CN111563953A - 基于机器学习的颌骨缺损重建方法、装置、终端和介质 - Google Patents

Abstract

本申请提供基于机器学习的颌骨缺损重建方法、装置、终端和介质，包括：采集预设人群范围内的多个被采样人员的颌骨CT数据；基于所述颌骨CT数据，确立每个所述被采样人员的上、下颌骨表面特征性的多个颌骨特征点；通过机器学习算法获取各所述颌骨特征点之间的相关性，以基于各所述颌骨特征点之间的相关性来进行颌骨缺损重建。本发明利用机器学习进行颌骨特征点的还原，可在复杂颌骨重建过程中提供精确且个性化的方案，解决了跨中线大范围颌骨缺损病例重建仅凭经验、无参照可依的临床难题。此外，本发明基于预设人群范围内的颌骨CT数据，有针对性地对特定族群提供颌骨重建策略，在保证骨段血供、保留种植位点的同时，更加贴近该特定族群的面部外形。

Description

基于机器学习的颌骨缺损重建方法、装置、终端和介质

技术领域

本申请涉及颌骨缺损重建领域，特别是涉及基于机器学习的颌骨缺损重建方法、装置、终端和介质。

背景技术

颌骨作为面部中、下三分之一的主要骨性结构，其对面部外形及生理功能的至关重要。如何更好地重建因外伤、畸形或肿瘤手术而导致的颌骨缺损，是困扰口腔颌面外科和整形外科医师的临床难题。

尽管近年来生物相容性新材料、骨组织工程和种植赝复体等技术层出不穷，但由于口腔内组织受微生物环境及力学分布等多种因素的影响，目前主流的修复手段仍然是使用腓骨、髂骨或肩胛骨等组织瓣进行血管化的自体骨移植修复缺损颌骨。在进行血管化游离复合组织瓣移植时，骨块的塑形摆位一直是手术中的难点，但是针对骨瓣塑形方法的具体研究，国内外的文献报道中鲜有提及。通常的做法是基于对称性进行设计，然而对于那些跨中线的大范围缺损的病例，由于缺乏健侧作为参照，无法直接通过镜像手段设计。

机器学习算法是目前大数据背景下，计算机领域的一个研究热点。其以算法逻辑模拟人类大脑神经元间多层拓扑网络的链接方式，实现了程序对原始信息的逐层分析能力，即使机器具备了一定的学习能力。在医学领域，专家诊断***、疾病预后模型，以及数字化病理学诊断等[9、10]均是人工智能技术与临床应用背景相结合的最新探索。CampanellaG等[11]收集了1.5万名患者的病理影像学资料，基于机器学习算法模型对数据集进行了训练，最终构建了一套有关***癌、皮肤癌等的病理学人工智能决策***。这一研究结果有助于缓解临床病理医生庞大的阅片压力，同时也揭示了机器学习算法在医学研究中的应用潜力。

因此，如何利用计算机技术来提供一种适用于跨中线、大范围颌骨缺损的术前设计方案，成本本领域亟需解决的技术问题。

申请内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供，用于解决现有技术中不能提供适用于跨中线、大范围颌骨缺损的术前设计方案的技术问题。

为实现上述目的及其他相关目的，本申请的第一方面提供一种基于机器学习的颌骨缺损重建方法，包括：采集预设人群范围内的多个被采样人员的颌骨CT数据；基于所述颌骨CT数据，确立每个所述被采样人员的上、下颌骨表面特征性的多个颌骨特征点；通过机器学习算法获取各所述颌骨特征点之间的相关性，以基于各所述颌骨特征点之间的相关性来进行颌骨缺损重建。

于本申请的第一方面的一些实施例中，所述颌骨缺损重建方法还包括：对所述颌骨特征点进行统计分析，以获取不同性别的颌骨特征点分别在线性变量及角度变量上的差异。

于本申请的第一方面的一些实施例中，所述预设族群包括符合预设采集要求的人群；所述预设采集要求包括：相同族群、所属年龄段相同、所述身高范围相同以及无头颅损伤史中的任意一种或多种的组合。

