CN116503693A - 髁突检测模型及应用其对下颌运动轨迹获取的方法及装置 - Google Patents

髁突检测模型及应用其对下颌运动轨迹获取的方法及装置 Download PDF

Info

Publication number
CN116503693A
CN116503693A CN202310572899.3A CN202310572899A CN116503693A CN 116503693 A CN116503693 A CN 116503693A CN 202310572899 A CN202310572899 A CN 202310572899A CN 116503693 A CN116503693 A CN 116503693A
Authority
CN
China
Prior art keywords
condylar
axis
detection model
tmd
module
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
Application number
CN202310572899.3A
Other languages
English (en)
Inventor
蔡林凯
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.)
Hangzhou Yazhi Medical Technology Co ltd
Original Assignee
Hangzhou Yazhi Medical Technology Co ltd
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 Hangzhou Yazhi Medical Technology Co ltd filed Critical Hangzhou Yazhi Medical Technology Co ltd
Priority to CN202310572899.3A priority Critical patent/CN116503693A/zh
Publication of CN116503693A publication Critical patent/CN116503693A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/51—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for dentistry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4085—Cone-beams
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2016—Rotation, translation, scaling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Dentistry (AREA)

Abstract

本申请提出了一种髁突检测模型及应用其对下颌运动轨迹获取的方法及装置，包括以下步骤：通过构建髁突检测模型来获取CBCT数据以及CBCT数据的髁突位置和TMD诊断结果；根据CBCT数据的髁突位置来获取CBCT数据的髁突轴心，再根据髁突轴心获取CBCT数据的髁突轴；根据髁突轴构建三维坐标系，根据CBCT数据进行三维建模得到下颌骨模型，使用下颌骨模型在三维坐标系内进行绕轴运动得到下颌运动轨迹。本方案可以根据患者的TMD类型来对下颌骨的运动轨迹进行修正从而得到更加准确的运动轨迹，方便牙医进行后续诊断。

