一种牙颌模型的建构方法、装置、电子设备及存储介质与流程

本技术实施例涉及口腔临床正畸，特别涉及一种牙颌模型的建构方法、装置、电子设备及存储介质。

背景技术：

1、数字化正畸是结合现代口腔医学、计算机辅助三维诊断、个性化设计以及数字化成型技术形成的一类技术，其通过采集患者牙颌上软组织和硬组织的三维影像数据，构造数字化牙颌模型，并基于该数字化牙颌模型模拟牙齿牙龈的运动、设计矫治器实现。其中，为了更好地设计矫治器，通常需要准确地区分数字化牙颌模型上的各个牙齿的牙冠及牙龈，以便更精确地模拟牙齿牙龈的运动。

2、然而，牙颌模型构造过程中，为了保证牙冠、牙龈区分的准确度，要么需要引入人工参与，以根据多年积累的经验对牙颌模型上牙冠牙龈分割出错的位置进行修正，自动化程度不高，要么需要从多个参数维度对牙颌模型分析，也就是说需要处理大量的数据，尤其是采用机器学习时，其训练阶段需要对大量样本进行特征提取，如果样本量少，可能提取得到的特征不准确，如果样本量大，虽然有利于保证准确性，但提取及处理的过程中，处理数据量大，时间长，效率较低。

技术实现思路

1、本技术实施例的目的在于提供一种牙颌模型的建构方法、装置、电子设备及存储介质，使得在实现全自动建构牙颌模型的同时，提升了牙颌模型建构时牙冠牙龈区分结果的准确性和分牙效率。

2、为达到上述目的，本技术的实施例提供了一种牙颌模型的建构方法，包括：获取待分割的第一牙颌模型；对所述第一牙颌模型中的多个牙冠和牙龈进行分割，得到带牙龈线的第二牙颌模型；对所述第二牙颌模型上对应待优化牙冠的第一目标区域中各元素进行分类，分别确定所述第一目标区域中各元素的分类结果，所述分类结果包括牙龈或牙冠，所述第一目标区域包括所述第二牙颌模型上距离所述待优化牙冠对应的所述牙龈线不超过预设距离的区域；根据所述第一目标区域中各元素的分类结果对所述第二牙颌模型上所述待优化牙冠和牙龈数据进行更新，得到第三牙颌模型。

3、为达到上述目的，本技术的实施例提供了一种牙颌模型的建构装置，包括：获取模块，用于获取待分割的第一牙颌模型；分割模块，用于对所述第一牙颌模型中的多个牙冠和牙龈进行分割，得到带牙龈线的第二牙颌模型；分类模块，用于对所述第二牙颌模型上对应待优化牙冠的第一目标区域中各元素进行分类，分别确定所述第一目标区域中各元素的分类结果，所述分类结果包括牙龈或牙冠，所述第一目标区域包括所述第二牙颌模型上距离所述牙龈线不超过预设距离的区域；更新模块，用于根据所述第一目标区域中各元素的分类结果对所述第二牙颌模型上所述待优化牙冠和牙龈数据进行更新，得到第三牙颌模型。

4、为达到上述目的，本技术的实施例提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的分牙方法，或者，执行如上任一项所述的牙齿矫治器制造方法。

5、为达到上述目的，本技术的实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的牙颌模型的建构方法。

6、本技术实施例提供的牙颌模型的建构方法，获取待分割的第一牙颌模型后，将基于第一牙颌模型建构牙冠牙龈区分准确清晰的牙颌模型的过程分为两个阶段进行，第一阶段对第一牙颌模型中的多个牙冠和牙龈进行分割，得到带牙龈线的第二牙颌模型，第二阶段对第二牙颌模型上对应待优化牙冠的第一目标区域中各元素进行分类，分别确定第一目标区域中各元素的分类结果，以根据第一目标区域中各元素的分类结果对第二牙颌模型上待优化牙冠和牙龈数据进行更新。其中，由于分割牙冠和牙龈的过程中，分割错误较多区域通常位于牙冠牙龈分界线附近的区域，因此，包括第二牙颌模型上距离牙龈线不超过预设距离的区域的第一目标区域，实际是分割错误较多的区域。进而一方面，避免对第二牙颌模型上的所有元素进行更新优化，减少了需要处理的数据量，加快了建构效率，另一方面，第二阶段实际是对第一阶段进行牙冠和牙龈分割后容易出现分割错误或者分割错误较多的区域进行更新，也就是说，本实施例的牙颌模型的建构不是一次性实现，而是分为两个阶段，第一阶段建构初步的第二牙颌模型，并通过第二阶段对第一阶段的结果优化，得到最终的建构完成的第三牙颌模型，使得在保证最终结果准确度不变的情况下，这样各阶段可以不需要通过繁杂的数据处理过程或人工参与来提高分割的准确性，可以采用更加简洁高效的算法处理，在完全自动化实现牙颌模型建构的同时，不仅准确，且效率更高。

