用于口内扫描的异物对象识别以及图像增强和/或滤波的制作方法

1.本公开的实施例涉及口内扫描的领域，并且尤其涉及一种用于对在口内扫描期间生成的口内图像进行实时滤波的系统和方法。


背景技术：

2.在被设计为用于在口腔中插入牙科假体的修复程序中，在许多情况下应该准确测量并仔细研究要植入的假体的牙齿部位(dental site)，以便诸如牙冠、义齿(denture)或桥等假体可以例如被适当地设计和确定尺寸以适配到位。例如，良好的适配使机械应力能够在假体和颌之间正确传递，并防止经由假体和牙齿部位之间的界面感染牙龈。
3.一些程序还要求制造可移除的假体来替换一颗或多颗缺失的牙齿(例如，部分或全部义齿)，在这种情况下，需要准确地复制缺失牙齿区域的表面轮廓(contour)，以便所得到的假体适配在无牙区上，对软组织施加均匀的压力。
4.在一些实践中，牙齿部位由牙科医生准备，并且使用已知方法来构建牙齿部位的阳物理模型。或者，可以扫描牙齿部位以提供牙齿部位的3d数据(即，以口内图像的形式，例如高度图)。在任何一种情况下，牙齿部位的虚拟或真实模型都被发送到牙科实验室，该实验室基于模型制造假体。然而，如果模型在某些区域有缺陷或未被限定，或者如果准备没有针对容纳假体进行最佳配置，则假体的设计可能不是最佳的。例如，如果由准备所暗示的用于紧密适配的基底冠的插入路径会导致假体与相邻牙齿发生碰撞，则必须改变基底冠的几何形状以避免碰撞，这可能导致基底冠设计不太理想。此外，如果准备的包含终点线的区域缺乏限定，则可能无法适当地确定终点线，因此可能无法适当地设计基底冠的下边缘。事实上，在某些情况下，模型会被拒绝，然后牙科医生重新扫描牙齿部位，或重新进行准备，以便可以生产出合适的假体。
5.在正畸程序中，提供一个或两个颌的模型可能很重要。在虚拟地设计此类正畸程序的情况下，口腔的虚拟模型也是有益的。这种虚拟模型可以通过直接扫描口腔获得，或者通过产生牙列的物理模型，然后利用合适的扫描仪扫描模型来获得。
6.因此，在修复和正畸程序中，获得口腔中牙齿部位的三维(3d)模型是要执行的初始程序。当3d模型是虚拟模型时，牙齿部位的扫描越完整和越准确，虚拟模型的质量就越高，从而设计出(一个或多个)最佳假体或正畸治疗器械的能力就越大。
7.在口内扫描阶段(session)期间，通常会存在处于患者的口腔内的异物对象(foreign object)。此类异物对象可能降低生成的虚拟模型的准确度。例如，假设异物对象是牙弓的一部分，图像处理算法可能基于异物对象的形状来调整牙弓的一个或多个区的形状。此外，异物对象可能在不同口内图像的生成之间移动，这可能干扰图像配准。


技术实现要素：

8.在本公开的第一方面中，一种方法包括：在牙齿部位的口内扫描期间接收包括口内图像的扫描数据；基于对扫描数据的分析在口内图像中识别(identify)异物对象的表
示；通过从口内图像中去除异物对象的表示来修改口内图像；在口内扫描期间接收包括牙齿部位的多个附加口内图像的附加扫描数据；以及使用经修改的口内图像和多个附加口内图像来生成牙齿部位的虚拟三维(3d)模型。
9.本公开的第二方面可以扩展本公开的第一方面。在本公开的第二方面中，该方法还包括：在牙齿部位的多个附加口内图像的一个或多个附加口内图像中识别异物对象的附加表示；以及通过从一个或多个附加口内图像去除异物对象的附加表示来修改一个或多个附加口内图像，其中，异物对象是在口内图像和一个或多个附加口内图像中在牙齿部位处具有相同位置的静止对象(stationary object)。
10.本公开的第三方面可以扩展本公开的第一方面或第二方面。在本公开的第三方面中，该方法还包括：分析扫描数据以确定以下中的至少一个：异物对象的反射率(reflectivity)、异物对象的衍射(diffraction)、异物对象对光波长的反应性、异物对象的纹理、异物对象的表面图案、异物对象的颜色或异物对象的形状；以及基于以下中的至少一个来识别异物对象的表示：异物对象的反射率、异物对象的衍射、异物对象对光波长的反应性、异物对象的纹理、异物对象的表面图案、异物对象的颜色或异物对象的形状。
11.本公开的第四方面可以扩展本公开的第一方面至第三方面。在本公开的第四方面中，该方法还包括：对口内图像执行图像处理以确定口内图像中的多个形状，该多个形状包括异物对象的形状；将口内图像中的多个形状与参考对象的多个已知形状进行比较；以及确定异物对象的形状与参考对象的已知形状相匹配作为比较的结果。
12.本公开的第五方面可以扩展本公开的第四方面。在本公开的第五方面中，该方法还包括：在牙齿部位的口内扫描之前执行以下操作：进入训练模式；在训练模式期间接收异物对象的多个图像；基于多个图像生成异物对象的虚拟模型；以及将异物对象的虚拟模型或异物对象的多个图像中的至少一个添加到参考对象库中，该参考对象库包括参考对象的多个已知形状。
13.本公开的第六方面可以扩展本公开的第一方面至第五方面。在本公开的第六方面中，该方法还包括：执行口内图像的图像处理以在口内图像中识别多个纹理或多个表面图案中的至少一个；确定非自然地出现在牙齿部位处的多个纹理中的纹理或多个表面图案中的表面图案中的至少一个；以及确定口内图像的具有非自然地出现在牙齿部位处的纹理或表面图案中的至少一个的区域的轮廓，其中，从口内图像中去除口内图像的在轮廓内的区域。
14.本公开的第七方面可以扩展本公开的第六方面。在本公开的第七方面中，确定非自然地出现在牙齿部位处的纹理或表面图案中的至少一个包括以下中的至少一个：a)将口内图像中识别出的多个纹理与参考对象的多个已知纹理进行比较，并且确定至少一个纹理与参考对象的已知纹理相匹配作为比较的结果；b)将口内图像中识别出的多个表面图案与参考对象的多个已知表面图案进行比较，并且确定至少一个表面图案与参考对象的已知表面图案相匹配作为比较的结果；c)将口内图像中识别出的多个纹理与自然地出现在牙齿部位处的多个已知纹理进行比较，并且确定至少一个纹理与自然地出现在口中的任何已知纹理不匹配作为比较的结果；或者d)将口内图像中识别出的多个表面图案与自然地出现在牙齿部位处的多个已知表面图案进行比较，并且确定至少一个表面图案与自然地出现在口中的任何已知表面图案不匹配作为比较的结果。
15.本公开的第八方面可以扩展本公开的第一方面至第七方面。在本公开的第八方面中，该方法还包括：执行口内图像的图像处理以在口内图像中识别多个颜色；确定多个颜色中非自然地出现在牙齿部位处的至少一个颜色；以及确定口内图像的具有非自然地出现在牙齿部位处的至少一个颜色的区域的轮廓，其中，从口内图像中去除口内图像的在轮廓内的区域。
16.本公开的第九方面可以扩展本公开的第八方面。在本公开的第九方面中，该方法还包括：确定非自然地出现在牙齿部位处的至少一个颜色包括对口内图像的每个像素或体素执行以下操作：针对颜色编码系统的每个颜色通道，确定饱和度值或强度值中的至少一个；针对颜色编码系统的每个颜色通道，确定包括饱和度值或强度值中的至少一个的元组(tuple)；确定该元组在指定的颜色范围之外，并且确定口内图像中具有非自然地出现的至少一个颜色的区域的轮廓包括：确定具有在指定的颜色范围之外的元组的多个连续像素或体素。
17.本公开的第十方面可以扩展本公开的第一方面至第九方面。在本公开的第十方面中，该方法还包括：接收异物对象在牙齿部位处的指示，该指示包括异物对象的标识(identification)；使用异物对象的标识来查询参考对象库；接收对查询的回应，该回应包括异物对象的一个或多个已知特性，该一个或多个已知特性包括以下中的至少一个：异物对象的已知反射率、异物对象的已知衍射、异物对象对光波长的已知反应性、异物对象的已知纹理、异物对象的已知表面图案、异物对象的已知颜色或异物对象的已知形状；以及使用异物对象的一个或多个已知特性来在口内图像中识别异物对象的表示。
18.本公开的第十一方面可以扩展本公开的第一方面至第十方面。在本公开的第十一方面中，该方法还包括：在口内扫描期间，基于经修改的口内图像和一个或多个附加口内图像生成口内部位的视图；生成异物对象的略图(outline)；将异物对象的略图添加到视图；以及提供使得用户能够选择异物对象的略图的用户界面，其中，用户对异物对象的略图的选择使得异物对象的表示被添加回口内图像并且还使异物对象被添加到不会被滤除掉的已知对象的参考对象库。
19.本公开的第十二方面可以扩展本公开的第一方面至第十一方面。在本公开的第十二方面中，该方法还包括：在修改口内图像之前执行以下操作：确定与异物对象的表示相关联的置信度值；确定置信度值低于置信度阈值；呈现对以下各项的选项：a)从口内图像中去除异物对象的表示，或b)将异物对象的表示留在口内图像中；以及接收从口内图像中去除异物对象的表示的用户选择。
20.本公开的第十三方面可以扩展本公开的第十二方面。在本公开的第十三方面中，该方法还包括：确定异物对象的一个或多个特性，该一个或多个特性包括以下中的至少一个：异物对象的反射率、异物对象的衍射、异物对象对光波长的反应性、异物对象的纹理、异物对象的表面图案、异物对象的颜色或异物对象的形状；以及将该异物对象的条目添加到要被滤除掉的已知异物对象的参考对象库。
