
基于标注网格和kennedy分类的基牙选择匹配方法
技术领域
1.本发明属于3d打印技术领域,尤其涉及基于标注网格和kennedy分类的基牙选择匹配方法。
背景技术:2.在口腔医学的临床实践中﹐三维牙齿表面模型通常是通过扫描牙弓的物理印模(即石膏模型)来实现数字化﹐根据得到的数据化信息进行支架的制作﹐这对患者来说是一种不舒服的经历﹐甚至可能因印模材料的某些特定成分而引起过敏山。与传统的硬拷贝印模相比﹐先进的口内扫描仪可以直接重建了牙列的数字表面模型,因此因其高效和安全而得到广泛的应用。在数字化的三维牙齿表面精确地标记牙齿对于分析和重新安排牙齿位置非常重要。然而,为这一目的开发白动化方法是具有挑战性的﹐因为牙齿的形状在不同的对象和位置上有很大的差异﹐病人的牙齿通常表现出受错位和拥挤影响的异常外观。口内扫描仪的使用进一步增加了牙齿标记的难度﹐因为原始表面的非牙齿部分(如牙龈组织)通常呈现出不规则的形状,口内深层区域(如第二/第三磨牙)可能不会被光学扫描仪完全捕捉到。因此大大增加了,牙齿标记,与支架建模的难度,一般情况新的订单首先经过口内扫描仪,获取牙列的数字化表面模型,牙齿标注师对模型数据,进行牙齿位的标注,支架模型设计师通过经验(临床经验),进行支架的设计,最后保存用户信息,并进行打印。由于牙齿的多样性,因此对于不同的牙齿,不同的缺失位,要定义不同的解决方案。
技术实现要素:3.本发明的目的是提供基于标注网格和kennedy分类的基牙选择匹配方法,解决了当有相似牙列出现时,可将其支架建模信息进行导出,在此基础上进行微调,不需要重新进行支架的建模的技术问题。
4.为实现上述目的,本发明采用如下技术方案:基于标注网格和kennedy分类的基牙选择匹配方法,包括如下步骤:步骤1:部署云服务器,在云服务器中建立数据输入端口,用于通过数据输入端口输入带牙齿标签信息的三角网格数据;步骤2:在云服务器中建立模型处理模块,模型处理模块调取三角网格数据,生成牙齿模型,并对牙齿模型进行knn聚类和边界平滑处理;步骤3:模型处理模块根据全局的牙位信息选择出需要做支架固位的基牙,得到已选取的基牙;步骤4:模型处理模块生成基牙的模型最小包围盒,并得出基牙的生长线,基于的生长线判断上一步得到的基牙生长线是否误差过大,kennedy分类的优先级调整已选取的基牙;步骤5:模型处理模块对已选取的基牙的生长线进行平均值计算,得出平均生长线,根据平均生长线向二维平面进行投影,计算得到二维投影中的双面边界,根据双面边界
得出凹陷区域标记边集合;步骤6:模型处理模块将所有边界边以平均生长方向向下投影,得到一个多面柱体,并将边界区域下的点向柱面进行投影;步骤7:模型处理模块对边界处的投影点进行向内凹陷和拉普拉斯平滑操作;步骤8:模型处理模块以包围盒中心对牙齿进行球面参数化,将卡环沿舌侧和颊侧的边界边进行延申和采样,采用均匀b样条算法对采样结果进行分段拟合,得到拟合后的样条线;步骤9:模型处理模块对拟合后的样条线进行再一次的向外扩展偏置后进行均匀采样,得到均匀采样点;步骤10:模型处理模块对均匀采样点沿区域法向量进行不等距向上偏置得到上表面,并三角网格化进行封闭,生成封闭后行后输出,并进行可视化处理。
5.优选的,在执行步骤2时,具体为首先对邻域进行初始化,然后对相同标签的三角面进行knn聚类和边界平滑处理。
6.优选的,在执行步骤3时,选择缺失位两侧的游离牙和左右尖牙及槽牙作为基牙,同时根据力学的面式原则使选取的基牙均匀分布。
7.优选的,在执行步骤4时,具体包括如下步骤:步骤4-1:根据牙位边缘特征计算牙位边缘边,并生成所有牙位的模型最小包围盒;步骤4-2:根据所有牙位的模型最小包围盒计算出基牙的生长方向,根据生长方向构建出生长线;步骤4-3:基于的生长线判断上一步得到的基牙生长线是否误差过大:是,删除基牙;否,保留基牙;步骤4-4:以kennedy分类的优先级调整已选取的基牙。