Description

髁突检测模型及应用其对下颌运动轨迹获取的方法及装置
技术领域
本申请涉及口腔医学领域，特别是涉及一种髁突检测模型及应用其对下颌运动轨迹获取的方法及装置。
背景技术
髁突是下颌骨主要生长中心之一，颞下颌关节紊乱症(temporomandibulardisorders,TMD)是一种与髁突有关的常见疾病，根据《颞下颌关节紊乱病锥形束CT检查规范及诊断标准的专家共识》，颞下颌关节紊乱症的症状大致分为关节间隙变窄、骨质破坏、骨质增生、骨质硬化、髁突短小或形态改变、骨质囊样变等。
现有技术一般通过口腔扫描模型的数据进行建模，并通过口腔扫描数据来获取两个髁突之间的髁突轴，根据髁突轴来模拟下颌骨的咬合轨迹从而配合医生来进行其他病情的判断，但是患有颞下颌关节紊乱症的患者由于髁突的变化其咬合轨迹往往和正常下颌骨的咬合轨迹存在区别，所以现有技术生成的下颌咬合轨迹在辅助牙医进行判断时往往会存在误差。
综上所述，亟需一种可以根据不同患者的不同髁突情况来预测下颌咬合轨迹，从而更加准确的辅助牙医进行疾病诊断的方法。
发明内容
本申请实施例提供了一种髁突检测模型及应用其对下颌运动轨迹获取的方法及装置，可以通过构建髁突检测模型来获取CBCT数据中髁突的位置和TMD类型，再根据患者的TMD类型来对髁突轴进行微调，从而获取更加准确的下颌运动轨迹，方便医生进行后续诊断。
第一方面，本申请实施例提供了一种髁突检测模型的构建方法，所述方法包括：
获取标记有髁突位置以及TMD类型的至少一CBCT数据作为训练样本；
构建髁突检测模型，所述髁突检测模型由嵌入模块以及分割模块组成，所述嵌入模块将每一训练样本分割为至少一矢状面，为每一矢状面添加顺序信息，并将每一矢状面平均分为多个子图像，获取每一子图像的张量信息，每一矢状面所包括的所有子图像的张量信息组成该矢状面的初始张量，为每一子图像添加位置信息得到位置编码矩阵，构建投影矩阵，使用每一矢状面初始张量中的每一子图像张量信息与所述投影矩阵相乘得到投影向量矩阵，将所述位置编码矩阵融合到所述投影向量矩阵得到每一矢状面的词嵌入张量；
所述分割模块由多个结构相同的注意力模块顺序串联组成，对所有矢状面的词嵌入张量进行归一化后送入多个串联的注意力模块得到注意力特征图，所述注意力特征图包含髁突位置，在最后一个注意力模块后添加多层感知机，将最后一个注意力模块的输出输入到所述多层感知机中得到TMD类型；
将得到的髁突位置和TMD类型反向传播到所述髁突检测模型中来更新所述髁突检测模型中的参数使得损失函数最小，完成髁突检测模型的构建。
第二方面，本申请实施例提供了一种下颌咬合轨迹获取方法，包括：
获取CBCT数据，将所述CBCT数据输入到训练好的髁突检测模型中获取与CBCT数据对应的两个髁突位置以及TMD诊断结果，所述TMD诊断结果包括不同的TMD类型；
根据每一髁突位置来获取每一髁突的初始髁突轴心，根据所述TMD诊断结果构建修正系数表，所述修正系数表中包含将正常髁突轴心修正为不同TMD类型髁突轴心的修正系数，根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心，将两个最终髁突轴心进行连线得到髁突轴；
根据所述CBCT数据进行三维建模得到下颌骨模型，以所述髁突轴为X轴，以髁突轴的中心点为原点O作三维坐标系，获取所述下颌骨模型上两个髁突的质心点并与髁突轴对齐以将所述下颌骨模型放入所述三维坐标系中；
所述下颌骨模型在所述三维坐标系OXYZ中绕髁突轴做绕轴旋转运动，并通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹。
第三方面，本申请实施例提供了一种髁突检测模型的构建装置，包括：
获取模块：获取标记有髁突位置以及TMD类型的至少一CBCT数据作为训练样本；
嵌入模块：构建髁突检测模型，所述髁突检测模型由嵌入模块以及分割模块组成，所述嵌入模块将每一训练样本分割为至少一矢状面，为每一矢状面添加顺序信息，并将每一矢状面平均分为多个子图像，获取每一子图像的张量信息，每一矢状面所包括的所有子图像的张量信息组成该矢状面的初始张量，为每一子图像添加位置信息得到位置编码矩阵，构建投影矩阵，使用每一矢状面初始张量中的每一子图像张量信息与所述投影矩阵相乘得到投影向量矩阵，将所述位置编码矩阵融合到所述投影向量矩阵得到每一矢状面的词嵌入张量；
分割模块：所述分割模块由多个结构相同的注意力模块顺序串联组成，对所有矢状面的词嵌入张量进行归一化后送入多个串联的注意力模块得到注意力特征图，所述注意力特征图包含髁突位置，在最后一个注意力模块后添加多层感知机，将最后一个注意力模块的输出输入到所述多层感知机中得到TMD类型；
验证模块：将得到的髁突位置和TMD类型反向传播到所述髁突检测模型中来更新所述髁突检测模型中的参数使得损失函数最小，完成髁突检测模型的构建。
第四方面，本申请实施例提供了一种下颌运动轨迹获取装置，包括：
获取模块：获取CBCT数据，将所述CBCT数据输入到训练好的髁突检测模型中获取与CBCT数据对应的两个髁突位置以及TMD诊断结果，所述TMD诊断结果包括不同的TMD类型；
修正模块：根据每一髁突位置来获取每一髁突的初始髁突轴心，根据所述TMD诊断结果构建修正系数表，所述修正系数表中包含将正常髁突轴心修正为不同TMD类型髁突轴心的修正系数，根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心，将两个最终髁突轴心进行连线得到髁突轴；
