CN114782343A - 基于人工智能的口腔检测方法、装置、电子设备及介质 - Google Patents
基于人工智能的口腔检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114782343A CN114782343A CN202210382053.9A CN202210382053A CN114782343A CN 114782343 A CN114782343 A CN 114782343A CN 202210382053 A CN202210382053 A CN 202210382053A CN 114782343 A CN114782343 A CN 114782343A
- Authority
- CN
- China
- Prior art keywords
- tooth
- points
- teeth
- dimensional
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本公开实施例涉及一种基于人工智能的口腔检测方法、装置、电子设备及介质,其中该方法包括:通过获取待检测牙齿三维网格,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点,基于三维特征点进行处理,得到检测结果。采用上述技术方案,在口腔检测过程中针对三维特征点进行相关计算,可以得到缺牙、拥挤度等情况,避免由于人工检测成本高和效率低的问题,并且基于预训练的深度神经网络识别三维特征点,能够大大提高三维特征点的识别精度从而提高检测结果的精确性,进一步提高口腔检测场景下的检测效率和效果。
Description
技术领域
本公开涉及智能口腔医学技术领域,尤其涉及一种基于人工智能的口腔检测方法、装置、电子设备及介质。
背景技术
随着社会不断发展和进步,人们生活水平的不断提高,人们越来越重视口腔牙齿情况。
相关技术中,通过口腔医生手动识别测量口腔状况,比如缺牙、拥挤度等,耗费时间长,效率比较低。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种基于人工智能的口腔检测方法、装置、电子设备及介质。
本公开实施例提供了一种基于人工智能的口腔检测方法,所述方法包括:
获取待检测牙齿三维网格;
将所述待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点;
基于所述三维特征点进行处理,得到检测结果。
本公开实施例还提供了一种基于人工智能的口腔检测装置,所述装置包括:
获取模块,用于获取待检测牙齿三维网格;
处理模块,用于将所述待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点;
生成模块,用于基于所述三维特征点进行处理,得到检测结果。
本公开实施例还提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开实施例提供的基于人工智能的口腔检测方法。
本公开实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开实施例提供的基于人工智能的口腔检测方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:本公开实施例提供的基于人工智能的口腔检测方案,获取待检测牙齿三维网格,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点,基于三维特征点进行处理,得到检测结果。采用上述技术方案,在口腔检测过程中针对三维特征点进行相关计算,可以得到缺牙、拥挤度等情况,避免由于人工检测成本高和效率低的问题,并且基于预训练的深度神经网络识别三维特征点,能够大大提高三维特征点的识别精度从而提高检测结果的精确性,进一步提高口腔检测场景下的检测效率和效果。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种基于人工智能的口腔检测方法的流程示意图;