7、进一步地，所述对所述第二牙颌模型上对应待优化牙冠的第一目标区域中各元素进行分类，分别确定所述第一目标区域中各元素的分类结果，包括：基于训练好的第一神经网络模型对所述第一目标区域中各元素进行分类，得到对应的各所述第一目标区域中各元素的分类结果。基于神经网络模型实现分类，使得能够通过神经网络模型学习到的潜在表示对牙冠和牙龈进行更加准确的分类。

8、进一步地，所述基于训练好的第一神经网络模型对所述第一目标区域中各元素进行分类之前，包括：对所述第一目标区域中各元素进行特征提取，得到若干所述第一目标区域中各位置的第一目标特征向量，所述第一目标特征向量至少包括位置特征和曲率特征；所述基于训练好的第一神经网络模型对所述第一目标区域中各元素进行分类，包括：基于训练好的所述第一神经网络模型对各所述第一目标区域中各元素的所述第一目标特征向量进行处理，得到对应的各所述第一目标区域中各元素的分类结果。牙龈为紧贴于牙颈周围及邻近的牙槽骨上的结构，因此，真实牙龈线作为真实牙冠和真实牙龈的分界线，表面变化很大，曲率较大，并且在牙颌模型靠近真实牙龈线的区域内通常不会存在牙冠外观不规则导致的曲率较大问题，也就是说，以曲率特征作为依据能够比较准确地进行分类；在此基础上，还增加位置特征，从而避免由于不规则牙冠等导致的曲率较大而分类错误的问题，进一步提高了分类的准确性。

9、进一步地，所述对所述第一目标区域中各元素进行特征提取，包括：确定所述第一目标区域中各元素的顶点的曲率；根据各所述第一目标区域中各元素的顶点的曲率，确定所述第一目标区域中各元素的所述曲率特征。顶点作为牙颌模型的最小组成单元，根据顶点曲率确定元素的曲率特征，使得元素的曲率特征能够更加全面地表征元素在曲率维度上的特征，从而有利于准确地进行分类。

10、进一步地，所述根据所述第一目标区域中各元素的顶点的曲率，确定所述第一目标区域中各元素的所述曲率特征，包括：对所述第一目标区域中各元素的顶点的曲率进行平均，将各顶点的曲率的平均值作为所述第一目标区域中相应的元素的所述曲率特征。提供一种简洁易于实现的曲率特征确定方式。

11、进一步地，所述元素为多边形面片，所述确定所述第一目标区域中各元素的顶点的曲率，包括：通过如下表达式依次确定所述第一目标区域中各多边形面片的顶点的曲率：

12、

13、其中，a(v)为包含顶点v的多个多边形面片的面积之和，n1(v)为包括顶点v的一阶邻域的顶点集合，vi为n1(v)中的一个顶点，θi为第i个多边形面片中过顶点v的两条边所形成的内角的角度。在元素是多边形面片的情况下，以多边形面片的而曲率通过高斯曲率对顶点所在曲面的弯曲程度进行描述，相对于确定顶点处的曲率，能够更好地描述出元素周围区域的相对弯曲程度，有利于更加准确地描述多边形面片在曲率上的特性，从而更准确地进行分类。

14、进一步地，所述基于训练好的第一神经网络模型对所述第一目标区域中各元素进行分类之前，所述方法还包括：从多个样本牙颌模型上提取若干元素样本，所述元素样本携带标签，所述标签用于指示所述元素样本所属的元素类型，所述元素类型至少包括牙冠和牙龈；根据所述元素样本生成训练集，并利用所述训练集对所述第一神经网络模型进行训练，得到训练好的所述第一神经网络模型。基于多个样本牙颌模型提取若干元素样本，使得能够构建较大的数据，以更好地进行神经网络训练，提高第一神经网络模型的准确性。

15、进一步地，所述根据所述元素样本生成训练集，包括：对所述元素样本进行特征提取，得到各所述元素样本的第二目标特征向量；将各所述元素样本所属的所述元素类型添加为对应所述第二目标特征向量的标签；将带标签的所述第二目标特征向量组合为所述训练集。在训练时将样本转换为特征数据再训练，减少训练集数据的特征提取次数，缩短训练总时间。

