CN116843863B - 一种口腔正畸后颌面部软组织三维模型生成方法 - Google Patents
一种口腔正畸后颌面部软组织三维模型生成方法 Download PDFInfo
- Publication number
- CN116843863B CN116843863B CN202311127034.2A CN202311127034A CN116843863B CN 116843863 B CN116843863 B CN 116843863B CN 202311127034 A CN202311127034 A CN 202311127034A CN 116843863 B CN116843863 B CN 116843863B
- Authority
- CN
- China
- Prior art keywords
- model
- morph
- grid
- morphological
- maxillofacial
- 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
Links
- 210000004872 soft tissue Anatomy 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000877 morphologic effect Effects 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 238000002591 computed tomography Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005477 standard model Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 230000008859 change Effects 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000004660 morphological change Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
- A61C7/002—Orthodontic computer assisted systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Epidemiology (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及口腔正畸领域,并提供了一种口腔正畸后颌面部软组织三维模型生成方法,通过CT扫描获取颌面部软组织的多张三维图像,将颌面部软组织的多张三维图像进行三维重建,得到第一模型,筛选出第一模型中的形态偏移点,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型。所述方法能够生成口腔正畸后颌面部软组织的三维预测模型,无需人工参与标点,充分降低模型的误差,利用形态偏移点的关键信息准确地反映出正畸前后颌面部软组织的形态变化,提高正畸过程中软组织变化的仿真可视性,保证模型效果的精确性和可靠性。
Description
技术领域
本发明涉及口腔正畸领域,特别涉及一种口腔正畸后颌面部软组织三维模型生成方法。
背景技术
口腔正畸通常用于矫正牙齿和改善颌面部不正,在正畸带来的效果表现中,不仅涉及到口腔功能、牙齿位置的改善与整体健康,颌面部软组织侧貌的美观也是患者和医师更关注的部分。
在口腔正畸治疗的过程中,通过对口腔正畸后颌面部软组织进行三维模型模拟,借助模型能够更直观地对治疗方案以及正畸后的预期结果作进一步解释,同时,颌面部软组织三维模型的生成在治疗规划及预测效果、术前沟通及决策支持、美学评估和调整等方面都提供了全面的数据信息以及可视化途径。
现有专利CN108920893B公开了一种基于人工智能的颅颌面骨骼和软组织形态预测方法,其通过采集基因组数据、采集骨骼或软组织形态数据并获取特征点、利用质控后的基因组数据和降维后的形态数据进行全基因组关联分析获得SNP位点、根据SNP位点和特征点坐标训练机器学习模型,获得骨骼和软组织形态预测模型。
颌面部软组织的形态受到多种因素的影响,不同的临床样本之间存在着显著的差异,仅利用传统影像学技术提供的有限信息,在机器学习模型中无法精确地预测颌面软组织在正畸过程的变化,如基于X线检查的二维成像技术,在多数情况下对于颌面部软组织的立体结构和细微变化的捕捉存在着较大的局限性,影响颌面部软组织在正畸后效果的准确评估和预测。因此,需要一种高效且准确的方法用于生成口腔正畸后颌面部软组织的三维模型,以实现更准确、直观和个性化的口腔正畸治疗规划和正畸预测效果。
发明内容