图2为本公开实施例提供的一种三维特征点的示意图;
图3为本公开实施例提供的一种弓线的示意图;
图4为本公开实施例提供的一种咬合平面的示意图;
图5为本公开实施例提供的一种检测结果的示意图;
图6为本公开实施例提供的另一种检测结果的示意图;
图7为本公开实施例提供的再一种检测结果的示意图;
图8为本公开实施例提供的另一种基于人工智能的口腔检测方法的流程示意图;
图9为本公开实施例提供的一种基于人工智能的口腔检测装置的结构示意图;
图10为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
在实际应用中,在对常见的口腔状况如缺牙、拥挤度、覆盖的检测识别过程,需要口腔医生手动识别测量,会耗费比较长时间,效率比较低。
针对上述问题,本公开提出一种基于人工智能的口腔检测方法,通过获取待检测牙齿三维网格,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点,基于三维特征点进行处理,得到检测结果。由此,能够快速准确识别口腔状况并提供给用户,提高口腔检测检测效率。
具体地,图1为本公开实施例提供的一种基于人工智能的口腔检测方法的流程示意图,该方法可以由基于人工智能的口腔检测装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图1所示,该方法包括:
步骤101、获取待检测牙齿三维网格。
其中,待检测牙齿三维网格可以为扫描设备实时对人口腔的上排牙齿或下排牙齿进行扫描得到,也可以为基于下载地址或者其他设备发送得到的上排牙齿或下排牙齿对应的牙齿三维网格。其中,牙齿三维网格指的是三维点集和三维点集内部的连接形成的集合。
步骤102、将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点。
其中,三维特征点包括但不限于每个三维点的牙齿标识(每颗牙齿有一个特定的牙齿标识)、切牙近中远中点、尖牙的尖点、磨牙的多个尖点与窝点和牙齿局部坐标系中的一种或者多种;其中,切牙的近中远中点指的是切牙对应的三维点集合中获取的一个三维点作为近中点,另一个三维点作为远中点。
在本公开实施例中,获取牙齿三维网格样本(即三维点集和点集内部的连接形成的集合),上颌与下颌各有一个牙齿三维网格样本,通过深度神经网络训练学习,可以识别出牙齿的三维特征点。
其中,对深度神经网络进行预先训练的方式有很多种,在一些实施方式中,在训练集(多个牙齿三维网格样本)中标注需要的三维特征点,并直接将标注过的训练集输入深度神经网络进行学习,得到预训练的深度神经网络;
在另一些实施方式中,对牙齿三维网格样本进行各个采样角度渲染为二维图片,包括深度图,曲率图,纹理图等,然后在各张图片上标注特征二维点并输入深度神经网络进行学习,学习得到的二维点通过映射关系得到三维特征点。
以上两种方式仅为对深度神经网络进行预先训练的示例,本公开不对深度神经网络进行预先训练的方式做具体限制。
进一步地,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到每颗牙齿的牙齿标识、切点和尖点等三维特征点。
步骤103、基于三维特征点进行处理,得到检测结果。
在本公开实施例中,基于三维特征点进行处理,得到检测结果的方式有很多种,在一些实施方式中,基于三维特征点获取每颗牙齿的牙齿标识,基于每颗牙齿的牙齿标识和标准牙齿三维网格对应的牙齿标识进行匹配,在匹配不存在的目标牙齿标识的情况下,确定不存在目标牙齿标识对应的牙齿。其中,标准牙齿三维网格比如人正常上排牙齿和下排牙齿对应的牙齿三维网格对应三十二颗牙,从而具有三十二牙齿标识。
在另一些实施方式中,基于三维特征点获取齿的切点和尖点(包括切牙的切点、尖牙的尖点和磨牙的多个尖点),基于牙齿的切点和尖点进行拟合处理,得到弓线,基于弓线进行计算,得到牙弓长度,基于牙弓长度和所有牙齿的宽度总和确定牙齿的拥挤程度数值。