21.本公开的第十四方面可以扩展本公开的第十二方面或第十三方面。在本公开的第十四方面中，识别异物对象的表示包括：使用机器学习模型来处理口内图像，该机器学习模型已被训练为识别牙齿部位处的异物对象；以及接收机器学习模型的输出，其中，该输出包括二元掩膜(binary mask)，该二元掩膜具有与口内图像中的像素或体素的数量相等的元
素(entries)的数量，其中，与作为异物对象的一部分的像素或体素相关联的元素具有第一值，并且其中，与不是异物对象的一部分的像素或体素相关联的元素具有第二值；其中，使用二元掩膜来修改口内图像。
22.在本公开的第十五方面中，一种方法包括：接收包括牙齿部位的多个图像的口内扫描数据；基于多个图像生成牙齿部位的虚拟三维(3d)模型；对牙齿部位的图像进行分析；在图像中识别参考对象的表示，其中，参考对象具有一个或多个已知特性；以及通过基于参考对象的一个或多个已知特性将关于参考对象的附加数据添加到图像或虚拟3d模型中的至少一个来修改牙齿部位的图像或虚拟3d模型中的至少一个。
23.本公开的第十六方面可以扩展本公开的第十五方面。在本公开的第十六方面中，图像是用于生成虚拟3d模型的牙齿部位的多个图像中的一个，通过将关于参考对象的附加数据添加到图像来修改图像，并且经修改的图像用于生成牙齿部位的虚拟3d模型。
24.本公开的第十七方面可以扩展本公开的第十六方面。在本发明的第十七方面中，该方法还包括：对图像执行图像处理以确定图像中表示的可能对象，其中，该可能对象包括一个或多个物理特性；将可能对象的一个或多个物理特性与参考对象的一个或多个已知特性进行比较；确定可能对象的一个或多个物理特性与参考对象的一个或多个已知特性相匹配作为比较的结果；以及确定可能对象是参考对象。
25.本公开的第十八方面可以扩展本公开的第十七方面。在本公开的第十八方面中，一个或多个物理特性包括反射率、衍射、对光波长的反应性、纹理、表面图案、颜色或形状中的至少一个。
26.本公开的第十九方面可以扩展本公开的第十五方面至第十八方面中的任一方面。在本公开的第十九方面中，执行图像的分析包括将图像输入到机器学习模型中，该机器学习模型被训练为识别一个或多个类型的参考对象，其中，该机器学习模型输出参考对象在图像中的表示的指示。
27.本公开的第二十方面可以扩展本公开的第十五方面或第十九方面。在本公开的第二十方面中，该方法还包括：通过将虚拟3d模型投影到平面上来生成对其执行分析的图像。
28.本公开的第二十一方面可以扩展本公开的第二十方面。在本公开的第二十一方面中，该方法还包括：在口内扫描期间，基于修改后的图像生成牙齿部位的视图，其中，该视图包括基于关于参考对象的附加数据的参考对象的略图；在口内扫描期间接收牙齿部位的多个附加图像；基于多个附加图像替换参考对象的形状的一个或多个部分；以及更新牙齿部位的视图，该更新后的视图示出参考对象的形状的已被替换的那些部分。
29.本公开的第二十二方面可以扩展本公开的第十五方面至第二十一方面中的任一方面。在本公开的第二十二方面，识别参考对象的表示包括：使用机器学习模型来处理图像，该机器学习模型已经被训练为识别牙齿部位处的一个或多个异物对象；以及接收机器学习模型的输出，其中，该输出包括二元掩膜，该二元掩膜具有与图像中的像素或体素的数量相等的元素的数量，其中，与作为参考对象的一部分的像素或体素相关联的元素具有第一值，并且其中，与不是参考对象的一部分的像素或体素相关联的元素具有第二值。
30.本公开的第二十三方面可以扩展本公开的第十五方面至第二十二方面中的任一方面。在本公开的第二十三方面中，该方法还包括：在接收口内扫描数据之前执行以下操作：进入训练模式；在训练模式期间接收参考对象的多个图像；基于参考对象的多个图像来
生成参考对象的虚拟模型；以及将参考对象的虚拟模型或参考对象的多个图像中的至少一个添加到参考对象库，该参考对象库包括多个参考对象的条目。
31.本公开的第二十四方面可以扩展本公开的第十五方面至第二十三方面中的任一方面。在本公开的第二十四方面中，该方法还包括：接收参考对象处在牙齿部位处的指示，该指示包括参考对象的标识；使用参考对象的标识查询包括多个参考对象的条目的参考对象库；接收对查询的回应，该回应包括与参考对象相关联的数据；以及使用数据来识别图像中的参考对象。
32.本公开的第二十五方面可以扩展本公开的第十五方面至第二十四方面中的任一方面。在本公开的第二十五方面中，一个或多个已知特性包括以下中的至少一个：参考对象的已知反射率、参考对象的已知衍射、参考对象对光波长的已知反应性、参考对象的已知纹理、参考对象的已知表面图案、参考对象的已知颜色或参考对象的已知形状。
33.本公开的第二十六方面可以扩展本公开的第十五至第二十五方面中的任一方面。在本公开的第二十六方面中，该方法还包括：确定与参考对象相关联的置信度值；确定该置信度值低于置信度阈值；呈现对以下各项的选项：a)将关于参考对象的附加数据添加到图像或虚拟3d模型中的至少一个，或b)使参考对象在图像或虚拟3d模型中的至少一个中的表示保持不变；以及接收对将关于参考对象的附加数据添加到图像或虚拟3d模型中的至少一个的用户选择。
34.本公开的第二十七方面可以扩展本公开的第十五方面至第二十六方面中的任一方面。在本公开的第二十七方面中，参考对象包括形状或材料中的至少一个，其导致参考对象的口内扫描具有降低的准确度。
35.本公开的另一方面包括包含指令的计算机可读介质，该指令在由处理装置执行时使处理装置执行上述的本公开的第一方面至第二十七方面中的一个或多个方面的方法。
36.本公开的另一方面包括一种系统，该系统包括用于执行口内扫描的手持式扫描仪，以及包括指令的非瞬时性计算机可读介质，该指令在由处理器执行时，使该处理器执行本公开的第一方面至第二十七方面中的一个或多个方面的方法。
37.本公开的另一方面包括一种系统，该系统包括用于执行口内扫描的手持式扫描仪，以及计算装置，该计算装置执行本公开的第一方面至第二十七方面中的一个或多个方面的方法。
附图说明
38.在附图的图中通过示例而非限制的方式示出了本公开。
39.图1a示出了用于执行口内扫描并生成牙齿部位的虚拟三维模型的系统的一个实施例。
40.图1b示出了根据本公开实施例的在口内图像中识别异物对象的表示的方法的流程图。
41.图2示出了根据本公开实施例的从口内图像中滤除掉异物对象的表示的方法的流程图。
42.图3示出了根据本公开实施例的在口内图像中识别异物对象的方法的流程图。
43.图4示出了根据本公开实施例的将异物对象的条目添加到异物对象参考库的方法
的流程图。
44.图5示出了根据本公开实施例的使用异物对象参考库来在口内图像中识别异物对象的方法的流程图。
45.图6示出了根据本公开实施例的基于颜色在口内图像中识别异物对象的方法的流程图。
46.图7示出了根据本公开实施例的提供用于管理口内图像中的异物对象的用户界面的方法的流程图。
47.图8示出了根据本公开实施例的提供用于管理口内图像中的异物对象的用户界面的另一方法的流程图。
48.图9示出了根据本公开实施例的基于使用经训练的机器学习模型从口内图像滤除掉异物对象的表示的方法的流程图。
49.图10示出了其上置有异物对象的示例牙弓的一部分。
50.图11示出了根据本公开一个实施例的包括异物对象的第一表示的第一口内图像。
51.图12示出了根据本公开一个实施例的图11的第一口内图像的修改版本，其中在第一口内图像的修改版本中异物对象已经被滤除掉。
52.图13a示出了根据本公开一个实施例的其上置有的异物对象的示例牙弓的一部分的视图。
53.图13b示出了根据本公开一个实施例的图13a的视图，其中异物对象的尚未被扫描的区域在下面。
54.图14示出了根据本公开实施例的示例计算装置的框图。
55.图15示出了根据实施例的使用多个器械的正畸治疗方法。
56.图16示出了根据实施例的用于设计正畸器械的方法。
57.图17示出了根据实施例的用于数字地规划正畸治疗的方法。
具体实施方式
58.本文描述的是一种用于提高对包括一个或多个异物对象的牙齿部位进行的口内扫描的质量的方法和装置。在口内扫描期间经常存在干扰情况，其中每种干扰情况包括在口内扫描期间生成的口内图像中存在一个或多个异物对象。在一些实施例中，口内图像可能是或包括高度图。例如，口内图像可以是2d高度图，其包括高度图中每个像素的深度值。在口内扫描期间生成此类高度图的口内扫描仪的示例是由阿莱恩科技公司(align technology,inc.)制造的口内数字扫描仪。
59.口内扫描中(例如，在口内图像和/或高度图中)的异物对象可能是自然地出现在口中但不是被扫描的牙弓的一部分的对象(例如，诸如唾液、血液、舌头、气泡等)。此类异物对象也可能是非自然地出现在口中的对象(例如，诸如棉卷、口内扫描仪操作者的手指、抽吸装置、吹风装置、牙镜、带子、手、手套等)。口内扫描数据(即，口内图像)中异物对象的出现会减慢这些口内图像的处理并降低从口内图像生成的虚拟3d模型的准确度。因此，本文描述的实施例提供了用于在异物对象被用于图像配准和/或虚拟模型生成之前实时或接近实时地(例如，随着图像生成)滤除掉(即，去除)异物对象的描绘的技术。通过在对口内图像执行进一步处理之前从这些口内图像中去除异物对象，可以提高进一步处理的速度和/或
准确度。例如，可以提高图像配准的速度，可以提高图像配准的准确度，可以减少配准图像失败的示例的次数，可以提高生成的3d虚拟模型的准确度，并且可以提高生成3d虚拟模型的速度。此外，可以省略考虑和减轻由异物对象引起的问题的处理密集型操作，进一步提高图像处理的速度。