本发明的目的在于提出一种口腔正畸后颌面部软组织三维模型生成方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明提供了一种口腔正畸后颌面部软组织三维模型生成方法,通过CT扫描获取颌面部软组织的多张三维图像,将颌面部软组织的多张三维图像进行三维重建,得到第一模型,筛选出第一模型中的形态偏移点,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型。所述方法能够生成口腔正畸后颌面部软组织的三维预测模型,无需人工参与标点,充分降低模型的误差,利用形态偏移点的关键信息准确地反映出正畸前后颌面部软组织的形态变化,提高正畸过程中软组织变化的仿真可视性,保证模型效果的精确性和可靠性。
为了实现上述目的,根据本发明的一方面,提供一种口腔正畸后颌面部软组织三维模型生成方法,所述方法包括以下步骤:
S100,通过CT扫描获取颌面部软组织的多张三维图像;
S200,将颌面部软组织的多张三维图像进行三维重建,得到第一模型;
S300,筛选出第一模型中的形态偏移点;
S400,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型;
其中,步骤S300中,筛选出第一模型中的形态偏移点的方法为:获取第一模型中的应力分布,记录第一模型中每个网格所受到的应力大小,计算每个网格的形态伪影度,遍历第一模型中的所有网格,以筛选出所述每个网格所对应的形态聚域,将第一模型中的所有网格组成一个序列;
将与该序列中形态伪影度最小的网格所相邻的所有网格记为第二聚域,基于第二聚域内的所有网格定位出形态偏移点;
依次改变所述序列的网格组成,重复上一步骤,直至筛选出第一模型中的所有形态偏移点;
将所有形态偏移点高亮显示。
进一步地,步骤S100中,通过CT扫描获取颌面部软组织的多张三维图像的方法具体为:通过CT设备对颌面部软组织进行扫描,得到多张颌面部软组织的扫描图像,将多张颌面部软组织的扫描图像导入至医疗影像软件中,通过医疗影像软件中的图像重建功能对多张颌面部软组织的扫描图像进行三维图像重建,得到颌面部软组织的多张三维图像;其中,所述医疗影像软件为ITK-SNAP、3D SLICER、PAIR中的其中一种。
进一步地,步骤S200中,将颌面部软组织的多张三维图像进行三维重建,得到第一模型的方法具体为:在医学影像控制系统Mimics中,导入颌面部软组织的多张三维图像,通过Mimics中的Calculate3D选项生成STL格式的第一模型。
进一步地,步骤S300中,筛选出第一模型中的形态偏移点的方法具体为:
S301,获取第一模型中的应力分布,在第一模型中的应力分布中,记Nmo(i)为morp(i)所受到的应力大小,morp(i)为第一模型中的第i个网格,i为序号,i的取值范围为i=1,2,…,N,N为第一模型中的所有网格的数量,转至S302;
S302,初始化一个变量j,变量j的取值范围与序号i的取值范围相同,从j=1开始遍历变量j,以morp(j)表示变量j的值在第一模型中所对应的第j个网格,转至S303;
S303,记cub(j)为morp(j)所对应的形态伪影度,在与morp(j)相邻的所有网格中任意选取一个网格并记该网格为morp(x),记morp(j)的中心为centerA(j),记morp(x)的中心为centerB(j),将圆心落于圆C(j)内的网格记为属于morp(j)的第一网格,以所有属于morp(j)的第一网格组成morp(j)所对应的形态聚域fer(j),转至S304;
其中,圆C(j)是以centerA(j)为中心、以D1(j)为半径的圆,D1(j)=2*[centerA(j)-centerB(j)];
cub(j)的计算方法为:;
式中,coc(j,k-1)为fer(j)中的第k-1个网格所受到的应力大小,coc(j,k)为morp(j)所对应的形态聚域fer(j)中的第k个网格所受到的应力大小,N1(j)为fer(j)内的所有网格的数量;
S304,如果当前变量j的值小于N,则将变量j的值增加1,转至S303;如果当前变量j的值大于或等于N,则创建一个空白的序列Seq<Morp>,将第一模型中的N个网格morp(1),morp(2),…,morp(N)依次加入序列Seq<Morp>中,设置初值K0=1,转至S305;
S305,将序列Seq<Morp>中形态伪影度最小的网格记为morp(a),a为序号,a∈[1,N],将与morp(a)相邻的网格记为属于morp(a)的第二网格,以所有属于morp(a)的第二网格组成第二聚域tem(a),则tem(a)内含有多个网格,记第二聚域tem(a)内所有网格的数量为M,以tem(a,i1)表示tem(a)内的第i1个网格,i1=1,2,…,M;如果condiA>condiB,则标记当前的morp(a)的中心为形态偏移点,转至S306;
其中,,condiB=Nmo(a)*K0;
式中,Nmo(tem(a,i1))表示网格tem(a,i1)所受到的应力大小,Nmo(a)表示网格morp(a)所受到的应力大小;