于本申请的第一方面的一些实施例中，每个所述被采样人员所对应的上、下颌骨表面特征性的所有颌骨特征点的三维坐标信息归为一组数据；所述方法包括：将一部分组数据作为训练集，用于训练所述机器学习算法；将剩余部分组数据作为测试集，用于测试训练后的机器学习算法，并统计该机器学习算法的输出值和实际值之间的差异。

于本申请的第一方面的一些实施例中，所述方法还包括：利用所述测试集来模拟极端的颌骨缺失情况，输出颌骨缺失部分所对应的特征点的坐标预测值，并统计该坐标预测值和坐标实际值之间的差异；其中，所述极端的颌骨缺失情况包括双侧上颌骨完全缺失或下颌骨完全缺失。

于本申请的第一方面的一些实施例中，所述颌骨特征点包括：上齿槽缘点、双侧眶内侧点、双侧眶外侧点、双侧颧弓外下点、双侧近中牙槽缘点、颏前点、双侧颏旁点、双侧下颌角点、双侧髁外侧点。

为实现上述目的及其他相关目的，本申请的第二方面提供种基于机器学习的颌骨缺损重建装置，包括：数据采集模块，用于采集预设人群范围内的多个被采样人员的颌骨CT数据；特征点确立模块，用于基于所述颌骨CT数据，确立每个所述被采样人员的上、下颌骨表面特征性的多个颌骨特征点；缺损重建模块，用于通过机器学习算法获取各所述颌骨特征点之间的相关性，以基于各所述颌骨特征点之间的相关性来进行颌骨缺损重建。

于本申请的第二方面的一些实施例中，所述装置还包括：统计分析模块，用于对所述颌骨特征点进行统计分析，以获取不同性别的颌骨特征点分别在线性变量及角度变量上的差异。

为实现上述目的及其他相关目的，本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于机器学习的颌骨缺损重建方法。

为实现上述目的及其他相关目的，本申请的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于机器学习的颌骨缺损重建方法。

如上所述，本申请的基于机器学习的颌骨缺损重建方法、装置、终端和介质，具有以下有益效果：本发明利用机器学习进行颌骨特征点的还原，可在复杂颌骨重建过程中提供精确且个性化的方案，解决了跨中线大范围颌骨缺损病例重建仅凭经验、无参照可依的临床难题。此外，本发明基于预设人群范围内的颌骨CT数据，有针对性地对特定族群提供颌骨重建策略，在保证骨段血供、保留种植位点的同时，更加贴近该特定族群的面部外形。

附图说明

图1显示为本申请一实施例中的基于机器学习的颌骨缺损重建方法的流程示意图。

图2显示为本申请一实施例中的颌骨特征点的布局示意图。

图3显示为本申请一实施例中的基于机器学习的颌骨缺损重建装置的结构示意图。

图4显示为本申请一实施例中的电子终端的结构示意图。

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。

在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

目前，数字化颌骨重建的术前设计大致有以下几类方法：(1)直接设计，即直接在缺损的虚拟颌骨模型上进行修改和设计，这种方法使用于小范围骨质缺损，可以对局部缺损进行精修，但主观性占比仍较高，适用度有限；(2)模型外科，即可使外科医生可以在3D打印模型上直观地模拟各种手术操作，并及时更改设计方案，不过目前尚缺乏成熟的软件***将之与CT、MR等检查图像数据良好衔接，另外也存在着额外的材料成本；(3)镜像技术，即运用镜像技术行巨大下颌成釉细胞瘤切除后颌骨重建的案例，达到了良好的修复效果。然而不可否认那些靠近中线区域的颌骨缺损对外貌的影响更为残酷，但由于缺乏健侧作为参考，镜像技术对此也难有裨益；(4)数据库匹配法，即建立中国北方女性头颅CT影像数据库，查找并采用与患者头骨结构最相近的数据集来为颌面部骨整形手术方案提供设计依据。在相当规模的样本支持下这可能是最贴近个性化需求的一种设计方法，不过尚需要经历漫长且繁琐的前期积累来构建数据库，而且计算各参量的回归方程较多，临床实用性欠佳。