构建模块：根据所述CBCT数据进行三维建模得到下颌骨模型，以所述髁突轴为X轴，以髁突轴的中心点为原点O作三维坐标系，获取所述下颌骨模型上两个髁突的质心点并与髁突轴对齐以将所述下颌骨模型放入所述三维坐标系中；
轨迹模拟模块：所述下颌骨模型在所述三维坐标系OXYZ中绕髁突轴做绕轴旋转运动，并通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹。
第五方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行一种髁突检测模型的构建装置或一种下颌咬合、轨迹获取方法。
第六方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括一种下颌运动轨迹获取方法一种髁突检测模型的构建装置。
本发明的主要贡献和创新点如下：
本申请实施例通过构建髁突检测模型来获取CBCT数据中的髁突位置以及TMD类型，所述髁突检测模型采用多层注意力机制来进行特征提取，可以更加准确的获取髁突位置；本方案根据不同的TMD类型构建修正系数表，并使用修正系数表来对髁突轴心进行修正，从而获得更加准确的髁突轴；本方案采用三维旋转平移矩阵来约束刚体变换，以便更好的模仿现实中下颌可以进行的小幅度平移运动。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种髁突检测模型的构建方法的流程示意图；
图2是根据本申请实施例的一种轴心定位示意图；
图3是根据本申请实施例的下颌骨模型示意图；
图4是根据本申请实施例的一种注意力模块的结构示意图；
图5是根据本申请实施例的一种分割模块的结构示意图；
图6是根据本申请实施例的一种髁突检测模型的构建装置的流程示意图；
图7是根据本申请实施例的一种下颌运动轨迹获取装置的流程示意图；
图8是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
为了更好的理解本方案，再次对本方案中提到的名词进行解释说明：
CBCT数据：口腔颌面锥形束CT，其原理是X线发生器以较低的射线量(通常球管电流在10毫安左右)围绕投照体做环形DR(数字式投照)。然后将围绕投照体多次(180次-360次，依产品不同而异)数字投照后“交集”中所获得的数据在计算机中“重组，reconstruction”后进而获得三维图像。
TMD：颞下颌关节紊乱症的简称，颞下颌关节紊乱综合征是口腔颌面部最常见的疾病，发病机制尚未完全明了。本症的主要临床表现为关节区疼痛、运动时关节弹响、下颌运动障碍等。多数属关节功能失调、预后良好；但极少数病例也可发生器质性改变。
实施例一
一种髁突检测模型的构建方法，包括：
获取标记有髁突位置以及TMD类型的至少一CBCT数据作为训练样本；
构建髁突检测模型，所述髁突检测模型由嵌入模块以及分割模块组成，所述嵌入模块将每一训练样本分割为至少一矢状面，为每一矢状面添加顺序信息，并将每一矢状面平均分为多个子图像，获取每一子图像的张量信息，每一矢状面所包括的所有子图像的张量信息组成该矢状面的初始张量，为每一子图像添加位置信息得到位置编码矩阵，构建投影矩阵，使用每一矢状面初始张量中的每一子图像张量信息与所述投影矩阵相乘得到投影向量矩阵，将所述位置编码矩阵融合到所述投影向量矩阵得到每一矢状面的词嵌入张量；
所述分割模块由多个结构相同的注意力模块顺序串联组成，对所有矢状面的词嵌入张量进行归一化后送入多个串联的注意力模块得到注意力特征图，所述注意力特征图包含髁突位置，在最后一个注意力模块后添加多层感知机，将最后一个注意力模块的输出输入到所述多层感知机中得到TMD类型；
将得到的髁突位置和TMD类型反向传播到所述髁突检测模型中来更新所述髁突检测模型中的参数使得损失函数最小，完成髁突检测模型的构建。
在一些具体实施例中，专业医务人员对已采集好的CBCT数据中的左右髁突位置进行标记，并对髁突所在的颞下关节进行TMD诊断，根据诊断结果对CBCT数据进行TMD标签分类标记。
在一些具体实施例中，所述矢状面为侧面切面，为每一个矢状面添加顺序信息Pos1，例如最靠左的矢状面的序号为1，其右边相邻的矢状面的序号为2，以此类推，对于每一个矢状面将其平均分为n块大小为p*p的子图像，每一子图像的张量信息为Xi，将n块子图像展平得到该矢状面的张量信息F，F表示为F[X1,X2,X3,…,Xn]，为每一子图像添加位置信息得到位置编码矩阵Epos，例如，将左上角的子图像的位置记为1，右下角的子图像位置记为n，构造投影矩阵E，所述投影矩阵的大小为(p*p)*d，F中每一块子图像与所述投影矩阵E相乘得到d维的投影向量(Xi*E)，将投影向量合并为矩阵得到投影向量矩阵，将所述位置编码矩阵Epos与所述投影向量矩阵融合得到每一矢状面的词嵌入张量Z，具体公式如下：
Z＝[X1*E,X2*E,X3*E,…,Xn*E]+Epos
具体的，Epos包含顺序信息Pos1和位置信息Pos2，也就是说通过位置编码矩阵就能知道当前子图像是属于CBCT数据的那一部分。
在一些具体实施例中，所述注意力模块的结构如图4所示，所述注意力模块首先对所述对所有矢状面的词嵌入张量进行归一化处理得到归一结果，再将所述归一结果输入到并联的注意力层中，所述注意力层对所述归一结果进行三次线性变换得到矩阵Q、K、V，然后将Q与K做点积得到相似度矩阵，对所述相似度矩阵进行归一得到权重矩阵，所述权重矩阵与V相乘得到注意力张量，计算每一注意力模块的注意力张量，公式如下：
Y＝softmax(a(Q，K))V
其中，Y表示注意力张量，A表示相似度矩阵，所述相似度矩阵表示归一结果中元素的相似度。