在再一些实施方式中,基于三维特征点获取牙齿的切点和尖点(包括切牙的切点、尖牙的尖点和磨牙的多个尖点),基于牙齿的切点和尖点进行拟合处理,得到咬合平面,分别将上下颚对应牙齿的切点投影到咬合平面,得到第一投影点,计算第一投影点之间的向量距离,得到覆盖量数值。
在还一些实施方式中,基于三维特征点获取牙齿的切点和尖点(包括切牙的切点、尖牙的尖点和磨牙的多个尖点),基于牙齿的切点和尖点进行拟合处理,得到咬合平面,获取咬合平面的平面法线,分别将上下颚对应牙齿的切点、上离颌面目标点和下离颌面目标点投影到所述平面法线,得到第二投影点,基于第二投影点确定第一线段和第二线段,基于第一线段和第二线段确定覆颌量数值。
在还一些实施方式中,基于三维特征点获取牙齿的切点和尖点(包括切牙的切点、尖牙的尖点和磨牙的多个尖点),基于牙齿的切点和尖点进行拟合处理,得到咬合平面,将上下颌对应任一互相咬合目标牙齿对(指的是互相咬合的上下颌牙齿对)投影到咬合平面,得到第三投影点,获取第三投影点间的相关关系,得到咬合类型。
在还一些实施方式中,基于三维特征点获取牙齿的切点和尖点(包括切牙的切点、尖牙的尖点和磨牙的多个尖点),基于牙齿的切点和尖点进行拟合处理,得到咬合平面,将上下颌牙齿的尖点投影到咬合平面,得到第四投影点,根据第四投影点在弓线法线方向的位置信息进行判断,得到牙齿是否为反颌或锁颌。
以上方式仅为示例,具体可以根据应用场景选择不同的三维特征点进行处理,得到不同的检测结果。
基于上述实施例的描述,通过获取待检测牙齿三维网格,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点,基于三维特征点进行处理,得到检测结果。采用上述技术方案,在口腔检测过程中针对三维特征点进行相关计算,可以得到缺牙、拥挤度等情况,避免由于人工检测成本高和效率低的问题,并且基于预训练的深度神经网络识别三维特征点,能够大大提高三维特征点的识别精度从而提高检测结果的精确性,进一步提高口腔检测场景下的检测效率和效果。
在一些实施方式中,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点,包括:将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到每个三维点的牙齿标识(每颗牙齿有一个特定的牙齿标识)、切牙近中远中点、尖牙的尖点、磨牙的多个尖点与窝点和牙齿局部坐标系作为三维特征点。
作为一种示例,如图2所示,上颌与下颌对应的待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点,比如每颗牙齿的牙齿标识(1、2和3等),每颗牙齿标识能够标识唯一牙齿,再比如切牙近中远中点,图2所示四颗切牙上的近中点(a1,a2,a3,a4),远中点(b1,b2,b3,b4);还比如尖牙的尖点,图2所示的六颗尖牙上尖点分别为j1-j6,还比如磨牙的多个尖点和窝点,如图2所示的六颗磨牙的多个尖点与窝点,以一颗磨牙为例,多个尖点为m1-m4,以及窝点w1和w2,以及牙齿局部坐标系如图2所示的xy。
在一些实施例中,基于三维特征点进行处理,得到检测结果,包括:基于三维特征点获取每颗牙齿的牙齿标识,基于每颗牙齿的牙齿标识和标准牙齿三维网格对应的牙齿标识进行匹配,在匹配不存在的目标牙齿标识的情况下,确定不存在目标牙齿标识对应的牙齿。
在本公开实施例中,牙齿标识能够唯一表示一颗牙齿,因此,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到待检测牙齿三维网格对应的每颗牙齿的牙齿标识,进一步将每颗牙齿的牙齿标识和标准牙齿三维网格对应的牙齿标识进行匹配,比如得到每颗牙齿的牙齿标识为1-16,标准牙齿三维网格对应的所有牙齿标识也为1-16,则确定不缺牙,还比如得到每颗牙齿的牙齿标识为1-7,9-16,待检测牙齿三维网格对应的所有牙齿标识为1-16,确定不存在目标牙齿标识8,则确定不存在目标牙齿标识8对应的牙齿,存在缺牙情况,即预训练的深度神经网络可以确定所有存在的牙齿标识,不存在的牙齿标识即是缺少的牙齿。
