CN116563455A - 一种基于全景x线片和口扫数据的牙齿三维重建方法 - Google Patents
一种基于全景x线片和口扫数据的牙齿三维重建方法 Download PDFInfo
- Publication number
- CN116563455A CN116563455A CN202310358815.6A CN202310358815A CN116563455A CN 116563455 A CN116563455 A CN 116563455A CN 202310358815 A CN202310358815 A CN 202310358815A CN 116563455 A CN116563455 A CN 116563455A
- Authority
- CN
- China
- Prior art keywords
- panoramic
- tooth
- dimensional
- ray film
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 210000002455 dental arch Anatomy 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 210000004195 gingiva Anatomy 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract 1
- 210000000515 tooth Anatomy 0.000 description 33
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 208000025157 Oral disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004513 dentition Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000030194 mouth disease Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000036346 tooth eruption Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 210000002050 maxilla Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种通过融合IOS(口扫数据)和全景X线片与深度学习重建三维牙齿模型的技术。提出了一种以深度学习模型设计为出发点、以全景X线片和IOS网格为输入、三维牙齿模型为输出的端到端的牙齿重建模型,来降低牙齿三维模型获取的难度和提高牙齿三维模型的精度。该架构使用基于编码器和解码器的网络结构来提取图像特征和深度信息;将提取的特征输入到分割网络获取牙齿实例分割图;将提取的图像特征和深度信息输入到重建网络中,得到低精度的牙齿三维模型;将IOS输入到IOS分割网络中得到高精度的三维牙齿模型(不包含牙根);最后将两者融合得到完整的高精度牙齿三维模型。
Description
技术领域
本发明涉及三维重建技术领域,具体而言,涉及一种基于全景X线片牙齿分割方法、牙齿三维重建方法并和口扫三维数据相融合的牙齿三维重建方法。
背景技术
传统的方式无法对口腔诊断和治疗过程充分有效表达,口腔疾病由于其复杂性以及患者与牙医的专业知识存在差距,导致患者无法全面准确了解自身的病情从而会产生一定的心理压力。为了建立医患之间的信任,可以借助计算机辅助手段缓解患者的焦虑。全景X线片是牙科实践中用于虚拟治疗计划和患者管理的最广泛的数字模型之一。虚拟治疗计划中的一个关键步骤是用高保真和准确的解剖信息准确描绘全景X线片中的所有牙齿骨骼结构。以前的研究已经建立了几种使用深度学习的全景X线片分割方法。然而,全景X线片固有的分辨率差异以及咬合和牙列信息的丢失在很大程度上限制了其临床适用性。在这里,提出了一个牙齿三维重建框架,该框架由全景X线片分割模型、口内扫描(IOS)分割模型(最精确的数字牙科模型)和融合模型组成,以生成具有高保真度和准确咬合和牙列信息的三维牙齿结构。该模型可以在整个正畸治疗过程中可视化牙齿结构,有助于提高数字牙科模型的质量,并帮助牙医做出更好的临床决策。
口腔临床中治疗前的检查手段主要包括两种,一是利用X光机扫描全景X线片,二是利用锥形束投照计算机重组断层影像产生CBCT(Cone beam CT)图像。X线片由X光机在患者头部周围移动,因此只能获取表面2D全景信息,限制在疾病诊断位置的精确性。CBCT成像技术可以展示患者全方位的组织结构信息(包括整个口腔的牙齿、下颌骨和上颌骨),医生借助后处理软件可以观察不同组织结构的内外部结构。但是在CBCT扫描过程中,患者需要接受更多的辐射剂量和支付更高的价格。因此,基于全景X线片图像,设计精准的口腔疾病诊断方法,恢复具有真实感的三维口腔结构是专利关注的重点。