具体的，将所述注意力张量送入多层感知机后得到每一注意力模块的输出，输出大小为n*d，所述注意力模块采用残差结构，并且将注意力层并行化以防止过拟合。
在一些具体实施例中，对所述分割模块的结构如图5所示，在所述分割模块中，所述注意力模块可以顺序相连多个，将第i个注意力模块的输出记为Zi，i越大则注意力模块的输出包含越多的深层语义信息，可以用来判断髁突位置，i越小则浅层次的位置信息和细粒度特征越明显，用来回复图像上采样的分辨率，提高分割效果，将每一注意力模块的输出结果进行逆序叠加得到叠加结果，将所述叠加结果融合输入的CBCT数据得到注意力特征图。
示例性的，最后一个注意力模块的输出为Zi，Zi的大小为n*d，对Zi进行卷积与上采样操作后与Zi-1叠加，重复上述步骤得到注意力特征图。
在一些具体实施例中，使用与获取训练样本同样的方法来获取验证集与测试集，使用训练样本训练结束后，使用验证集来评估模型性能，根据训练过程中损失函数以及各项指标的变化情况来优化人为设定的超参数的值，以防止过拟合等问题，最后使用测试集来对模型进行测试，得出髁突分割精确度、TMD类型诊断准确度等性能指标来评估模型泛化能力，最后训练好的模型应用于髁突位置的获取和TMD类型的诊断，所述髁突检测模型的的输入为CBCT数据，输出为包含髁突位置的CBCT数据以及TMD类型诊断结果。
实施例二
本申请实施例提供了一种下颌运动轨迹获取方法，具体地，参考图1，所述方法包括：
获取CBCT数据，将所述CBCT数据输入到训练好的髁突检测模型中获取与CBCT数据对应的两个髁突位置以及TMD诊断结果，所述TMD诊断结果包括不同的TMD类型；
根据每一髁突位置来获取每一髁突的初始髁突轴心，根据所述TMD诊断结果构建修正系数表，所述修正系数表中包含将正常髁突轴心修正为不同TMD类型髁突轴心的修正系数，根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心，将两个最终髁突轴心进行连线得到髁突轴；
根据所述CBCT数据进行三维建模得到下颌骨模型，以所述髁突轴为X轴，以髁突轴的中心点为原点O作三维坐标系，获取所述下颌骨模型上两个髁突的质心点并与髁突轴对齐以将所述下颌骨模型放入所述三维坐标系中；
所述下颌骨模型在所述三维坐标系OXYZ中绕髁突轴做绕轴旋转运动，并通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹。
在一些实施例中，在“根据每一髁突位置来获取每一髁突的初始髁突轴心”步骤中，对所述髁突位置所包含的像素点进行直方图统计，统计每一像素点的灰度值，根据每一像素点的灰度值进行阈值筛选得到具体髁突位置，确定所述具体髁突位置的水平线，在所述具体髁突位置的最高点处作垂直于水平线的第一直线，在所述具体髁突位置的关节前间隙最窄处作第二直线，所述第二直线与所述水平线呈45度夹角，所述第一直线与所述第二直线的交点为所述初始髁突轴心。
具体的，所述关节前间隙最窄处就是关节间隙的前半部分中最窄的地方，如图2中字母b所在的位置就是关节前间隙最窄处。
具体的，通过所述髁突检测模型通过确定髁突的包围盒来确定髁突位置，即所述髁突检测模型的输出之一为一个包围盒B1，所述包围盒B1的位置为髁突位置，所述包围盒B1内的数据为髁突位置所包含的数据。
具体的，对所述髁突围着所包含的数据进行直方图统计得到统计结果，根据所述统计结果进行阈值筛选得到具体髁突位置，所述具体髁突位置是在包围盒B1之内一个包围盒B2，进行阈值筛选的阈值大小根据实际应用的不同进行设定，另外，进行阈值筛选的阈值可以通过人工设定，也可以进行自适应设定，根据所述髁突位置得到具体髁突位置可以提高后续定位初始髁突轴心的精度。
具体的，定义初始髁突轴心的方式如图2所示，图2中的外圈表示包围盒B1，内圈表示包围盒B2，首先确定所述具体髁突位置的水平线，所述具体髁突位置的水平线为髁突正常状态下与地面保持平行的线，所述水平线用来将髁突保持在水平状态以方便定位初始髁突轴心，在所述髁突水平状态下选取髁突的最高点，在髁突的最高点处作垂直于水平线的第一直线a，在所述具体髁突位置的关节前间隙最窄处作第二直线b，第二直线b与所述水平线呈45度夹角，所述第一直线a与所述第二直线b的交点O为所述初始髁突轴心。
进一步的，通过上述方式分别获得两个髁突位置的初始髁突轴心。
在一些实施例中，在“根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心”步骤中，过所述第一直线与所述第二直线的交点作第三直线，所述第三直线与所述水平线呈45度角且所述第三直线与所述第二直线垂直，分别计算所述具体髁突位置内所述第二直线长度以及所述第三直线长度，使用所述修正系数表中的修正系数对所述第二直线长度以及所述第三直线长度进行调整从而对每一所述初始髁突轴心进行修正得到最终髁突轴心。
具体的，由于所述初始髁突轴心为第二直线与第三直线的交点，所以通过对所述第二直线长度以及所述第三直线长度进行调整可以对所述初始髁突轴心进行位置、方向上的修正。
具体的，所述修正系数表是根据所述髁突检测模型得到的TMD类型进行构建得到的，所述修正系数表中包含将正常髁突轴心修正为不同TMD类型髁突轴心的修正系数。
具体的，所述修正系数表根据医生的临床经验来为不同的TMD类型设置不同的修正系数，就是说根据医生的判断依据，我们定量地给每一种TMD类型确定一个系数，再和医生商定最终的系数值，确保系数设定的合理性。
进一步的，根据所述第二直线长度、第三直线长度以及所述修正系数得到修正偏置，使用所述初始髁突轴心加上所述修正偏置得到最终髁突轴心。
