CN118252637A - 一种辅助牙齿即刻种植的规划方法 - Google Patents
一种辅助牙齿即刻种植的规划方法 Download PDFInfo
- Publication number
- CN118252637A CN118252637A CN202410537800.0A CN202410537800A CN118252637A CN 118252637 A CN118252637 A CN 118252637A CN 202410537800 A CN202410537800 A CN 202410537800A CN 118252637 A CN118252637 A CN 118252637A
- Authority
- CN
- China
- Prior art keywords
- model
- planning
- implant
- patient
- nnu
- 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 46
- 239000007943 implant Substances 0.000 claims abstract description 44
- 238000007408 cone-beam computed tomography Methods 0.000 claims abstract description 27
- 238000013461 design Methods 0.000 claims abstract description 20
- 210000002050 maxilla Anatomy 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000002513 implantation Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 210000003484 anatomy Anatomy 0.000 claims abstract description 16
- 210000004373 mandible Anatomy 0.000 claims abstract description 13
- 210000000214 mouth Anatomy 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 12
- 239000004053 dental implant Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 210000004513 dentition Anatomy 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000036346 tooth eruption Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 7
- 210000001847 jaw Anatomy 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 210000005036 nerve Anatomy 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 210000004195 gingiva Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000004086 maxillary sinus Anatomy 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了一种辅助牙齿即刻种植的规划方法,包括:获取患者上下颌骨解剖CBCT医学影像数据,进行预处理;利用优化后的nnU‑Net网络模型对预处理后的CBCT医学影像数据进行语义分割,获得患者上下颌骨解剖结构的二值掩模影像;进行三维几何重建和配准,获得患者上下颌骨解剖结构的三维模型;利用优化后的变分自编码器网络模型构建模拟口腔内部的环境和动态的世界模型,进行上部修复体设计、种植体推荐和和种植体路径规划,获得牙齿即刻种植规划方案。该方法结合了影像处理技术、深度学习模型和口腔种植技术,具有高度的自动化、个性化和精准化特点,能够有效的减少传统的牙齿种植手术规划和执行过程中的负担。
Description
技术领域
本发明涉及计算机辅助牙齿种植外科手术领域,更具体的说是涉及一种辅助牙齿即刻种植的规划方法。
背景技术
牙齿种植是一种常见的口腔修复手术,通过种植人工牙根来替代缺失的牙齿,恢复口腔功能和美观。牙齿缺失可能会影响咀嚼、发音功能、造成面部外形改变、引发邻牙移动等问题。当前,通过计算机辅助技术可以更好的辅助医生更精确地执行手术过程,通过手术导板引导、动态导航系统、机器人辅助种植手术等方式来实现。牙齿种植及修复过程面临若干挑战,包括手术规划的精确性、操作过程的安全性和效率等。
