差(比4阶多项式拟合效果更好)，且X阶多项式拟合与4阶多项式拟合的偏差相对于其它高阶多项式拟合与4阶多项式拟合的偏差最小。
上述得到牙弓形态后，对牙弓形态进行归一化，能够得到标准化牙弓形态。本实施例中，提供以下两种方案对牙弓形态进行归一化：
方案一，先对牙弓宽度进行归一化，再对牙弓深度进行归一化：
(1)对于牙弓形态中点对应的牙弓宽度(x值)，采用min-max归一化到[0,1]中的范围，公式如下：
Figure GDA0004215448950000111
其中：
x表示归一化前牙弓形态中点对应的牙弓宽度；
x′表示归一化后标准化牙弓形态中点对应的牙弓宽度。
(2)对于牙弓形态中点对应的牙弓深度(y值)，按牙弓深度与牙弓宽度的比例缩放到
Figure GDA0004215448950000112
的范围，公式如下：
Figure GDA0004215448950000113
其中：
y表示归一化前牙弓形态中点对应的牙弓深度；
y′表示归一化后标准化牙弓形态中点对应的牙弓深度。
方案二，先对牙弓深度进行归一化，再对牙弓宽度进行归一化：
(1)对于牙弓形态中点对应的牙弓深度(y值)，采用min-max归一化到[0,1]中的范围，公式如下：
Figure GDA0004215448950000121
其中：
y表示归一化前牙弓形态中点对应的牙弓深度；
y′表示归一化后标准化牙弓形态中点对应的牙弓深度。
(2)对于牙弓形态中点对应的牙弓宽度(x值)，按牙弓深度与牙弓宽度的比例缩放到
Figure GDA0004215448950000122
的范围，公式如下：
Figure GDA0004215448950000123
其中：
x表示归一化前牙弓形态中点对应的牙弓宽度；
x′表示归一化后标准化牙弓形态中点对应的牙弓宽度。
S2、获取正常牙
Figure GDA0004215448950000124
模型的牙槽骨弓形态，并对正常牙/>
Figure GDA0004215448950000125
模型的牙槽骨弓形态进行归一化，得到正常牙/>
Figure GDA0004215448950000126
模型的标准化牙槽骨弓形态：
对于提取牙槽骨弓形态的方法也有很多，本实施例中所述牙槽骨弓形态为基于骨壁分层和多项式拟合提取的牙槽骨弓形态，该牙槽骨弓形态的提取为与四川大学合作研发并在四川大学相关项目应用，其提取过程如下：
S21、基于牙
Figure GDA0004215448950000127
3D点云模型进行骨壁提取：从牙/>
Figure GDA0004215448950000128
3D点云模型中提取牙尖点，并将通过牙尖点的最佳拟合平面(所述最佳拟合平面可以由SVD平面拟合得到)作为咬合平面；旋转牙/>
Figure GDA0004215448950000129
3D点云模型，使XOY平面与咬合平面重合；用通过牙列的Z值最低点(或者牙龈的Z值最低点)且与XOY平面平行的平面作为切平面来切分牙/>
Figure GDA0004215448950000131
3D点云模型，切平面以下部分为骨壁。
S22、对提取的骨壁进行骨壁分层：
方案一，按照骨壁的Z值进行骨壁分层：先将骨壁的Z值等间隔分层N层，得到N-1个Z值分割点；然后利用过Z值分割点且与XOY平面平行的平面切分骨壁，从而将骨壁分成N层(根据需求进行设定，如N＝10)。
方案二，采用3D膨胀法切分骨壁：将步骤S21中切平面以上部分用于骨壁分层中3D膨胀的初始部分；然后将牙
Figure GDA0004215448950000132
3D点云模型转换成三角网格，计算三角网格的法向量；根据法向量限定3D膨胀范围；本实施例中，只保留法向量与Z轴夹角超过夹角阈值的点进行3D膨胀，换言之，选择倾角较大的点(根据需求进行设定，如法向量与Z轴夹角超过60°)参与3D膨胀。对所述初始部分进行多次3D膨胀，如果3D膨胀过程覆盖了3D膨胀范围内一定比例(根据需求进行设定，如80％)的点，则终止3D膨胀并记录3D膨胀次数D；根据3D膨胀次数D将骨壁分成N层(根据需求进行设定，如N＝10)，每一层骨壁包含的膨胀次数为D/N。可选的，同一层骨壁中的点标记相同层号，以便于识别和操作。
S23、基于骨壁分层进行多项式拟合生成牙槽骨弓形态：将骨壁分层逐层向XOY平面投影，获得各骨壁分层的投影曲线；从各骨壁分层的投影曲线中找到最光滑的投影曲线，即根据投影曲线一阶差分的标准差来评估曲线的光滑程度，标准差越小说明投影曲线越光滑，选择标准差最小的投影曲线即为最光滑的投影曲线，即LILO曲线。找到最光滑的投影曲线对应的3D点，并对这些3D点的x值和y值进行多项式拟合，得到牙槽骨弓形态；其中：x值表示点对应的牙槽骨弓宽度；y值表示点对应的牙槽骨弓深度。
上述得到牙槽骨弓形态后，对牙槽骨弓形态进行归一化，能够得到标准化牙槽骨弓形态。归一化方式与标准化牙弓形态的提取同理，在此不再赘述。
S3、利用聚类算法将正常牙
Figure GDA0004215448950000141
模型的标准化牙弓形态和标准化牙槽骨弓形态分别划分为多个牙弓簇和牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心，并统计分析各个牙弓簇和牙槽骨弓簇之间的量化关联关系：
S31、用聚类算法对N个正常牙
Figure GDA0004215448950000142
模型的N个标准化牙弓形态和与N个标准化牙槽骨弓形态进行聚类，划分成P个牙弓簇和Q个牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心；
S32、P个牙弓簇和Q个牙槽骨弓簇能够组成P×Q种牙弓簇和牙槽弓簇的配对；对于N个正常牙
Figure GDA0004215448950000143
模型中的任意一个模型，其标准化牙弓形态所属的牙弓簇和标准化牙槽骨弓形态所属的牙槽骨弓簇的配对，属于P×Q种配对中的某一种；统计P×Q种配对中的每一种出现在N个正常牙/>
Figure GDA0004215448950000144
模型中的比例，得到正常牙/>
Figure GDA0004215448950000145
模型牙弓簇和牙槽弓簇的量化关联关系。如图2a、图2b、图3a、图3b所示为P＝6，Q＝6的示例，对应地，如图4a、图4b所示，图中每个格子中的值表示标准化牙弓形态的簇为第p类，标准化牙槽骨弓形态的簇为第q类的正常牙
Figure GDA0004215448950000146