示例性的，如图2所示，过第一直线a与第二直线b的交点作第三直线c使得第三直线c与所述水平线呈45度角且与所述第二直线b垂直，分别计算所述具体髁突位置内所述第二直线长度Lb以及所述第三直线长度Lc，再通过修正偏置公式使用所述修正系数表中的修正系数α对所述第二直线长度Lb以及所述第三直线长度Lc进行调整，所述修正偏置公式如下所示：
bias＝log(Lc/Lb)*α
其中，Lc表示第三直线长度，Lb表示第二直线长度，α表示修正系数，bias表示修正偏置。
具体的，所述修正系数α受TMD类型影响，若患者并无TMD，则无需使用修正偏置公式对所述初始髁突轴心进行修正，只需计算两个髁突的质心，并将两个质心进行连线得到髁突轴。
具体的，本方案可以根据不同TMD类型来生成不同的髁突轴。
具体的，由于TMD会导致下颌骨运动轨迹的异常，从而影响后续医生队医疾病的诊断，所以根据TMD类型得到不同的修正系数，再通过修正系数来对初始髁突轴心进行修正。
在一些具体实施例中，在“将两个最终髁突轴心进行连线得到髁突轴”步骤中，使用上述方法分别得到两个最终髁突轴心从而得到髁突轴。
在一些实施例中，在“根据所述CBCT数据进行三维建模得到下颌骨模型”步骤中，使用自适应阈值来对所述CBCT数据进行分割得到粗分割下颌骨数据，对所述粗分割下颌骨进行区域生长得到细分割下颌骨数据，根据所述细分割下颌骨数据进行三维建模得到下颌骨模型。
进一步的，使用Otsu算法来确认所述CBCT数据的自适应阈值，并使用所述自适应阈值对所述CBCT数据进行分割得到第一分割结果，所述第一分割结果包含骨组织和软组织，获取窄阈值，使用窄阈值对所述骨组织进行分割得到第二分割结果，所述第二分割结果包括下颌骨，最后使用形态学膨胀算法对所述第二分割结果进行运算得到粗分割下颌骨数据。
具体的，所述窄阈值是人为调整的精细阈值，所述窄阈值可以更好的对骨组织进行分割。
具体的，使用自适应阈值来对所述CBCT数据进行分割的好处是计算效率高、速度快。
具体的，使用窄阈值对所述骨组织进行分割能够初步分离是下颌骨。
具体的，由于使用窄阈值对骨组织进行分割会导致边界信息损失，所以使用形态学膨胀算法来弥补边界信息损失得到粗分割下颌骨数据。
进一步的，在所述粗分割下颌骨数据上选取至少一种子点，所述种子点为体素，为每一种子点划定第一范围，并为每一种子点设定第一区域，计算所述第一范围内每一体素相对于对应种子点的相似度，设定相似度阈值，将与对应种子点相似度大于相似度阈值的体素加入到所述第一区域内，当所述第一区域内的均值和方差均超出设定阈值，则停止计算，得到细分割下颌骨数据。
具体的，可以从灰度差异、梯度等特征来衡量体素与对应种子点的相似度。
进一步的，使用marching cube算法来对所述细分割下颌骨数据进行三维建模，建模结果如图3所示。
具体的，每一个体素具有8个顶点，所以每一体素可以形成一个8位的二进制数，根据不同的二进制数来预设256种不同的情况，对于每一个体素，比较其8个顶点的值与等值面的阈值来确定该体素是否与等值面相交，若相交则代表该体素在下颌表面附近，将相交的顶点标记为1，否则标记为0，根据标记结果获取每一体素的二进制数，并于预设的256种情况进行比对以确定等值面在该体素中的形状和位置，最后对等值面上的边进项三角化，生成三角网格模型，完成下颌骨建模得到下颌骨模型。
在一些具体实施例中，“以所述髁突轴为X轴，以髁突轴的中心点为原点O作三维坐标系”步骤中，过原点O在X轴的正上方向做Z轴，过原点O做平面ZOX的垂线为Y轴得到三维坐标系OXYZ，获取所述下颌骨模型上两个髁突的质心点并与髁突轴对齐，获取所述下颌骨模型上与所述髁突轴的最远点，将所述最远点与所述Y轴对齐，这样做的目的在于通过两个髁突的质心点以及一个最远点三个点来定位所述下颌骨模型在三维坐标系中的位置，以便将所述下颌骨模型放入所述三维坐标系中。
在一些实施例中，在“通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹”步骤中，设定绕轴旋转运动的角度以及平移幅度，获取下颌骨上任意一个点位坐标，使用所述三维旋转平移矩阵结合绕轴旋转运动的角度、平移幅度以及点位坐标获取运动后点位坐标，遍历上述操作得到下颌运动轨迹。
具体的，所述绕轴旋转运动为刚体变换运动，为了模仿现实中下颌可以进行小幅度平移运动，所以利用三维旋转平移矩阵来对运动轨迹进行修正，所述三维旋转平移矩阵的公式如下所示：
其中，x，y，z为点位坐标，p为点位序号，R为旋转矩阵，T为平移矩阵，在本方案中，所述旋转矩阵只绕髁突轴作旋转，所以本方案的旋转矩阵为：θ为旋转角度，平移矩阵为/>t为平移距离。
实施例三
基于相同的构思，参考图6，本申请还提出了一种下颌运动轨迹获取装置，包括：
获取模块：获取一CBCT数据，将所述CBCT数据输入到训练好的髁突检测模型中获取与CBCT数据对应的两个髁突位置以及TMD诊断结果，所述TMD诊断结果包括不同的TMD类型；
修正模块：根据每一髁突位置来获取每一髁突的初始髁突轴心，根据所述TMD诊断结果构建修正系数表，所述修正系数表中包含将正常髁突轴心修正为不同TMD类型髁突轴心的修正系数，根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心，将两个最终髁突轴心进行连线得到髁突轴；
构建模块：根据所述CBCT数据进行三维建模得到下颌骨模型，以所述髁突轴为X轴，以髁突轴的中心点为原点O，过原点O在X轴的正上方向做Z轴，过原点O做平面XOZ的垂线为Y轴得到三维坐标系OXYZ，获取所述下颌骨模型上两个髁突的质心点并与髁突轴对齐，获取所述下颌骨模型上与所述髁突轴的最远点，将所述最远点与所述Y轴对齐；
轨迹模拟模块：所述下颌骨模型在所述三维坐标系OXYZ中绕髁突轴做绕轴旋转运动，并通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹。
实施例四
基于相同的构思，参考图7，本申请还提出了一种髁突检测模型的构建装置，包括：
获取模块：获取标记有髁突位置以及TMD类型的至少一CBCT数据作为训练样本；
嵌入模块：构建髁突检测模型，所述髁突检测模型由嵌入模块以及分割模块组成，所述嵌入模块将每一训练样本分割为至少一矢状面，为每一矢状面添加顺序信息，并将每一矢状面平均分为多个子图像，获取每一子图像的张量信息，每一矢状面所包括的所有子图像的张量信息组成该矢状面的初始张量，为每一子图像添加位置信息得到位置编码矩阵，构建投影矩阵，使用每一矢状面初始张量中的每一子图像张量信息与所述投影矩阵相乘得到投影向量矩阵，将所述位置编码矩阵融合到所述投影向量矩阵得到每一矢状面的词嵌入张量；
分割模块：所述分割模块由多个结构相同的注意力模块顺序串联组成，对所有矢状面的词嵌入张量进行归一化后送入多个串联的注意力模块得到注意力特征图，所述注意力特征图包含髁突位置，在最后一个注意力模块后添加多层感知机，将最后一个注意力模块的输出输入到所述多层感知机中得到TMD类型；
验证模块：将得到的髁突位置和TMD类型反向传播到所述髁突检测模型中来更新所述髁突检测模型中的参数使得损失函数最小，完成髁突检测模型的构建。
实施例五
本实施例还提供了一种电子装置，参考图8，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种下颌运动轨迹获取方法或一种髁突检测模型的构建方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是CBCT数据、髁突位置的标记、TMD类型等，输出的信息可以是下颌骨的咬合运动轨迹等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
S101、获取标记有髁突位置以及TMD类型的至少一CBCT数据作为训练样本；
S102、构建髁突检测模型，所述髁突检测模型由嵌入模块以及分割模块组成，所述嵌入模块将每一训练样本分割为至少一矢状面，为每一矢状面添加顺序信息，并将每一矢状面平均分为多个子图像，获取每一子图像的张量信息，每一矢状面所包括的所有子图像的张量信息组成该矢状面的初始张量，为每一子图像添加位置信息得到位置编码矩阵，构建投影矩阵，使用每一矢状面初始张量中的每一子图像张量信息与所述投影矩阵相乘得到投影向量矩阵，将所述位置编码矩阵融合到所述投影向量矩阵得到每一矢状面的词嵌入张量；
S103、所述分割模块由多个结构相同的注意力模块顺序串联组成，对所有矢状面的词嵌入张量进行归一化后送入多个串联的注意力模块得到注意力特征图，所述注意力特征图包含髁突位置，在最后一个注意力模块后添加多层感知机，将最后一个注意力模块的输出输入到所述多层感知机中得到TMD类型；
S104、将得到的髁突位置和TMD类型反向传播到所述髁突检测模型中来更新所述髁突检测模型中的参数使得损失函数最小，完成髁突检测模型的构建。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图8中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种髁突检测模型的构建方法，其特征在于，包括以下步骤：
获取标记有髁突位置以及TMD类型的至少一CBCT数据作为训练样本；
构建髁突检测模型，所述髁突检测模型由嵌入模块以及分割模块组成，所述嵌入模块将每一训练样本分割为至少一矢状面，为每一矢状面添加顺序信息，并将每一矢状面平均分为多个子图像，获取每一子图像的张量信息，每一矢状面所包括的所有子图像的张量信息组成该矢状面的初始张量，为每一子图像添加位置信息得到位置编码矩阵，构建投影矩阵，使用每一矢状面初始张量中的每一子图像张量信息与所述投影矩阵相乘得到投影向量矩阵，将所述位置编码矩阵融合到所述投影向量矩阵得到每一矢状面的词嵌入张量；
所述分割模块由多个结构相同的注意力模块顺序串联组成，对所有矢状面的词嵌入张量进行归一化后送入多个串联的注意力模块得到注意力特征图，所述注意力特征图包含髁突位置，在最后一个注意力模块后添加多层感知机，将最后一个注意力模块的输出输入到所述多层感知机中得到TMD类型；
将得到的髁突位置和TMD类型反向传播到所述髁突检测模型中来更新所述髁突检测模型中的参数使得损失函数最小，完成髁突检测模型的构建。
2.一种下颌咬合轨迹获取方法，其特征在于，包括以下步骤：
获取CBCT数据，将所述CBCT数据输入到训练好的髁突检测模型中获取与CBCT数据对应的两个髁突位置以及TMD诊断结果，所述TMD诊断结果包括不同的TMD类型；
根据每一髁突位置来获取每一髁突的初始髁突轴心，根据所述TMD诊断结果构建修正系数表，所述修正系数表中包含将正常髁突轴心修正为不同TMD类型髁突轴心的修正系数，根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心，将两个最终髁突轴心进行连线得到髁突轴；
根据所述CBCT数据进行三维建模得到下颌骨模型，以所述髁突轴为X轴，以髁突轴的中心点为原点O作三维坐标系，获取所述下颌骨模型上两个髁突的质心点并与髁突轴对齐以将所述下颌骨模型放入所述三维坐标系中；
所述下颌骨模型在所述三维坐标系OXYZ中绕髁突轴做绕轴旋转运动，并通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹。
3.根据权利要求2所述的一种下颌运动轨迹获取方法，其特征在于，在“根据每一髁突位置来获取每一髁突的初始髁突轴心”步骤中，对所述髁突位置所包含的像素点进行直方图统计，统计每一像素点的灰度值，根据每一像素点的灰度值进行阈值筛选得到具体髁突位置，确定所述具体髁突位置的水平线，在所述具体髁突位置的最高点处作垂直于水平线的第一直线，在所述具体髁突位置的关节前间隙最窄处作第二直线，所述第二直线与所述水平线呈45度夹角，所述第一直线与所述第二直线的交点为所述初始髁突轴心。
4.根据权利要求2所述的一种下颌运动轨迹获取方法，其特征在于，在“根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心”步骤中，过所述第一直线与所述第二直线的交点作第三直线，所述第三直线与所述水平线呈45度角且所述第三直线与所述第二直线垂直，分别计算所述具体髁突位置内所述第二直线长度以及所述第三直线长度，使用所述修正系数表中的修正系数对所述第二直线长度以及所述第三直线长度进行调整。
5.根据权利要求2所述的一种下颌运动轨迹获取方法，其特征在于，在“根据所述CBCT数据进行三维建模得到下颌骨模型”步骤中，使用自适应阈值来对所述CBCT数据进行分割得到粗分割下颌骨数据，对所述粗分割下颌骨进行区域生长得到细分割下颌骨数据，根据所述细分割下颌骨数据进行三维建模得到下颌骨模型。
6.根据权利要求2所述的一种下颌运动轨迹获取方法，其特征在于，在“通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹”步骤中，设定绕轴旋转运动的角度以及平移幅度，获取下颌骨上任意一个点位坐标，使用所述三维旋转平移矩阵结合绕轴旋转运动的角度、平移幅度以及点位坐标获取运动后点位坐标，遍历上述操作得到下颌运动轨迹。
7.一种髁突检测模型的构建装置，其特征在于，包括：
获取模块：获取标记有髁突位置以及TMD类型的至少一CBCT数据作为训练样本；
嵌入模块：构建髁突检测模型，所述髁突检测模型由嵌入模块以及分割模块组成，所述嵌入模块将每一训练样本分割为至少一矢状面，为每一矢状面添加顺序信息，并将每一矢状面平均分为多个子图像，获取每一子图像的张量信息，每一矢状面所包括的所有子图像的张量信息组成该矢状面的初始张量，为每一子图像添加位置信息得到位置编码矩阵，构建投影矩阵，使用每一矢状面初始张量中的每一子图像张量信息与所述投影矩阵相乘得到投影向量矩阵，将所述位置编码矩阵融合到所述投影向量矩阵得到每一矢状面的词嵌入张量；
分割模块：所述分割模块由多个结构相同的注意力模块顺序串联组成，对所有矢状面的词嵌入张量进行归一化后送入多个串联的注意力模块得到注意力特征图，所述注意力特征图包含髁突位置，在最后一个注意力模块后添加多层感知机，将最后一个注意力模块的输出输入到所述多层感知机中得到TMD类型；
验证模块：将得到的髁突位置和TMD类型反向传播到所述髁突检测模型中来更新所述髁突检测模型中的参数使得损失函数最小，完成髁突检测模型的构建。
8.一种下颌运动轨迹获取装置，其特征在于，包括：
获取模块：获取CBCT数据，将所述CBCT数据输入到训练好的髁突检测模型中获取与CBCT数据对应的两个髁突位置以及TMD诊断结果，所述TMD诊断结果包括不同的TMD类型；
修正模块：根据每一髁突位置来获取每一髁突的初始髁突轴心，根据所述TMD诊断结果构建修正系数表，所述修正系数表中包含将正常髁突轴心修正为不同TMD类型髁突轴心的修正系数，根据所述修正系数表对每一所述初始髁突轴心进行修正得到最终髁突轴心，将两个最终髁突轴心进行连线得到髁突轴；
构建模块：根据所述CBCT数据进行三维建模得到下颌骨模型，以所述髁突轴为X轴，以髁突轴的中心点为原点O作三维坐标系，获取所述下颌骨模型上两个髁突的质心点并与髁突轴对齐以将所述下颌骨模型放入所述三维坐标系中；
轨迹模拟模块：所述下颌骨模型在所述三维坐标系OXYZ中绕髁突轴做绕轴旋转运动，并通过三维旋转平移矩阵对运动轨迹进行修正得到下颌运动轨迹。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1所述的一种髁突检测模型的构建装置或权利要求2-6任一所述的一种下颌咬合、轨迹获取方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括权利要求1所述的一种髁突检测模型的构建装置或权利要求2-6任一所述的一种下颌咬合、轨迹获取方法。
CN202310572899.3A 2023-05-18 2023-05-18 髁突检测模型及应用其对下颌运动轨迹获取的方法及装置 Pending CN116503693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572899.3A CN116503693A (zh) 2023-05-18 2023-05-18 髁突检测模型及应用其对下颌运动轨迹获取的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572899.3A CN116503693A (zh) 2023-05-18 2023-05-18 髁突检测模型及应用其对下颌运动轨迹获取的方法及装置