60.值得注意的是，异物对象的检测和从口内图像中去除此类异物对象可以使用单个图像来执行，并且可以在静态(即，非移动)对象上执行。这与许多用于从图像中识别和去除不需要的移动对象的传统技术(称为空间雕刻技术)形成对比。识别和去除移动对象的此类传统空间雕刻技术不能对单个图像起作用，并且不适用于在视频的多个帧或区域的多个图像之间不移动的对象。相反，本文描述的技术可以识别和去除静止对象并且可以对单个图像起作用。
61.在其他实施例中，可以在牙齿部位的图像(例如，由口内扫描仪生成的口内图像或通过将牙齿部位的虚拟3d模型投影到3d表面或平面上而生成的图像)和/或在牙齿部位的虚拟3d模型中识别已知参考对象。然后可以通过基于参考对象的已知特性向图像和/或虚拟3d模型添加关于参考对象的附加信息来修改牙齿部位的图像和/或虚拟3d模型。
62.在一个实施例中，一种计算机实现的方法包括在牙齿部位的口内扫描期间接收包括口内图像的扫描数据，以及基于对扫描数据的分析来在口内图像中识别异物对象的表示。该计算机实现的方法还包括通过从口内图像中去除异物对象的表示来修改口内图像。该计算机实现的方法还包括在口内扫描期间接收包括牙齿部位的多个附加口内图像的附加扫描数据。该计算机实现的方法还包括使用修改后的口内图像和多个附加口内图像来生成牙齿部位的虚拟三维(3d)模型。
63.在一个实施例中，一种非瞬时性计算机可读介质包括指令，该指令在由处理装置执行时使处理装置执行操作的序列。该操作包括在牙齿部位的口内扫描期间接收口内图像，以及对口内图像执行图像处理以确定口内图像中的多个可能对象，其中，该多个可能对象中的每一个包括一个或多个物理特性。该操作还包括对于多个可能对象中的每一个，将可能对象的一个或多个物理特性与参考对象的多个已知特性进行比较。该操作还包括作为比较的结果确定多个可能对象中的可能对象的一个或多个物理特性与参考对象的一个或多个已知特性相匹配。该操作还包括确定可能对象是口内部位处的异物对象，然后通过基于参考对象的一个或多个已知特性将关于异物对象的附加数据添加到口内图像来修改口内图像。
64.在一个实施例中，一种生成牙齿部位的虚拟3d模型的方法包括接收口内扫描数据，该口内扫描数据包括牙齿部位的多个图像。该方法还包括基于多个图像生成牙齿部位的虚拟三维(3d)模型。该方法还包括对牙齿部位的图像执行分析。该图像可以是包括在接收到的口内扫描数据中的图像之一。或者，该图像可以是通过将牙齿部位的虚拟3d模型投影到2d表面或平面上而生成的。该图像可以是或包括牙齿部位的高度图。该方法还包括在图像中识别参考对象的表示，其中，参考对象具有一个或多个已知特性。该方法还包括通过基于参考对象的一个或多个已知特性将关于参考对象的附加数据添加到图像或虚拟3d模型中的至少一个来修改牙齿部位的图像或虚拟3d模型中的至少一个。这使得能够通过利用关于已知参考对象的准确信息增强图像和/或虚拟3d模型来提高图像和虚拟3d模型。因此，使用本文描述的技术可以提高在图像和虚拟3d模型中难以扫描的参考对象(例如，由钛制
成的那些)的准确度。
65.在一个实施例中，一种系统包括用于执行口内扫描的手持式扫描仪和包括指令的非瞬时性计算机可读介质，该指令在由处理器执行时，使处理器执行上述操作的序列。
66.图1a示出了用于执行口内扫描和/或生成牙齿部位的虚拟三维(3d)模型的系统100的一个实施例。在一个实施例中，系统100执行参考图1b
‑
9描述的以下方法的一个或多个操作。系统100包括计算装置105，该计算装置105可以耦接到扫描仪150和/或数据存储110。
67.计算装置105可以包括处理装置、存储器、二级存储、一个或多个输入装置(例如，诸如键盘、鼠标、平板电脑等)、一个或多个输出装置(例如，显示器、打印机等)和/或其他硬件组件。计算装置105可以直接或经由网络连接到数据存储110。网络可以是局域网(lan)、公共广域网(wan)(例如，因特网)、专用wan(例如，内联网)或其组合。在一些实施例中，计算装置105和/或数据存储110可以被集成到扫描仪150中以提高性能和移动性。
68.数据存储110可以是内部数据存储，或者是直接或经由网络连接到计算装置105的外部数据存储。网络数据存储的示例包括存储区域网络(san)、网络附加存储(nas)和由云计算服务提供商提供的存储服务。数据存储110可以包括文件系统、数据库或其他数据存储布置。
69.在一些实施例中，用于获得患者口腔中牙齿部位的三维(3d)数据的扫描仪150(称为口内扫描仪)也可操作地连接到计算装置105。扫描仪150可以包括探头(例如，手持式探头)，其用于光学捕获三维结构(例如，通过光束阵列的共焦聚焦)。此类扫描仪150的一个示例是由阿莱恩科技公司制造的口内数字扫描仪。口内扫描仪的其他示例包括3m
tm
true definition扫描仪和apollo di口内扫描仪和由sirona制造的cerec ac口内扫描仪。
70.扫描仪150可用于执行患者口腔的口内扫描。口内扫描的结果可以是已离散生成的一系列口内图像(例如，通过针对每个图像按下扫描仪的“生成图像”按钮)。或者，口内扫描的结果可以是患者口腔的一个或多个视频。操作者可以在口腔中的第一位置处开始利用扫描仪150录制视频，在拍摄视频的同时将口腔内的扫描仪150移动到第二位置，然后停止录制视频。在一些实施例中，当扫描器识别出它已被插入到患者口腔中时，可以自动开始录制。扫描仪150可以将离散的口内图像(例如，高度图)或口内视频(统称为图像数据135)发送到计算装置105。注意，在一些实施例中，计算装置可以被集成到扫描仪150中。计算装置105可以将图像数据135存储在数据存储110中。或者，扫描仪150可以连接到将图像数据存储在数据存储110中的另一个系统。在这样的实施例中，扫描仪150可以不连接到计算装置105。
71.计算装置105可以包括异物对象识别器(identifier)115、图像配准模块120和/或模型生成模块125。模块115、120、125可以是作为单个软件应用程序的组件的软件模块(例如，单个应用程序的不同库)，可以是分立的软件应用程序，可以是固件，可以是硬件模块，和/或它们的组合。
72.异物对象识别器115可以使用下文描述的技术中的一个或多个来分析接收的图像数据135(例如，离散的口内图像或作为口内视频的帧的口内图像)以在图像数据135的口内图像中识别异物对象。在一些实施例中，数据存储110可以包括参考对象库，该参考对象库
包括一个或多个参考对象130的条目。参考对象130可以包括已知的设备，该设备是牙医诊所和/或正畸诊所的标准设备。此类参考对象130可以是数据存储110预先填充的默认参考对象。一些参考对象130可以是已经由牙科医生使用训练模式生成的定制参考对象。参考对象的每个条目可以包括该参考对象的一个或多个物理特性，诸如形状(例如，参考对象的3d虚拟模型)、颜色、纹理、表面图案等。异物对象识别器115所使用的识别异物对象的一些技术包括确定接收到的口内图像中的对象的物理特性，以及比较参考对象库中的参考对象130的那些物理特性。如果找到匹配，则口内图像中表示的对象可被识别为与匹配相关联的特定异物对象。
73.在一个实施例中，用户可以使异物对象识别器115进入训练模式。在训练模式期间，用户可以使用扫描仪150来执行对象的3d扫描。然后可以使用3d对象的图像来生成异物对象的虚拟3d模型。然后扫描的异物对象的条目可以被添加到参考对象130。条目可以是针对相同对象的和/或针对其他类似对象的。条目可以包括生成的虚拟3d模型、对象的名称和/或对象的一个或多个物理特性。
74.如果异物对象识别器115在口内图像中识别出异物对象，则异物对象识别器115可以从口内图像中滤除掉异物对象、保持异物对象不变、或者将关于异物对象的进一步详细信息添加到口内图像(或以其他方式增强异物对象在口内图像中的表示)。
75.图像配准模块120使用一个或多个图像配准技术来配准已经由异物对象识别器115处理过的口内图像。例如，图像配准模块120可以使用修改后的口内图像来执行图像配准，在修改后的口内图像中，已经从口内图像中去除了异物对象的表示。在图像配准完成之后，或者随着图像配准被执行，模型生成模块125生成所成像的牙齿部位的3d虚拟模型。
76.用户界面140可以在口内扫描阶段期间起作用。随着扫描仪150生成口内图像和异物对象识别器115处理这些口内图像，示出扫描的牙齿部位的二维(2d)或3d表示的视图屏幕可以被输出到显示器(例如，计算装置105的显示器)。已被异物对象识别器115滤除的异物对象可能不会以2d或3d表示来示出。图像可以在口内扫描阶段期间被拼接在一起以在口内扫描阶段期间持续地更新牙齿部位的表示。除了更快但准确度更低，图像配准过程和模型生成过程可以类似于由图像配准模块120和模型生成模块125执行的那些过程被执行。牙齿部位的表示可以向扫描仪150的用户示出哪些区域已经被充分成像以及哪些区域将受益于进一步成像。