有鉴于此，本发明基于“四段式”颌骨重建原理，并结合机器学习算法，对上、下颌骨表面特征点相关性进行测量研究，并提出一种适用于跨中线、大范围颌骨缺损的术前技术方案。通过测量某一族群的颌骨关键特征点数据，计算分析上、下颌骨间各特征点的内在联系，为跨中线颌骨缺损的个性化重建提供参考，保证骨段血供、保留种植位点的同时，更加贴近该族群的面部外形。

为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。

实施例一：

如图1所示，展示了本发明一实施例中的基于机器学习的颌骨缺损重建方法的流程示意图，本实施例的颌骨缺损重建方法包括如下各个步骤。

应理解的是，本实施例提供的基于机器学***板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant，简称PDA)等；所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成，本实施例不作限定。

在步骤S11中，采集预设人群范围内的多个被采样人员的颌骨CT数据。

优选的，本实施例中涉及的设人群范围包括符合预设采集要求的人群。所述预设采集要求包括但不限于：相同族群、所属年龄段相同、所述身高范围相同、无头颅损伤史等要求。应理解的是，本实施例选用预设人群范围内的被采样人员，是为了得到更为相近的颌骨CT数据，从而使得采集到的颌骨CT数据更具参考意义。

举例来说，可采集111例同在某医院就诊的正常汉族成年人头颅CT数据，其中包括43名男性和68名女性，平均年龄为24.3岁，年龄范围是24.3±6.1岁。所有被采样人员都都符合颌骨数据采集的预设要求：面部外形自然对称、口内牙列完整无拥挤，双侧第一磨牙中性咬合关系，矢状面观符合I类骨面型，无明显颌面部外伤史，并否认正颌正畸治疗史的患者。上述例子仅用于解释说明，不用于对本发明的范围进行限制。

在本实施例可选的实现方式中，使用螺旋CT机进行头颅影像采集，扫描参数可按如下设置：球管电压：120kV，球管电流：60mA，扫面层厚：0.625mm；上述参数仅作参考，而非用于限定本发明的范围；本实施例中采集的头颅CT数据可选用Dicom(Digital Imagingand Communications in Medicine)格式，即医学数字成像和通信的数据格式，但本实施例对数据格式并不作限定。

在步骤S12中，基于所述颌骨CT数据，确立每个所述被采样人员的上、下颌骨表面特征性的多个颌骨特征点。

在本实施例可选的实现方式中，将所述颌骨CT数据导入Proplan CMF 3.0数字化设计软件进行计算机三维建模及图像分割。基于“四段式颌骨修复重建”理论，确立上、下颌骨表面特征性的解剖标志点。

本实施例涉及的解剖标志点共计16个(上颌骨9个，下颌骨7个)，如图2中所示的分别标记为：上齿槽缘点A(上颌中切牙间牙槽嵴顶点)，右侧眶内侧点B1(右侧眼眶内侧壁与底壁交点)、左侧眶内侧点B2(左侧眼眶内侧壁与底壁交点)、右侧眶外侧点C1(右侧眼眶外侧壁与底壁交点)、左侧眶外侧点C2(左侧眼眶外侧壁与底壁交点)、右侧颧弓外下点D1(右侧颧上颌缝最下点)、左侧颧弓外下点D2(左侧颧上颌缝最下点)、右侧近中牙槽缘点E1(右侧上颌6牙的近中牙槽嵴顶点)、左侧近中牙槽缘点E2(左侧上颌6牙的近中牙槽嵴顶点)、颏前点a(颏前部正中边缘点)、右侧颏旁点b1(下颌3、4牙体长轴交角垂直平分线与下颌骨下缘的交点)、左侧颏旁点b2(下颌3、4牙体长轴交角垂直平分线与下颌骨下缘的交点)、右侧下颌角点c1(下颌骨下缘及升支的切线成角的角平分线与下颌骨下缘交点)、左侧下颌角点c2(下颌骨下缘及升支的切线成角的角平分线与下颌骨下缘交点)、右侧髁外侧点d1(右侧髁突最外突点)、左侧髁外侧点d2(左侧髁突最外突点)。