S306,如果序列Seq<Morp>不为空(即序列Seq<Morp>内存在元素),则将当前的morp(a)从序列Seq<Morp>中删除,将删除了morp(a)的序列Seq<Morp>作为新的序列Seq<Morp>,同时将K0的值增加1/condiA,转至S305;如果序列Seq<Morp>为空,则转至S307;
S307,将所有形态偏移点高亮显示于第一模型中。
本步骤的有益效果为:由于颌面部软组织由多个软硬组织构成,同时在正畸过程中各组织的变化关系并不是恒定的,而现有的软组织侧貌预测系统在软硬组织移动比例该参数上多采用固定值,因此对于大量不同的颌面部样本难以产生准确的预测效果;颌面部软组织的三维模型在预测生成的过程中的误差主要来源于特征标志点的数量选择,过多的标志点会导致模型的生成效率大幅降低且容易导致模型失真,而人为地减少或增加标志点的选择则会受主观经验所影响,因为不同医师的标志点选择结果各不相同,从而导致模型的预测效果不理想,即无法对正畸后的软组织状态作出正确的预测,而本步骤的方法通过计算第一模型中各个网格的应力分布,利用不同网格之间的空间关系对其应力数值的互相影响,以形态伪影度以及形态聚域为筛选基础,对第一模型中的每个网格进行遍历,筛选出第一模型中的所有形态偏移点,形态偏移点代表着第一模型中形态信息最关键的空间位点,因此,利用形态偏移点作为特征性标志点,进而生成口腔正畸后颌面部软组织的三维模型,在克服了现有预测系统局限性的同时,提高了预测的精度和可靠性,以适合数量的形态偏移点作为关键的特征性标志点,避免了选择过多标志点而造成模型失真和建模效率降低的问题,在预测结果上具有高度一致性,在正畸过程中充分提高颌面部软组织变化的高模拟可视性。
进一步地,获取第一模型中的应力分布的方法具体为:将第一模型加载到Mimics中,通过Mimics的FEA模块内的Adaptive_remesh选项对第一模型进行网格划分,完成网格划分后的第一模型中含有多个网格,将完成网格划分后的第一模型导入至Abaqus,在Abaqus中对第一模型进行应力分析并通过后处理模块输出第一模型中每个网格所受到的应力大小,以第一模型中各个网格所受到的应力大小作为第一模型中的应力分布。
进一步地,步骤S400中,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型的方法具体为:以第一模型中的形态偏移点作为特征性标志点,获取通用模型Model(A),将特征性标志点添加到Model(A)内,获取Model(A)中所有特征性标志点所对应的空间坐标(三维模型中任意一个点都有其相对应的空间坐标),分别创建一个空白的数据集DATA1和一个空白的数据集DATA2,将Model(A)中所有特征性标志点所对应的空间坐标加入DATA2中,将第一模型中所有特征性标志点所对应的空间坐标加入到DATA1中;
在Python中,通过scikit-learn库初始化一个神经网络模型regressor(x,y)(或称初始化一个回归器),分别将DATA1和DATA2作为regressor(x,y)中的x和y输入到regressor(x,y)中,得到regressor(DATA1, DATA2),通过语句regressor.fit(DATA1,DATA2)进行模型拟合,通过语句regressor.predict([point])[0]生成映射函数Func,将第一模型中的每个空间坐标全部输入到映射函数Func中,执行映射函数Func从而得到点云数据(点云数据即经过映射函数作用后的所有空间坐标的集合),通过所述点云数据生成口腔正畸后颌面部软组织三维模型;
其中,通用模型Model(A)为颌面部软组织的标准模型库中的任意一个标准模型。
可选地,所述神经网络模型regressor(x,y)为RBFRegressor(x,y)(基于径向基函数)。
本发明的有益效果为:所述方法能够生成口腔正畸后颌面部软组织的三维预测模型,无需人工参与标点,充分降低模型的误差,利用形态偏移点的关键信息准确地反映出正畸前后颌面部软组织的形态变化,提高正畸过程中软组织变化的仿真可视性,保证模型效果的精确性和可靠性。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图,在附图中:
图1所示为一种口腔正畸后颌面部软组织三维模型生成方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种口腔正畸后颌面部软组织三维模型生成方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种口腔正畸后颌面部软组织三维模型生成方法。
本发明提出一种口腔正畸后颌面部软组织三维模型生成方法,所述方法包括以下步骤:
S100,通过CT扫描获取颌面部软组织的多张三维图像;
S200,将颌面部软组织的多张三维图像进行三维重建,得到第一模型;
S300,筛选出第一模型中的形态偏移点;
S400,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型;
其中,步骤S300中,筛选出第一模型中的形态偏移点的方法为:获取第一模型中的应力分布,记录第一模型中每个网格所受到的应力大小,计算每个网格的形态伪影度,遍历第一模型中的所有网格,以筛选出所述每个网格所对应的形态聚域,将第一模型中的所有网格组成一个序列;
将与该序列中形态伪影度最小的网格所相邻的所有网格记为第二聚域,基于第二聚域内的所有网格定位出形态偏移点;
依次改变所述序列的网格组成,重复上一步骤,直至筛选出第一模型中的所有形态偏移点;
将所有形态偏移点高亮显示。
进一步地,步骤S100中,通过CT扫描获取颌面部软组织的多张三维图像的方法具体为:通过CT设备对颌面部软组织进行扫描,得到多张颌面部软组织的扫描图像,将多张颌面部软组织的扫描图像导入至医疗影像软件中,通过医疗影像软件中的图像重建功能对多张颌面部软组织的扫描图像进行三维图像重建,得到颌面部软组织的多张三维图像;其中,所述医疗影像软件为ITK-SNAP、3D SLICER、PAIR中的其中一种。
进一步地,步骤S200中,将颌面部软组织的多张三维图像进行三维重建,得到第一模型的方法具体为:在医学影像控制系统Mimics中,导入颌面部软组织的多张三维图像,通过Mimics中的Calculate3D选项生成STL格式的第一模型。
进一步地,步骤S300中,筛选出第一模型中的形态偏移点的方法具体为:获取第一模型的多张二维投影图,依次对多张二维投影图进行角点检测,从而筛选出每张二维投影图中的角点,将所有角点在第一模型中所对应的点记为形态偏移点;其中,所述角点检测为Harris角点检测。
角点能够有效地减少信息的数据量,同时保留图像的重要特征,大幅提高后续模型计算的速度,但仅仅以简单而笼统的角点检测算法去筛选角点并没有考虑到模型中应力相互作用的影响,同时数量过多的形态偏移点会使模型失真,模型的可用性大打折扣,因此,步骤S300中,筛选出第一模型中的形态偏移点的方法还可以为:
S301,获取第一模型中的应力分布,在第一模型中的应力分布中,记Nmo(i)为morp(i)所受到的应力大小,morp(i)为第一模型中的第i个网格,i为序号,i的取值范围为i=1,2,…,N,N为第一模型中的所有网格的数量,转至S302;
S302,初始化一个变量j,变量j的取值范围与序号i的取值范围相同,从j=1开始遍历变量j,以morp(j)表示变量j的值在第一模型中所对应的第j个网格,转至S303;
S303,记cub(j)为morp(j)所对应的形态伪影度,在与morp(j)相邻的所有网格中任意选取一个网格并记该网格为morp(x),记morp(j)的中心为centerA(j),记morp(x)的中心为centerB(j),将圆心落于圆C(j)内的网格记为属于morp(j)的第一网格,以所有属于morp(j)的第一网格组成morp(j)所对应的形态聚域fer(j),转至S304;
其中,圆C(j)是以centerA(j)为中心、以D1(j)为半径的圆,D1(j)=2*[centerA(j)-centerB(j)];
cub(j)的计算方法为:;
式中,coc(j,k-1)为fer(j)中的第k-1个网格所受到的应力大小,coc(j,k)为morp(j)所对应的形态聚域fer(j)中的第k个网格所受到的应力大小,N1(j)为fer(j)内的所有网格的数量;
S304,如果当前变量j的值小于N,则将变量j的值增加1,转至S303;如果当前变量j的值大于或等于N,则创建一个空白的序列Seq<Morp>,将第一模型中的N个网格morp(1),morp(2),…,morp(N)依次加入序列Seq<Morp>中,设置初值K0=1,转至S305;
S305,将序列Seq<Morp>中形态伪影度最小的网格记为morp(a),a为序号,a∈[1,N],将与morp(a)相邻的网格记为属于morp(a)的第二网格,以所有属于morp(a)的第二网格组成第二聚域tem(a),则tem(a)内含有多个网格,记第二聚域tem(a)内所有网格的数量为M,以tem(a,i1)表示tem(a)内的第i1个网格,i1=1,2,…,M;如果condiA>condiB,则标记当前的morp(a)的中心为形态偏移点,转至S306;
其中,,condiB=Nmo(a)*K0;
式中,Nmo(tem(a,i1))表示网格tem(a,i1)所受到的应力大小,Nmo(a)表示网格morp(a)所受到的应力大小;
S306,如果序列Seq<Morp>不为空(即序列Seq<Morp>内存在元素),则将当前的morp(a)从序列Seq<Morp>中删除,将删除了morp(a)的序列Seq<Morp>作为新的序列Seq<Morp>,同时将K0的值增加1/condiA,转至S305;如果序列Seq<Morp>为空,则转至S307;
S307,将所有形态偏移点高亮显示于第一模型中。