基于深度学习的单幅图像三维重建是计算机视觉、医学图像处理和虚拟现实中的一个常见课题。基于深度学习的三维物体重建方法是训练神经网络学习二维图像和三维物体之间的映射关系。计算机视觉相关理论和技术的主要目的是从图像或多维数据中获取信息,建立人工智能系统。图像的三维重建是计算机视觉的主要任务之一,其目的是研究单幅图像或多幅图像生成相应的三维结构。根据重建目标的不同,图像的三维重建可分为三维场景重建和三维物体重建。单视图三维场景重建的一大挑战是从单幅图像中预测不可见的部分。多视点三维场景重建和多视点三维物体重建可以整合多幅图像的信息,弥补单幅图像预测不确定性对不可见部分的缺陷。与传统的多视图三维重建方法和模型相比,深度学习具有处理大数据的能力。因此,近年来有很多将传统方法与深度学习相结合的研究。
注意力机制(Attention Mechanism)是人们在机器学习模型中嵌入的一种特殊结构,核心思想就是基于原有的数据找到数据之间的关联性,然后突出其某些重要特征,注意力机制是上世纪九十年代,一些科学家在研究人类视觉时,发现的一种信号处理机制。人工智能领域的从业者把这种机制引入到一些模型里,并取得了成功。目前,注意力机制已经成为深度学习领域,尤其是自然语言处理领域,应用最广泛的“组件”之一。
发明内容
本申请所要解决的问题在于全景X线片图像无法提供有关牙齿体积或其空间定位的3D信息和现有重建方法精度低的问题,本发明提供了一种基于全景X线片和口扫数据的牙齿分割方法、牙齿三维重建方法和三维数据融合方法下的牙齿三维重建,从而高效获得高精度的牙齿模型。
针对现有技术的上述缺陷,本发明利用编码器和解码器的网络结构来提取图像上下文特征信息和深度信息;利用全景X线片实例分割模块获取牙齿实例分割图来对牙齿进行定位,以解决牙齿位置错乱问题;利用重建网络模块获取带有牙根的低精度牙齿三维模型;利用IOS分割网络模块获取不带牙根的高精度牙齿三维模型;最后将两个三维模型相融合获得带有牙根的高精度牙齿三维模型。
为了解决上述技术问题,本发明提出一种通过融合口扫数据和全景X线片与深度学习重建三维牙齿模型的系统,其特征在于,包括:
全景X线片实例分割模块:通过特征提取网络提取全景X线片中上下文特征信息和深度信息,特征提取网络为由2D卷积组成的一个编码器-解码器结构;提取的特征图作为输入传入到实例分割和重建网络中;特征提取网络利用跨步卷积进行下采样,使用转置卷积进行上采样,以及通过将不同特征层之间的通道连接进行特征融合;将特征图输入到实例分割网络中,经过去噪、裁剪、填充得到全景X线片的实例分割图;
重建网络:为由2D和3D卷积组成的编码器-解码器结构;编码器采用二维卷积,其输出被压扁为一维特征向量,用于全连接操作;其中分割模块的分割结果用于确定重建模块中的牙齿位置;解码器则利用三维卷积将该特征向量映射到目标维度;将采用三次B样条曲线的方法拟合出牙弓曲线,并将牙弓曲线和重建网络的输出重建出低精度牙齿模型;
IOS分割模块:将口扫网格数据采样成点云,再将点云输入到IOS分割网络中的点独立全局注意模块,通过向共享MLP发送F来将特征通道的数量降到1,然后使用SoftMax进行归一化,得到全局注意图
其中ωi是ω的第i个元素。在得到注意图后,首先对所有点进行注意池化,获得全局上下文特征;然后应用两个FC层来学习通道相关的依赖关系;最后,将输出特征堆叠成N个副本,通过元素相乘与F连接,得到特征映射G;整个过程表述为:
⊙表示表示对应位置元素相乘,
为了以较低的计算成本和内存对长期的点相关依赖进行建模,引入点相关全局注意模块,首先通过随机抽样对3D点云进行重新排序;然后,将特征图G发送到两个随机交叉注意模块,分别生成和/>最后,H”和G发送到点自适应聚合块,用于聚合更多的特征映射X,然后经过两个全连接层将牙齿和牙龈进行分割;
融合模块:以IOS点云为参考,删除属于全景X线片重建的牙冠的点;根据全景X线片中的点云到IOS点云构造的KDTree的欧氏距离来识别这些点;这些点基于欧氏距离进行排序,并删除这些点的启发式部分。可能存在属于全景X线片冠部但未移除的点;通过对全景X线片中检测此类孤立点的其余点应用简单的DBSCAN算法,可以删除这些点;从IOS和重建的全景X线片网格中得到基于融合点云和原始法线的重建牙齿三维模型。
与现有技术相比,本发明的有益效果是:主要包括以下几个方面:
一、本技术提出在IOS分割网络中加入超强通道注意力模块,在复杂度和计算量不变的基础上可以有效提高网络的分割精度;针对缺乏表征能力的情况,拟加入点独立全局注意模块,从而捕捉图像中的多尺度信息。