77.在一些情况下，异物对象识别器115可能无法准确地确定牙齿部位处的对象是异物对象还是原生对象。在这种情况下，异物对象识别器115可以滤除异物对象也可以不滤除异物对象。如果异物对象被滤除，则用户界面仍可在视图屏幕中示出异物对象的略图、黑白表示、半透明表示、网格表示或其他非标准表示。然后用户可以选择在视图屏幕中示出的异物对象的表示，并且向用户呈现继续滤除异物对象或将异物对象添加回口内图像的选项。如果用户选择滤除异物对象，则异物对象的略图或其他非标准表示可以从视图屏幕中去除。另外，关于异物对象的数据(例如，物理特性)可以被添加到参考对象130的条目中。然后同一患者和/或不同患者的未来扫描可以使用新的参考对象130，并且使用与其相关联的数据以成功地识别异物对象的其他实例。因此，异物对象识别器的准确度可以不断提高。如果用户选择不滤除异物对象，则异物对象可以被添加回到口内图像(或者原始口内图像可能已经被保留并且可以使用该原始口内图像而不是口内图像的修改版本)。如果用户不能选
择异物对象，则滤除异物对象的原始决定可能继续有效(stand)。在这种情况下，新的参考对象可以被添加到用于异物对象的数据存储110，也可以不添加到用于异物对象的数据存储110。
78.如果异物对象最初未被滤除，则异物对象将以与牙齿部位的其他特征和对象相同的方式在视图屏幕中示出。然而，异物对象可以被勾勒出来、突出显示或以其他方式强调。然后用户可以在视图屏幕中选择异物对象表示，并且向用户呈现滤除异物对象或将异物对象留在口内图像中的选项。如果用户选择滤除异物对象，则异物对象可以从描绘异物对象的口内扫描的口内图像中去除。另外，关于异物对象的数据(例如，物理特性)可以被添加到参考对象130的条目中。然后同一患者和/或不同患者的未来扫描可以使用新的参考对象130，以及使用与其相关联的数据以成功地识别异物对象的附加实例。因此，异物对象识别器的准确度可以不断提高。如果用户选择留下异物对象(可能表明异物对象实际上是原生对象而不是异物对象)，则可以不修改包括该对象的表示的口内图像，并且可以去除视图屏幕中该对象的略图或其他强调形式。如果用户未能选择异物对象，则滤除异物对象的原始决定可能继续有效。
79.在一些情况下，为了成像和/或牙科或正畸，可能会有意地将异物对象添加到患者的口腔。在这种情况下，异物对象识别器115可以不过滤除异物对象(其可以是参考对象)的表示。相反，异物对象识别器115可以识别异物对象，然后使用异物对象的已知物理特性(例如，诸如形状、颜色等)来利用关于异物对象的进一步信息来增强图像。附加地或替代地，异物对象的已知特性可用于增强从图像生成或以其他方式与图像相关联的虚拟3d模型。例如，用户可能希望扫描异物对象以获得异物对象的准确且完整的表示，但异物对象可能具有难以完全捕捉的几何形状和/或由难以成像的材料(例如，如钛)制成。一旦异物对象识别器115将异物对象识别为与已知参考对象130匹配，异物对象识别器115就可以使用参考对象的已知物理特性来改善异物对象在口内图像和/或虚拟3d中的表示。例如，可以确定异物对象在图像中的位置和取向，并且该位置和取向可以用于将针对异物对象的数据(例如，形状数据或表面数据)添加到图像和/或虚拟3d模型。例如，对于诸如扫描体、支架等异物对象而言，该过程可能是有用的。
80.一旦识别出要使用参考对象130来增强的异物对象，就可以通过用户界面140将关于异物对象的信息附加地添加到视图屏幕。例如，如果用户扫描扫描体的边缘，并且该扫描体被识别为与参考对象130匹配，则扫描体的未扫描部分可以与关于视图屏幕中牙齿部位上的其他特征的正确位置和取向进行配准并以相对于视图屏幕中牙齿部位上的其他特征的正确位置和取向示出。例如，扫描主体的附加未扫描部分可以以网格或略图示出。这可以向用户示出要拍摄的附加图像以收集足够的图像来完整地捕获异物对象。随着新图像被生成，异物对象的网格或略图表示可以用异物对象的实际扫描数据代替。如果最终存在用户无法成功成像的任何区域，则可以使用来自参考对象130的信息来填写缺失的信息。此类填写的缺失的信息可以在口内图像和/或从口内图像生成或以其他方式与口内图像相关联的虚拟3d模型上进行填写。
81.图1b至图9示出了与口内扫描以及在口内扫描期间生成的口内图像中的异物对象的识别和处理相关联的方法。方法可由处理逻辑来执行，该处理逻辑包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(例如，在处理装置上运行的指令)或它们的组合。
各种实施例可由在图1a的计算装置105上执行的处理逻辑来执行。随着图像由扫描仪生成和/或从扫描仪接收到，这些方法可以实时或接近实时地执行。
82.图1b示出了根据本公开实施例的在口内图像中识别异物对象的表示的方法152的流程图。在框154处，患者牙列和/或口的区域和/或一个或多个工具可以被准备以用于口内扫描。牙列和/或口的准备可以包括利用染料喷洒这些区域，该染料具有在患者口的内部原生不存在的颜色。例如，可以喷涂患者的舌头，可以喷涂患者牙弓中不需要被扫描的区域，等等。类似地，可以喷涂将插入患者口中的一个或多个工具。一些工具可能已经是非自然地出现在患者口中的特定颜色。例如，牙医可能戴上与喷涂中的染料颜色相同的手套。
83.在框156处，牙科医生使用图1a的扫描仪150扫描牙弓(或牙弓的一部分)。在框157处，处理逻辑处理来自口内扫描的一个或多个口内图像以识别任何异物对象。口内图像可以是包括在由扫描仪150生成的扫描数据中的口内图像。或者，3d模型可以从由扫描仪150生成的口内图像生成。然后3d模型可以被投影到2d表面上以生成新图像，该新图像可能包括来自由扫描仪150生成的多个口内图像的数据。可以处理该新图像以识别新图像中的任何异物对象。图2至图9描述了用于识别异物对象的各种技术，这些技术可以单独使用或一起使用。在框158处，可以向用户呈现用于提供关于识别出的异物对象的用户输入的选项。例如，用户可以具有将识别出的异物对象标记为不是异物对象的选项，可以具有将识别出的原生对象标记为异物对象的选项，可以具有将识别出的异物对象确认为异物对象的选项等。如果用户在框158处提供任何用户输入，则在框166处记录这样的用户输入。然后可以使用这样的用户输入来训练异物对象识别器115，这将在下面更详细地描述。
84.可以针对识别出的异物对象执行两种不同的操作。在第一操作中，虚拟对象(例如，异物对象的虚拟3d模型或其他表示)可以在适当的位置和取向处添加到一个或多个口内图像和/或相关联的虚拟3d模型(框160)。或者，可以从口内图像中滤除(即，去除)检测到的异物对象(框162)。如果检测到的异物对象超过一个，则可以针对每个异物对象分别进行是滤除检测到的异物对象还是将虚拟对象对齐(snap)到检测到的异物对象的决定。
85.在将虚拟对象对齐到口内图像和/或虚拟3d模型的示例中，可以在患者的牙齿上识别出支架。支架可能难以扫描，因此支架的图像和/或3d模型可能质量较差。然而，识别出的支架的已知数据可用于完成支架在图像和/或虚拟3d模型中的表示并示出完美的支架(例如，如同它的真实形状一样)。
86.在框164处，然后基于修改后的口内图像(例如，包括关于异物对象的附加数据或不包括异物对象的任何表示)生成虚拟模型。在一些实施例中，不是将虚拟对象对齐到图像(在框160处)，而是可以基于一个或多个口内图像中识别出的异物对象将虚拟对象对齐到根据一个或多个口内图像构建的虚拟模型。例如，用于生成虚拟3d模型的口内图像可以被用于确定已知对象的位置和取向，然后该信息可用于将关于已知对象的信息添加到虚拟3d模型。在另一示例中，图像可以通过将虚拟3d模型投影到2d表面上来生成，并且可以处理该图像以识别其中的已知对象并确定已知对象的位置和取向。然后已知对象的确定出的位置和取向可以用于将关于已知对象的信息添加到虚拟3d模型。或者，虚拟对象可以既对齐到口内图像又对齐到虚拟3d模型。
87.如上所述，在框180处，处理逻辑可以训练异物对象识别器以更好地识别口内图像中的异物对象。可以使用来自许多不同来源的数据来训练异物对象识别器。在一些实施例
中，异物对象识别器预先训练有默认设置170。这样的默认设置可以包括对于通常在口中发现和/或口中未发现的颜色的全局颜色数据(或其他波长反射率、波长反应性、波长折射等)。这种默认设置还可以包括通常在口中发现和/或口中未发现的纹理、图案、形状等。在一个示例中，默认参考对象库可以预先填充有多个常用牙科工具的数据。默认参考对象库中的每个条目可以包括诸如关于特定牙科工具的虚拟3d模型、形状信息、颜色信息、表面图案信息、纹理信息等的信息。
88.在一些实施例中，在框172处，异物对象识别器可以接收患者数据，该患者数据指示包括在特定患者的口中的一个或多个异物对象(例如，附接到患者牙齿的特定支架)。这可以缩小要搜索的异物对象的范围，并且可以调整搜索标准和/或搜索边界以考虑到存在所指示的(一个或多个)异物对象在口中的可能性为100％的事实。可以基于用户扫描条形码、手动输入代码或产品标识符、从下拉菜单中选择异物对象等来指示异物对象。基于提供的信息，可以在参考对象库中识别异物对象，并且可以确定用于搜索口内图像的物理特性。