模型的个数与N的比例。图中颜色深浅表示的比例的大小，比例越大颜色越深。将每个格子的坐标表示为(p,q)，可以看出，在上颌的标准化牙弓形态和标准化牙槽骨弓形态的簇中，(4,4)、(2,2)、(4,5)的占比较大，表示该三种正常牙/>
Figure GDA0004215448950000147
模型的上颌最常见，占比分别为0.1326、0.116、0.09945；在下颌的标准化牙弓形态和标准化牙槽骨弓形态的簇中，(1,3)、(6,4)、(6,3)的占比较大，表示该三种正常牙/>
Figure GDA0004215448950000148
模型的下颌最常见，占比分别为0.105、0.0884、0.0663。
通过上述步骤，本实施例通过聚类算法和统计分析，得到了正常牙
Figure GDA0004215448950000149
模型的牙弓簇和牙槽骨弓簇之间的量化关联关系，是后续异常程度评估的基础。
S4、获取待测牙
Figure GDA0004215448950000151
模型的牙弓形态并对待测牙/>
Figure GDA0004215448950000152
模型的牙弓形态进行归一化，得到待测牙/>
Figure GDA0004215448950000153
模型的标准化牙弓形态；通过计算该待测牙/>
Figure GDA0004215448950000154
模型的标准化牙弓形态到距离其最近的正常牙/>
Figure GDA0004215448950000155
模型的牙弓簇中心的距离，评估该待测牙/>
Figure GDA0004215448950000156
模型的标准化牙弓形态的异常程度；具体包括如下子步骤：
S41、获取待测牙
Figure GDA0004215448950000157
模型的牙弓形态并对待测牙/>
Figure GDA0004215448950000158
模型的牙弓形态进行归一化，得到待测牙/>
Figure GDA0004215448950000159
模型的标准化牙弓形态；获取待测牙/>
Figure GDA00042154489500001510
模型的牙弓形态以及归一化的方法可以参考步骤S1，在此不再赘述。
S42、查找距离待测牙
Figure GDA00042154489500001511
模型的标准化牙弓形态最近的正常牙/>
Figure GDA00042154489500001512
模型的牙弓簇中心，得到与正常牙/>
Figure GDA00042154489500001513
模型的牙弓簇中心对应的正常牙/>
Figure GDA00042154489500001514
模型的牙弓簇，将待测牙/>
Figure GDA00042154489500001515
模型的标准化牙弓形态加入该正常牙/>
Figure GDA00042154489500001516
模型的牙弓簇；
S43、计算待测牙
Figure GDA00042154489500001517
模型的标准化牙弓形态所属正常牙/>
Figure GDA00042154489500001518
模型的牙弓簇的簇内成员到簇中心距离的平均值μd和标准差σd，根据该平均值μd和标准差σd设定距离阈值xd；例如，距离阈值xd可以设定为正常值的95％置信区间，即xd＝μd±1.96σd；
S43、计算待测牙
Figure GDA00042154489500001519
模型的标准化牙弓形态所属正常牙/>
Figure GDA00042154489500001520
模型的牙弓簇的簇内成员到簇中心距离的平均值μd和标准差σd，根据该平均值μd和标准差σd设定距离阈值xd；
S44、判断待测牙
Figure GDA00042154489500001521
模型的标准化牙弓形态到所属正常牙/>
Figure GDA00042154489500001522
模型的牙弓簇中心的距离fd是否超过距离阈值xd：
当距离fd超过距离阈值xd，则判断该待测牙
Figure GDA00042154489500001523
模型的标准化牙弓形态异常；
当距离fd不超过距离阈值xd，则判断该待测牙
Figure GDA0004215448950000161
模型的标准化牙弓形态正常；
S45、重复执行步骤S31～S32以及步骤S42～S44，重复次数M1次(M1根据需求进行设定，一般可取100次以上)，计算该待测牙
Figure GDA0004215448950000162
模型的标准化牙弓形态异常次数与重复次数M1的占比，得到待测牙/>
Figure GDA0004215448950000163
模型的标准化牙弓形态的异常程度。
S5、获取待测牙
Figure GDA0004215448950000164
模型的牙槽骨弓形态并对待测牙/>
Figure GDA0004215448950000165
模型的牙槽骨弓形态进行归一化，得到待测牙/>
Figure GDA0004215448950000166
模型的标准化牙槽骨弓形态；通过计算该待测牙/>
Figure GDA0004215448950000167
模型的标准化牙槽骨弓形态到距离其最近的正常牙/>
Figure GDA0004215448950000168
模型的牙槽骨弓簇中心的距离，评估该待测牙/>
Figure GDA0004215448950000169
模型的标准化牙槽骨弓形态的异常程度；具体包括如下子步骤：
S51、获取待测牙
Figure GDA00042154489500001610
模型的牙槽骨弓形态并对待测牙/>
Figure GDA00042154489500001611
模型的牙槽骨弓形态进行归一化，得到待测牙/>
Figure GDA00042154489500001612
模型的标准化牙槽骨弓形态；
S52、查找距离待测牙
Figure GDA00042154489500001613
模型的标准化牙槽骨弓形态最近的正常牙/>
Figure GDA00042154489500001614
模型的牙槽骨弓簇中心，得到与正常牙/>
Figure GDA00042154489500001615
模型的牙槽骨弓簇中心对应的正常牙/>
Figure GDA00042154489500001616
模型的牙槽骨弓簇，将待测牙/>
Figure GDA00042154489500001617
模型的标准化牙槽骨弓形态加入该正常牙/>