在一些实施例中,基于三维特征点进行处理,得到检测结果,包括:基于三维特征点获取牙齿的切点和尖点(包括切牙的切点、尖牙的尖点和磨牙的多个尖点),基于牙齿的切点和尖点进行拟合处理,得到弓线,基于弓线进行计算,得到牙弓长度,基于牙弓长度和所有牙齿的宽度总和确定牙齿的拥挤程度数值。
具体地,将各切点与尖点使用最小二乘法拟合,得到弓线,比如采用双二次方程(拟合目标是使得所有各切点和尖点到该弓线的距离平方和最小),如图3所示的弓线(部分显示)。
进一步地,在获取弓线后,基于弓线进行计算,得到牙弓长度,基于牙弓长度和所有牙齿的宽度总和确定牙齿的拥挤程度数值,比如计算牙齿标识为左六到右六的牙弓长度(即左边六号牙到右边六号牙的这段牙弓曲线的长度),减去所有牙齿的宽度总和即得到了单颌的牙齿的拥挤程度数值。其中,每颗牙齿宽度计算方式为:在如图3所示的近中远中坐标轴上,计算所有属于该牙齿点的最大和最小的坐标值即为牙齿宽度。
在一些实施例中,基于三维特征点进行处理,得到检测结果,包括:基于三维特征点获取牙齿的切点和尖点,基于牙齿的切点和尖点进行拟合处理,得到咬合平面,分别将上下颚对应牙齿的切点投影到咬合平面,得到第一投影点,计算第一投影点之间的向量距离,得到覆盖量数值。
具体地,将各切点与尖点使用最小二乘法拟合咬合平面(使得所有各切点和尖点到该咬合平面的距离平方和最小),如图4所示的咬合平面。
进一步地,分别将上下颚对应牙齿的切点投影到咬合平面,得到第一投影点,计算第一投影点之间的向量距离,得到覆盖量数值。比如图5所示,将上下颌的切牙切点(图5中的A1和A2)投影到咬合平面上,计算第一投影点(B1和B2)的向量距离(比如图5中,B2在B1右侧为正,反之为负)即为覆盖量数值,从而可以得到反颌、1、2、3度覆盖以及正常等检测结果(指的是上颌B1和下颌B2的向量距离,向量距离越大覆盖度数越高(1、2、3度),向量距离较小且为正,则是正常覆盖,向量距离为负则是反颌)。
在一些实施例中,还包括:获取咬合平面的平面法线,分别将上下颚对应牙齿的切点、上离颌面目标点和下离颌面目标点投影到所述平面法线,得到第二投影点,基于第二投影点确定第一线段和第二线段,基于第一线段和第二线段确定覆颌量数值。
具体地,继续以图5为例,将上下颌的切牙切点(图5中的A1和A2)及离颌面最远点(图5中的C1和C2)投影到咬合平面的平面法线Y上(第二投影点为D1、D2、D3和D4)。如此上下颌牙齿在平面法线上面各为一条线段,计算上颌的切端点(图5中的D1和D2)在下颌线段(较长箭头)的位置(即较短箭头为D1和D2之间的第一线段与较长箭头为D1和D4第二线段的比值),根据比值可以得到开颌、1、2、3度和正常五个结果(比值越大覆颌1、2、3度值越大,比值较小则是正常,比值为负是开颌)。其中,图5的箭头方向仅为示例,当D1和D2的第一线段和D1和D4第二线段的箭头方相同时比值为正,或者D1和D2的第一线段和D1和D4第二线段的箭头方相反时比值为负。
在一些实施例中,还包括:将上下颌对应任一互相咬合目标牙齿对投影到咬合平面,得到第三投影点,获取第三投影点间的相关关系,得到咬合类型。
具体地,将上下颌任一互相咬合目标牙齿标识的牙齿(比如6号牙齿,其它牙齿也可以,方法类似)的尖点(如图6所示的E、F1和F2)投影到咬合平面上,得到第三投影点。根据这些第三投影点的相互关系,得到安氏分类的1、2、3类咬合(如图6所示E对应的第三投影点在F1和F2对应的第三投影点的中间是为1类咬合(中性咬合),当E对应的第三投影点出现在F1和F2对应的第三投影点的两侧时,则分别对应为2类(近中方向)和3类(远中方向))。
在一些实施方式中,将上下颌牙齿的尖点投影到咬合平面,得到第四投影点,根据第四投影点在弓线法线方向的位置信息进行判断,得到牙齿是否为反颌或锁颌。
