口腔CBCT图像与激光扫描牙齿网格的数据融合方法与流程

本发明属于口腔医疗数字化领域，特别是涉及一种口腔cbct图像与激光扫描牙齿网格的数据融合方法。

背景技术：

目前大部分相关软件产品的对齐功能需要用户交互，且该交互需要不少的工作量(用户需要调整两个模型的视角，并较为精确地在两个模型上标记3组(或以上)的对应点)。

极少数产品提供自动化对齐功能，但仍需要用户交互式进行预处理且算法的稳定性不能保证(如nobleclinician或blueskyplant)。

公布号为cn105447908a的专利公开了一种基于口腔扫描数据和cbct数据的牙列模型生成方法，该方法在对齐cbct图像和扫描牙齿数据时仍然需要用户标记多组对应点，不利于软件的用户友好性。

2017年2月第34卷第1期发表在生物医学工程学杂志的论文“基于口腔计算机断层扫描图像与激光扫描图像融合的牙齿三维模型重构”在对齐cbct和扫描数据时，需要先分别从cbct图像和扫描网格数据分割出牙冠部分，两边的分割算法都需要用户的交互进行初始化，算法过程较为复杂，存在一定的效率和稳定性问题，尤其是从cbct图像分割牙冠。

总而言之：目前绝大部分的cbct图像与扫描牙齿网格数据对齐技术仍然采用选取多组对应点进行对齐，而少量的自动化对齐方案算法过程复杂，存在效率和稳定性方面的不足。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种效率更高的口腔cbct图像与激光扫描牙齿网格的数据融合方法。

为实现上述目的，本发明提供了一种口腔cbct图像与激光扫描牙齿网格的数据融合方法，其特征在于包括以下步骤：

步骤1：读取cbct图像和扫描牙齿网格模型数据

读取cbct扫描得到的三维dicom图像序列数据，以及激光扫描的牙齿网格模型；

步骤2：从cbct图像重建出带牙齿部位的头部骨骼网格模型

首先从cbct图像重建出包含牙齿部位的网格，从cbct图像中抽取等值面网格，重建出包含有牙齿部位的头部骨骼网格模型；

步骤3：用户标记一组对应点并设置对齐模式

在所述头部骨骼网格模型和所述牙齿网格模型上，用户手动拾取一组对应标记点；

步骤4：从所述头部骨骼网格模型中分割出牙齿部位网格

设定灰度值阈值a，从cbct图像中抽取出所有大于该灰度阈值的像素位置形成估计点集；然后，使用所述估计点集的轴向平行包围盒从重建的头部骨骼网格模型中分割出整个牙齿部位的网格；

步骤5：分割牙齿上下颌

使用graphcut算法分割牙齿的上下颌；在步骤4得到的牙齿网格上建立一个流量图，网格的顶点作为图的节点，网格的边作为图的边，边的权重(或容量)设置为两个节点在网格上的高斯曲率的平均值；

选择接近上颌牙齿分割平面的点作为源集sources，接近下颌分割平面的点作为汇集sinks；最后使用多源多汇的最大流算法求解最小割，得到分割后的两个网格模型；分割后的模型中连接源集的网格模型为牙齿上颌模型，连接汇集的网格模型为牙齿下颌模型；

步骤6：设定用于对齐的固定模型和浮动模型

将固定模型设为分割后的上颌牙齿或下颌牙齿；将浮动模型设为扫描牙齿网格模型；在对齐过程中，浮动模型通过几何坐标变换向固定模型运动以达到两个模型的最佳配准。

步骤7：初始化对齐

初始化对齐的目标是将固定模型和浮动模型进行粗略地对齐；

首先，对齐两个模型的牙尖的朝向；采用主成分分析方法分析两个网格模型的形态，得到三个主方向和三个对应的特征值；将固定模型与浮动模型按照主成分分析方法估计的最小主方向进行对齐；

然后，根据步骤3中标记的对应点进一步对齐牙齿的位置和朝向；将固定模型和浮动模型按照标记点的位置进行平移重合，并在保持牙尖朝向的条件下对齐标记点的法向量，即将法向量分别向牙尖朝向进行投影分解，然后对齐各自垂直于主方向的分量；采用icp算法尝试两种初步对齐状态，并将具有最多对应点个数的对齐结果作为最终的初始化对齐状态；

步骤8：精确对齐；

在icp算法配置中首先采用一对一对应点筛选器筛选对应点进行对齐；然后采用倒置对应点筛选器筛选对应点进一步进行对齐；

经过精确对齐后的浮动模型状态作为最终扫描牙齿网格模型对齐到cbct图像牙齿部位的结果。

较佳的，所述点到平面的icp方法的一般过程为按以下步骤进行迭代：

(1)寻找固定模型和当前浮动模型的对应点；

(2)计算最优的刚性变换矩阵m，且应用变换m更新当前浮动模型；直至收敛，最后的浮动模型为对齐后的状态。

较佳的，对应点的寻找方法为对浮动模型中的每一个点，寻找固定模型中的距离最近的点作为对应点。

较佳的，通过使用对应点筛选器对找到的对应点进行筛选。

较佳的，所述对应点筛选器为一对一对应点筛选器；一对一对应点筛选器对多个浮动模型的点对应固定模型中的同一个点的对应关系进行筛选，保留距离最近的一组对应点。

较佳的，所述对应点筛选器为倒置对应点筛选器；倒置对应点筛选器保留相互是最近点的对应点。

本发明的有益效果是：本发明可在用户选取一对点的情况下自动对齐口腔cbct图像和激光扫描牙齿网格模型，这得益于本技术方案能自动分割出cbct图像数据的上下颌牙齿，采用了合适的icp初始化以及算法的优化配置。

本技术方案通过先简单分割出cbct中的牙齿部位，以及进一步利用图论里的最小割方法自动分割出上下颌，减少了cbct这边非牙齿部位数据(尤其是另一侧牙齿)的干扰，对下一步的初始化对齐和精确对齐有很大帮助。而在本文了解的现有产品和技术中，这部分通常是用户在对齐模型前需要提前交互分割好上颌(或下颌)牙齿(或者需要分开带有上下颌的上下头骨)。这往往会产生较大的用户交互量，并且分割时容易裁剪掉重要的牙齿部位(尤其是牙冠)的数据。

本技术方案中，icp算法配置为：首先结合一对一对应点筛选器进行初步精确对齐，然后使用倒置对应点筛选器，进一步最终精确对齐。初步精确对齐的过程一方面对初始化较为鲁棒，使得可以通过采用pca结合单个标记点初始化；另一方面具有快速的收敛速度，能较快得到一个基本的初步精确对齐状态。采用倒置对应进一步精确对齐，可筛选出更准确的对应点，提高对齐的精度。另外，采用一对一对应点筛选器和使用倒置对应约束，对噪音数据(比如cbct牙齿数据和扫描牙齿数据都存在一些非牙冠区域)较为稳定，因而在本技术方案中基本不需要对两边的牙冠进行分割。

总结而言，本发明公布的对齐技术方案具有流程简单、更高的效率以及极好的稳定性等优点。另外，本发明的技术方案，使得交互式的选点对齐更为用户友好化。首先，本发明公布了一种单点标记对齐技术，大大减少了用户的交互程度；其次，本发明的方案使得用户在选点时，也不需要十分精确，大大降低了用户的交互难度。

附图说明

图1是本发明一具体实施方式的辅助示意图。

图2是口腔cbct图像序列示意图。

图3是激光扫描模型(上颌)示意图。

图4是骨骼网格示意图。

图5是牙齿网格示意图。

图6是分割后的上颌示意图。

图7是分割后的下颌示意图。

图8是单点初始化结果示意图。

图9是精准对齐结果示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

如图1至图9所示，一种口腔cbct图像与激光扫描牙齿网格的数据融合方法，包括以下步骤：

步骤1：读取cbct图像和扫描牙齿网格模型数据

读取cbct扫描得到的三维dicom图像序列数据，以及激光扫描的牙齿网格模型；

步骤2：从cbct图像重建出带牙齿部位的头部骨骼网格模型

首先从cbct图像重建出包含牙齿部位的网格，将cbct图像与扫描网格模型的牙齿部位的对齐转换为重建的网格模型与扫描牙齿模型的牙齿部位对齐。具体采用marchingcubes方法从cbct图像中抽取等值面网格(isosurface)，重建出包含有牙齿部位的头部骨骼网格模型；等值面的值设置为接近骨骼的cbct图像的灰度值，本实施例取灰度值1000。

步骤3：用户标记一组对应点并设置对齐模式

在所述头部骨骼网格模型和所述牙齿网格模型上，用户手动拾取一组对应标记点。本实施例在对应的某颗牙齿上的近似部位(例如都取在牙齿外侧表面的接近中间的部位)分别拾取一个点，用于后面初始化对齐。计算(或获取)并记录标记点的位置(拾取到的在网格上某个三角面片内的点的坐标)和法向量(即标记点所在的一个三角网格面片的法向量)。另外，用户设置对齐上颌牙齿或是下颌牙齿；

步骤4：从所述头部骨骼网格模型中分割出牙齿部位网格

设定较高的灰度值阈值a，本实施例取2600，从cbct图像中抽取出所有大于该灰度阈值的像素位置形成估计点集；由于牙齿部位的像素灰度值相对较高，抽取出的点集基本集中在牙齿部位，因而通过估计点集的aabb包围盒(轴向平行包围盒)，可粗略得到牙齿部位的位置。然后，使用所述估计点集的轴向平行包围盒从重建的头部骨骼网格模型中分割出整个牙齿部位的网格。