8.优选的,在执行步骤5时,具体步骤如下:步骤5-1:选取一个双面边界a,判断该双面边界a的两个三角面投影后是否在同一侧:是,则执行步骤5-2;否,则删除;步骤5-2:存储所有同侧的三角面并根据双面边界a的邻域继续查找,最终得出一个凹陷区域标记边集合。
9.优选的,在执行步骤7时,具体为对于每个边界点向法向量的反方向偏置0.1
×
w毫米,其中w为点的偏置权重。
10.优选的,在执行步骤9时,具体为对于每个采样点,沿样条线法向量的两侧进行偏置0.5mm,并进行均匀采样,并记录所在平面的法向量。
11.本发明所述的基于标注网格和kennedy分类的基牙选择匹配方法,解决了当有相似牙列出现时,可将其支架建模信息进行导出,在此基础上进行微调,不需要重新进行支架的建模的技术问题,本发明可以节省大量的建模设计时间,提高生产效率,并且极大程度上减少了设计师的工作量,极大的降低了操作的难度,控制设备更加的简单,使用起来也是十分的简便,并且大大降低了支架工序的复杂度。
附图说明
12.图1是本发明的流程图;图2是本发明的可视化后的模型主视图;图3是本发明的可视化后的模型侧视图;图4是本发明的可视化后的模型俯视图。
实施方式
13.由图1-图4所示的基于标注网格和kennedy分类的基牙选择匹配方法,包括如下步骤:步骤1:部署云服务器,在云服务器中建立数据输入端口,用于通过数据输入端口输入带牙齿标签信息的三角网格数据。
14.步骤2:在云服务器中建立模型处理模块,模型处理模块调取三角网格数据,生成牙齿模型,并对牙齿模型进行knn聚类和边界平滑处理;具体为首先对邻域进行初始化,然后对相同标签的三角面进行knn聚类和边界平滑处理。
15.本实施例中,深度学习是将经过步骤二处理的模型,送入到3d分割网络中预测出牙位信息和缺失位信息;3d分割网络可以通过预测每个牙模中牙齿的位置,从而获得牙位信息,具体包括首先,读取输入待预测的三维模型数据;然后,使用特征提取器提取出模型数据的特征; 接着,使用分类器对特征进行分类,得到每个网格体素的类别; 最后,使用后处理器将每个网格体素的类别标记输出,生成预测结果。
16.步骤3:模型处理模块根据全局的牙位信息选择出需要做支架固位的基牙,得到已选取的基牙;本发明中选择缺失位两侧的游离牙和左右尖牙及槽牙作为基牙,同时根据力学的面式原则使选取的基牙均匀分布。
17.步骤4:模型处理模块生成基牙的模型最小包围盒,并得出基牙的生长线,基于的生长线判断上一步得到的基牙生长线是否误差过大,kennedy分类的优先级调整已选取的基牙;基牙生长线是指基牙(又称为“乳牙"”)的形成和生长过程中所经过的轴线。在口腔内,基牙生长线决定了基牙的位置,从而决定了其他牙齿的位置。因此,测量基牙生长线对于确定基牙位置和规划正畸治疗很重要。
18.在本实施例中,首先根据牙齿的长度和宽度,牙龈的厚度和颜色,来观察基牙生长线;然后使用三角剖分算法,对牙齿和牙龈的表面进行剖分,获得表面上的三角形数据;再然后使用曲线拟合算法,根据三角形的顶点数据,拟合出牙齿和牙龈的边缘;最后根据牙齿和牙龈的边缘信息,获得基牙生长线的信息;三角剖分算法是一种用于将多边形表面分割成多个三角形小多边形的算法。它可以将任何凸多 边形表面分割成三角形,从而可以进行三维建模和图形处理等应用。
19.基本原理:将多边形表面按照一定的规则分割成若干个三角形,使得每个三角形的顶点都在原 多边形的顶点上,而每个三角形的边都在原多边形的边上或者跨越原多边形的一条边。