Figure GDA00042154489500001618
模型的牙槽骨弓簇。/>
S53、计算待测牙
Figure GDA00042154489500001619
模型的标准化牙槽骨弓形态所属正常牙/>
Figure GDA00042154489500001620
模型的牙弓槽骨弓簇的簇内成员到簇中心距离的平均值μa和标准差σa，根据该平均值μa和标准差σa设定距离阈值xa；例如，距离阈值xa可以设定为正常值的95％置信区间，即xa＝μa±1.96σa；
S54、判断待测牙
Figure GDA0004215448950000171
模型的标准化牙槽骨弓形态到所属正常牙/>
Figure GDA0004215448950000172
模型的牙槽骨弓簇中心的距离fa是否超过距离阈值xa：
当距离fa超过距离阈值xa，则判断该待测牙
Figure GDA0004215448950000173
模型的标准化牙槽骨弓形态异常；
当距离fa不超过距离阈值xa，则判断该待测牙
Figure GDA0004215448950000174
模型的标准化牙槽骨弓形态正常；
S55、重复执行步骤S31～S32以及步骤S52～S54，重复次数M2次(M2根据需求进行设定，一般可取100次以上)，计算该待测牙
Figure GDA0004215448950000175
模型的标准化牙槽骨弓形态异常次数与重复次数M2的占比，得到待测牙/>
Figure GDA0004215448950000176
模型的标准化牙槽骨弓形态的异常程度。
S6、根据正常牙
Figure GDA0004215448950000177
模型的牙弓簇和牙槽骨弓簇的量化关联关系，评估待测牙/>
Figure GDA0004215448950000178
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常程度。具体包括如下子步骤：
S61、根据正常牙
Figure GDA0004215448950000179
模型的牙弓簇和牙槽弓簇的量化关联关系，判断待测牙/>
Figure GDA00042154489500001710
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系是否异常：
当待测牙
Figure GDA00042154489500001711
模型的标准牙弓形态所属的正常牙/>
Figure GDA00042154489500001712
模型的牙弓簇和待测牙/>
Figure GDA00042154489500001713
模型的标准牙槽骨弓形态所属的正常牙/>
Figure GDA00042154489500001714
模型的牙槽骨弓簇组成的配对，在正常牙/>
Figure GDA00042154489500001715
模型的牙弓簇和牙槽骨弓簇的量化关联关系中的值小于等于接近0的预设阈值，则该待测牙/>
Figure GDA00042154489500001716
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常；
当待测牙
Figure GDA00042154489500001717
模型的标准牙弓形态所属的正常牙/>
Figure GDA00042154489500001718
模型的牙弓簇和待测牙/>
Figure GDA0004215448950000181
模型的标准牙槽骨弓形态所属的正常牙/>
Figure GDA0004215448950000182
模型的牙槽骨弓簇组成的配对，在正常牙/>
Figure GDA0004215448950000183
模型的牙弓簇和牙槽骨弓簇的量化关联关系中的值大于接近0的预设阈值，则该待测牙/>
Figure GDA0004215448950000184
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系正常；
S62、重复执行步骤S31～S32以及步骤S61，重复次数M3次(M3根据需求进行设定，一般可取100次以上)，计算该待测牙
Figure GDA0004215448950000185
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常的次数与重复次数M3的占比，得到该待测牙/>
Figure GDA0004215448950000186
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系的异常程度。
S7、可视化显示：
对距离待测牙
Figure GDA0004215448950000187
模型的标准化牙弓形态最近的正常牙/>
Figure GDA0004215448950000188
模型的牙弓簇中心进行逆归一化，得到与待测牙/>
Figure GDA0004215448950000189
模型尺寸适配的正常牙/>
Figure GDA00042154489500001810
模型的牙弓簇中心形态；对比显示该待测牙/>
Figure GDA00042154489500001811
模型的牙弓形态与对应的正常牙/>
Figure GDA00042154489500001812
模型的牙弓簇中心形态；
对距离待测牙
Figure GDA00042154489500001813
模型的标准化牙槽骨弓形态最近的正常牙/>
Figure GDA00042154489500001814
模型的牙槽骨弓簇中心进行逆归一化，得到与待测牙/>
Figure GDA00042154489500001815
模型尺寸适配的正常牙/>
Figure GDA00042154489500001816
模型的牙槽骨弓簇中心形态；对比显示该待测牙/>
Figure GDA00042154489500001817
模型的牙槽骨弓形态与对应的正常牙/>
Figure GDA00042154489500001818
模型的牙槽骨弓簇中心形态。
通过对比显示能够有助于更直观了解牙弓和牙槽骨弓异常部分的位置。逆归一化方法为前述归一化方法的逆运算，在此不再赘述。
在一些可选的方案中，所述聚类算法采用：
划分式聚类算法，如K-Means、K-Means++、BI-KMeans等；
基于密度的聚类算法，如DBSCAN、OPTIVS等；
层次化聚类算法，如Agglomeratice、Divisive等；