步骤5：分割牙齿上下颌

使用graphcut算法(具体为s-tcut)分割牙齿的上下颌；在步骤4得到的牙齿网格上建立一个流量图，网格的顶点作为图的节点，网格的边作为图的边，边的权重(或容量)设置为两个节点(即网格顶点)在网格上的高斯曲率的平均值；

选择接近上颌牙齿分割平面(即过牙齿模型的具有最小z值的顶点，且平行于xy平面的面)的点作为源集sources，接近下颌分割平面(即过牙齿模型的具有最大z值的顶点，且平行于xy平面的平面)的点作为汇集sinks；最后使用多源多汇的最大流算法求解最小割，得到分割后的两个网格模型；分割后的模型中连接源集的网格模型为牙齿上颌模型，连接汇集的网格模型为牙齿下颌模型；

步骤6：设定用于对齐的固定模型和浮动模型

将固定模型设为分割后的上颌牙齿或下颌牙齿；若用户在步骤4选择对齐上颌，则将上颌牙齿模型设置为固定模型；反之，则将下颌牙齿模型设为固定模型。将浮动模型设为扫描牙齿网格模型；

步骤7：初始化对齐

初始化对齐的目标是将固定模型和浮动模型进行粗略地对齐；

首先，大致对齐两个模型的牙尖的朝向；采用主成分分析方法(principlecomponentanalysis，pca)分析两个网格模型的形态(即网格的所有顶点的分布)，分别得到三个主方向和三个对应的特征值；对应特征值最大的两个主方向形成的平面，指示了构成牙齿的网格的顶点主要分布(或牙弓曲线所接近)的平面，对应的特征值最小的主方向近似于牙尖的朝向。因而，先将固定模型与浮动模型按照主成分分析方法估计的最小主方向进行对齐；

然后，根据步骤3中标记的对应点进一步对齐牙齿的位置和朝向；将固定模型和浮动模型按照标记点的位置进行平移重合，并在保持牙尖朝向的条件下对齐标记点的法向量，即将法向量分别向牙尖朝向(最小主方向)进行投影分解，然后对齐各自垂直于主方向的分量(方向)；由于两个模型牙尖方向的朝向存在正负方向问题(即最小主方向可能与牙尖朝向刚好相反)，具有两个相反朝向的初步对齐状态。采用icp(iterativeclosestpoint，点到面的迭代最近点)算法尝试两种初步对齐状态，并将具有最多对应点个数的对齐结果作为最终的初始化对齐状态；

步骤8：精确对齐；

步骤801、初始化对齐的icp的算法配置分为两个阶段，首先采用一对一对应点筛选器筛选对应点进行对齐，收敛的最大迭代次数设置为30次；然后采用倒置对应点筛选器筛选对应点进一步进行对齐，收敛的最大迭代次数设置为10次；

最后，计算浮动模型的每个点的对应点，并使用倒置对应筛选器进行筛选，得到更可靠的对应点对；选择具有更多的对应点对的对齐状态作为用于下一步精确对齐的初始状态；

步骤802、采用点到平面的icp算法在初始化对齐状态下进一步精确对齐固定模型和浮动模型；

icp算法配置为首先采用一对一对应点筛选器筛选对应点进行对齐，收敛的最大迭代次数设置为70次；然后采用倒置对应点筛选器筛选对应点进一步进行对齐，收敛的最大迭代次数设置为30次。

经过精确对齐后的浮动模型状态作为最终扫描牙齿网格模型对齐到cbct图像牙齿部位的结果。

本实施例中所述点到平面的icp方法的一般过程为按以下步骤进行迭代：

(1)寻找固定模型和当前浮动模型的对应点；

(2)计算最优的刚性变换矩阵m(m能使得将当前浮动模型应用变换m后，点到固定模型的对应点所在的平面的平均平方距离误差最小)，且应用变换m更新当前浮动模型；直至收敛，最后的浮动模型为对齐后的状态。

本实施例中对应点的寻找方法为对浮动模型中的每一个点，寻找固定模型中的距离最近的点作为对应点。

本实施例中通过使用对应点筛选器对找到的对应点进行筛选，以提升算法的稳定性。

本实施例中所述对应点筛选器为一对一对应点筛选器；一对一对应点筛选器对多个浮动模型的点对应固定模型中的同一个点的对应关系进行筛选，保留距离最近的一组对应点。

当然在其他实施例中，所述对应点筛选器还可以为倒置对应点筛选器；倒置对应点筛选器保留相互是最近点的对应点。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。