传统的即刻种植技术在影像数据处理方面存在一定的不准确性。这可能导致在患者上下颌骨解剖结构的识别和重建过程中出现误差,从而影响种植体的准确定位和适配度。同时,在进行牙齿种植前的手术规划和执行过程中,往往依赖于医生的经验和技术,缺乏精确的导航和实时反馈机制,可能导致种植体在植入过程中遇到障碍物或影响周围组织结构,从而影响种植体的稳定性和成功率。
此外,在上部修复体设计和种植体路径规划方面的自动化程度低,导致种植体植入位置不理想和修复后美观性不佳,无法满足患者的个体化需求也是现有技术的重要局限。
因此,如何设计一种辅助牙齿即刻种植的规划方法,为牙齿即刻种植手术提供了个性化、智能化的规划方案,辅助医生更安全、更有效地进行手术操作是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种辅助牙齿即刻种植的规划方法,结合了先进的影像处理技术、深度学习模型和口腔种植技术,具有高度的自动化、个性化和精准化特点。
为了实现上述目的,本发明采用如下技术方案:
本发明提供一种辅助牙齿即刻种植的规划方法,包括:
步骤一、获取患者上下颌骨解剖CBCT医学影像数据,进行预处理,获得预处理后的CBCT医学影像数据;
步骤二、利用优化后的nnU-Net网络模型对预处理后的CBCT医学影像数据进行语义分割,获得患者上下颌骨解剖结构的二值掩模影像;
步骤三、对所述患者上下颌骨解剖结构的二值掩模影像进行三维几何重建,并将重建后的不同结构模型进行配准,获得患者上下颌骨解剖结构的三维模型;
步骤四、结合所述患者上下颌骨解剖结构的三维模型,利用优化后的变分自编码器网络模型构建模拟口腔内部的环境和动态的世界模型,进行上部修复体设计、种植体推荐和和种植体路径规划,获得牙齿即刻种植规划方案。
其中,所述步骤一中,进行预处理,包括:数据标准化和数据增强。
进一步的,所述步骤二中,构建数据集对nnU-Net网络模型进行优化,包括:
利用生物医学影像数据集对nnU-Net网络模型进行训练,获得nnU-Net预训练网络模型;
给予预设结构类别M,标注Ground-Truth分割掩码,构建CBCT-Ground Truth数据集,对所述nnU-Net预训练网络模型进行微调训练,获得优化后的nnU-Net网络模型。
进一步的,所述对所述nnU-Net预训练网络模型进行微调训练,包括:进行输出层设置、利用Softmax函数将损失函数类型调整为多类交叉熵损失,并基于Adam优化器最小化多类交叉熵损失。
进一步的,所述步骤二中,nnU-Net网络模型包括编码器和解码器,所述编码器和解码器进行跳跃连接;
所述编码器提取影像特征获取特征图,并降低特征图的空间分辨率;所述解码器通过反卷积逐步上采样特征图,对特征图的空间分辨率进行恢复。
进一步的,所述步骤三中,对所述患者上下颌骨解剖结构的二值掩模影像进行三维几何重建,包括:
基于Marching Cubes算法进行表面重建和基于射线投射算法进行体渲染重建。
进一步的,所述步骤三中,将重建后的不同结构模型进行配准,包括:
基于ICP算法对刚体结构进行刚性配准变换,和基于TPS算法对形变性结构进行非刚性配准变换。
进一步的,所述步骤四中,基于优化后的CNN和注意力机制种植体预测模型进行种植体推荐;模型优化过程中,使用反向传播算法对CNN模型和注意力机制参数进行更新。
进一步的,所述步骤四中,基于优化后的DDPG模型进行种植体路径规划,并集成实时反馈,进行动态种植体路径调整。
进一步的,所述步骤四中,上部修复体设计包括:基台与牙冠形态设计和牙冠形态优化;
所述基台与牙冠形态设计基于旋转和缩放系数计算模型对镜像后的牙冠模型进行旋转和缩放的系数进行计算,并通过布尔运算去掉与实体重叠的部分,使用边缘检测算法进行缺失区域填充;
所述牙冠形态优化基于牙冠曲面优化模型优化牙冠形态,调整牙冠模型龈缘与相邻牙齿龈缘协调程度,在保证正常咬合接触的情况下,保持牙列的整齐性。
经由上述的技术方案可知,与现有技术相比,本发明技术方案存在以下
有益效果:
1、通过构建数据集并优化nnU-Net网络模型,实现对CBCT医学影像数据的语义分割,能够有效地将上下颌骨解剖结构进行自动识别和分区,提高了规划的精度和效率。
2、对上下颌骨解剖结构的二值掩模影像进行三维几何重建,并将重建后的不同结构模型进行配准,有助于准确展现患者的上下颌骨解剖解剖结构,为种植体的位置和路径规划提供有力支持。
3、能够智能化地分析和处理医学影像数据,自动化地生成二值掩模影像、三维模型以及种植体推荐路径规划等信息。这样的智能化辅助可以提高医生的工作效率,减少人为误差。
4、通过利用优化后的变分自编码器网络模型,能够构建模拟口腔内部的环境和动态的世界模型,为上部修复体设计、种植体推荐和和种植体路径规划能够为手术提供更精细、更符合患者个体特征的辅助方案。
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为本发明实施例提供的辅助牙齿即刻种植的规划方法流程图;
图2为本发明实施例提供的nnU-Net网络模型结构框架图;
图3为本发明实施例提供的患者上下颌骨解剖结构的三维模型示意图;
图4为本发明实施例基于上部修复体设计所生成的种植体列表示意图;
图5为本发明实施例提供的种植体模拟植入示意图。