或其他聚类算法，如量子聚类、核聚类、谱聚类等。
在一些可选的方案中，所述距离采用欧式距离、曼哈顿距离、切比雪夫距离和闵可夫斯基距离中的一种。以上聚类算法和距离为现有技术，在此不再赘述。其中，聚类算法具有不稳定的特点，由此本实施例以占比的方式量化了异常程度。
实施例2
在实施例1实现的基于聚类的牙弓和牙槽骨弓形态异常程度评估方法的基础上，如图5所示，本实施例提供一种基于聚类的牙弓和牙槽骨弓形态异常程度评估装置，包括相连接的分析处理系统和显示系统；
所述分析处理系统包括：
牙弓形态提取模块，所述牙弓形态提取模块用于获取正常牙
Figure GDA0004215448950000191
模型和待测牙/>
Figure GDA0004215448950000192
模型的牙弓形态，并对正常牙/>
Figure GDA0004215448950000193
模型和待测牙/>
Figure GDA0004215448950000194
模型的牙弓形态进行归一化，得到正常牙
Figure GDA0004215448950000195
模型和待测牙/>
Figure GDA0004215448950000196
模型的标准化牙弓形态；
牙槽骨弓形态提取模块，所述牙槽骨弓形态提取模块用于获取正常牙
Figure GDA0004215448950000197
模型和待测牙/>
Figure GDA0004215448950000198
模型的牙槽骨弓形态，并对正常牙/>
Figure GDA0004215448950000199
模型和待测牙/>
Figure GDA00042154489500001910
模型的牙槽骨弓形态进行归一化，得到正常牙/>
Figure GDA00042154489500001911
模型和待测牙/>
Figure GDA00042154489500001912
模型的标准化牙槽骨弓形态；
量化关联关系分析存储模块，所述量化关联关系分析存储模块用于利用聚类算法将正常牙
Figure GDA00042154489500001913
模型的标准化牙弓形态和标准化牙槽骨弓形态分别划分为多个牙弓簇和牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心，并统计分析各个牙弓簇和牙槽骨弓簇之间的量化关联关系；
牙弓形态异常程度评估模块，所述牙弓形态异常程度评估模块用于通过计算该待测牙
Figure GDA0004215448950000201
模型的标准化牙弓形态到距离其最近的正常牙/>
Figure GDA0004215448950000202
模型的牙弓簇中心的距离，评估该待测牙/>
Figure GDA0004215448950000203
模型的标准化牙弓形态的异常程度；
牙槽骨弓形态异常程度评估模块，所述牙槽骨弓形态异常程度评估模块用于通过计算该待测牙
Figure GDA0004215448950000204
模型的标准化牙槽骨弓形态到距离其最近的正常牙/>
Figure GDA0004215448950000205
模型的牙槽骨弓簇中心的距离，评估该待测牙/>
Figure GDA0004215448950000206
模型的标准化牙槽骨弓形态的异常程度；
关联关系异常程度评估模块，所述关联关系异常程度评估模块用于根据正常牙
Figure GDA0004215448950000207
模型的牙弓簇和牙槽骨弓簇的量化关联关系，评估待测牙/>
Figure GDA0004215448950000208
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常程度；
所述显示系统包括：
簇中心缩放模块，所述簇中心缩放模块用于对距离待测牙
Figure GDA0004215448950000209
模型的标准化牙弓形态和/或标准化牙槽骨弓形态最近的正常牙/>
Figure GDA00042154489500002010
模型的牙弓簇中心和/或牙槽骨弓簇中心进行逆归一化，得到与待测牙/>
Figure GDA00042154489500002011
模型尺寸适配的正常牙/>
Figure GDA00042154489500002012
模型的牙弓簇中心形态和/或牙槽骨弓簇中心形态；
对比显示模块，所述显示模块用于对比显示该待测牙
Figure GDA00042154489500002013
模型的牙弓形态和/或牙槽骨弓形态以及与该待测牙/>
Figure GDA00042154489500002014
模型尺寸适配的正常牙/>
Figure GDA00042154489500002015
模型的牙弓簇中心形态和/或牙槽骨弓簇中心形态。
所述分析处理系统和显示系统的具体处理过程可以参照实施例1，在此不再赘述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，其特征在于，包括如下步骤：
S1、获取正常牙
Figure FDA0004215448940000011
模型的牙弓形态，并对正常牙/>
Figure FDA0004215448940000012
模型的牙弓形态进行归一化，得到正常牙/>
Figure FDA0004215448940000013
模型的标准化牙弓形态；
S2、获取正常牙
Figure FDA0004215448940000014
模型的牙槽骨弓形态，并对正常牙/>
Figure FDA0004215448940000015
模型的牙槽骨弓形态进行归一化，得到正常牙/>
Figure FDA0004215448940000016
模型的标准化牙槽骨弓形态；
S3、利用聚类算法将正常牙
Figure FDA0004215448940000017
模型的标准化牙弓形态和标准化牙槽骨弓形态分别划分为多个牙弓簇和牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心，并统计分析各个牙弓簇和牙槽骨弓簇之间的量化关联关系；
S4、获取待测牙
Figure FDA0004215448940000018
模型的牙弓形态并对待测牙/>
Figure FDA0004215448940000019
模型的牙弓形态进行归一化，得到待测牙/>
Figure FDA00042154489400000110
模型的标准化牙弓形态；通过计算该待测牙/>