进一步地,获取第一模型中的应力分布的方法具体为:将第一模型加载到Mimics中,通过Mimics的FEA模块内的Adaptive_remesh选项对第一模型进行网格划分,完成网格划分后的第一模型中含有多个网格,将完成网格划分后的第一模型导入至Abaqus,在Abaqus中对第一模型进行应力分析并通过后处理模块输出第一模型中每个网格所受到的应力大小,以第一模型中各个网格所受到的应力大小作为第一模型中的应力分布。
进一步地,步骤S400中,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型的方法具体为:以第一模型中的形态偏移点作为特征性标志点,获取通用模型Model(A),将特征性标志点添加到Model(A)内,获取Model(A)中所有特征性标志点所对应的空间坐标(三维模型中任意一个点都有其相对应的空间坐标),分别创建一个空白的数据集DATA1和一个空白的数据集DATA2,将Model(A)中所有特征性标志点所对应的空间坐标加入DATA2中,将第一模型中所有特征性标志点所对应的空间坐标加入到DATA1中;
在Python中,通过scikit-learn库初始化一个神经网络模型regressor(x,y)(或称初始化一个回归器),分别将DATA1和DATA2作为regressor(x,y)中的x和y输入到regressor(x,y)中,得到regressor(DATA1, DATA2),通过语句regressor.fit(DATA1,DATA2)进行模型拟合,通过语句regressor.predict([point])[0]生成映射函数Func,将第一模型中的每个空间坐标全部输入到映射函数Func中,执行映射函数Func从而得到点云数据(点云数据即经过映射函数作用后的所有空间坐标的集合),通过所述点云数据生成口腔正畸后颌面部软组织三维模型;
其中,通用模型Model(A)为颌面部软组织的标准模型库中的任意一个标准模型。
可选地,所述神经网络模型regressor(x,y)为RBFRegressor(x,y)(基于径向基函数)。
本发明提供了一种口腔正畸后颌面部软组织三维模型生成方法,通过CT扫描获取颌面部软组织的多张三维图像,将颌面部软组织的多张三维图像进行三维重建,得到第一模型,筛选出第一模型中的形态偏移点,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型。所述方法能够生成口腔正畸后颌面部软组织的三维预测模型,无需人工参与标点,充分降低模型的误差,利用形态偏移点的关键信息准确地反映出正畸前后颌面部软组织的形态变化,提高正畸过程中软组织变化的仿真可视性,保证模型效果的精确性和可靠性。尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (5)
1.一种口腔正畸后颌面部软组织三维模型生成方法,其特征在于,所述方法包括以下步骤:
S100,通过CT扫描获取颌面部软组织的多张三维图像;
S200,将颌面部软组织的多张三维图像进行三维重建,得到第一模型;
S300,筛选出第一模型中的形态偏移点;
S400,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型;
其中,步骤S300中,筛选出第一模型中的形态偏移点的方法为:获取第一模型中的应力分布,记录第一模型中每个网格所受到的应力大小,计算每个网格的形态伪影度,遍历第一模型中的所有网格,以筛选出所述每个网格所对应的形态聚域,将第一模型中的所有网格组成一个序列;
将与该序列中形态伪影度最小的网格所相邻的所有网格记为第二聚域,基于第二聚域内的所有网格定位出形态偏移点;
依次改变所述序列的网格组成,重复上一步骤,直至筛选出第一模型中的所有形态偏移点;
将所有形态偏移点高亮显示;
其中,步骤S300中,筛选出第一模型中的形态偏移点的方法具体为:
S301,获取第一模型中的应力分布,在第一模型中的应力分布中,记Nmo(i)为morp(i)所受到的应力大小,morp(i)为第一模型中的第i个网格,i为序号,i的取值范围为i=1,2,…,N,N为第一模型中的所有网格的数量,转至S302;
S302,初始化一个变量j,变量j的取值范围与序号i的取值范围相同,从j=1开始遍历变量j,以morp(j)表示变量j的值在第一模型中所对应的第j个网格,转至S303;
S303,记cub(j)为morp(j)所对应的形态伪影度,在与morp(j)相邻的所有网格中任意选取一个网格并记该网格为morp(x),记morp(j)的中心为centerA(j),记morp(x)的中心为centerB(j),将圆心落于圆C(j)内的网格记为属于morp(j)的第一网格,以所有属于morp(j)的第一网格组成morp(j)所对应的形态聚域fer(j),转至S304;
其中,圆C(j)是以centerA(j)为中心、以D1(j)为半径的圆,D1(j)=2*[centerA(j)-centerB(j)];
cub(j)的计算方法为:;