图中的右耳点PoR、左耳点PoL、右眶点OrR及左眶点OrL用于拟合确定法兰克福平面，通过标记法兰克福平面完成模型的头位矫正，再于重建的3D头骨模型上，从水平面、冠状面、矢状面多个二维断层图像来综合定位、标示上述16个颌骨特征点，最后通过软件自带的坐标提取功能将每个虚拟颌骨模型的特征点坐标信息导出后供算法分析。在前述Proplan CMF 3.0软件中，对全部的被采样人员的上、下颌骨进行特征点间距离与角度的测量，对具有对称性的变量(如AB1和AB2)可取左、右测量值的均值。可利用MATLAB软件进行统计学分析，t检验的结果以P<0.05为差异具有显著性。

在步骤S13中，通过机器学习算法获取各所述颌骨特征点之间的相关性，以基于各所述颌骨特征点之间的相关性来进行颌骨缺损重建。

应理解的是，本实施例涉及的机器学习算法是目前大数据背景下计算机领域的一个研究热点，其以算法逻辑模拟人类大脑神经元之间多层拓扑网络的链接方式，实现了程序对原始信息的逐层分析能力，即使机器具备了一定的学习能力。具体可使用有监督的机器学习算法、无监督的机器学习算法、半监督的机器学习算法或者强化学习的机器学习算法等，本实施例不作限定。

在本实施例的一实现方式中，每个所述被采样人员所对应的上、下颌骨表面特征性的所有颌骨特征点的三维坐标信息归为一组数据；所述方法包括：将一部分组数据作为训练集，用于训练所述机器学习算法；将剩余部分组数据作为测试集，用于测试训练后的机器学习算法，并统计该机器学习算法的输出值和实际值之间的差异。

优选的，可利用所述测试集来模拟极端的颌骨缺失情况，输出颌骨缺失部分所对应的特征点的坐标预测值，并统计该坐标预测值和坐标实际值之间的差异；其中，所述极端的颌骨缺失情况包括双侧上颌骨完全缺失或下颌骨完全缺失。

具体来说，仍以采集到的111例同在某医院就诊的正常汉族成年人头颅CT数据为例，将每组16个颌骨特征点的三维坐标信息N(Xi、Yi、Zi)，i＝1，2，……，16，导入自编机器学习算法环境；通过把这16x3＝48个特异性的三维坐标值视作一个高维矢量的方式，基于矢量相似度匹配的原理进行机器学习算法的训练。先随机选取111例数据组中的94组数据(占总病例数的85％)作为“训练集”，并将其他的17组数据(占总病例数的15％)作为“测试集”。将训练集输入编写的机器学习算法中，得到男女性各自的颌骨特征点坐标数据集；继而将预留的测试集进行测试。模拟两种极端的缺损情况，即双侧上颌骨完全缺失或下颌骨完全缺失。分别将7个下颌或者9个上颌特征点坐标信息输入算法中，经过矢量化的匹配运算后，得到颌骨缺失部分对应的特征点坐标预测值，最后统计其与实际坐标间的误差距离。

在本实施例中，经由94组男女颌骨特征点数据对机器学***均值分布为3.452±0.727mm。其中以双侧第一磨牙近中牙槽嵴顶点E1、E2的精度最高(平均误差值为2.382±0.839mm)，双侧下颌角点c1、c2精度最低(平均误差值为4.475±1.507mm)。