89.在一些实施例中，在框174处，异物对象识别器可以接收被执行的特定扫描程序的指示。例如，某些类型的扫描程序可能是扫描特定信息。例如，可以执行保持器扫描程序以扫描患者的口来描绘患者牙列上的保持器。保持器扫描程序可以包括检索或查找支架信息(例如，从参考对象库)。类似地，修复性扫描程序可以包括检索或查找修复性对象信息(例如，从参考对象库)。然后异物对象识别器可以调整其参数以找到支架(在保持器扫描程序的情况下)或找到修复对象(在修复性扫描程序的情况下)。
90.在一些实施例中，在框178处，可以进入训练模式。在异物对象识别器处于训练模式的情况下，用户可以使用扫描仪150来生成异物对象的3d扫描。这可以包括生成对象的一系列3d图像和/或3d视频。然后可以使用图像和/或视频来生成对象的虚拟3d模型。此外，一个或多个图像处理算法可以应用于图像和/或视频以确定对象的一个或多个物理特性。然后可以将图像、视频、虚拟3d模型和/或物理特性添加到参考对象库中异物对象的新条目。
91.一旦异物对象识别器被训练，它就可以在框157处更准确地识别特定的异物对象。
92.图2示出了根据本公开实施例的从口内图像中滤除异物对象的表示的方法200的流程图。牙科医生可以执行牙齿部位(例如，上牙弓和/或下牙弓、上牙弓和/或下牙弓的部分等)的口内扫描。在口内扫描期间或在口内扫描完成之后，在方法200的框205处，处理逻辑可以接收包括牙齿部位的一个或多个口内图像的扫描数据。每个口内图像可以是由口内扫描仪(例如，图1的扫描仪150)生成的三维(3d)图像。
93.在框210处，处理逻辑分析扫描数据并基于该分析来识别口内图像中的异物对象的表示。在一些实施例中，分析扫描数据包括使用一个或多个图像处理算法来处理扫描数据中的一个或多个口内图像。可用于处理口内图像的图像处理算法的示例包括边缘检测算法、3d对象检测算法、特征提取算法(例如，加速鲁棒特征(surf)算法、尺度不变特征变换(sift)算法、类haar特征算法、定向梯度直方图(hog)算法等)等。在对口内图像进行处理之后，可以确定口内图像的形状、边缘、特征等。然后可以进一步分析形状、边缘、特征等以识别原生对象和异物对象。在示例中，异物对象通常可以在异物对象的至少一部分上具有均匀的表面图案和/或纹理。这种均匀的表面图案和/或纹理可用于确定异物对象的轮廓，其中，该轮廓围绕具有均匀表面图案和/或纹理的区域延伸。
94.在一个实施例中，在框215处，处理逻辑分析扫描数据以确定在口内图像中表示的
一个或多个物理特性。这可以包括在对口内图像使用任何上述图像处理算法之前或之后分析口内图像。可以检测多种不同类型的物理特性，包括反射率、衍射、对光波长的反应性、纹理、表面图案、颜色和/或形状。也可以检测其他物理特性和/或光学特性。
95.在一些情况下，可以仅基于单个物理特性(例如，基于颜色)来识别异物对象。例如，牙科仪器、牙医手套、棉卷等都可能被染成口中非自然出现的颜色。例如，蓝色通常不会自然地出现在牙齿或牙龈中。因此，可以使用蓝色色调。此外，牙科医生可以利用染料喷洒将插入到口中的对象，该染料的颜色不是口中自然出现的。牙科医生也可能利用染料喷洒患者的舌头，以便根据舌头的颜色将其识别为异物对象。具有非自然颜色的口内图像的任何区域都可以通过最少的处理而容易地被识别为属于异物对象。例如，简单的滤色器可以应用于口内图像，其例如滤除非自然地出现在口中的一个或多个颜色(例如，一系列颜色)。
96.在一些情况下，对象的物理特性的组合可用于将该对象识别为异物对象。例如，对象的形状和该对象的表面图案或纹理可以一起使用来识别异物对象。可以被识别出的关于对象的物理特性越多，确定该对象是异物对象还是原生对象就越容易，并且该确定结果可以越准确。
97.对于对光数据波长的反应性，在生成口内图像的同时，特定波长的光可能已经照射在牙齿部位上。可以使用的光波长的一个示例是近红外(nir)光。其他示例包括红外(ir)光、紫外(uv)光、近紫外(nuv)光、中红外(mir)光、远红外(fir)光、极紫外(euv)光、极高频(ehf)电磁辐射等等。牙齿部位的原生对象可能以一种方式对光波长作出反应，而牙齿部位处的异物对象可能以不同的方式对光波长作出反应。例如，口中的牙齿和组织可能对nir光有特定的反射，而金属对象可能对nir光有非常不同的反射。例如，与牙齿和组织相比，异物对象在nir光下通常会显得非常暗。此外，与牙齿和组织相比，血液和唾液对nir光具有不同的反射系数，并且nir光的使用可用于检测口内图像中的血液和/或唾液。在一些实施例中，这种血液和/或唾液可以被识别为异物对象。
98.在一个实施例中，处理逻辑识别口内图像中的气泡。气泡可能是唾液的迹象，并且通常不会作为牙齿或牙龈组织的一部分出现。因此，气泡的存在可以是能被检测并用于识别唾液和/或血液的另一种物理特性。
99.在框220处，处理逻辑基于一个或多个物理特性(例如，基于反射率、衍射、对光波长的反应性、纹理、表面图案、颜色和/或形状)将异物对象的表示识别为属于异物对象。这可以包括将识别出的物理特性与参考对象库中的一个或多个参考对象的物理特性进行比较。如果在口内图像中的对象的一个或多个物理特性与参考对象的一个或多个物理特性之间发现匹配，则对象的表示可以被识别为异物对象。
100.在框225处，处理逻辑通过从口内图像中去除异物对象的表示来修改口内图像。在框230处，处理逻辑在口内扫描期间接收包括牙齿部位的附加口内图像的附加扫描数据。在执行框210的操作之前，这些口内图像可以与初始的第一口内图像一起被接收。或者，可以在接收到初始图像之后以及在对第一口内图像执行框210和/或225的操作的同时(或之后)接收一个或多个附加图像。
101.在框235处，处理逻辑以与参照框210所描述的相同的方式分析附加扫描数据。在框240处，处理逻辑然后确定附加口内图像中的任何一个是否包括异物对象的表示。如果是，则在框245处还通过从附加口内图像中去除异物对象来修改这些附加图像。否则，该方
法进行到框255。
102.在框255处，处理逻辑配准(即，“拼接”在一起)口内图像。例如，这可以包括将第一修改后的口内图像配准到第二修改后的口内图像，或者将第一修改后的口内图像配准到第二未修改的口内图像。在一个实施例中，执行图像配准包括捕获多个图像中的表面的各个点的3d数据，并且通过计算图像之间的变换来配准图像。然后可以通过对每个配准图像的点应用适当的变换将图像整合到公共参考系中。然后，处理逻辑基于使用修改后的口内图像和附加口内图像(可能会被修改或可能不会被修改)的配准来生成牙齿部位的虚拟3d模型。虚拟3d模型可以是示出牙齿部位的表面特征的数字模型。
103.图3示出了根据本公开实施例的在口内图像中识别异物对象的方法300的流程图。在方法300的框305处，处理逻辑对口内图像执行图像处理以确定口内图像中的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性。图像处理可以使用边缘检测算法、特征提取算法和/或其他图像处理算法(例如上面描述的那些)来执行。
104.在框310处，处理逻辑从口内图像中确定非自然地出现在牙齿部位处的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性。这可以包括在框315处，将在口内图像中识别出的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性与已知的自然地出现在口中的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性进行比较。在框320处，处理逻辑然后可以基于比较结果来从口内图像中识别非自然地出现在口中的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性。
105.在框325处，处理逻辑确定口内图像的区域的轮廓，该区域具有被确定为非自然地出现在口中的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性中的至少一个。在框330处，处理逻辑可以将口内图像中的轮廓、形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性与参考对象的已知的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性进行比较。在框335处，处理逻辑可以鉴于框330处执行的比较来确定口内图像中的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性是否匹配任何已知的参考对象的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性。如果发现匹配，则该方法进行到框340并且识别异物对象的表示。然后可以从口内图像中去除异物对象的表示。注意，在一些实施例中，在框310或框325处，可以从口内图像中去除非自然地出现在口中的形状、纹理、表面图案、颜色、反射率、衍射和/或对光波长的反应性，而不与参考对象的库进行比较。如果在框335处没有发现匹配，则该方法继续到框345并且不进行异物对象的识别。