Figure FDA00042154489400000111
模型的标准化牙弓形态到距离其最近的正常牙/>
Figure FDA00042154489400000112
模型的牙弓簇中心的距离，评估该待测牙/>
Figure FDA00042154489400000113
模型的标准化牙弓形态的异常程度；
S5、获取待测牙
Figure FDA00042154489400000114
模型的牙槽骨弓形态并对待测牙/>
Figure FDA00042154489400000115
模型的牙槽骨弓形态进行归一化，得到待测牙/>
Figure FDA00042154489400000116
模型的标准化牙槽骨弓形态；通过计算该待测牙/>
Figure FDA00042154489400000117
模型的标准化牙槽骨弓形态到距离其最近的正常牙/>
Figure FDA00042154489400000118
模型的牙槽骨弓簇中心的距离，评估该待测牙/>
Figure FDA00042154489400000119
模型的标准化牙槽骨弓形态的异常程度；
S6、根据正常牙
Figure FDA00042154489400000120
模型的牙弓簇和牙槽骨弓簇的量化关联关系，评估待测牙/>
Figure FDA00042154489400000121
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常程度；
S7、可视化显示：
对距离待测牙
Figure FDA0004215448940000021
模型的标准化牙弓形态最近的正常牙/>
Figure FDA0004215448940000022
模型的牙弓簇中心进行逆归一化，得到与待测牙/>
Figure FDA0004215448940000023
模型尺寸适配的正常牙/>
Figure FDA0004215448940000024
模型的牙弓簇中心形态；对比显示该待测牙/>
Figure FDA0004215448940000025
模型的牙弓形态与对应的正常牙/>
Figure FDA0004215448940000026
模型的牙弓簇中心形态；
对距离待测牙
Figure FDA0004215448940000027
模型的标准化牙槽骨弓形态最近的正常牙/>
Figure FDA0004215448940000028
模型的牙槽骨弓簇中心进行逆归一化，得到与待测牙/>
Figure FDA0004215448940000029
模型尺寸适配的正常牙/>
Figure FDA00042154489400000210
模型的牙槽骨弓簇中心形态；对比显示该待测牙/>
Figure FDA00042154489400000211
模型的牙槽骨弓形态与对应的正常牙/>
Figure FDA00042154489400000212
模型的牙槽骨弓簇中心形态；
步骤S3包括如下子步骤：
S31、用聚类算法对N个正常牙
Figure FDA00042154489400000213
模型的N个标准化牙弓形态和与N个标准化牙槽骨弓形态进行聚类，划分成P个牙弓簇和Q个牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心；
S32、P个牙弓簇和Q个牙槽骨弓簇能够组成P×Q种牙弓簇和牙槽弓簇的配对；对于N个正常牙
Figure FDA00042154489400000214
模型中的任意一个模型，其标准化牙弓形态所属的牙弓簇和标准化牙槽骨弓形态所属的牙槽骨弓簇的配对，属于P×Q种配对中的某一种；统计P×Q种配对中的每一种出现在N个正常牙/>
Figure FDA00042154489400000215
模型中的比例，得到正常牙/>
Figure FDA00042154489400000216
模型牙弓簇和牙槽弓簇的量化关联关系。
2.根据权利要求1所述的基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，其特征在于，步骤S4包括如下子步骤：
S41、获取待测牙
Figure FDA00042154489400000217
模型的牙弓形态并对待测牙/>
Figure FDA00042154489400000218
模型的牙弓形态进行归一化，得到待测牙/>
Figure FDA0004215448940000031
模型的标准化牙弓形态；/>
S42、查找距离待测牙
Figure FDA0004215448940000032
模型的标准化牙弓形态最近的正常牙/>
Figure FDA0004215448940000033
模型的牙弓簇中心，得到与正常牙/>
Figure FDA0004215448940000034
模型的牙弓簇中心对应的正常牙/>
Figure FDA0004215448940000035
模型的牙弓簇，将待测牙/>
Figure FDA0004215448940000036
模型的标准化牙弓形态加入该正常牙/>
Figure FDA0004215448940000037
模型的牙弓簇；
S43、计算待测牙
Figure FDA0004215448940000038
模型的标准化牙弓形态所属正常牙/>
Figure FDA0004215448940000039
模型的牙弓簇的簇内成员到簇中心距离的平均值μd和标准差σd，根据该平均值μd和标准差σd设定距离阈值xd；
S44、判断待测牙
Figure FDA00042154489400000310
模型的标准化牙弓形态到所属正常牙/>
Figure FDA00042154489400000311
模型的牙弓簇中心的距离fd是否超过距离阈值xd：
当距离fd超过距离阈值xd，则判断该待测牙
Figure FDA00042154489400000312
模型的标准化牙弓形态异常；
当距离fd不超过距离阈值xd，则判断该待测牙
Figure FDA00042154489400000313
模型的标准化牙弓形态正常；
S45、重复执行步骤S31～S32以及步骤S42～S44，重复次数M1次，计算该待测牙
Figure FDA00042154489400000314
模型的标准化牙弓形态异常次数与重复次数M1的占比，得到待测牙/>
Figure FDA00042154489400000315
模型的标准化牙弓形态的异常程度。