为验证本实施例的基于机器学***，颊侧下颌骨有明显膨隆感；CT提示右下颌骨占位，病变过中线累及对侧前牙区。考虑为“右下颌骨成釉细胞瘤术后复发。因此，利用本实施例提供的颌骨缺损重建方法，通过ProplanCMF 3.0进行3D建模，规划行右下7近中至左下4近中的下颌骨节段性切除，同期腓骨修复；利用该病例健康的上颌骨特征点的坐标信息，导入机器学习算法中，通过匹配预测获得其缺失的a、b1、b2点坐标参数并据此进行了术前设计。

在一实施例中，所述颌骨缺损重建方法还包括：对所述颌骨特征点进行统计分析，以获取不同性别的颌骨特征点分别在线性变量及角度变量上的差异。

具体来说，通过对收集到的111例正常成人头颅CT影像进行三维重建，并在虚拟颌骨模型上进行测量，结果显示不同性别的颌骨特征点在线性变量上存在着明显的统计学差异(P＜0.05)，而在角度变量方面，不同性别的颌骨特征点除颌骨角度∠b1ab2(男性平均值136.06°，女性平均值132.18°，P＝0.003<0.05)外，角度变量间无显著的性别差异。其中，所述颌骨角度∠b1ab2是指右侧颏旁点b1、正中颏点a和左侧颏旁点b2构成的角度。

为便于本领域技术人员理解，下文将结合表格来对男性和女性的颌骨变量的测量值做说明。表1展示的是男性和女性的颌骨线性变量的测量值，表2展示的是男性和女性的颌骨角度变量的测量值。

表1

表2

由此可知，本实施例借助机器学习算法对正常颌骨外形特征进行分析研究，并出于对男、女性颌骨在外形大小上存在差异的临床观察，先将将颌骨特征数据按性别进行了分组测量，以检验这种差异的影响程度。测量分析的结果提示男、女性颌骨的确存在着尺度大小上的统计学差异，然而两者在除∠b1ab2外的角度参数上并无显著的性别相关性，即异性的颌骨外形差异主要体现在小尺度的不同，而无明显结构曲度的异质性。

也因此，本实施例考虑将颌骨外形复杂的个性化特征简化为16组点的三维坐标集合，并将之视作1组高维矢量，通过类似矢量的取模处理来进行尺度的缩放矫正，再运用机器学习算法对这上百组数据进行学习训练，得到这些颌骨外形特征点间的空间分布规律，并以此来规划复杂缺损的术前方案。

综上，本实施例提供的基于机器学习的颌骨缺损重建方法，利用机器学习进行颌骨特征点的还原，可在复杂颌骨重建过程中提供精确且个性化的方案，解决了跨中线大范围颌骨缺损病例重建仅凭经验、无参照可依的临床难题。

实施例二：

如图3所示，展示了本发明一实施例中的基于机器学习的颌骨缺损重建装置的结构示意图。本实施例的颌骨缺损重建装置包括数据采集模块31、特征点确立模块32和缺损重建模块33。

数据采集模块31用于采集预设人群范围内的多个被采样人员的颌骨CT数据；特征点确立模块32用于基于所述颌骨CT数据，确立每个所述被采样人员的上、下颌骨表面特征性的多个颌骨特征点；缺损重建模块33用于通过机器学习算法获取各所述颌骨特征点之间的相关性，以基于各所述颌骨特征点之间的相关性来进行颌骨缺损重建。

在本实施例可选的实现方式中，所述颌骨缺损重建装置还包括统计分析模块34，该模块用于对所述颌骨特征点进行统计分析，以获取不同性别的颌骨特征点分别在线性变量及角度变量上的差异。