式中,coc(j,k-1)为fer(j)中的第k-1个网格所受到的应力大小,coc(j,k)为morp(j)所对应的形态聚域fer(j)中的第k个网格所受到的应力大小,N1(j)为fer(j)内的所有网格的数量;
S304,如果当前变量j的值小于N,则将变量j的值增加1,转至S303;如果当前变量j的值大于或等于N,则创建一个空白的序列Seq<Morp>,将第一模型中的N个网格morp(1),morp(2),…,morp(N)依次加入序列Seq<Morp>中,设置初值K0=1,转至S305;
S305,将序列Seq<Morp>中形态伪影度最小的网格记为morp(a),a为序号,a∈[1,N],将与morp(a)相邻的网格记为属于morp(a)的第二网格,以所有属于morp(a)的第二网格组成第二聚域tem(a),则tem(a)内含有多个网格,记第二聚域tem(a)内所有网格的数量为M,以tem(a,i1)表示tem(a)内的第i1个网格,i1=1,2,…,M;如果condiA>condiB,则标记当前的morp(a)的中心为形态偏移点,转至S306;
其中,,condiB=Nmo(a)*K0;
式中,Nmo(tem(a,i1))表示网格tem(a,i1)所受到的应力大小,Nmo(a)表示网格morp(a)所受到的应力大小;
S306,如果序列Seq<Morp>不为空,则将当前的morp(a)从序列Seq<Morp>中删除,将删除了morp(a)的序列Seq<Morp>作为新的序列Seq<Morp>,同时将K0的值增加1/condiA,转至S305;如果序列Seq<Morp>为空,则转至S307;
S307,将所有形态偏移点高亮显示于第一模型中。
2.根据权利要求1所述的一种口腔正畸后颌面部软组织三维模型生成方法,其特征在于,步骤S100中,通过CT扫描获取颌面部软组织的多张三维图像的方法具体为:通过CT设备对颌面部软组织进行扫描,得到多张颌面部软组织的扫描图像,将多张颌面部软组织的扫描图像导入至医疗影像软件中,通过医疗影像软件中的图像重建功能对多张颌面部软组织的扫描图像进行三维图像重建,得到颌面部软组织的多张三维图像;其中,所述医疗影像软件为ITK-SNAP、3D SLICER、PAIR中的其中一种。
3.根据权利要求1所述的一种口腔正畸后颌面部软组织三维模型生成方法,其特征在于,步骤S200中,将颌面部软组织的多张三维图像进行三维重建,得到第一模型的方法具体为:在医学影像控制系统Mimics中,导入颌面部软组织的多张三维图像,通过Mimics中的Calculate3D选项生成STL格式的第一模型。
4.根据权利要求1所述的一种口腔正畸后颌面部软组织三维模型生成方法,其特征在于,获取第一模型中的应力分布的方法具体为:将第一模型加载到Mimics中,通过Mimics的FEA模块内的Adaptive_remesh选项对第一模型进行网格划分,完成网格划分后的第一模型中含有多个网格,将完成网格划分后的第一模型导入至Abaqus,在Abaqus中对第一模型进行应力分析并通过后处理模块输出第一模型中每个网格所受到的应力大小,以第一模型中各个网格所受到的应力大小作为第一模型中的应力分布。
5.根据权利要求1所述的一种口腔正畸后颌面部软组织三维模型生成方法,其特征在于,步骤S400中,基于第一模型中的形态偏移点,通过神经网络模型生成口腔正畸后颌面部软组织三维模型的方法具体为:以第一模型中的形态偏移点作为特征性标志点,获取通用模型Model(A),将特征性标志点添加到Model(A)内,获取Model(A)中所有特征性标志点所对应的空间坐标,分别创建一个空白的数据集DATA1和一个空白的数据集DATA2,将Model(A)中所有特征性标志点所对应的空间坐标加入DATA2中,将第一模型中所有特征性标志点所对应的空间坐标加入到DATA1中;
在Python中,通过scikit-learn库初始化一个神经网络模型regressor(x,y),分别将DATA1和DATA2作为regressor(x,y)中的x和y输入到regressor(x,y)中,得到regressor(DATA1, DATA2),通过语句regressor.fit(DATA1, DATA2)进行模型拟合,通过语句regressor.predict([point])[0]生成映射函数Func,将第一模型中的每个空间坐标全部输入到映射函数Func中,执行映射函数Func从而得到点云数据,通过所述点云数据生成口腔正畸后颌面部软组织三维模型;
其中,通用模型Model(A)为颌面部软组织的标准模型库中的任意一个标准模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127034.2A CN116843863B (zh) | 2023-09-04 | 2023-09-04 | 一种口腔正畸后颌面部软组织三维模型生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127034.2A CN116843863B (zh) | 2023-09-04 | 2023-09-04 | 一种口腔正畸后颌面部软组织三维模型生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843863A CN116843863A (zh) | 2023-10-03 |