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。
如图1所示,本实施例提供一种辅助牙齿即刻种植的规划方法,包括:
步骤一、获取患者上下颌骨解剖CBCT医学影像数据,进行预处理,获得预处理后的CBCT医学影像数据;
步骤二、利用优化后的nnU-Net网络模型对预处理后的CBCT医学影像数据进行语义分割,获得患者上下颌骨解剖结构的二值掩模影像;
步骤三、对所述患者上下颌骨解剖结构的二值掩模影像进行三维几何重建,并将重建后的不同结构模型进行配准,获得患者上下颌骨解剖结构的三维模型;
步骤四、结合所述患者上下颌骨解剖结构的三维模型,利用优化后的变分自编码器网络模型构建模拟口腔内部的环境和动态的世界模型,进行上部修复体设计、种植体推荐和和种植体路径规划,获得牙齿即刻种植规划方案。该方法结合了影像处理技术、深度学习模型和口腔种植技术,具有高度的智能化、个性化和精准化特点,能够有效的减少传统的牙齿种植手术规划和执行过程中的负担。
以下对上述各个步骤作进一步的详细说明:
在步骤一中,进行预处理,包括:数据标准化和数据增强。
CBCT扫描获得的影像可能存在灰度值范围不一致的情况,使用灰度值归一化的方法可以将影像的灰度范围调整为统一的标准。可以消除影像中的亮度差异,使得不同扫描之间的数据具有可比性。同时,CBCT扫描得到的影像可能具有不同的像素大小和分辨率,通过影像重采样可以将影像统一到相同的大小和分辨率。这样有助于减少影像处理过程中的计算复杂度,提高后续分析的效率和准确性。
此外,由于CBCT扫描的物理原理,影像中常存在条纹伪影、金属伪影等伪影,对CBCT数据进行直方图均衡和小波增强等数据增强操作,增强影像对比度,突出感兴趣区域,有利于分割效果。
在步骤二中,构建数据集对nnU-Net网络模型进行优化,包括:
利用生物医学影像数据集对nnU-Net网络模型进行训练,获得nnU-Net预训练网络模型;其利用计算机视觉和机器学习技术来识别感兴趣的区域结构,具备良好的影像特征提取能力,为分割任务提供有效的初始化。
给予预设结构类别M,标注Ground-Truth分割掩码,构建CBCT-Ground Truth数据集,对nnU-Net预训练网络模型进行微调训练,获得优化后的nnU-Net网络模型。
影像语义分割旨在对CBCT影像中的每个像素点进行精确分类,将其归属于不同的M种解剖结构类别,包括:牙齿(将32颗永久牙每颗分别作为一个独立的分割目标)、上颌骨、下颌骨、上牙槽神经、下牙槽神经及下牙槽神经管、上颌窦、牙龈等40种结构,
在本实施例中,收集包含足够多样性的CBCT数据标注出上述40种结构的GroundTruth分割掩码,按比例划分训练集、验证集和测试集。
构建新的分割模型实例将输出层修改为K=40个通道,通过Softmax输出每个像素属于40类的概率分布,将损失函数修改为多类交叉熵损失,与输出通道相匹配。
多类交叉熵损失:其中pi是模型预测的类别i的概率,yi是真实标签的one-hot编码。
使用准备好的CBCT+Ground Truth数据对模型进行微调训练,采用nnU-Net内置的优化策略,如在线数据增强、梯度裁剪等。使用Adam等优化器,最小化多类交叉熵损失。
最后,根据验证集上的Dice系数、IoU等指标监控训练状态,调整超参数。
本实施例上述训练过程中,冻结除了输出层所有网络的参数,对输出层进行训练,这意味着为每个像素点指定一个类别标签,且使用k折叠交叉验证(k=10)来监控模型的性能,确保在各个关键解剖结构上达到足够高的分割精度同时避免过度拟合。准备好数据将分割结果作为后续重建、配准的输入。
在本实施例中的nnU-Net网络模型,输出每个像素点属于各类别的概率图。对分割结果进行阈值化、条件随机场后处理,获得平滑、完整的二值掩模影像,代表每种解剖结构。
包括编码器和解码器,编码器和解码器进行跳跃连接;编码器提取影像特征获取特征图,并降低特征图的空间分辨率;解码器通过反卷积逐步上采样特征图,对特征图的空间分辨率进行恢复。
如图2所示,nnU-Net网络模型对CBCT医学影像数据的处理过程包括:读取CBCT影像数据,重建成一个三维体积数据,将整个体积数据分割成小块(Patch),每块大小与神经网络的输入层相匹配(如128x 128x128),这些小块可以通过滑动窗口的方式获得,可以有重叠,也可以不重叠,然后将体积数据转换为张量格式。
输入:nnU-Net网络模型接受经过预处理的CBCT影像作为输入,这些影像将包含患者的牙齿、牙槽骨和其他关键解剖结构;
编码器(下采样):编码器部分由多个卷积层和池化层组成,负责逐步提取影像特征并降低特征图的空间分辨率。在这个过程中,每层会捕捉到影像的不同层次的信息,如边缘、纹理等。特征图大小调整:网络中的每个卷积层都会产生一定数量的特征图,每经过一个池化层,特征图的大小会下降(如从128x 128x128降到64x64 x64),而特征图的深度则增加(通道数增多);
跳跃连接:跳跃连接将编码器中的特征图与解码器中的相对应层直接相连,有助于恢复丢失的空间信息,并改善细节的分割精度;
解码器(上采样):解码器部分通过反卷积逐步上采样特征图,并与跳跃连接结合,最终恢复到原始影像的空间分辨率。