需说明的是，本实施例中的颌骨缺损重建装置和前述实施例中的颌骨缺损重建方法的实施方式类似，故不再赘述。另外，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，数据采集模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上数据采集模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上***(system-on-a-chip，简称SOC)的形式实现。

实施例三：

如图4所示，展示了本发明一实施例中的电子终端的结构示意图。本实例提供的电子终端，包括：处理器41、存储器42、通信器43；存储器42通过***总线与处理器41和通信器43连接并完成相互间的通信，存储器42用于存储计算机程序，通信器43用于和其他设备进行通信，处理器41用于运行计算机程序，使电子终端执行如上基于机器学习的颌骨缺损重建方法的各个步骤。

上述提到的***总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

实施例四：

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施例中的基于机器学习的颌骨缺损重建方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请提供基于机器学习的颌骨缺损重建方法、装置、终端和介质，本发明利用机器学习进行颌骨特征点的还原，可在复杂颌骨重建过程中提供精确且个性化的方案，解决了跨中线大范围颌骨缺损病例重建仅凭经验、无参照可依的临床难题。此外，本发明基于预设人群范围内的颌骨CT数据，有针对性地对特定族群提供颌骨重建策略，在保证骨段血供、保留种植位点的同时，更加贴近该特定族群的面部外形。所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种基于机器学习的颌骨缺损重建方法，其特征在于，包括：

采集预设人群范围内的多个被采样人员的颌骨CT数据；

基于所述颌骨CT数据，确立每个所述被采样人员的上、下颌骨表面特征性的多个颌骨特征点；

通过机器学习算法获取各所述颌骨特征点之间的相关性，以基于各所述颌骨特征点之间的相关性来进行颌骨缺损重建。

2.根据权利要求1所述的方法，其特征在于，所述颌骨缺损重建方法还包括：

对所述颌骨特征点进行统计分析，以获取不同性别的颌骨特征点分别在线性变量及角度变量上的差异。

3.根据权利要求1所述的方法，其特征在于，所述预设族群包括符合预设采集要求的人群；所述预设采集要求包括：相同族群、所属年龄段相同、所述身高范围相同以及无头颅损伤史中的任意一种或多种的组合。

4.根据权利要求1所述的方法，其特征在于，每个所述被采样人员所对应的上、下颌骨表面特征性的所有颌骨特征点的三维坐标信息归为一组数据；所述方法包括：

将一部分组数据作为训练集，用于训练所述机器学习算法；

将剩余部分组数据作为测试集，用于测试训练后的机器学习算法，并统计该机器学习算法的输出值和实际值之间的差异。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

利用所述测试集来模拟极端的颌骨缺失情况，输出颌骨缺失部分所对应的特征点的坐标预测值，并统计该坐标预测值和坐标实际值之间的差异；其中，所述极端的颌骨缺失情况包括双侧上颌骨完全缺失或下颌骨完全缺失。

6.根据权利要求1所述的方法，其特征在于，所述颌骨特征点包括：上齿槽缘点、双侧眶内侧点、双侧眶外侧点、双侧颧弓外下点、双侧近中牙槽缘点、颏前点、双侧颏旁点、双侧下颌角点、双侧髁外侧点。

7.一种基于机器学习的颌骨缺损重建装置，其特征在于，包括：

数据采集模块，用于采集预设人群范围内的多个被采样人员的颌骨CT数据；

特征点确立模块，用于基于所述颌骨CT数据，确立每个所述被采样人员的上、下颌骨表面特征性的多个颌骨特征点；

缺损重建模块，用于通过机器学习算法获取各所述颌骨特征点之间的相关性，以基于各所述颌骨特征点之间的相关性来进行颌骨缺损重建。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

统计分析模块，用于对所述颌骨特征点进行统计分析，以获取不同性别的颌骨特征点分别在线性变量及角度变量上的差异。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于机器学习的颌骨缺损重建方法。

10.一种电子终端，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述基于机器学习的颌骨缺损重建方法。

Images