二、本技术基于深度学习的融合框架,用于自动准确的牙齿重建和分析,全景X线片的局限性阻碍了其临床应用。IOS扫描显示出最高的精确度,但遗漏了牙根的信息。全景X线片和IOS模型的局限性促使了多模式融合系统的设计。
三、本技术基于深度学习的三维物体重建方法,通过训练神经网络学习二维图像和三维物体之间的映射关系来重建牙齿三维模型,提高数字牙科模型的质量,并帮助牙医做出更好的临床决策。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本申请基于融合IOS(口扫数据)和全景X线片与深度学习重建三维牙齿模型的流程示意图;
图2是特征提取网络图;
图3实例分割网络图;
图4牙齿重建网络图;
图5是IOS net结构图;
图6是随机交叉注意模块;
具体实施方式
实施过程主要包括三个步骤:将特征图输入到实例分割网络中得到全景X线片的实例分割图,然后经过重建网络重建出低精度的完整牙齿三维模型;将扫描出的IOS网格输入到IOS net中,经过IOS net将高精度牙齿与牙龈模型分割开;最后,将获得的顶精度的完整牙齿三维模型和高精度IOS牙齿模型融合,获得完整的高精度牙齿三维模型。
S1:全景X线片实例分割:如图一所示,首先用特征提取网络提取全景X线片中上下文特征和深度信息,特征提取网络由2D卷积组成的一个编码器-解码器结构,提取的特征图作为输入传入到实例分割和重建网络中,特征提取网络利用跨步卷积进行下采样,使用转置卷积进行上采样,以及通过将不同特征层之间的通道连接进行特征融合。然后将特征图输入到实例分割网络中,经过去噪、裁剪、填充得到全景X线片的实例分割图。
S2:将S1的得到的全景X线片的实例分割图和特征提取网络提取的特征图输入到重建网络中。重建网络由2D和3D卷积组成的编码器-解码器结构。编码器采用二维卷积,其输出被压扁为一维特征向量,用于全连接操作;解码器则利用三维卷积将该特征向量映射到目标维度。最后将采样三次B样条拟合出牙弓曲线和重建网络的输出重建出低精度牙齿模型。
S3:如图2所示,首先将IOS(口扫数据,包括牙齿和牙龈)网格采样成点云,再将点云输入到IOS分割网络中的点独立全局注意模块,首先,我们通过向共享MLP发送F来将特征通道的数量降到1。然后使用softmax进行归一化,得到全局注意图
其中ωi是ω的第i个元素。在得到注意图后,首先对所有点进行注意池化,获得全局上下文特征。然后应用两个FC层来学习通道相关的依赖关系。最后,将输出特征堆叠成N个副本,通过元素相乘与F连接,得到特征映射G。整个过程表述为:
⊙表示表示对应位置元素相乘。
S4:将步骤三得到的特征图输入到点相关全局注意模块,为了以较低的计算成本和内存对长期的点相关依赖进行建模,引入点相关全局注意模块,如图3所示,首先通过随机抽样对3D点云进行重新排序。然后,将特征图G发送到两个随机交叉注意模块,分别生成和/>最后,H”和G发送到点自适应聚合块,用于聚合更多的特征映射X,然后经过两个全连接层将牙齿和牙龈进行分割。
S5:最后,以IOS点云为参考,删除属于全景X线片重建的牙冠的点。根据全景X线片中的点云到IOS点云构造的KDTree的欧氏距离来识别这些点。这些点基于欧氏距离进行排序,并删除这些点的启发式部分。可能存在属于全景X线片冠部但未移除的点。通过对全景X线片中检测此类孤立点的其余点应用简单的DBSCAN算法,可以删除这些点。从IOS和重建的全景X线片网格中得到基于融合点云和原始法线的重建牙齿三维模型。
具体的,步骤S4具体为:
S401、如图2所示,将从点独立注意力模块提取到的特征图输入到点相关全局注意模块中,首先经过点云重新排序模块,在这个模块中,将点云划分为多个子集,其中每个子集通过均匀随机采样获得。集体来说,如果每个子集中的点数设置为k1,则带有的点云的数量将首先扩展为/>以获得扩展点云/>其中扩展点是从初始点云中随机采样的。然后,我们从点云/>中采样k2次,每个点云都包含剩余未采样点中的k1个随机采样点。
S402、然后将得到的点云输入随机交叉注意模块中,随机交叉注意模块结构图如图3所示,其中Ui(i=1,2,3,...,k2)和Wi(i=1,2,3,...,k1)包含点云中的所有点,根据特征地图G可以扩展为/>在第一步,我们将/>馈送到三个共享的MLP中,以获得关键特征图/>第二步先在第一维度和第二维度上转换特征地图/>然后类似地发送到三个共享的MLP,最后,再次重复随机交叉注意块,以获得增强的上下文感知特征映射/>
S403、最后经过点自适应聚合模块,为了更好地反映不同点的特征,并使聚合数据有意识,提出了一个简单的点自适应聚合块。使用具有一个输出通道的共享MLP为两个特征映射生成两个权重映射。然后对两个特征图进行加权求和,以获得X,整个过程可以表示为:
其中,h”i是H”的分量。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (1)