输出:最后一层为一个1x1x1的卷积,后接softmax函数,为每个像素分类。
在步骤三中,对患者上下颌骨解剖结构的二值掩模影像进行三维几何重建,包括:
基于Marching Cubes算法进行表面重建,包括:从二值掩模影像中提取边界信息,得到表面的边界点;将空间划分为小的体素单元,对每个体素进行处理;根据体素内部和邻域的像素信息,确定体素内部点的位置;通过插值等方法将表面连接起来,生成连续的三维表面模型。
基于射线投射算法进行体渲染重建,包括:从二值掩模影像中获取体素数据,包括密度值和边界信息;根据渲染参数设置入射光线方向以及光线传播模型(如光线衰减等);对每个像素进行射线投射计算,通过体素数据计算出每个像素的颜色和透明度值;将计算出的颜色和透明度值渲染到三维空间中,生成体渲染效果。
对重建得到的模型进行平滑、简化、网格修复等优化,提高其质量和可视化性能。
将重建后的不同结构模型进行配准,包括:
基于ICP算法对刚体结构进行刚性配准变换,包括:选择一个初始的变换估计,如平移和旋转矩阵;最近点匹配:将一个模型的点对应到另一个模型上的最近点;计算变换:根据匹配点计算出最佳的刚性变换;更新变换估计并重复上述步骤,直到满足停止条件。
基于TPS算法对形变性结构进行非刚性配准变换,包括:选择一些关键的控制点作为形变的基础;利用控制点和相应的目标点,计算出形变函数来描述模型间的形变关系;将形变函数应用到待配准的模型上,实现非刚性配准。
将所有配准后的模型进行体素融合、网格合并等操作,生成精确、无缝隙的模型。
如图3所示,通过上述流程,CBCT原始影像数据经过分割、重建和配准,最终转化为高保真的三维世界模型。CBCT影像为整个建模过程提供了数据源,语义分割技术实现了对影像的理解,三维重建算法将分割结果转化为几何模型,配准融合则将所有模型融合为统一的模型。
其紧密结合、相互赋能,共同实现了从二维影像到三维世界模型的转换过程,为后续辅助智能手术规划和导航等应用奠定了基础。
在步骤四中,结合所述患者上下颌骨解剖结构的三维模型,利用优化后的变分自编码器网络模型构建模拟口腔内部的环境和动态的世界模型,进行上部修复体设计、种植体推荐和和种植体路径规划,获得牙齿即刻种植规划方案。
人为设计上部修复体(基台和氧化锆牙冠)通常是基于对颌牙进行复制修改,可能会引入错误,不同医生操纵往往会导致效果不一。
如图4所示,本实施例中上部修复体设计能够将患者的口腔解剖结构、健康状况和其他因素作为自变量,生成候选的种植体列表,基于机器学习中的决策树算法来推荐适当的种植体选项。
包括:基台与牙冠形态设计和牙冠形态优化;
基台与牙冠形态设计基于旋转和缩放系数计算模型对镜像后的牙冠模型进行旋转和缩放的系数进行计算,并通过布尔运算去掉与实体重叠的部分,使用边缘检测算法进行缺失区域填充;
旋转和缩放系数计算模型优化过程,包括:
数据集包含选取的牙齿T、牙窝数据W,以及现有的牙Y;
初始化模型参数;
输入T和W到模型;
模型预测旋转系数θ和缩放系数E;
根据预测的θ和E变换T得到T';
计算T'与Y之间的匹配度,使用欧氏距离作为损失函数;
通过反向传播更新模型参数,以最小化损失。
牙冠形态优化基于牙冠曲面优化模型优化牙冠形态,调整牙冠模型边缘与相邻牙齿边缘吻合程度。
本实施例中基于优化后的CNN和注意力机制种植体预测模型进行种植体推荐;根据患者口腔的实际情况推荐可用植体型号,具体的参数包括形状、长度、直径、表面处理,输出最理想的患者具体情况的植体型号建议。
模型优化过程中,使用反向传播算法对CNN模型和注意力机制参数进行更新。
基于优化后的DDPG模型进行种植体路径规划,并集成实时反馈,进行动态种植体路径调整。
利用优化后的DDPG模型来训练一个智能体,这个过程以避免关键结构(如神经、血管)、最大化植入效果(如稳固度和美观)等为约束条件,在世界模型中规划种植体的最佳路径。同时,集成实时成像技术(如口腔内镜或实时CT扫描),以提供持续更新的数据给世界模型,使其能够根据当前的手术情况动态调整路径规划。最后,通过世界模型进行多次模拟优化种植路径,并验证其有效性。
DDPG模型优化过程,包括:
初始化DDPG模型,获取优化后的变分自编码器网络模型表征的世界模型为Sworld,并基于当前的口腔结构,进行初始化;
根据当前世界模型状态Sworld,通过策略网络选择行动Addpg;
避开关键结构和优化植入效果评分计算奖励R;
执行行动Addpg,更新环境状态至S'world;
计算行动选择策略函数μ和价值函数Q;
基于Sworld、S'world、R、Addpg更新DDPG网络模型。
种植体路径规划可以辅助外科医生规划最安全和最适合的植入位置。根据将来修复体的形状和位置,智能规划种植体的位置,避开重要的神经、血管和其他解剖结构,可以降低手术风险。通过计算机空间配准算法将手术器械位置,颌骨位置和虚拟CBCT影像匹配到一起实时监测配准,一致性更高,辅助医生于术中观测患者植牙区的神经、鼻窦及骨质状况。
如图5所示,结合本实施技术方案所获得的牙齿即刻种植规划结果,并进行种植体模拟植入,其能够辅助医生基于对植体特性的理解和评价,对可用骨量、生物兼容性需求、安全性进行分析,舒适度、美观性和功能性进行评价,无需医生的繁琐操作,能够减少人工设计所需的时间。