20.备注:曲线拟合算法是一种用于通过拟合一组给定的数据点,来得到一条曲线的
算法。
21.具体包括如下步骤:步骤4-1:根据牙位边缘特征计算牙位边缘边,并生成所有牙位的模型最小包围盒;步骤4-2:根据所有牙位的模型最小包围盒计算出基牙的生长方向,根据生长方向构建出生长线;步骤4-3:基于的生长线判断上一步得到的基牙生长线是否误差过大:是,删除基牙;否,保留基牙;步骤4-4:以kennedy分类的优先级调整已选取的基牙。
22.步骤5:模型处理模块对已选取的基牙的生长线进行平均值计算,得出平均生长线,根据平均生长线向二维平面进行投影,计算得到二维投影中的双面边界,根据双面边界得出凹陷区域标记边集合;具体步骤如下:步骤5-1:选取一个双面边界a,判断该双面边界a的两个三角面投影后是否在同一侧:是,则执行步骤5-2;否,则删除;步骤5-2:存储所有同侧的三角面并根据双面边界a的邻域继续查找,最终得出一个凹陷区域标记边集合。
23.步骤6:模型处理模块将所有边界边以平均生长方向向下投影,得到一个多面柱体,并将边界区域下的点向柱面进行投影;步骤7:模型处理模块对边界处的投影点进行向内凹陷和拉普拉斯平滑操作;具体为对于每个边界点向法向量的反方向偏置0.1
×
w毫米,其中w为点的偏置权重。
24.步骤8:模型处理模块以包围盒中心对牙齿进行球面参数化,将卡环沿舌侧和颊侧的边界边进行延申和采样,采用均匀b样条算法对采样结果进行分段拟合,得到拟合后的样条线;步骤9:模型处理模块对拟合后的样条线进行再一次的向外扩展偏置后进行均匀采样,得到均匀采样点;具体为对于每个采样点,沿样条线法向量的两侧进行偏置0.5mm,并进行均匀采样,并记录所在平面的法向量。
25.本实施例中,对拟合后的样条线进行再一次的向外扩展偏置具体为对于每个采样点,沿样条线法向量的两侧进行扩展偏置0.5mm;具体步骤包括首先,根据沿样条线的法向量,计算出采样点的坐标;然后,根据法向量计算出两个扩展点的坐标,每个扩展点坐标都比采样点的坐标多0.5mm;最后,计算从采样点到两个扩展点的距离,即可计算出偏置0.5mm的结果步骤10:模型处理模块对均匀采样点沿区域法向量进行不等距向上偏置得到上表面,并三角网格化进行封闭,生成封闭后行后输出,并进行可视化处理。
26.本发明对与不同牙齿的解决方案,进行储存经验值,当有两个极其相似牙列的数字表面模型,可将其支架建模信息进行导出,在此基础上进行微调,便不用重新进行支架的建模;通过人工智能的方法,可以对每个经过口内扫描仪保存的牙列数字表面模型进行自动标记(标记单个牙齿位置及缺失牙位置的信息),并在此基础上对不同的标记信息进行分类,保存。之后进行牙齿的支架的建模,由于我们有完善的数据库,因此,建模时我们通过匹
配算法,匹配出与当前订单最相似的支架模型,导出进行使用,并在此基础上进行微调,节省了大量的人力物力,极大的提高了效率。
27.本发明的支架模型质量得到提升,传统的现有技术中需要大量的人为判断与经验,很容易造成疲惫,导致错误的发生;而我们的自动匹配,会事先进行匹配,匹配成功后,导出支架模型,设计师进行微调即可,倘若匹配不成功,设计师重新设计一个支架模型,保存到数据库中,之后再有类似的牙列模型,可直接导入进行微调;通过人工智能和设计师二者经验相结合,使我们设计质量有了显著的提升。
28.本发明所述的基于标注网格和kennedy分类的基牙选择匹配方法,解决了当有相似牙列出现时,可将其支架建模信息进行导出,在此基础上进行微调,不需要重新进行支架的建模的技术问题,本发明可以节省大量的建模设计时间,提高生产效率,并且极大程度上减少了设计师的工作量,极大的降低了操作的难度,控制设备更加的简单,使用起来也是十分的简便,并且大大降低了支架工序的复杂度。