本发明涉及计算机辅助生物医学,具体为一种基于深度学习的全牙列无磨耗标准牙齿模型构建方法。
背景技术:
1、牙齿磨耗是上下牙齿相互作用的结果,常见于牙病诊疗中,可导致由牙本质暴露引起的局部不适和牙冠变短引起的美观问题,甚至危及口腔功能。若不加以控制,磨耗可能导致咀嚼肌功能失调且伴随生活质量的下降和健康系统的恶化。
2、牙齿磨耗的测量是研究磨耗的关键,然而目前常见的传统测量方法有方法步骤较繁琐、主观因素影响较大、可靠性不高和难以区分牙列中不同牙齿的磨耗程度等问题。由于其多因素性质,识别和诊断牙齿磨损是困难的,但仍然很重要。多年来,已经开发了各种各样的评估系统,但鲜有被普遍接受,这对研究和临床实践而言并不友好。
3、人工智能是由人类设计、为人类服务的科学技术,已在人类生活的各个方面得到不同程度的应用,正在改变人们的生活方式和工作模式。基于大数据的深度学习使医疗行业发生深刻的改变,使疾病的诊断更快速、准确,治疗更精准、微创。人工智能口腔疾病诊断指人工智能通过深度学习和图像识别能力,达到快速、精准识别影像学病灶,对病灶的相关参数及属性进行精准测量,做出定性、定量判断的过程,其在龋病、牙周病、口腔粘膜病等领域具备明显优势。口腔医学影像的智能诊断以及人工智能对病灶的识别尤为重要,大部分医疗数据源自医学影像,而当前口腔医学影像诊断主要依赖医师经验,存在诊断的主观性较大,信息利用不充分,诊断过程中已出现误判等问题。
4、鉴于以上,有必要结合大数据深度学习技术发明一种快速、可靠且准确的全牙列无磨耗标准牙齿模型构建方法,为临床中磨损可视化和恢复牙齿正常形态提供参考。
技术实现思路
1、针对上述问题,本发明提供了一种基于深度学习的全牙列无磨耗标准牙齿模型构建方法,通过收集大量患者口腔内三维数据模型图像资料,对患者口腔中无磨损的牙齿模型进行大数据深度学习训练,进而能够从有磨耗的牙齿中获取与磨耗程度无关的包含牙齿结构的信息,最终实现输入有磨损牙齿模型得出高准确度无磨耗标准牙齿模型的效果,为临床中磨损可视化和恢复牙齿正常形态提供参考。
2、具体技术方案如下:
3、一种基于深度学习的全牙列无磨耗标准牙齿模型构建方法,其特征在于,包括以下步骤:
4、s1,获取牙齿三维模型,取得若干个单颗牙齿点云模型,并通过人工挑选出无磨耗牙齿;
5、s2,构建深度学习网络,利用s1中无磨耗牙齿三维模型点云数据完成训练,具体包括:
6、s201,将s1中单颗无磨耗牙齿的三维点云数据作为原始点云数据;
7、s202,获取s201中随机裁去部分牙冠的牙体原始点云数据作为输入,通过编码器-解码器结构输出完整牙齿的重建点云数据;
8、s203,获取s201中原始点云与s202中重建点云的深度图;
9、s204,构建联合损失函数并通过联合损失函数优化深度学习网络,完成深度学习网络的训练;
10、s3,获取s1中单颗有磨耗牙齿的三维模型点云数据,随机裁去部分牙冠的点云数据后输入到s2中训练好的深度学习网络中,输出高准确度无磨耗标准牙齿三维模型点云数据;
11、s4,重复s3,获得s1中所有有磨耗牙齿的无磨耗标准牙齿三维模型点云数据,以此完成全牙列无磨耗标准牙齿模型构建。
12、优选地,所述s1包括:
13、s101,获取牙齿三维模型,对牙齿三维模型提取整套牙齿点云模型;
14、s102,对整套牙齿点云模型进行分割,得到若干个单颗牙齿点云模型;
15、s103,通过专业医师人工挑选出无磨耗牙齿。
16、优选地,所述s202包括两个阶段:
17、第一阶段,随机裁去s201中单颗牙齿原始点云的牙冠部分,并最远点采样获得2048个点的三维点云(2048×3)ppart;
18、第二阶段,将第一阶段中获得的三维点云(2048×3)ppart输入至snowflakenet网络进行重建,生成{pc,p1,p2,p3},即
19、pc,p1,p2,p3=snowflakenet(ppart)
20、pc∈r3×256,p1∈r3×512,p2∈r3×2048,p3∈r3×16384;
21、第三阶段,将s201中单颗无磨耗牙齿的三维点云数据采样到与{pc,p1,p2,p3}相同的采样密度,即{pc',p1',p2',p3'},其中p3'为s201中单颗无磨耗牙齿的原始三维点云(16384×3)数据,即原始点云数据。
22、优选地,s203中所述深度图的获取,具体为:使用可微分渲染器将s202中牙齿重建点云p3和原始点云p3'投影生成深度图i和i',即
23、i=r(p3),i'=r(p3')。
24、优选地,所述s204包括五个阶段:
25、第一阶段,计算s202中单颗无磨耗牙齿重建点云{pc,p1,p2,p3}与原始点云{pc',p1',p2',p3'}的chamfer distance,采用计算公式如下:
26、
27、由此得出chamferdistance损失lcompletion,公式为:
28、lcompletion=cd(pc,pc’)+cd(p1,p1’)+cd(p2,p2’)+cd(p3,p3’)
29、其中,cd(p,p')代表两点云p,p'之间的倒角距离,a,b表示点云中的任意两个点,和均表示a,b两个点之间的距离;
30、lcompletion包括:重建点云pc和真实点云pc'之间的倒角距离,重建点云p1和真实点云p1'之间的倒角距离,重建点云p2和真实点云p2'之间的倒角距离,以及重建点云p3和真实点云p3'之间的倒角距离;
31、第二阶段,计算s202中单颗无磨耗牙齿重建点云p3匹配到原始点云p3'的部分匹配损失lpatial,公式为:
32、lpatial=patialmatchloss(ppart,p3),
33、由此得出s202中单颗无磨耗牙齿重建点云{pc,p1,p2,p3}的重建损失lreconstruction,公式为:
34、lreconstruction=lcompletion+lpatial;
35、第三阶段,计算s203中深度图i和i'的渲染损失lrender,公式为:
36、lrender=smoothl1(i,i');
37、第四阶段,构建联合损失函数ltotal,公式为:
38、ltotal=lreconstruction+lrender;
39、第五阶段,通过联合损失函数ltotal优化深度学习网络,完成深度学习网络的牙齿完整模型重建训练。
40、由于本发明采用了上述技术方案,本发明具有以下优点:
41、1.本发明通过收集大量患者口腔内三维数据模型图像资料,对患者口腔中无磨损的牙齿模型进行大数据深度学习训练,进而能够从有磨耗的牙齿中获取与磨耗程度无关的包含牙齿结构的信息,最终实现输入有磨损牙齿模型得出高准确度无磨耗标准牙齿模型的效果,为临床中磨损可视化和恢复牙齿正常形态提供参考。
42、2.本发明通过采取裁去牙冠而保留统一的牙体模型进行深度学习网络训练的方式,有效解决了现实中因难于获取大量成对有磨耗-无磨耗牙齿模型而无法快速并准确可靠地为患者有磨损牙齿进行标准牙齿模型高精度预测的问题。
43、3.本发明通过在联合损失函数中加入深度图渲染损失计算,有效提高了预测牙齿形态特征的准确性和完整性。