1.一种通过融合口扫数据和全景X线片与深度学习重建三维牙齿模型的系统,其特征在于,包括:
全景X线片实例分割模块:通过特征提取网络提取全景X线片中上下文特征信息和深度信息,特征提取网络为由2D卷积组成的一个编码器-解码器结构;提取的特征图作为输入传入到实例分割和重建网络中;特征提取网络利用跨步卷积进行下采样,使用转置卷积进行上采样,以及通过将不同特征层之间的通道连接进行特征融合;将特征图输入到实例分割网络中,经过去噪、裁剪、填充得到全景X线片的实例分割图;
重建网络:为由2D和3D卷积组成的编码器-解码器结构;编码器采用二维卷积,其输出被压扁为一维特征向量,用于全连接操作;其中分割模块的分割结果用于确定重建模块中的牙齿位置;解码器则利用三维卷积将该特征向量映射到目标维度;将采用三次B样条曲线的方法拟合出牙弓曲线,并将牙弓曲线和重建网络的输出重建出低精度牙齿模型;
IOS分割模块:将口扫网格数据采样成点云,再将点云输入到IOS分割网络中的点独立全局注意模块,通过向共享MLP发送F来将特征通道的数量降到1;然后使用SoftMax进行归一化,得到全局注意图
其中ωi是ω的第i个元素,在得到注意图后,首先对所有点进行注意池化,获得全局上下文特征;然后应用两个FC层来学习通道相关的依赖关系;最后,将输出特征堆叠成N个副本,通过元素相乘与F连接,得到特征映射G;整个过程表述为:
⊙表示表示对应位置元素相乘;
为了以较低的计算成本和内存对长期的点相关依赖进行建模,引入点相关全局注意模块,首先通过随机抽样对3D点云进行重新排序;然后,将特征图G发送到两个随机交叉注意模块,分别生成和/>最后,H”和G发送到点自适应聚合块,用于聚合更多的特征映射X,然后经过两个全连接层将牙齿和牙龈进行分割;
融合模块:以IOS点云为参考,删除属于全景X线片重建的牙冠的点;根据全景X线片中的点云到IOS点云构造的KDTree的欧氏距离来识别这些点;这些点基于欧氏距离进行排序,并删除这些点的启发式部分;可能存在属于全景X线片冠部但未移除的点;通过对全景X线片中检测此类孤立点的其余点应用简单的DBSCAN算法,可以删除这些点;从IOS和重建的全景X线片网格中得到基于融合点云和原始法线的重建牙齿三维模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310358815.6A CN116563455A (zh) | 2023-04-06 | 2023-04-06 | 一种基于全景x线片和口扫数据的牙齿三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310358815.6A CN116563455A (zh) | 2023-04-06 | 2023-04-06 | 一种基于全景x线片和口扫数据的牙齿三维重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116563455A true CN116563455A (zh) | 2023-08-08 |
Family
ID=87486985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310358815.6A Pending CN116563455A (zh) | 2023-04-06 | 2023-04-06 | 一种基于全景x线片和口扫数据的牙齿三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563455A (zh) |
-
2023
- 2023-04-06 CN CN202310358815.6A patent/CN116563455A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11651494B2 (en) | Apparatuses and methods for three-dimensional dental segmentation using dental image data | |
US20220218449A1 (en) | Dental cad automation using deep learning | |
US11398013B2 (en) | Generative adversarial network for dental image super-resolution, image sharpening, and denoising | |
US11735306B2 (en) | Method, system and computer readable storage media for creating three-dimensional dental restorations from two dimensional sketches | |