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或相似部分互相参见即可。对于实施例公开的系统而言,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 (10)
1.一种辅助牙齿即刻种植的规划方法,其特征在于,包括:
步骤一、获取患者上下颌骨解剖CBCT医学影像数据,进行预处理,获得预处理后的CBCT医学影像数据;
步骤二、利用优化后的nnU-Net网络模型对预处理后的CBCT医学影像数据进行语义分割,获得患者上下颌骨解剖结构的二值掩模影像;
步骤三、对所述患者上下颌骨解剖结构的二值掩模影像进行三维几何重建,并将重建后的不同结构模型进行配准,获得患者上下颌骨解剖结构的三维模型;
步骤四、结合所述患者上下颌骨解剖结构的三维模型,利用优化后的变分自编码器网络模型构建模拟口腔内部的环境和动态的世界模型,进行上部修复体设计、种植体推荐和和种植体路径规划,获得牙齿即刻种植规划方案。
2.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤一中,进行预处理,包括:数据标准化和数据增强。
3.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤二中,构建数据集对nnU-Net网络模型进行优化,包括:
利用生物医学影像数据集对nnU-Net网络模型进行训练,获得nnU-Net预训练网络模型;
给予预设结构类别M,标注Ground-Truth分割掩码,构建CBCT-Ground Truth数据集,对所述nnU-Net预训练网络模型进行微调训练,获得优化后的nnU-Net网络模型。
4.根据权利要求3所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述对所述nnU-Net预训练网络模型进行微调训练,包括:进行输出层设置、利用Softmax函数将损失函数类型调整为多类交叉熵损失,并基于Adam优化器最小化多类交叉熵损失。
5.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤二中,nnU-Net网络模型包括编码器和解码器,所述编码器和解码器进行跳跃连接;
所述编码器提取影像特征获取特征图,并降低特征图的空间分辨率;所述解码器通过反卷积逐步上采样特征图,对特征图的空间分辨率进行恢复。
6.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤三中,对所述患者上下颌骨解剖结构的二值掩模影像进行三维几何重建,包括:
基于Marching Cubes算法进行表面重建和基于射线投射算法进行体渲染重建。
7.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤三中,将重建后的不同结构模型进行配准,包括:
基于ICP算法对刚体结构进行刚性配准变换,和基于TPS算法对形变性结构进行非刚性配准变换。
8.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤四中,基于优化后的CNN和注意力机制种植体预测模型进行种植体推荐;模型优化过程中,使用反向传播算法对CNN模型和注意力机制参数进行更新。
9.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤四中,基于优化后的DDPG模型进行种植体路径规划,并集成实时反馈,进行动态种植体路径调整。
10.根据权利要求1所述的一种辅助牙齿即刻种植的规划方法,其特征在于,所述步骤四中,上部修复体设计包括:基台与牙冠形态设计和牙冠形态优化;
所述基台与牙冠形态设计基于旋转和缩放系数计算模型对镜像后的牙冠模型进行旋转和缩放的系数进行计算,并通过布尔运算去掉与实体重叠的部分,使用边缘检测算法进行缺失区域填充;
所述牙冠形态优化基于牙冠曲面优化模型优化牙冠形态,调整牙冠模型龈缘与相邻牙齿龈缘协调程度,在保证正常咬合接触的情况下,保持牙列的整齐性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410537800.0A CN118252637A (zh) | 2024-04-30 | 2024-04-30 | 一种辅助牙齿即刻种植的规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410537800.0A CN118252637A (zh) | 2024-04-30 | 2024-04-30 | 一种辅助牙齿即刻种植的规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118252637A true CN118252637A (zh) | 2024-06-28 |
Family