106.图4示出了根据本公开实施例的将针对异物对象的条目添加到异物对象参考库的方法400的流程图。在方法400的框405处，处理逻辑进入训练模式(例如，基于用户输入)。在框410处，处理逻辑接收要添加到已知的参考对象库的异物对象的一个或多个图像。可以在异物对象的3d扫描期间接收图像。在框415处，处理逻辑基于图像生成异物对象的虚拟模型。处理逻辑还可对图像和/或虚拟模型执行图像处理以确定异物对象的一个或多个物理特性。在框420处，处理逻辑将异物对象的虚拟模型、异物对象的图像和/或异物对象的物理特性添加到异物对象的参考库。此后，该对象的表示将被识别为异物对象在口内图像中的表示。
107.图5示出了根据本公开实施例的使用异物对象参考库来识别口内图像中的异物对
象的方法500的流程图。在方法500的框505处，处理逻辑接收异物对象在牙齿部位处的指示。该指示可以包括异物对象的标识，例如通过名称、唯一标识符、特点等。例如，正畸医生可以指示患者佩戴用于支具的特定支架。在框510处，处理逻辑使用已知对象的标识来查询参考对象库。在框515处，处理逻辑接收对查询的回应。该回应可以包括异物对象的一个或多个物理特性、异物对象的虚拟模型、与异物对象的条目相关联的元数据和/或其他信息。在框520处，处理逻辑使用异物对象的一个或多个已知特性来识别口内图像中的异物对象。例如，处理逻辑可以在口内图像中搜索具有在回应中识别出的物理特性的对象。
108.图6示出了根据本公开实施例的基于颜色来识别口内图像中的异物对象的方法600的流程图。在方法600的框605处，处理逻辑选择口内图像中的像素(或体素)。在框610处，针对颜色编码系统的每个颜色通道，处理逻辑确定与像素(或体素)相关联的饱和度值或强度值中的至少一个。在框615处，处理逻辑确定元组，该元组包括颜色编码系统的每个颜色通道的饱和度值或强度值中的至少一个。例如，如果使用rgb颜色编码系统，那么元组可以是3元组(r,g,b)。
109.在框620处，处理逻辑将生成的元组与指定的颜色范围进行比较。该指定的颜色范围可以覆盖口中的自然出现的一些颜色或所有颜色。或者，该指定的颜色范围可以覆盖口中非自然地出现的一些颜色或所有颜色。在框625处，处理逻辑确定元组是否在颜色范围之外(在颜色范围指示口中自然出现的颜色的情况下)。如果元组在颜色范围之外(在颜色范围指示口中自然出现的颜色的情况下)，该方法继续到框630，并且像素(或体素)被标记为可能与异物对象相关联。如果元组在颜色范围内，则该方法进行到框635。
110.替代地，在框625处，处理逻辑可以确定元组是否在颜色范围内(在颜色范围指示口中不自然出现的颜色的情况下)。如果元组在颜色范围内(在颜色范围指示口中不自然出现的颜色的情况下)，则该方法继续到框630，并且像素(或体素)被标记为可能与异物对象相关联。如果元组在颜色范围之外，则该方法进行到框635。
111.在框635处，处理逻辑确定是否已经处理了口内图像的所有像素。如果还有其他像素要处理，则该方法返回到框605并且选择另一个像素进行分析。如果口内图像的所有像素都已被处理，则该方法继续到框640。在框640处，处理逻辑确定连续的像素或体素，该连续的像素或体素具有在指定的颜色范围之外的元组(在颜色范围指示口中自然出现的颜色的情况下)或在指定的颜色范围内的元组(在颜色范围指示指示口中不自然出现的颜色的情况下)。在框645处，处理逻辑确定围绕确定出的连续像素或体素的轮廓。在框650处，处理逻辑将轮廓内的像素或体素识别为异物对象的一部分的表示。或者，可以省略框640
‑
645的操作。取而代之，可以从口内图像中滤除标记为可能与异物对象相关联的所有像素。
112.图7示出了根据本公开实施例的提供用于管理口内图像中的异物对象的用户界面的方法700的流程图。在方法700的框705处，处理逻辑在牙齿部位的口内扫描期间接收包括口内图像的扫描数据。在框710处，处理逻辑基于对扫描数据的分析来识别异物对象在口内图像中的表示。在框720处，处理逻辑通过从口内图像中去除异物对象的表示来修改口内图像。在框730处，在口内扫描期间，处理逻辑基于修改后的图像生成牙齿侧面的视图。
113.在框735处，处理逻辑生成异物对象的略图、网格表示、半透明表示或其他表示。在框745处，处理逻辑将异物对象的略图(或其他表示)添加到视图。在框750处，处理逻辑提供用户界面，该用户界面使得用户能够选择异物对象。在框755处，处理逻辑接收用户对异物
对象的选择。用户选择指示不应该从口内图像中去除对象(例如，可以将该对象识别为原生对象)。在框760处，处理逻辑将异物对象添加回口内图像。
114.图8示出了根据本公开实施例的提供用于管理口内图像中的异物对象的用户界面的其他方法800的流程图。在方法800的框805处，处理逻辑在牙齿部位的口内扫描期间接收包括口内图像的扫描数据。在框810处，处理逻辑基于对扫描数据的分析来识别异物对象在口内图像中的表示。在框815处，处理逻辑确定与表示相关联的置信度值。在框820处，处理逻辑确定置信度值低于阈值。如果置信度值低于阈值，则这表明处理逻辑无法准确地确定识别出的对象应该被归类为异物对象还是原生对象。
115.在框830处，在口内扫描期间，处理逻辑基于修改后的图像生成牙齿侧面的视图。在框835处，处理逻辑生成可能的异物对象的略图、网格表示、半透明表示或其他表示。在框845处，处理逻辑将异物对象的略图(或其他表示)添加到视图。在框850处，处理逻辑提供用户界面，该用户界面使得用户能够a)从口内图像中去除异物对象的表示，或b)将对象的表示留在口内图像中。
116.在框855处，处理逻辑接收从口内图像中去除表示的用户选择。在框860处，处理逻辑确定异物对象的一个或多个物理特性。在框865处，处理逻辑从口内图像中去除异物对象。在框870处，处理逻辑将异物对象的条目添加到参考对象库。该条目可以包括异物对象的确定出的物理特性。于是，在未来的口内图像中，处理逻辑将能够以提高的置信度和准确度识别异物对象。
117.在一些实施例中，诸如卷积神经网络(cnn)之类的机器学习模型被用于识别口内图像中的异物对象。口内图像可以是由口内扫描仪生成的图像和/或通过将牙齿部位的虚拟3d模型投影到2d表面或平面上而生成的图像。这样的图像可以是高度图或包括高度图。替代地或附加地，机器学习模型可以直接识别虚拟3d模型中的异物对象(例如，通过将表示虚拟3d模型的数据输入到机器学习模型中)。在一个示例实施例中，一种训练机器学习模型的方法包括接收包括多个口内图像的训练数据集，多个口内图像中的每个图像包括牙齿部位的描绘和指示口内图像中是否包括异物对象的标签。包括异物对象的口内图像还可以包括所提供的异物对象的轮廓。口内图像可以是真实图像和/或可以是计算机生成的图像。该提供的轮廓可能是使用手动过程已生成的，在该手动过程中用户已在图像中的异物对象周围绘制轮廓，或者可能是使用自动或半自动过程生成的。在一些实施例中，具有异物对象的口内图像还标记有异物对象的类别、类型或分类。例如，异物对象的每种类型都可以附有适当的标签。
118.训练机器学习模型包括将训练数据集输入到未经训练的机器学习模型(例如，cnn或其他神经网络)中，并基于训练数据集来训练未经训练的机器学习模型以生成经训练的机器学习模型，该经训练的机器学习模型识别口内图像中的异物对象。机器学习模型还可以被训练为生成异物对象的轮廓。在一个实施例中，机器学习模型被训练为生成二元掩膜，其中，二元掩膜的第一值指示与异物对象相关联的像素，且二元掩膜的第二值指示与原生对象相关联的像素。此外，对于输入的图像，经训练的机器学习模型可以输出已在口内图像中识别出的异物对象的类型的指示。
119.处理逻辑通常一次一个地处理来自训练数据集的图像。处理逻辑处理口内图像以确定输出(分类或标签)并将确定出的分类或标签(或多个分类或标签)与提供的与口内图
像相关联的(一个或多个)分类或标签进行比较以确定一个或多的分类误差。可以为人工神经网络中的每个节点确定误差项或增量。基于此误差，人工神经网络为其一个或多个节点调整其一个或多个参数(节点的一个或多个输入的权重)。可以以反向传播的方式更新参数，以使得首先更新最高层处的节点，再更新下一层处的节点，以此类推。人工神经网络包含多层“神经元”，其中每一层接收来自前一层的神经元作为输入值。每个神经元的参数包括与从前一层的每个神经元接收到的值相关联的权重。因此，调整参数可以包括调整分配给人工神经网络中一个或多个层处的一个或多个神经元的每个输入的权重。
120.在一些实施例中，最初使用具有手动标记和轮廓化的异物对象的小数据集来训练初始机器学习模型。然后，该机器学习模型可用于在训练数据集中的附加图像中自动限定异物对象周围的轮廓，该训练数据集将被用于训练更准确的机器学习模型(或进一步训练初始机器学习模型)。为训练数据集中的图像生成的轮廓可以由用户审查，并且可以由用户在它们不正确的地方进行校正。然后可以使用扩展数据集来训练最终模型以限定口内图像中异物对象周围的轮廓并识别口内图像中的异物对象。这种生成限定异物对象周围的轮廓的机器学习模型的迭代过程使得能够在用户花费最少的时间注释图像的情况下准备较大的训练数据集
121.图9示出了根据本公开实施例的基于使用经训练的机器学习模型(例如，深度学习模型、人工神经网络、卷积神经网络等)从口内图像中滤除异物对象的表示的方法900的流程图。在方法900的框902处，处理逻辑可以对口内图像执行特征提取以确定图像中的特征。这可以包括执行本文上面描述的边缘检测、对象检测和/或其他特征提取技术。