Publications (1)

Publication Number Publication Date
CN116503693A true CN116503693A (zh) 2023-07-28

Family

ID=87326679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572899.3A Pending CN116503693A (zh) 2023-05-18 2023-05-18 髁突检测模型及应用其对下颌运动轨迹获取的方法及装置

Country Status (1)

Country Link
CN (1) CN116503693A (zh)

Similar Documents

Publication Publication Date Title
US11862348B2 (en) Systems and methods for using generic anatomy models in surgical planning
Leonardi et al. Fully automatic segmentation of sinonasal cavity and pharyngeal airway based on convolutional neural networks
KR20190049733A (ko) 컴퓨터 지원 악교정 수술 계획을 위한 시스템 및 방법
CN109223032B (zh) 一种三维超声成像检测脊柱变形的方法
Baka et al. Statistical shape model-based femur kinematics from biplane fluoroscopy
US12062183B2 (en) Closed surface fitting for segmentation of orthopedic medical image data
Willing et al. Development and evaluation of a semi-automatic technique for determining the bilateral symmetry plane of the facial skeleton
CN116524118B (zh) 基于三维牙齿cbct数据和口腔扫描模型的多模态渲染方法
CN116503693A (zh) 髁突检测模型及应用其对下颌运动轨迹获取的方法及装置
KR102545906B1 (ko) 학습 모델을 이용한 데이터 처리 방법
CN113870261B (zh) 用神经网络识别力线的方法与系统、存储介质及电子设备
CN116129081A (zh) 基于面片模型的膝关节acl生物力学仿真方法、装置及设备
US11694002B1 (en) Customized protective devices and systems and methods for producing the same
Audette et al. Towards a deformable multi-surface approach to ligamentous spine models for predictive simulation-based scoliosis surgery planning
Kern Large population evaluation of contact stress exposure in articular joints for prediction of osteoarthritis onset and progression
Bazsó et al. Personalisable vertebral body model development
Cukovic et al. Development of 3D kinematic model of the spine for idiopathic scoliosis simulation
Joseph et al. Three dimensional reconstruction models for medical modalities: a comprehensive investigation and analysis
Lee et al. Application of artificial intelligence in lateral cephalometric analysis
Chowdhury et al. Computer vision-guided virtual craniofacial surgery: a graph-theoretic and statistical perspective
US20220313361A1 (en) Systems and methods of determining ligament attachment areas with respect to the location of a rotational axis of a joint implant
US20210249119A1 (en) Medical image data
US20240000514A1 (en) Surgical planning for bone deformity or shape correction
WO2023239513A1 (en) Point cloud neural networks for landmark estimation for orthopedic surgery
WO2024173251A1 (en) Machine learning based auto-segmentation for revision surgery

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