CN116306283A - 一种功能微压口腔黏膜形态预测方法及系统 - Google Patents
一种功能微压口腔黏膜形态预测方法及系统 Download PDFInfo
- Publication number
- CN116306283A CN116306283A CN202310262463.4A CN202310262463A CN116306283A CN 116306283 A CN116306283 A CN 116306283A CN 202310262463 A CN202310262463 A CN 202310262463A CN 116306283 A CN116306283 A CN 116306283A
- Authority
- CN
- China
- Prior art keywords
- data
- mucosa
- mucous membrane
- functional
- pressure
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C9/00—Impression cups, i.e. impression trays; Impression methods
- A61C9/004—Means or methods for taking digitized impressions
- A61C9/0046—Data acquisition means or methods
- A61C9/0053—Optical means or methods, e.g. scanning the teeth by a laser or light beam
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10008—Still image; Photographic image from scanner, fax or copier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Optics & Photonics (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了一种功能微压口腔黏膜形态预测方法及系统,涉及口腔三维扫描技术领域,三维扫描获取患者的静态牙龈牙槽黏膜数据,通过个别托盘印模技术获得功能微压黏膜数据,将两数据进行配准;在口内静态黏膜数据上选取特征点,将特征点复制到功能微压黏膜数据上,构建特征模板;根据获取的特征点数据,训练特征模板,构建弹性变形预测模型;将待预测的患者的口内静态黏膜数据输入弹性变形预测模型,得到特征点坐标;基于特征点坐标,将点云数据中包括特征点在内的所有需变形的点进行计算,预测功能微压黏膜形态。本发明提供的功能微压黏膜预测方法及系统能够解决口腔直接三维扫描无法获取牙列缺损或缺失患者无牙区功能微压黏膜形态的技术问题。
Description
技术领域
本发明涉及口腔三维扫描技术领域,更具体的说是涉及一种功能微压口腔黏膜形态预测方法及系统。
背景技术
随着人们生活水平的不断提高,口腔疾病也越来越引起人们的重视。在临床口腔诊疗和修复过程中,口腔印模是一种重要的信息存储源,几乎每个患者都需要印取一副甚至多副印模。医生通过治疗前、治疗中、治疗后等多副模型的对比,即可了解治疗的效果,提高检查、诊断和治疗的准确性,而口腔技师也需要根据印模来确定义齿修复体的形态。
但是在活动修复领域,包括全口义齿和可摘局部义齿修复,尚存在一定的局限性。其中很重要的一点为,口腔直接三维扫描时,所有的黏膜处于没有任何压力的静止状态,但是无牙颌印模或牙列缺损患者无牙区的印模要求获取一定压力下黏膜变形的形态,即模仿患者功能咀嚼时黏膜受压变形的状态,目的是减少基于此印模制作出义齿的压痛,提高咀嚼效率,口腔直接三维扫描技术显然无法获取该形态。
因此,如何将口腔三维扫描技术获得的无牙区静态印模变形成压力印模是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种功能微压口腔黏膜形态预测方法,解决了口腔直接三维扫描无法获取无牙区功能微压黏膜形态的局限,使得三维扫描获取黏膜形态直接制作义齿成为可能。
为了实现上述目的,本发明采用如下技术方案:
一种功能微压口腔黏膜形态预测方法,包括如下步骤:
步骤1:三维扫描获取患者的口内静态黏膜数据;通过微压印模获得功能微压黏膜数据,将口内静态黏膜数据与功能微压黏膜数据进行配准;
步骤2:对三维扫描获取的口内静态黏膜数据上选取特征点,得到特征点数据,同时根据特征点数据将特征点复制到功能微压黏膜数据上,构建特征模板;
步骤3:根据步骤2中获取的特征点数据,对特征模板进行训练,构建微压黏膜形态弹性变形预测模型;
步骤4:将待预测的患者的口内静态黏膜数据输入微压黏膜形态弹性变形预测模型,得到口内静态黏膜数据基于功能微压黏膜形态数据的相应特征点数据的新坐标;
步骤5:基于所获得的特征点数据的新坐标,将点云数据中需变形的所有点都使用拉普拉斯变形技术进行计算,从而实现功能微压黏膜形态的预测。
优选的,所述步骤1中具体按照以下步骤实施:
步骤1.1:使用三维扫描获取患者的口内静态黏膜数据;
步骤1.2:用于采用个别托盘印模技术制取患者的微压印模,使用牙科模型三维扫描仪扫描后获得印模数据,在软件中翻转印模数据,形成功能微压黏膜数据;
步骤1.3:将患者口内静态黏膜数据和功能微压黏膜数据在三维逆向工程软件中进行配准;
步骤1.4:在患者口内静态黏膜数据中画出无牙区黏膜的边界,将该边界提取为曲线,投影至功能微压黏膜数据;删除患者口内静态黏膜数据和功能微压黏膜数据边界线之外的数据。
优选的,所述步骤2中具体包括:在三维扫描获取的口内静态黏膜数据上手动选取特征点并提取牙模特征,获得特征点数据,将特征点数据复制到功能微压黏膜数据上,从而构建特征模板。
优选的,所述步骤3中具体包括:将三维扫描获取的口内静态黏膜数据上手动选取的特征点数据作为输入数据,将手动选取复制到功能微压黏膜数据的特征点的三维坐标作为预测数据,使用多层神经网络,将所述输入数据分为训练集和测试集,对训练的结果进行验证,不断对网络进行优化,构建微压黏膜形态弹性变形预测模型。
优选的,所述步骤5中具体包括:基于所获得的特征点数据的新坐标,三维扫描获得的口内静态黏膜数据中存在用于变形的控制点,当所有控制点移动到新的位置,点云数据中的所有需变形点都使用拉普拉斯变形技术进行计算,根据平均权值,将三角形网格的笛卡尔坐标转换为拉普拉斯坐标,公式如下:
其中,δi表示为对应的拉普拉斯坐标,vi表示三角形网格的顶点笛卡尔坐标,表示点vi的笛卡尔坐标减去所有vi的相邻点vj的笛卡尔坐标的平均值,其中di表示vi的相邻点个数,N(i)表示vi的相邻点;L为拉普拉斯矩阵,表示为L=I-D-1A,其中I为单位矩阵,包含控制点权重,D为对角矩阵,A为相邻矩阵;
为实现上述目的,本发明还提供了一种功能微压口腔黏膜形态预测系统,包括:
数据收集与配准模块,用于三维扫描获取患者的口内静态黏膜数据;通过微压印模获得功能微压黏膜数据,将口内静态黏膜数据与功能微压黏膜数据进行配准;
模板构造模块,用于对三维扫描获取的口内静态黏膜数据上选取特征点,获得特征点数据,同时将特征点复制到功能微压黏膜数据上,构建特征模板;
模型构建模块,用于根据特征点数据,对特征模板进行训练,构建微压黏膜形态弹性变形预测模型;
预测仿真模块,将待预测的患者的口内静态黏膜数据输入微压黏膜形态弹性变形预测模型,得到口内静态黏膜数据基于功能微压黏膜形态数据的相应特征点数据的新坐标;
运算模块,用于根据所获得的特征点数据的新坐标,将点云数据中的所有需变形点都使用拉普拉斯变形技术进行计算,从而实现功能微压黏膜形态的预测。
优选的,所述数据收集与配准模块还包括:
扫描模块,用于获取三维扫描获取患者的口内静态黏膜数据;
数据获取模块,用于采用个别托盘印模技术制取患者的微压印模,使用牙科模型三维扫描仪扫描后获得印模数据,在软件中翻转印模数据,形成功能微压黏膜数据;
配准模块,用于将患者口内静态黏膜数据和功能微压黏膜数据在三维逆向工程软件中进行配准;
边界提取模块,用于在患者口内静态黏膜数据中画出无牙区黏膜的边界,将该边界提取为曲线,投影至功能微压黏膜数据;删除患者口内静态黏膜数据和功能微压黏膜数据边界线之外的数据。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种功能微压口腔黏膜形态预测方法及系统,通过获取患者口内静态黏膜数据和功能微压黏膜数据,对患者口内静态黏膜数据选取特征点,然后将选取的特征点复制到功能微压黏膜数据上,利用多层神经网络建立包含特征点数据的患者口内静态黏膜数据和包含特征点数据的功能微压黏膜数据之间的联系,从而建立微压黏膜形态弹性变形预测模型,根据模型输出数据,将点云中所有点均利用拉普拉斯变形技术进行计算,实现功能微压黏膜形态的预测。突破了现有技术中三维扫描无法直接获取无牙区功能微压黏膜形态的局限。使得三维扫描获取黏膜形态直接制作义齿成为可能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1附图为一种功能微压黏膜形态预测方法流程图;
图2附图为上下颌牙列缺损患者特征点的选取示意图;
图3附图为上下颌牙列缺失患者特征点的选取示意图;
图4附图为微压黏膜形态弹性变形预测模型示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
本发明实施例公开了一种功能微压口腔黏膜形态预测方法,如图1所示,包括以下步骤:
步骤1:三维扫描获取患者的口内静态黏膜数据;通过微压印模获得功能微压黏膜数据,将口内静态黏膜数据与功能微压黏膜数据进行配准;
步骤2:对三维扫描获取的口内静态黏膜数据上选取特征点,得到特征点数据,同时根据特征点数据将特征点复制到功能微压黏膜数据上,构建特征模板;
步骤3:根据步骤2中获取的特征点数据,对特征模板进行训练,构建微压黏膜形态弹性变形预测模型;
步骤4:将待预测的患者的口内静态黏膜数据输入微压黏膜形态弹性变形预测模型,得到口内静态黏膜数据基于功能微压黏膜形态数据的相应特征点数据的新坐标;
步骤5:基于所获得的特征点数据的新坐标,将点云数据中的所有需变形点都使用拉普拉斯变形技术进行计算,从而实现功能微压黏膜形态的预测。
在一个具体实施例中,步骤1中具体包括:
步骤1.1:使用三维扫描获取患者的口内静态黏膜数据;
步骤1.2:用于采用个别托盘印模技术制取患者的微压印模,使用牙科模型三维扫描仪扫描后获得印模数据,在软件中翻转印模数据,形成功能微压黏膜数据;
步骤1.3:将患者口内静态黏膜数据和功能微压黏膜数据在三维逆向工程软件中进行配准;
步骤1.4:在患者口内静态黏膜数据中画出无牙区黏膜的边界,将该边界提取为曲线,投影至功能微压黏膜数据;删除患者口内静态黏膜数据和功能微压黏膜数据边界线之外的数据。
进一步的,步骤1.1中三维扫描方法包括:口内三维扫描或无压力印模的牙颌模型三维扫描或CT/MRI等断层三维扫描。
进一步的,步骤1.2中还可使用患者戴用义齿后牙龈已发生压缩形变后的CT/MRI断层三维扫描数据作为软件中的翻转数据。
进一步的,步骤1.3中在三维逆向工程软件中配准时若存在受压后不变形区域内的点(包括但不限于:无牙颌种植患者的种植钉,牙列缺损患者的余留牙,刚性粘接或固定在余留牙上的牙科附件等),则将其作为共同区域进行最佳拟合配准;
若患者无牙或种植修复体,将口内静态黏膜数据和功能微压黏膜数据在三维逆向工程软件中通过整体数据ICP配准或以牙槽骨为共同区域配准;
其中,在软件中翻转印模数据,从而获得印模数据所制作的模型的数据,根据模型的数据从而获得功能微压黏膜数据。
在一个具体实施例中,如图2、图3所示,步骤2中具体包括在口内静态黏膜数据D1数据上手动选取特征点并提取牙模特征,单侧牙槽嵴顶选择3-4个特征点,单侧副承托区选择颊/舌各选4-5个特征点,上颌的缓冲区(切牙乳头、腭皱、腭中缝)可不选,为X1,X2,X3...Xn,后期点的数量及位置可根据训练的结果进行调整。将选取的特征点复制到功能微压黏膜数据D2,为Y1,Y2,Y3...Yq,从而构建特征模板。
其中,牙模特征包括但不限于:特征点坐标(x1,y1,z1)、特征点周围黏膜纹理数据、特征点周围黏膜颜色数据,特征点周围黏膜曲率、特征点周围黏膜平滑度等。
在一个具体实施例中,学习特征点的位置与模型之间的关系,研究特征点的自动生成方法,在训练后期,可学习自动生成特征点。
在一个具体实施例中,如图4所示,步骤3中具体包括将三维扫描获取的口内静态黏膜数据上手动选取的特征点X1,X2,X3...Xn作为神经网络的输入数据,为预测前模型上的特征点的坐标。Y1,Y2,Y3...Yq为预测数据,为预测前到预测后模型中相应特征点的位移,也称为弹性变形量。wij、wjk为神经网络的权值。以wij为例,i为前一层神经元的编号,j为后一层神经元的编号,使用多层神经网络。
进一步的,将80%的输入数据作为训练集,对网络进行训练,将20%的输入数据作为测试集,对训练的结果进行验证,不断对网络进行优化,从而构建出微压黏膜形态弹性变形预测模型。完全训练的神经网络是非线性黏膜弹性变形的预测模型,具有预测无牙区黏膜形态的弹性变形的能力。
在一个具体实施例中,步骤5中具体包括弹性变形预测模型预测了术前模型中特征点移动的弹性变形量,即Y1,Y2,Y3...Yq,计算特征点的新坐标。口内静态黏膜数据中的Xi是用于变形的控制点,当所有控制点移动到新的位置,点云数据中的所有需变形点都使用拉普拉斯变形技术进行计算,根据平均权值,将三角形网格的笛卡尔坐标转换为拉普拉斯坐标,公式如下:
其中,δi表示为对应的拉普拉斯坐标,vi表示三角形网格的顶点笛卡尔坐标,表示点vi的笛卡尔坐标减去所有vi的相邻点vj的笛卡尔坐标的平均值,其中di表示vi的相邻点个数,N(i)表示vi的相邻点;L为拉普拉斯矩阵,表示为L=I-D-1A,其中I为单位矩阵,包含控制点权重,D为对角矩阵,A为相邻矩阵;
在一个具体实施例中,提供了一种功能微压口腔黏膜形态预测系统,包括:
数据收集与配准模块,用于三维扫描获取患者的口内静态黏膜数据;通过微压印模获得功能微压黏膜数据,将口内静态黏膜数据与功能微压黏膜数据进行配准;
模板构造模块,用于对三维扫描获取的口内静态黏膜数据上选取特征点,获得特征点数据,同时将特征点复制到功能微压黏膜数据上,构建特征模板;
模型构建模块,用于根据特征点数据,对特征模板进行训练,构建微压黏膜形态弹性变形预测模型;
预测仿真模块,将待预测的患者的口内静态黏膜数据输入微压黏膜形态弹性变形预测模型,得到口内静态黏膜数据基于功能微压黏膜形态数据的相应特征点数据的新坐标;
运算模块,用于根据所获得的特征点数据的新坐标,将点云数据中需变形的所有点都使用拉普拉斯变形技术进行计算,从而实现功能微压黏膜形态的预测。
在一个具体实施例中,数据收集与配准模块还包括:
扫描模块,用于获取三维扫描获取患者的口内静态黏膜数据;
数据获取模块,用于采用个别托盘印模技术制取患者的微压印模,使用牙科模型三维扫描仪扫描后获得印模数据,在软件中翻转印模数据,形成功能微压黏膜数据;
配准模块,用于将患者口内静态黏膜数据和功能微压黏膜数据在三维逆向工程软件中进行配准;
边界提取模块,用于在患者口内静态黏膜数据中画出无牙区黏膜的边界,将该边界提取为曲线,投影至功能微压黏膜数据;删除患者口内静态黏膜数据和功能微压黏膜数据边界线之外的数据。
本发明提供的一种功能微压口腔黏膜形态预测方法及系统,解决了现有技术中三维扫描无法获取无牙区功能微压黏膜形态的局限。使得三维扫描获取黏膜形态直接制作义齿成为可能。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种功能微压口腔黏膜形态预测方法,其特征在于,包括:
步骤1:三维扫描获取患者的口内静态黏膜数据;通过微压印模获得功能微压黏膜数据,将口内静态黏膜数据与功能微压黏膜数据进行配准;
步骤2:对三维扫描获取的口内静态黏膜数据上选取特征点,得到特征点数据,同时根据特征点数据将特征点复制到功能微压黏膜数据上,构建特征模板;
步骤3:根据步骤2中获取的特征点数据,对特征模板进行训练,构建微压黏膜形态弹性变形预测模型;
步骤4:将待预测的患者的口内静态黏膜数据输入微压黏膜形态弹性变形预测模型,得到口内静态黏膜数据基于功能微压黏膜形态数据的相应特征点数据的新坐标;
步骤5:基于所获得的特征点数据的新坐标,将点云数据中需变形的所有点都使用拉普拉斯变形技术进行计算,从而实现功能微压黏膜形态的预测。
2.根据权利要求1的一种功能微压口腔黏膜形态预测方法,其特征在于,步骤1中具体包括:
步骤1.1:使用三维扫描获取患者口内静态黏膜数据;
步骤1.2:用于采用个别托盘印模技术制取患者的微压印模,使用牙科模型三维扫描仪扫描后获得印模数据,在软件中翻转印模数据,形成功能微压黏膜数据;
步骤1.3:将患者口内静态黏膜数据和功能微压黏膜数据在三维逆向工程软件中进行配准;
步骤1.4:在患者口内静态黏膜数据中画出无牙区黏膜的边界,将该边界提取为曲线,投影至功能微压黏膜数据;删除患者口内静态黏膜数据和功能微压黏膜数据边界线之外的数据。
3.根据权利要求1的一种功能微压口腔黏膜形态预测方法,其特征在于,步骤2中具体包括在三维扫描获取的口内静态黏膜数据上手动选取特征点并提取牙模特征,获得特征点数据,将特征点数据复制到功能微压黏膜数据上,从而构建特征模板。
4.根据权利要求3的一种功能微压口腔黏膜形态预测方法,其特征在于,步骤3中具体包括将三维扫描获取的口内静态黏膜数据上手动选取的特征点数据作为输入数据,将手动选取复制到功能微压黏膜数据的特征点的三维坐标作为预测数据,使用多层神经网络,将所述输入数据分为训练集和测试集,对训练的结果进行验证,不断对网络进行优化,构建微压黏膜形态弹性变形预测模型。
5.根据权利要求1的一种功能微压口腔黏膜形态预测方法,其特征在于,步骤5中具体包括基于所获得的特征点数据的新坐标,三维扫描获得的口内静态黏膜数据中存在用于变形的控制点,当所有控制点移动到新的位置,点云数据中需变形的所有点都使用拉普拉斯变形技术进行计算,根据平均权值,将三角形网格的笛卡尔坐标转换为拉普拉斯坐标,公式如下:
其中,δi表示为对应的拉普拉斯坐标,vi表示三角形网格的顶点笛卡尔坐标,表示点vi的笛卡尔坐标减去所有vi的相邻点vj的笛卡尔坐标的平均值,其中di表示vi的相邻点个数,N(i)表示vi的相邻点;L为拉普拉斯矩阵,表示为L=I-D-1A,其中I为单位矩阵,包含控制点权重,D为对角矩阵,A为相邻矩阵;
6.一种功能微压口腔黏膜形态预测系统,其特征在于,包括:
数据收集与配准模块,用于三维扫描获取患者的口内静态黏膜数据;通过微压印模获得功能微压黏膜数据,将口内静态黏膜数据与功能微压黏膜数据进行配准;
模板构造模块,用于对三维扫描获取的口内静态黏膜数据上选取特征点,获得特征点数据,同时根据特征点数据将特征点复制到功能微压黏膜数据上,构建特征模板;
模型构建模块,用于根据特征点数据,对特征模板进行训练,构建微压黏膜形态弹性变形预测模型;
预测仿真模块,将待预测的患者的口内静态黏膜数据输入微压黏膜形态弹性变形预测模型,得到口内静态黏膜数据基于功能微压黏膜形态数据的相应特征点数据的新坐标;
运算模块,用于根据所获得的特征点数据的新坐标,将点云数据中的所有需变形的点都使用拉普拉斯变形技术进行计算,从而实现功能微压黏膜形态的预测。
7.根据权利要求6的一种功能微压口腔黏膜形态预测系统,其特征在于,数据收集与配准模块还包括:
扫描模块,用于三维扫描获取患者的口内静态黏膜数据;
数据获取模块,用于采用个别托盘印模技术制取患者的微压印模,使用牙科模型三维扫描仪扫描后获得印模数据,在软件中翻转印模数据,形成功能微压黏膜数据;
配准模块,用于将患者口内静态黏膜数据和功能微压黏膜数据在三维逆向工程软件中进行配准;
边界提取模块,用于在患者口内静态黏膜数据中画出无牙区黏膜的边界,将该边界提取为曲线,投影至功能微压黏膜数据;删除患者口内静态黏膜数据和功能微压黏膜数据边界线之外的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262463.4A CN116306283A (zh) | 2023-03-14 | 2023-03-14 | 一种功能微压口腔黏膜形态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310262463.4A CN116306283A (zh) | 2023-03-14 | 2023-03-14 | 一种功能微压口腔黏膜形态预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306283A true CN116306283A (zh) | 2023-06-23 |
Family
ID=86786601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310262463.4A Pending CN116306283A (zh) | 2023-03-14 | 2023-03-14 | 一种功能微压口腔黏膜形态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306283A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117379207A (zh) * | 2023-10-12 | 2024-01-12 | 北京大学口腔医学院 | 一种活动义齿压力模型的数字化生成方法 |
-
2023
- 2023-03-14 CN CN202310262463.4A patent/CN116306283A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117379207A (zh) * | 2023-10-12 | 2024-01-12 | 北京大学口腔医学院 | 一种活动义齿压力模型的数字化生成方法 |
CN117379207B (zh) * | 2023-10-12 | 2024-05-28 | 北京大学口腔医学院 | 一种活动义齿压力模型的数字化生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10893920B2 (en) | Modeling a digital design of a denture | |
Revilla-León et al. | Artificial intelligence models for tooth-supported fixed and removable prosthodontics: A systematic review | |
JP5671734B2 (ja) | 顔面解析を用いた特注歯セットアップのコンピュータ支援作成 | |
JP6650996B1 (ja) | 識別装置、スキャナシステム、識別方法、および識別用プログラム | |
Tian et al. | DCPR-GAN: dental crown prosthesis restoration using two-stage generative adversarial networks | |
JP2012520694A (ja) | 歯科修復の効果的な計画、可視化、および最適化のためのシステムおよび方法 | |
JP2020508734A (ja) | 修復物の構築方法 | |
CN109712703B (zh) | 一种基于机器学习的正畸预测方法及装置 | |
CN104039266A (zh) | 用于从个体采集数据以用于制备3d模型的方法及系统 | |
CN113679500B (zh) | 一种基于ai算法的龋病和牙菌斑检测其分布方法 | |
CN112120815A (zh) | 一种数字化口腔微笑修复方法 | |
CN116306283A (zh) | 一种功能微压口腔黏膜形态预测方法及系统 | |
JP7398512B2 (ja) | データ生成装置、スキャナシステム、データ生成方法、およびデータ生成用プログラム | |
CN112419476A (zh) | 牙科病人三维虚拟图像的创建方法及系统 | |
JP2023099629A (ja) | 識別装置、スキャナシステム、識別方法、および識別用プログラム | |
CN105411716B (zh) | 一种无牙颌牙槽嵴牙尖交错位直接测定方法 | |
CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
CN114533325B (zh) | 基于动度监测的平坦黏膜扫描和光学整塑方法及系统 | |
JP7265359B2 (ja) | データ生成装置、スキャナシステム、データ生成方法、およびデータ生成用プログラム | |
TW202128096A (zh) | 口腔缺陷模型之修補方法及口腔缺陷模型之修補系統 | |
JP7267974B2 (ja) | 識別装置、スキャナシステム、識別方法、および識別用プログラム | |
US20240024076A1 (en) | Combined face scanning and intraoral scanning | |
JP7195466B2 (ja) | データ生成装置、スキャナシステム、データ生成方法、およびデータ生成用プログラム | |
WO2024014913A1 (ko) | 이미지 처리 방법, 전자 장치 및 컴퓨터 판독 가능 저장 매체 | |
KR102657979B1 (ko) | 환자 맞춤형 치아 보철물 디자인 시스템 및 이의 동작 방법 |
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 |