122.在框905处，处理逻辑使用经训练的机器学习模型处理口内图像(和/或口内图像的提取特征)。在一个实施例中，经训练的机器学习模型是深度神经网络。在一个实施例中，经训练的机器学习模型是cnn。例如，卷积神经网络(cnn)托管(host)多层卷积过滤器。执行池化，并在较低层解决非线性问题，在较低层的顶部通常附加多层感知器，将由卷积层提取的顶层特征映射到决策(例如，分类输出)。深度学习是使用级联多层非线性处理单元进行特征提取和转换的一类机器学习算法。每个连续层都使用前一层的输出作为输入。深度神经网络可以以有监督(例如，分类)和/或无监督(例如，模式分析)的方式学习。深度神经网络包括层的层次结构，其中不同的层学习对应于不同抽象级别的不同表示级别。在深度学习中，每个级别都学习将其输入数据转换为稍微更抽象且复合的表示。例如，在图像识别应用中，原始输入可能是像素矩阵；第一表示层可以对像素进行抽象并对边缘编码；第二层可以组合和编码边缘的排列；第三层可以编码更高级别的形状(例如，牙齿、嘴唇、牙龈等)；以及第四层可以识别图像包含面部或限定图像中异物对象周围的轮廓。值得注意的是，深度学习过程可以自行学习哪些特征最适合放置在哪个级别中。“深度学习”中的“深度”是指数据通过其被转换的层的数量。更准确地说，深度学习系统具有相当大的信用分配路径(cap)深度。cap是从输入到输出的转换链。cap描述了输入和输出之间可能的因果关系。对于前馈神经网络，cap的深度可能是网络的深度，也可能是隐藏层的数量加1。对于循环神经网络(在其中信号可能不止一次地通过层传播)，cap深度可能是无限的。在一个实施例中，机器学习模型是区域卷积神经网络(r
‑
cnn)。r
‑
cnn是能够定位和检测图像中的对象的一种类型的cnn。
123.机器学习模型基于图像的当前参数值将分类或标签应用于图像。人工神经网络包
括输入层，该输入层由数据点中的值(例如，口内图像中像素的rgb值)组成。下一层称为隐藏层，并且隐藏层处的节点每个都接收一个或多个输入值。每个节点都包含应用于输入值的参数(例如，权重)。因此，每个节点本质上将输入值输入到多元函数(例如，非线性数学变换)中以产生输出值。下一层可以是另一个隐藏层或输出层。无论哪种情况，下一层处的节点都会接收来自上一层节点的输出值，并且每个节点都会将权重应用于这些值，并且然后生成其自己的输出值。这可以在每一层处执行。最后的层是输出层，其中每个类别都有一个节点。对于人工神经网络，可能存在第一类别(包括异物对象)和第二类别(不包括异物对象)。此外，可以为图像中的每个像素确定该类别。对于图像中的每个像素，最后的层应用图像的像素属于第一类别(异物对象)的概率和图像的像素属于第二类别(原生对象)的概率。在机器学习模型已经被训练为识别多种不同类型的异物对象的实施例中，可以为图像中的每个像素确定不同的类别。
124.在框910处，处理逻辑接收机器学习模型的输出。输出可以包括二元掩膜，该二元掩膜具有与口内图像中的像素或体素的数量相等的元素的数量，其中，与作为异物对象的一部分的像素或体素相关联的元素具有第一值，并且其中与不是异物对象的一部分的像素或体素相关联的元素具有第二值。在框915处，处理逻辑使用掩膜修改口内图像。可从口内图像中去除具有第一值的像素或体素，而具有第二值的像素或体素可保留在口内图像中。
125.图10示出了其上设置有异物对象1030的示例牙弓1005的一部分。如图所示，牙弓1005的一部分包括臼齿(molar)1010和臼齿1020。异物对象1030是牙镜，其设置在臼齿1010和臼齿1020之间的邻间区域中。已经生成了牙弓1005的两个口内图像1058、1060。
126.图11示出了根据本公开一个实施例的包括异物对象1030的第一表示的第一口内图像1058。可以使用上文描述的一个或多个技术处理第一口内图像1058以识别口内图像1058中的异物对象1030。
127.图12示出了根据本公开一个实施例的图11的第一口内图像的修改版本1068，其中，异物对象已经从第一口内图像的修改版本1068中滤除。然后可以使用修改后的图像1068来生成牙弓1005的虚拟3d模型。通过在生成虚拟3d模型之前从口内图像1058中去除异物对象1030，可以提高生成虚拟模型的速度和虚拟模型的准确度。
128.注意，牙镜的镜面可以包括牙齿和/或牙龈组织的反射。反射可以在口内图像158中显示为具有原生对象的物理特性。然而，镜面被非反射性边界包围。在实施例中，处理逻辑可以忽略被具有特定形状和/或满足其他标准的边界包围的信息。这可以确保在反射性异物对象中示出的原生特征的反射不会将处理逻辑混淆成错误地将异物对象识别为原生对象。
129.图13a示出了根据本公开一个实施例的其上设置有异物对象1310的示例牙弓1305的一部分的示图。异物对象1310可以是例如支架、附件、扫描体、成品植入体基台或其他永久安装的对象。在一些实施例中，异物对象可能由难以成像的材料(例如，钛)构成。
130.图13b示出了根据本公开一个实施例的图13a的视图，其中示出了异物对象1310的尚未扫描的区域。可能已经使用上述技术中的任何一个识别出异物对象1310。然后处理逻辑可以将异物对象的完整表示对齐到牙弓1305的视图。如图所示，使用网格略图示出异物对象1310的尚未扫描的部分。随着用户生成异物对象的附加口内图像，可以利用来自附加口内图像的图像数据填充网格轮廓。
131.已经参考处理牙齿部位的图像(例如，口内图像)以识别其中的异物对象(例如，参考对象)讨论了实施例。应当注意，与本文以上描述的技术相同或相似的技术可用于识别通过将多个口内图像拼接在一起而生成的虚拟3d模型中的异物对象。此外，被处理以识别其中的异物对象的图像可能已经由口内扫描仪生成，或者可能已经通过将牙齿部位的虚拟3d模型投影到2d表面或平面上而生成。一旦识别出异物对象，就可以从图像和/或虚拟3d模型中滤除该异物对象，或者可以在图像和/或虚拟3d模型中增强该异物对象，如上所述。
132.图14示出了处于计算装置1400的示例形式的机器的图形表示，该计算装置1400中的一组指令在被执行时用于使该机器执行本文方法讨论的任何一种或多种方法。在备选实施例中，该机器可以连接(例如，联网)到局域网(lan)、内联网、外联网或因特网中的其他机器。机器可以在客户端
‑
服务器网络环境中以服务器或客户端机器的能力运行，或者作为对等(或分布式)网络环境中的对等机器运行。该机器可以是个人计算机(pc)、平板计算机、机顶盒(stb)、个人数字助理(pda)、蜂窝电话、环球网设备、服务器、网络路由器、交换机或者桥接器，或任何能够执行指定该机器要采取的动作的一组指令(顺序地或以其他方式)的机器。此外，虽然仅示出了单个机器，但术语“机器”还应被视为包括单独或联合执行一组(或多组)指令以执行本文讨论的任何一个或多个方法的机器(例如，计算机)的任何集合。
133.示例计算装置1400包括处理装置1402、主存储器1404(例如，只读存储器(rom)、快闪存储器、诸如同步dram(sdram)的动态随机存取存储器(dram)、静态存储器1406(例如，快闪存储器、静态随机存取存储器(sram)等)和辅助存储器(例如，数据存储装置1428)，它们经由总线1408彼此通信。
134.处理装置1402表示诸如微处理器、中央处理单元等的一个或多个通用处理器。更具体地，处理装置1402可以是复杂指令集计算(cisc)微处理器、精简指令集计算(risc)微处理器、超长指令字(vliw)微处理器、实现其他指令集的处理器、或实现指令集的组合的处理器。处理装置1402也可以是一个或多个专用处理装置，诸如专用集成电路(asic)、现场可编程门阵列(fpga)、数字信号处理器(dsp)、网络处理器等。处理装置1402被配置为执行用于执行本文讨论的操作和步骤的处理逻辑(指令1426)。
135.计算装置1400还可以包括用于与网络1464通信的网络接口装置1422。计算装置1400还可以包括视频显示单元1410(例如，液晶显示器(lcd)或阴极射线管(crt))、字母数字输入装置1412(例如，键盘)、光标控制装置1414(例如，鼠标)、以及信号生成装置1420(例如，扬声器)。
136.数据存储装置1428可以包括机器可读存储介质(或者更具体地，非瞬时性计算机可读存储介质)1424，其上存储有体现本文描述的任何一种或多种方法或功能的一组或多组指令1426。其中，非瞬时性存储介质是指除载波之外的存储介质。在由计算机装置1400执行指令1426的期间，指令1426还可以完全或至少部分地驻留在主存储器1404内和/或处理装置1402内，主存储器1404和处理装置1402也构成计算机可读存储介质。
137.计算机可读存储介质1424还可用于存储异物对象识别器1450，其可对应于图1的类似命名的异物对象识别器115。计算机可读存储介质1424还可以存储包含调用异物对象识别器1450的方法的软件库。虽然计算机可读存储介质1424在示例实施例中被示为单个介质，但是术语“计算机可读存储介质”应被视为包括存储一组或多组指令的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。术语“计算机可读