CN116843863B true CN116843863B (zh) | 2023-12-12 |
Family
ID=88163857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311127034.2A Active CN116843863B (zh) | 2023-09-04 | 2023-09-04 | 一种口腔正畸后颌面部软组织三维模型生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843863B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103919631A (zh) * | 2014-04-28 | 2014-07-16 | 四川大学 | 一种颌骨缺损个性化修复体的制备方法 |
CN108920893A (zh) * | 2018-09-06 | 2018-11-30 | 南京医科大学 | 一种基于人工智能的颅颌面骨骼和软组织形态预测方法 |
US11259897B1 (en) * | 2021-06-03 | 2022-03-01 | Oxilio Ltd | Systems and methods for determining an orthodontic treatment |
CN116467896A (zh) * | 2023-06-19 | 2023-07-21 | 佛山科学技术学院 | 一种口腔正畸疗效模拟系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9421074B2 (en) * | 2001-04-13 | 2016-08-23 | Orametrix, Inc. | Unified three dimensional virtual craniofacial and dentition model and uses thereof |
US20140329194A1 (en) * | 2013-05-05 | 2014-11-06 | Rohit Sachdeva | Orthodontic treatment planning using biological constraints |
CN108268673B (zh) * | 2016-12-30 | 2022-08-16 | 无锡时代天使医疗器械科技有限公司 | 用于对牙齿矫治器的矫治效果进行数字化仿真的方法 |
-
2023
- 2023-09-04 CN CN202311127034.2A patent/CN116843863B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103919631A (zh) * | 2014-04-28 | 2014-07-16 | 四川大学 | 一种颌骨缺损个性化修复体的制备方法 |
CN108920893A (zh) * | 2018-09-06 | 2018-11-30 | 南京医科大学 | 一种基于人工智能的颅颌面骨骼和软组织形态预测方法 |
US11259897B1 (en) * | 2021-06-03 | 2022-03-01 | Oxilio Ltd | Systems and methods for determining an orthodontic treatment |
CN116467896A (zh) * | 2023-06-19 | 2023-07-21 | 佛山科学技术学院 | 一种口腔正畸疗效模拟系统及方法 |
Non-Patent Citations (3)
Title |
---|
Application of telomere biology and telomerase in mesenchymal stem cells;Shuili Jing etal.;《Nano TransMed》;第1-12页 * |
上颌尖牙及矫治器三维有限元模型的建立;黄跃;卫晓霞;袁小平;黄素华;徐晓梅;杨四维;;泸州医学院学报(04);第12-15页 * |
颌间牵引对颞下颌关节区应力分布及位移影响的有限元研究;付欣;房玉镇;叶之慧;;中国体视学与图像分析(04);第103-110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116843863A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaskari et al. | Deep learning method for mandibular canal segmentation in dental cone beam computed tomography volumes | |