US20210118132A1 (en) | Artificial Intelligence System For Orthodontic Measurement, Treatment Planning, And Risk Assessment | |
US11189028B1 (en) | AI platform for pixel spacing, distance, and volumetric predictions from dental images | |
US11366985B2 (en) | Dental image quality prediction platform using domain specific artificial intelligence | |
US11367188B2 (en) | Dental image synthesis using generative adversarial networks with semantic activation blocks | |
US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
US11734825B2 (en) | Segmentation device and method of generating learning model | |
US20220180447A1 (en) | Artificial Intelligence Platform for Dental Claims Adjudication Prediction Based on Radiographic Clinical Findings | |
CN111784754B (zh) | 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质 | |
US20210357688A1 (en) | Artificial Intelligence System For Automated Extraction And Processing Of Dental Claim Forms | |
US20210358604A1 (en) | Interface For Generating Workflows Operating On Processing Dental Information From Artificial Intelligence | |
US20220084267A1 (en) | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports | |
US11357604B2 (en) | Artificial intelligence platform for determining dental readiness | |
WO2016197370A1 (zh) | 牙齿和牙槽骨的分割与重构方法及装置 | |
Tian et al. | Efficient computer-aided design of dental inlay restoration: a deep adversarial framework | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
Chen et al. | Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs | |
Deleat-Besson et al. | Automatic segmentation of dental root canal and merging with crown shape | |
Yang et al. | ImplantFormer: vision transformer-based implant position regression using dental CBCT data | |
KR102346199B1 (ko) | 파노라믹 영상 생성 방법 및 이를 위한 영상 처리장치 | |
TW202409874A (zh) | 牙齒復原自動化技術 | |
Deleat-Besson et al. | Merging and annotating teeth and roots from automated segmentation of multimodal images |
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 |