存储介质”还应被视为包括能够存储或编码一组指令以供机器执行并且使机器执行本公开的任何一种或多种方法的任何介质。因此，术语“计算机可读存储介质”应被视为包括但不限于固态存储器、以及光学和磁性介质。
138.图15示出了根据实施例的使用多个器械的正畸治疗的方法1550。可以使用基于患者牙弓的虚拟3d模型生成的定制正畸器械或器械组来实践方法1550。虚拟3d模型可能已经使用根据本文描述的实施例处理和可选地修改的口内图像而生成。在框1560中，将第一正畸器械应用到患者的牙齿上，以便将牙齿从第一牙齿排列重新定位到第二牙齿排列。在框1570中，将第二正畸器械应用到患者的牙齿上，以便将牙齿从第二牙齿排列重新定位到第三牙齿排列。可以根据需要使用任何合适数量的器械和顺序器械的组合来重复方法1550，以便将患者的牙齿从初始排列向目标布排列进行增量地重新定位。可以在同一阶段或成组或分批(例如，在治疗阶段的开始)生成全部这些器械，或者可以一次制造一个器械，并且患者可以佩戴每个器械直到牙齿不再感觉到每个器械的压力为止或直到已经达到该给定阶段呈现的最大牙齿移动量为止。在患者佩戴多种器械中的任何一种之前，可以设计并且甚至制造多种不同的器械(例如，一套器械)。在将器械穿戴了适当的一段时间之后，患者可以用该系列中的下一个器械替换当前的器械，直到不再剩余器械为止。所述器械通常不被固定在牙齿上，并且患者可以在治疗期间中的任何时间放置和更换器械(例如，患者可移动器械)。该系列中的最终的器械或若干器械可以具有被选择用于过度矫正牙齿排列的一个或多个几何形状。例如，一个或多个器械可以具有下面这样的几何形状，该几何形状(如果完全实现的话)将各个牙齿移动为超出已经被选择为“最终”的牙齿排列。为了抵消在重新定位方法已经结束之后潜在的复发，这种过度校正可能是合乎需要的(例如，允许各个牙齿朝向其预校正的位置反向移动)。过度校正也可能有利于加快校正速度(例如，具有超出期望的中间位置或最终位置而定位的几何形状的器械可能会将各个牙齿以较大的速率移向该位置)。在这种情况下，可以在牙齿到达器械所限定的位置之前终止该器械的使用。此外，可以故意进行过度校正，以补偿器械的任何不准确度或限制。
139.图16示出了用于设计正畸器械的方法1600。方法1600的一些或全部框可以由任何适当的数据处理系统或装置(例如，配置有适当指令的一个或多个处理器)执行。在框1610中，确定将一个或多个牙齿从初始排列移动到目标排列的移动路径。初始排列可以由模具或患者牙齿或口腔组织的扫描来确定，例如使用蜡咬、直接接触扫描、x射线成像、断层成像、超声成像以及用于获取有关牙齿、颌骨、牙龈和其他正畸相关组织的位置和结构的信息的其他技术。从获得的数据中，可以导出代表患者的牙齿和其他组织的初始(例如，预处理)排列的数字数据集。可选地，对初始数字数据集进行处理以将组织组成彼此分割。例如，可以产生数字地表示各个牙冠的数据结构。有利地，可以产生整个牙齿的数字模型，包括测量的或推算的隐藏表面和牙根结构，以及周围的骨骼和软组织。
140.牙齿的目标排列(例如，正畸治疗的期望和预期最终结果)可以以处方的形式从临床医生那里接收，可以根据正畸的基本原理计算，和/或可以从门诊处方计算性地推算得出。通过指定牙齿的预期最终位置以及牙齿本身的数字表示，可以指定每个牙齿的最终位置和表面几何形状，以在所需的治疗结束时形成牙齿排列的完整模型。
141.有了每个牙齿的初始位置和目标位置，就可以为每个牙齿的运动定义移动路径。在一些实施例中，移动路径被配置成以具有最少的往返次数的最快方式移动牙齿，以将牙
齿从其初始位置带到其期望的目标位置。可选地，可以对牙齿路径进行分段，并且可以计算分段，以使分段内的每个牙齿的运动保持在线性和旋转平移的阈值限制内。这样，每个路径段的端点可以构成临床上可行的重新定位，并且分段端点的集合体可以构成临床上可行的牙齿位置序列，因此从该序列中的一个点移动到下一个不会导致牙齿的冲突。
142.在框1620中，确定产生一个或多个牙齿沿着移动路径移动的力系统。所述力系统可以包括一个或多个力和/或一个或多个扭矩。不同的力系统会导致不同类型的牙齿移动，例如倾斜、平移、旋转、挤压、侵入、牙根移动等。生物力学原理、建模技术、力计算/测量技术等(包括畸齿矫正中常见的知识和方法)可用于确定要施加到牙齿上的合适的力系统以完成牙齿移动。在确定要施加的力系统时，可以考虑来源，其包括文献、通过实验或虚拟建模确定的力系统、基于计算机的建模、临床经验、不需要的力的最小化等。
143.力系统的确定可以包括对容许的力的约束，例如容许的方向和大小，以及由施加的力引起的期望运动。例如，在制造腭扩展器时，对于不同的患者可能需要不同的移动策略。例如，由于非常年轻的患者可能没有完全定型的缝合处(fully
‑
formed suture)，因此分离腭所需的力的量可能取决于患者的年龄。因此，在没有完整闭合的腭中缝的未成年患者和其他患者中，腭扩展可以通过较小幅度的力来实现。缓慢的腭移动也可以辅助骨骼生长，以填充不断膨胀的缝合处。对于其他患者，可能需要更快速的扩展，这可以通过施加更大的力来实现。这些要求可以根据需要来合并，以选择器械的结构和材料；例如，通过选择能够施加较大力以使腭中缝破裂和/或引起腭快速扩展的腭扩展器。后续的器械阶段可以被设计成施加不同量的力，例如，首先施加较大的力以使缝合处断裂，然后施加较小的力以保持缝合处分离或逐渐扩展腭和/或牙弓。
144.力系统的确定还可以包括对患者的面部结构(例如颌和腭的骨骼结构)进行建模。例如，腭和牙弓的扫描数据(例如，x射线数据或3d光学扫描数据)可以被用于确定患者口腔的骨骼和肌肉系统的参数，从而确定足以提供期望的腭和/或牙弓的扩展的力。在一些实施例中，腭中缝的厚度和/或密度可以被测量或由治疗专家输入。在其他实施例中，治疗专业人员可以基于患者的生理特征选择适当的治疗。例如，还可以基于诸如患者的年龄等因素来评估腭的特性——例如，年轻的青少年患者通常需要比年长的患者更小的力来扩展缝合线，因为，缝合处尚未完全形成。
145.在框1630中，确定被配置为产生力系统的正畸器械。正畸器械、器械的几何形状、材料成分和/或特性的确定可以使用治疗或施力仿真环境来执行。仿真环境可以包括例如计算机建模系统、生物力学系统或装置等。
146.在框1640中，生成用于制造正畸器械或将用于制造正畸器械的模具的指令。该指令可以被配置为控制制造系统或设备，以生产正畸器械和/或模具。在一些实施例中，该指令被配置用于根据本文呈现的各种方法，使用直接制造(例如，立体光刻、选择性激光烧结、熔融沉积成型、3d打印、连续直接制造、多材料直接制造等)来制造正畸器械。在可替代实施例中，所述指令可以被配置用于例如通过以下方式间接制造所述器械：直接3d打印模具，然后在模具上热成型塑料片。
147.方法1600可以包括附加框：1)口内地扫描患者的上牙弓和腭以生成腭和上牙弓的三维数据；2)确定器械的三维形状轮廓以提供如本文所述的间隙和齿啮合结构。
148.图17示出了根据实施例用于数字化地规划正畸治疗和/或器械的设计或制造的方
法1700。该方法1700可以应用于本文所述的任何治疗程序，并且可以由任何合适的数据处理系统来执行。
149.在框1710中，接收患者牙齿的数字表示。该数字表示可以包括患者的口内腔(包括牙齿、牙龈组织等)的表面形貌数据。可以通过使用合适的扫描设备(例如手持式扫描仪、台式扫描仪)直接扫描口内腔、口内腔的物理模型(阳或阴)或口内腔的压痕来生成表面形貌数据。
150.在框1720中，根据牙齿的数字表示来生成一个或多个治疗阶段。治疗阶段可以是正畸治疗程序的递增重新定位阶段，该过程被设计为将患者的一颗或多颗牙齿从初始牙齿排列移动到目标排列。例如，治疗阶段的生成可以通过以下操作来生成：确定由数字表示指示的初始牙齿排列、确定目标牙齿排列、以及确定实现目标牙齿排列所需要的初始排列中一个或多个牙齿的移动路径。可以基于以下各项来优化移动路径：最小化所移动的总距离、防止牙齿之间的冲突、避免更难实现的牙齿移动、或任何其他合适的标准。
151.在框1730中，基于生成的治疗阶段来制造至少一个正畸器械。例如，可以制造一组器械，每个器械都根据由治疗阶段之一指定的牙齿排列来成形，使得患者可以依次佩戴这些器械，以将牙齿从初始排列递增地重新定位到目标排列。器械组可以包括本文描述的一种或多种正畸器械。器械的制造可能包括创建器械的数字模型，以被用作计算机控制的制造系统的输入。可以根据需要使用直接制造方法、间接制造方法或其组合来形成器械。
152.在某些情况下，各种排列或治疗阶段的筹划对于器械的设计和/或制造可能不是必须的。如图17中的虚线所示，正畸器械的设计和/或制造以及可能的特定的正畸治疗可以包括使用患者牙齿的表示(例如，接收患者牙齿的数字表示1710)，然后基于患者牙齿在由接收到的表示所代表的排列中的表示来设计和/或制造正畸器械。
153.应当理解，以上描述旨在是说明性的而非限制性的。在阅读和理解以上描述后，许多其他实施例将是显而易见的。尽管已经参考特定示例实施例描述了本公开的实施例，但是应该认识到，本公开不限于所描述的实施例，而是可以在所附权利要求的精神和范围内通过修改和变更来实践。因此，说明书和附图应被视为说明性的而非限制性的。因此，本发明的范围应该参考所附权利要求以及具有这些权利要求的权利的等同物的全部范围来确定。