Heo et al. | Artificial intelligence in oral and maxillofacial radiology: what is currently possible? | |
Torosdagli et al. | Deep geodesic learning for segmentation and anatomical landmarking | |
CN110517238B (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
CN110503652B (zh) | 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端 | |
CN102254317A (zh) | 牙种植导航中牙弓曲面的自动提取方法 | |
Fontenele et al. | Influence of dental fillings and tooth type on the performance of a novel artificial intelligence-driven tool for automatic tooth segmentation on CBCT images–A validation study | |
US20220084267A1 (en) | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports | |
JP2019121283A (ja) | 予測モデル生成システム及び予測システム | |
CN107481254A (zh) | 医学图像的处理方法、装置、介质和电子设备 | |
CN110246580A (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
Fajar et al. | Reconstructing and resizing 3D images from DICOM files | |
CN105612572A (zh) | 用于x射线图像生成的方法和系统 | |
CN115330615A (zh) | 伪影去除模型的训练方法、装置、设备、介质及程序产品 | |
Zhou et al. | A method for tooth model reconstruction based on integration of multimodal images | |
CN112785609A (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
CN106952264B (zh) | 三维医学目标的切割方法及装置 | |
Tian et al. | Efficient tooth gingival margin line reconstruction via adversarial learning | |
CN116843863B (zh) | 一种口腔正畸后颌面部软组织三维模型生成方法 | |
CN113226181B (zh) | 在x射线锥形束计算机断层扫描中校准x射线投影几何形状的方法 | |
Liu et al. | Tracking-based deep learning method for temporomandibular joint segmentation | |
Qian et al. | An automatic tooth reconstruction method based on multimodal data | |
Kim et al. | Deep convolutional neural network-based skeletal classification of cephalometric image compared with automated-tracing software | |
Li et al. | Malocclusion treatment planning via pointnet based spatial transformation network | |
Sayin et al. | Optimization of CBCT data with image processing methods and production with fused deposition modeling 3D printing |
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 |