ID=91605425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410537800.0A Pending CN118252637A (zh) | 2024-04-30 | 2024-04-30 | 一种辅助牙齿即刻种植的规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118252637A (zh) |
-
2024
- 2024-04-30 CN CN202410537800.0A patent/CN118252637A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200350059A1 (en) | Method and system of teeth alignment based on simulating of crown and root movement | |
US11744682B2 (en) | Method and device for digital scan body alignment | |
Tian et al. | DCPR-GAN: dental crown prosthesis restoration using two-stage generative adversarial networks | |
JP7152455B2 (ja) | セグメンテーション装置および学習モデルの生成方法 | |
US20220296344A1 (en) | Method, system and devices for instant automated design of a customized dental object | |
JP2021508114A (ja) | 深層学習法を使用する自動3d歯根形状予測 | |
JP2019518552A (ja) | 歯科修復物の形状、位置及び向きの少なくとも1つの推定方法 | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
CN109712703B (zh) | 一种基于机器学习的正畸预测方法及装置 | |
CN111685899A (zh) | 基于口内图像和三维模型的牙齿正畸治疗监测方法 | |
CN110363750B (zh) | 一种基于多模态数据融合的牙根管形态自动提取方法 | |
CN114187293A (zh) | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 | |
Qiu et al. | SCULPTOR: Skeleton-consistent face creation using a learned parametric generator | |
Yau et al. | An adaptive region growing method to segment inferior alveolar nerve canal from 3D medical images for dental implant surgery | |
CN112201349A (zh) | 一种基于人工智能的正畸手术方案生成系统 | |
CN118252637A (zh) | 一种辅助牙齿即刻种植的规划方法 | |
JP7269587B2 (ja) | セグメンテーション装置 | |
TW202127368A (zh) | 基於人工智慧之口腔電腦斷層掃描影像的自動色彩轉換裝置及其驅動方法 | |
CN113344993B (zh) | 侧貌模拟方法 | |
Anusree et al. | A Deep Learning Approach to Generating Flattened CBCT Volume Across Dental Arch From 2D Panoramic X-ray for 3D Oral Cavity Reconstruction | |
CN116421341A (zh) | 正颌手术规划方法、设备、存储介质和手术导航系统 | |
Li et al. | A Cloud Collaborative Healthcare Platform Based on Deep Learning in The Segmentation of Maxillary Sinus | |
Abdo et al. | Teeth and Jaw Segmentation from CBCT images Using 3D Deep Learning Models | |
LAW | Application and Prospects of Artificial Intelligence in Prosthetic Dentistry | |
Geng et al. | The Digital Restoration of an Ancient Skull’s Appearance for Palaeoanthropological Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |