一种可摘局部义齿卡环三维模型设计方法

1.本发明涉及医学图像处理与计算机视觉技术领域，特别涉及一种可摘局部义齿卡环三维模型设计方法。


背景技术：

2.可摘局部义齿作为牙列缺损的修复方案之一，具有低成本、微创性、适应症广泛等优势，在临床中被广泛使用。随着计算机辅助设计与计算机辅助制造(computer-aided design/computer-aided manufacturing,cad/cam)的快速发展，可摘局部义齿的设计与制造流程逐渐向数字化发展，设计效率、加工精度与患者满意度得到较大提升。尽管各类可摘局部义齿设计软件一定程度上为技师的工作提供了便利，目前的设计手段还存在一些不足，如：1)设计软件的自动化和智能化程度不够，义齿的设计仍主要依赖于技师的经验和水平；2)可摘局部义齿组件众多，同时患者牙齿缺失数量与缺牙位置随机性较大，个性化义齿的设计效率仍存在较大提升空间；3)国外商业软件费用高昂，国内数字化齿科软件发展相对缓慢。
3.为进一步提升个性化医疗产品的设计效率与智能化程度，研究人员将深度学习技术应用于医疗产品设计领域，并在全冠修复体设计、嵌体设计、下颌骨缺损重建与颅面缺损修复等领域取得初步成果，但可摘局部义齿或其组件的自动设计目前尚无相关研究。另外，由于可摘局部义齿形态高度复杂，且高质量的义齿设计模型获取难度较高，现有的深度学习技术难以在训练数据受限的情况下获得令人满意的设计结果。


技术实现要素：

4.本发明针对现有技术中的不足，提供一种可摘局部义齿卡环三维模型设计方法；该方法以截断符号距离场为中间表示方法，首先将基牙三角网格模型转为体素化的截断符号距离场表示，然后将其输入包含卷积模块与注意力机制模块的神经网络，预测得到与基牙匹配的可摘局部义齿卡环的截断符号距离场，最后将其转回三角网格表示。
5.为实现上述目的，本发明采用以下技术方案：
6.一种可摘局部义齿卡环三维模型设计方法，包括以下步骤：
7.s1：从完整牙列上单独分离出基牙的三角网格曲面模型，然后通过离散化为体素表示；采用快速行进算法计算体素空间内的截断符号距离场；
8.s2：将基牙的截断符号距离场输入神经网络，得到与输入基牙匹配的可摘局部义齿卡环的截断符号距离场；
9.s3：使用行进立方体算法将可摘局部义齿卡环的截断符号距离场转为三角网格曲面模型。
10.为优化上述技术方案，采取的具体措施还包括：
11.进一步地，在步骤s1中，所述采用快速行进算法计算体素空间内的截断符号距离场具体内容为：
12.s1.1：通过计算体素空间内任一坐标点x的截断符号距离场tsdf(x)，进而得到整个体素空间内的截断符号距离场；所述tsdf(x)的计算公式为：
[0013][0014]
式中，δ为设定值；η为截断距离阈值；sdf(x)为坐标点x处的符号距离，sdf(x)的确定过程如下：
[0015][0016]
式中，ω为基牙曲面；ω
+
表示基牙曲面外部；表示基牙曲面上；ω-表示基牙曲面内部；d(x)为坐标点x处的无符号距离，即坐标点x到基牙曲面上最近点的距离，定义如下：
[0017][0018]
式中，xi为基牙曲面上的点。
[0019]
进一步地，步骤s2的具体内容为：
[0020]
s2.1：将基牙的截断符号距离场送入n个卷积编码模块依次处理；
[0021]
s2.2：将经过步骤s2.1处理后的输出再依次送入一个卷积编码模块、一个注意力机制编码模块、一个卷积编码模块、一个注意力机制编码模块、、、、一个注意力机制编码模块中进行卷积解码模块和注意力机制解码模块的交替处理，其中在该步骤中的卷积编码模块和注意力机制编码模块均有m个；
[0022]
s2.3：将经过步骤s2.2处理后的输出再依次送入一个卷积解码模块、一个注意力机制解码模块、一个卷积解码模块、一个注意力机制解码模块、、、、一个注意力机制解码模块中进行卷积解码模块和注意力机制解码模块的交替处理，其中在该步骤中的卷积解码模块和注意力机制解码模块均有m-1个；然后在对称网络层位置建立跳越连接；
[0023]
s2.4：将步骤s2.3的输出送入多层卷积解码模块进行依次处理，并于对称网络层位置建立跳越连接，最后一层卷积解码模块输出可摘局部义齿卡环的截断符号距离场。
[0024]
进一步地，在步骤s2.1-s2.4中：
[0025]
所述每个卷积编码模块依次包括3
×3×
3的卷积层、instancenorm、leakyrelu和最大池化，且最大池化的窗口大小为23；
[0026]
所述每个注意力机制编码模块采用的是transformer编码器，依次包括多头自注意力层、layernorm、全连接层和layernorm；
[0027]
所述每个卷积解码模块依次包括三次线性插值上采样、3
×3×
3卷积层、instancenorm和leakyrelu，其中三次线性插值上采样的采样率为2；
[0028]
所述每个注意力机制解码模块采用transformer解码器，依次包括多头自注意力层、layernorm、多头自注意力层、layernorm、全连接层和layernorm。
[0029]
进一步地，在步骤s2.3中，所述在对称网络层位置建立跳越连接的具体内容为：将
步骤s2.2中按序的第i个注意力机制编码模块的输出与步骤s2.3中按序的第m-i个卷积解码模块的输出一起输入至步骤s2.3中按序的第m-i个注意力机制解码模块中；在步骤s2.4中，所述在对称网络层位置建立跳越连接的具体内容为：将步骤s2.1中按序第j个卷积编码模块的输出与步骤s2.4中按序第n-j+1个卷积解码模块的输出进行拼接作为该步骤s2.4中第n-j+2个卷积解码模块的输入。
[0030]
一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如上述任一项所述的可摘局部义齿卡环三维模型设计方法。
[0031]
一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上述任一项所述的可摘局部义齿卡环三维模型设计方法。
[0032]
本发明的有益效果是：
[0033]
1、本发明使用深度学习技术实现可摘局部义齿卡环的自动设计，有效提升了可摘局部义齿卡环设计效率的同时，避免了因医师经验和水平差异导致的产品质量差距，可作为可摘局部义齿设计系统的智能辅助。
[0034]
2、本发明以截断符号距离场作为中间表示，将卷积模块和注意力机制模块混合使用，充分提升了网络对形状映射关系的捕捉能力，同时降低了注意力机制对训练集规模的要求，使得算法仅需少量可摘局部义齿数据即可完成网络训练。
附图说明
[0035]
图1是本发明可摘局部义齿卡环设计网络框架示意图。
[0036]
图2是本发明设计的可摘局部义齿卡环与基牙啮合的示意图。
具体实施方式
[0037]
下面结合附图详细说明本发明。
[0038]
本发明公开了一种可摘局部义齿卡环三维模型设计方法，如图1所示，包括：首先使用快速行进算法将离散化为体素的基牙模型转为截断符号距离场，然后将其输入神经网络，经编码和解码后得到与输入基牙匹配的可摘局部义齿卡环的截断符号距离场，最后使用行进立方体算法将可摘局部义齿卡环截断符号距离场转为三角网格曲面模型，即目标可摘局部义齿卡环模型。该方法具体包括以下步骤：
[0039]
步骤1：算法输入为从完整牙列上单独分离出来的基牙三角网格曲面模型，如图1中1所示。首先将输入的基牙三角网格曲面模型离散化为体素表示，分辨率为d3，例如1283，然后使用快速行进算法，如图1中2所示，计算体素空间内的截断符号距离场tsdf(x)，如图1中3所示，其定义如下：
[0040][0041]
其中x为体素空间内任一点的坐标，η为截断距离阈值，例如0.5，sdf(x)为x处的符号距离，定义如下：
1)个卷积编码模块的输出特征维度需要与该步骤中第m-i个卷积解码模块的输出特征维度保持一致。注意力机制解码模块td既不改变数据的分辨率也不改变特征维度大小。因此，如m＝2，即仅有一层cd和td交替处理，且上一层输出分辨率和特征维度分别为43和128，则每个解码模块输出数据的分辨率依次为83和83，特征维度可以依次为64和64。
[0058]
步骤2.4：将步骤2.3输出依次输入n+1个卷积解码模块处理；
[0059]
具体的，卷积解码模块结构与步骤2.3的卷积解码模块保持一致。
[0060]
进一步的，在对称层之间建立跳跃连接，具体为：将步骤2.1中第j(j＝1,2,
…
,n)个卷积编码模块的输出与该步骤中第n-j+1个卷积解码模块的输出进行拼接作为该步骤中第n-j+2个卷积解码模块的输入。
[0061]
卷积解码模块cd的参数设置要求与步骤2.3一致，即令数据的分辨率变为原来的23倍，特征维度降低，同时需要与前序对称位置的卷积编码模块输出特征维度保持一致，具体为：步骤2.1第j(j＝1,2,
…
,n)个卷积编码模块的输出特征维度需要与该步骤中第n-j+1个卷积解码模块的输出特征维度保持一致。因此，如n＝3，即共有4层卷积解码模块处理，且上一层输出分辨率和特征维度分别为83和64，则每个卷积解码模块输出数据的分辨率依次为163、323、643、1283，特征维度可以依次为32、16、8、1。
[0062]
最后一层输出可摘局部义齿卡环的截断符号距离场，如图1中10所示。
[0063]
步骤3：使用行进立方体算法，如图1中11所示，将可摘局部义齿卡环的截断符号距离场转为三角网格曲面模型，如图1中12所示。图2展示了采用本方法设计的可摘局部义齿卡环和基牙啮合的示意图，基牙和可摘局部义齿卡环分别为图2中的13和14。
[0064]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