3.根据权利要求2所述的基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，其特征在于，步骤S5包括如下子步骤：
S51、获取待测牙
Figure FDA00042154489400000316
模型的牙槽骨弓形态并对待测牙/>
Figure FDA00042154489400000317
模型的牙槽骨弓形态进行归一化，得到待测牙/>
Figure FDA00042154489400000318
模型的标准化牙槽骨弓形态；
S52、查找距离待测牙
Figure FDA00042154489400000319
模型的标准化牙槽骨弓形态最近的正常牙/>
Figure FDA00042154489400000320
模型的牙槽骨弓簇中心，得到与正常牙/>
Figure FDA0004215448940000041
模型的牙槽骨弓簇中心对应的正常牙/>
Figure FDA0004215448940000042
模型的牙槽骨弓簇，将待测牙/>
Figure FDA0004215448940000043
模型的标准化牙槽骨弓形态加入该正常牙/>
Figure FDA0004215448940000044
模型的牙槽骨弓簇；
S53、计算待测牙
Figure FDA0004215448940000045
模型的标准化牙槽骨弓形态所属正常牙/>
Figure FDA0004215448940000046
模型的牙弓槽骨弓簇的簇内成员到簇中心距离的平均值μa和标准差σa，根据该平均值μa和标准差σa设定距离阈值xa；
S54、判断待测牙
Figure FDA0004215448940000047
模型的标准化牙槽骨弓形态到所属正常牙/>
Figure FDA0004215448940000048
模型的牙槽骨弓簇中心的距离fa是否超过距离阈值xa：
当距离fa超过距离阈值xa，则判断该待测牙
Figure FDA0004215448940000049
模型的标准化牙槽骨弓形态异常；
当距离fa不超过距离阈值xa，则判断该待测牙
Figure FDA00042154489400000410
模型的标准化牙槽骨弓形态正常；
S55、重复执行步骤S31～S32以及步骤S52～S54，重复次数M2次，计算该待测牙
Figure FDA00042154489400000411
模型的标准化牙槽骨弓形态异常次数与重复次数M2的占比，得到待测牙/>
Figure FDA00042154489400000412
模型的标准化牙槽骨弓形态的异常程度。
4.根据权利要求3所述的基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，其特征在于，步骤S6包括如下子步骤：
S61、根据正常牙
Figure FDA00042154489400000413
模型的牙弓簇和牙槽弓簇的量化关联关系，判断待测牙/>
Figure FDA00042154489400000414
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系是否异常：
当待测牙
Figure FDA00042154489400000415
模型的标准牙弓形态所属的正常牙/>
Figure FDA00042154489400000416
模型的牙弓簇和待测牙/>
Figure FDA00042154489400000417
模型的标准牙槽骨弓形态所属的正常牙/>
Figure FDA00042154489400000418
模型的牙槽骨弓簇组成的配对，在正常牙/>
Figure FDA0004215448940000051
模型的牙弓簇和牙槽骨弓簇的量化关联关系中的值小于等于接近0的预设阈值，则该待测牙/>
Figure FDA0004215448940000052
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常；/>
当待测牙
Figure FDA0004215448940000053
模型的标准牙弓形态所属的正常牙/>
Figure FDA0004215448940000054
模型的牙弓簇和待测牙/>
Figure FDA0004215448940000055
模型的标准牙槽骨弓形态所属的正常牙/>
Figure FDA0004215448940000056
模型的牙槽骨弓簇组成的配对，在正常牙/>
Figure FDA0004215448940000057
模型的牙弓簇和牙槽骨弓簇的量化关联关系中的值大于接近0的预设阈值，则该待测牙/>
Figure FDA0004215448940000058
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系正常；
S62、重复执行步骤S31～S32以及步骤S61，重复次数M3次，计算该待测牙
Figure FDA0004215448940000059
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常的次数与重复次数M3的占比，得到该待测牙/>
Figure FDA00042154489400000510
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系的异常程度。
5.根据权利要求1所述的基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，所述聚类算法采用划分式聚类算法、基于密度的聚类算法和层次化聚类算法中的一种。
6.根据权利要求1所述的基于聚类的牙弓和牙槽骨弓形态异常程度评估方法，其特征在于，所述距离采用欧式距离、曼哈顿距离、切比雪夫距离和闵可夫斯基距离中的一种。
7.一种基于聚类的牙弓和牙槽骨弓形态异常程度评估装置，其特征在于，包括相连接的分析处理系统和显示系统；
所述分析处理系统包括：
牙弓形态提取模块，所述牙弓形态提取模块用于获取正常牙
Figure FDA00042154489400000511
模型和待测牙/>
Figure FDA0004215448940000061
模型的牙弓形态，并对正常牙/>
Figure FDA0004215448940000062
模型和待测牙/>
Figure FDA0004215448940000063
模型的牙弓形态进行归一化，得到正常牙/>
Figure FDA0004215448940000064
模型和待测牙/>
Figure FDA0004215448940000065
模型的标准化牙弓形态；
牙槽骨弓形态提取模块，所述牙槽骨弓形态提取模块用于获取正常牙
Figure FDA0004215448940000066
模型和待测牙
Figure FDA0004215448940000067
模型的牙槽骨弓形态，并对正常牙/>
Figure FDA0004215448940000068
模型和待测牙/>
Figure FDA0004215448940000069
模型的牙槽骨弓形态进行归一化，得到正常牙/>
Figure FDA00042154489400000610
模型和待测牙/>
Figure FDA00042154489400000611
模型的标准化牙槽骨弓形态；
量化关联关系分析存储模块，所述量化关联关系分析存储模块用于利用聚类算法将正常牙
Figure FDA00042154489400000612
模型的标准化牙弓形态和标准化牙槽骨弓形态分别划分为多个牙弓簇和牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心，并统计分析各个牙弓簇和牙槽骨弓簇之间的量化关联关系；所述统计分析各个牙弓簇和牙槽骨弓簇之间的量化关联关系包括：用聚类算法对N个正常牙/>
Figure FDA00042154489400000613
模型的N个标准化牙弓形态和与N个标准化牙槽骨弓形态进行聚类，划分成P个牙弓簇和Q个牙槽骨弓簇，得到各个牙弓簇和牙槽骨弓簇的簇中心；P个牙弓簇和Q个牙槽骨弓簇能够组成P×Q种牙弓簇和牙槽弓簇的配对；对于N个正常牙/>
Figure FDA00042154489400000614
模型中的任意一个模型，其标准化牙弓形态所属的牙弓簇和标准化牙槽骨弓形态所属的牙槽骨弓簇的配对，属于P×Q种配对中的某一种；统计P×Q种配对中的每一种出现在N个正常牙/>
Figure FDA00042154489400000615
模型中的比例，得到正常牙/>
Figure FDA00042154489400000616
模型牙弓簇和牙槽弓簇的量化关联关系；
牙弓形态异常程度评估模块，所述牙弓形态异常程度评估模块用于通过计算该待测牙
Figure FDA00042154489400000617
模型的标准化牙弓形态到距离其最近的正常牙/>
Figure FDA00042154489400000618
模型的牙弓簇中心的距离，评估该待测牙/>
Figure FDA00042154489400000619
模型的标准化牙弓形态的异常程度；
牙槽骨弓形态异常程度评估模块，所述牙槽骨弓形态异常程度评估模块用于通过计算该待测牙
Figure FDA0004215448940000071
模型的标准化牙槽骨弓形态到距离其最近的正常牙/>
Figure FDA0004215448940000072
模型的牙槽骨弓簇中心的距离，评估该待测牙/>
Figure FDA0004215448940000073
模型的标准化牙槽骨弓形态的异常程度；
关联关系异常程度评估模块，所述关联关系异常程度评估模块用于根据正常牙
Figure FDA0004215448940000074
模型的牙弓簇和牙槽骨弓簇的量化关联关系，评估待测牙/>
Figure FDA0004215448940000075
模型的标准化牙弓形态和标准化牙槽骨弓形态的关联关系异常程度；
所述显示系统包括：
簇中心缩放模块，所述簇中心缩放模块用于对距离待测牙
Figure FDA0004215448940000076
模型的标准化牙弓形态和/或标准化牙槽骨弓形态最近的正常牙/>
Figure FDA0004215448940000077
模型的牙弓簇中心和/或牙槽骨弓簇中心进行逆归一化，得到与待测牙/>
Figure FDA0004215448940000078
模型尺寸适配的正常牙/>
Figure FDA0004215448940000079
模型的牙弓簇中心形态和/或牙槽骨弓簇中心形态；
对比显示模块，所述显示模块用于对比显示该待测牙
Figure FDA00042154489400000710
模型的牙弓形态和/或牙槽骨弓形态以及与该待测牙/>
Figure FDA00042154489400000711
模型尺寸适配的正常牙/>
Figure FDA00042154489400000712
模型的牙弓簇中心形态和/或牙槽骨弓簇中心形态。/>
CN202211411204.5A 2022-11-11 2022-11-11 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法 Active CN115688461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211411204.5A CN115688461B (zh) 2022-11-11 2022-11-11 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211411204.5A CN115688461B (zh) 2022-11-11 2022-11-11 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法

Publications (2)

Publication Number Publication Date
CN115688461A CN115688461A (zh) 2023-02-03
CN115688461B true CN115688461B (zh) 2023-06-09

Family

ID=85052727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211411204.5A Active CN115688461B (zh) 2022-11-11 2022-11-11 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法

Country Status (1)

Country Link
CN (1) CN115688461B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100338975B1 (ko) * 1999-09-14 2002-05-31 최은백, 이찬경 턱뼈의 치조신경 검출방법
US9111372B2 (en) * 2006-08-11 2015-08-18 Visionary Technologies, Inc. System and method for object identification and anomaly detection
WO2019055569A1 (en) * 2017-09-12 2019-03-21 Sonendo, Inc. OPTICAL SYSTEMS AND METHODS FOR EXAMINING A TOOTH
CN110246218B (zh) * 2019-06-17 2022-09-30 合肥工业大学 股骨头三维模型的重建方法、空间骨盆参数测量方法
CN110689564B (zh) * 2019-08-22 2022-04-08 浙江工业大学 一种基于超像素聚类的牙弓线绘制方法
CN113827362B (zh) * 2021-08-10 2023-07-04 陈文杰 基于牙槽骨形态的曲线自然坐标系下的牙齿移动评价方法
CN114431989B (zh) * 2022-01-07 2023-05-16 可丽尔医疗科技（常州）有限公司 基于目标牙弓曲线的坐标系的建立方法、自动排牙方法及牙齿移动评价方法
CN115205469A (zh) * 2022-09-06 2022-10-18 汉斯夫(杭州)医学科技有限公司 基于cbct的牙齿与牙槽骨重建方法、设备及介质

Also Published As

Publication number Publication date
CN115688461A (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
US11957541B2 (en) Machine learning scoring system and methods for tooth position assessment
CN110769777B (zh) 牙齿类型和萌出状态的自动检测
US11654001B2 (en) Molar trimming prediction and validation using machine learning
Lockwood Sexual dimorphism in the face of Australopithecus africanus
US20180300877A1 (en) Method for automatic tooth type recognition from 3d scans
Harris et al. Calculation of Smith’s mean measure of divergence for intergroup comparisons using nonmetric data
Lieberman et al. A geometric morphometric analysis of heterochrony in the cranium of chimpanzees and bonobos
US20230068041A1 (en) Method and apparatus for generating orthodontic teeth arrangement shape
EP4239538A2 (en) Method for automated generation of orthodontic treatment final setups
WO2008046079A2 (en) System and method for facillitating automated dental measurements and diagnostics
CN111709959B (zh) 一种口腔正畸数字化智能诊断方法
CN114445409B (zh) 一种症状分类带有自对比功能的口腔诊断用一体化系统
CN112790879A (zh) 一种牙齿模型的牙轴坐标系构建方法及系统
CN115688461B (zh) 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法
KR102250520B1 (ko) 크라운 모델 자동 추천방법 및 이를 수행하는 보철 캐드 장치
Verna et al. The middle Pleistocene hominin mandible from Payre (ardèche, France)
Stelzer et al. Using the covariation of extant hominoid upper and lower jaws to predict dental arcades of extinct hominins
Boughner et al. Mandibular shape, ontogeny and dental development in bonobos (Pan paniscus) and chimpanzees (Pan troglodytes)
CN112869894A (zh) 一种壳状牙齿矫治器的设计方法、制备系统及制备方法
CN115708728B (zh) 一种获取牙弓和牙槽骨弓形态矫治状态的装置及方法
Nassar et al. Automatic construction of dental charts for postmortem identification
CN105913424A (zh) 一种基于牙齿推断年龄的方法和装置
Nova Delgado et al. Dental shape variability in cercopithecoid primates: a model for the taxonomic attribution of macaques from roman archaeological contexts
CN115887031B (zh) 一种排牙方法
KR102620157B1 (ko) 치아의 3차원 치아부 스캔 이미지를 통한 치아의 위치 이상 자동 판별 시스템

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