16、进一步地，所述根据所述元素样本生成训练集，包括：对所述元素样本按照预设方式进行处理，得到扩充元素样本，所述扩充元素样本的标签为对应所述元素样本的标签；将所述元素样本与所述扩充元素样本组合，生成所述训练集。通过数据增强的方式扩大数据集，提高了训练数据的数量和多样性，从而有利于提高第一神经网络模型的鲁棒性和准确性。

17、进一步地，所述预设方式包括以下任一项或其组合：旋转、平移、缩放。通过简洁多样的处理方式实现数据增强，有利于高效地丰富训练数据，进一步提高了第一神经网络模型的鲁棒性和准确性。

18、进一步地，所述元素类型还包括牙龈线；各所述样本牙颌模型上提取的所述元素样本数量均为n；所述从多个样本牙颌模型上提取若干元素样本，包括：优先对各所述样本牙颌模型中所属的元素类型为牙龈线的各元素样本进行提取；以及，提取到的所属元素类型为牙冠的元素样本和所属元素类型为牙龈的元素样本的数量大致相同。在牙冠和牙龈的基础上，训练数据的标签还包括牙龈线，基于牙龈线样本在牙颌模型上的数量较少，所以优先获得牙龈线样本，可以尽量保证牙龈线样本在总样本中的占比，有利于第一神经网络模型更好地学习不同类型元素的潜在表示，提高了第一神经网络模型的准确性。

19、进一步地，所述从多个样本牙颌模型上提取若干位置样本步骤中，从多个样本牙颌模型提取的所述元素样本中，元素类型为牙冠的元素样本和元素类型为牙龈的元素样本的数量大致相同。保证了训练数据的均衡化，从而能够更好地对不同类型的元素的潜在特征进行学习，避免出现过采样、欠采样等问题，有利于提高第一神经网络模型的准确性。

20、进一步地，所述第一神经网络模型包括多个分别用于对不同牙齿类型的牙冠进行分割的神经网络模型；所述基于训练好的第一神经网络模型对所述第一目标区域中各位置进行分类，包括：根据所述待优化牙冠所属的牙齿类型，选择所述第一神经网络模型中对应的神经网络模型对所述第一目标区域中各元素进行分类。对不同牙齿类型训练不同的神经网络，使得分类准确性更高。

21、进一步地，所述第一神经网络模型包括meshsegnet或pointnet。通过不同类型身为网络模型结构实现第一神经网络模型，提高了灵活性。

22、进一步地，所述对所述第一牙颌模型中的多个牙冠和牙龈进行分割，得到带牙龈线的第二牙颌模型，包括：获取所述第一牙颌模型上的特征点，所述特征点为所述第一牙颌模型上的局部最小点；基于聚类算法将所述特征点分类为牙冠或牙龈；根据所述特征点的分类结果，将所述第一牙颌模型上的顶点分类为牙冠或牙龈；根据所述第一牙颌模型上的顶点的分类结果，在所述第一牙颌模型上确定所述牙龈线；在所述第一牙颌模型上确定所述牙龈线上的拐点；根据所述第一牙颌模型上的所述牙龈线和拐点，在所述第一牙颌模型上对相邻牙齿进行分割，得到所述第二牙颌模型。通过非神经网络模型的方式实现牙冠牙龈分割，简化了实现流程，不需要进行训练，有利于降低对牙颌模型的建构方法所部署的设备的算力、存储等要求，能够适应更多的应用场景。

23、进一步地，所述对所述第一牙颌模型中的多个牙冠和牙龈进行分割，得到带牙龈线的第二牙颌模型，包括：基于训练好的第二神经网络模型，对所述第一牙颌模型中的多个牙冠和牙龈进行分割，得到所述第二牙颌模型，所述第二神经网络模型用于提取牙颌模型上各顶点的特征作为局部特征以及牙颌模型的全局特征，并通过所述局部特征和所述全局特征确定各顶点所属的牙位和类型，所述各顶点所属的类型包括牙冠或牙龈。通过神经网络模型的而方式实现牙冠牙龈分割，能够更好地学习特征的潜在表示，分类更加准确。

24、进一步地，所述待优化牙冠包括所述第二牙颌模型上的部分牙冠或所有牙冠。能够灵活地根据实际需求选择优化的范围，有利于提高效率，减少资源浪费。

25、进一步地，所述待优化牙冠包括所述第二牙颌模型上指定的部分牙冠或所有牙冠，指定的方式包括以下中的任一项：用户指定或默认指定。能够灵活地根据需求实现待优化牙冠的指定。