技术特征：
1.一种可摘局部义齿卡环三维模型设计方法，其特征在于，包括以下步骤：s1：从完整牙列上单独分离出基牙的三角网格曲面模型，然后通过离散化为体素表示；采用快速行进算法计算体素空间内的截断符号距离场；s2：将基牙的截断符号距离场输入神经网络，得到与输入基牙匹配的可摘局部义齿卡环的截断符号距离场；s3：使用行进立方体算法将可摘局部义齿卡环的截断符号距离场转为三角网格曲面模型。2.根据权利要求1所述的一种可摘局部义齿卡环三维模型设计方法，其特征在于，在步骤s1中，所述采用快速行进算法计算体素空间内的截断符号距离场具体内容为：s1.1：通过计算体素空间内任一坐标点x的截断符号距离场tsdf(x)，进而得到整个体素空间内的截断符号距离场；所述tsdf(x)的计算公式为：式中，δ为设定值；η为截断距离阈值；sdf(x)为坐标点x处的符号距离，sdf(x)的确定过程如下：式中，ω为基牙曲面；ω
+
表示基牙曲面外部；表示基牙曲面上；ω-表示基牙曲面内部；d(x)为坐标点x处的无符号距离，即坐标点x到基牙曲面上最近点的距离，定义如下：式中，x
i
为基牙曲面上的点。3.根据权利要求1所述的一种可摘局部义齿卡环三维模型设计方法，其特征在于，步骤s2的具体内容为：s2.1：将基牙的截断符号距离场送入n个卷积编码模块依次处理；s2.2：将经过步骤s2.1处理后的输出再依次送入一个卷积编码模块、一个注意力机制编码模块、一个卷积编码模块、一个注意力机制编码模块、、、、一个注意力机制编码模块中进行卷积解码模块和注意力机制解码模块的交替处理，其中在该步骤中的卷积编码模块和注意力机制编码模块均有m个；s2.3：将经过步骤s2.2处理后的输出再依次送入一个卷积解码模块、一个注意力机制解码模块、一个卷积解码模块、一个注意力机制解码模块、、、、一个注意力机制解码模块中进行卷积解码模块和注意力机制解码模块的交替处理，其中在该步骤中的卷积解码模块和注意力机制解码模块均有m-1个；然后在对称网络层位置建立跳越连接；s2.4：将步骤s2.3的输出送入多层卷积解码模块进行依次处理，并于对称网络层位置建立跳越连接，最后一层卷积解码模块输出可摘局部义齿卡环的截断符号距离场。4.根据权利要求3所述的一种可摘局部义齿卡环三维模型设计方法，其特征在于，在步
骤s2.1-s2.4中：所述每个卷积编码模块依次包括3
×3×
3的卷积层、instancenorm、leakyrelu和最大池化，且最大池化的窗口大小为23；所述每个注意力机制编码模块采用的是transformer编码器，依次包括多头自注意力层、layernorm、全连接层和layernorm；所述每个卷积解码模块依次包括三次线性插值上采样、3
×3×
3卷积层、instancenorm和leakyrelu，其中三次线性插值上采样的采样率为2；所述每个注意力机制解码模块采用transformer解码器，依次包括多头自注意力层、layernorm、多头自注意力层、layernorm、全连接层和layernorm。5.根据权利要求3所述的一种可摘局部义齿卡环三维模型设计方法，其特征在于，在步骤s2.3中，所述在对称网络层位置建立跳越连接的具体内容为：将步骤s2.2中按序的第i个注意力机制编码模块的输出与步骤s2.3中按序的第m-i个卷积解码模块的输出一起输入至步骤s2.3中按序的第m-i个注意力机制解码模块中；在步骤s2.4中，所述在对称网络层位置建立跳越连接的具体内容为：将步骤s2.1中按序第j个卷积编码模块的输出与步骤s2.4中按序第n-j+1个卷积解码模块的输出进行拼接作为该步骤s2.4中第n-j+2个卷积解码模块的输入。6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-5任一项所述的可摘局部义齿卡环三维模型设计方法。7.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-5任一项所述的可摘局部义齿卡环三维模型设计方法。

技术总结
本发明公开一种可摘局部义齿卡环三维模型设计方法，包括步骤S1：将基牙三角网格曲面模型离散化为体素表示，并使用快速行进算法计算体素空间内截断符号距离场；S2：将基牙的截断符号距离场输入神经网络，得到与输入基牙匹配的可摘局部义齿卡环的截断符号距离场；S3：使用行进立方体算法将可摘局部义齿卡环的截断符号距离场转为三角网格曲面模型。本申请方案有效提升了可摘局部义齿卡环设计效率，且避免了因医师经验和水平差异导致的产品质量差距，可作为可摘局部义齿设计辅助；同时以截断符号距离场作为中间表示，将卷积模块和注意力机制模块混合使用，提升网络对形状映射关系的捕捉能力，并降低了注意力机制对训练集规模的要求。要求。要求。


技术研发人员：张长东 申鑫泽 刘婷婷 贾修一 廖文和
受保护的技术使用者：南京理工大学
技术研发日：2023.04.07
技术公布日：2023/7/7