具体地,将上下颌的牙各点(颊侧及舌侧的尖点)投影到咬合平面上得到第四投影点,如图7所示,将G1-G4投影到咬合平面上,根据第四投影点在弓线法线方向的位置,得到这些牙是否反颌(上颌牙颊侧尖点在下颌牙颊侧尖点内侧时)或者为锁颌(上颌牙舌侧尖点在下颌牙颊侧尖点外时),也就是说,上颌舌侧尖点比下颌颊侧尖点还更靠近颊侧就是锁颌,则图7所示会更改为G3在G2左边,上颌颊侧尖点比下颌颊侧尖点更靠近舌侧就是反颌,则图7所示会更改为G1在G2右边。
具体地,图8为本公开实施例提供的另一种基于人工智能的口腔检测方法的流程示意图,本实施例在上述实施例的基础上,进一步优化了上述基于人工智能的口腔检测方法。如图8所示,该方法包括:
步骤201、获取待检测牙齿三维网格。
步骤202,将待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点。
步骤203,基于三维特征点获取每颗牙齿的牙齿标识,基于每颗牙齿的牙齿标识和标准牙齿三维网格对应的牙齿标识进行匹配,在匹配不存在的目标牙齿标识的情况下,确定不存在目标牙齿标识对应的牙齿。
步骤204、基于三维特征点获取牙齿的切点和尖点,基于牙齿的切点和尖点进行拟合处理,得到弓线和咬合平面。
在步骤204后,可以执行步骤205和/或206和/或207和/或208和/或209。
步骤205、基于弓线进行计算,得到牙弓长度,基于牙弓长度和所有牙齿的宽度总和确定牙齿的拥挤程度数值。
步骤206、分别将上下颚对应牙齿的切点投影到咬合平面,得到第一投影点,计算第一投影点之间的向量距离,得到覆盖量数值。
步骤207、获取咬合平面的平面法线,分别将上下颚对应牙齿的切点、上离颌面目标点和下离颌面目标点投影到所述平面法线,得到第二投影点,基于第二投影点确定第一线段和第二线段,基于第一线段和第二线段确定覆颌量数值。
步骤208,将上下颌对应任一互相咬合目标牙齿对投影到咬合平面,得到第三投影点,获取第三投影点间的相关关系,得到咬合类型。
步骤209,将上下颌牙齿的尖点投影到咬合平面,得到第四投影点,根据第四投影点在弓线法线方向的位置信息进行判断,得到牙齿是否为反颌或锁颌。
需要说明的是,本公开图8具体实时方式参见前述实施例图1-图7的描述,此处不再详述。
由此,能够快速准确将所有口腔状况提供给用户,进一步提高口腔检测的效率,满足用户使用需求和体验。
图9为本公开实施例提供的一种基于人工智能的口腔检测装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图9所示,该装置包括:
获取模块301,用于获取待检测牙齿三维网格;
处理模块302,用于将所述待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点;
生成模块303,用于基于所述三维特征点进行处理,得到检测结果。
可选的,所述生成模块303具体用于:
基于所述三维特征点获取每颗牙齿的牙齿标识;
基于所述每颗牙齿的牙齿标识和所述标准牙齿三维网格对应的牙齿标识进行匹配;
在匹配不存在的目标牙齿标识的情况下,确定不存在所述目标牙齿标识对应的牙齿。
可选的,所述生成模块303具体还用于:
基于所述三维特征点获取牙齿的切点和尖点;
基于所述牙齿的切点和尖点进行拟合处理,得到弓线;
基于所述弓线进行计算,得到牙弓长度;
基于所述牙弓长度和所有牙齿的宽度总和确定牙齿的拥挤程度数值。
可选的,所述生成模块303具体还用于:
基于所述三维特征点获取牙齿的切点和尖点;
基于所述牙齿的切点和尖点进行拟合处理,得到咬合平面;
分别将上下颚对应牙齿的切点投影到所述咬合平面,得到第一投影点;
计算所述第一投影点之间的向量距离,得到覆盖量数值。
可选的,所述生成模块303具体还用于:
获取所述咬合平面的平面法线;
分别将上下颚对应牙齿的切点、上离颌面目标点和下离颌面目标点投影到所述平面法线,得到第二投影点;
基于所述第二投影点确定第一线段和第二线段;
基于所述第一线段和所述第二线段确定覆颌量数值。
可选的,所述生成模块303具体还用于:
将上下颌对应任一互相咬合目标牙齿对投影到所述咬合平面,得到第三投影点;
获取所述第三投影点间的相关关系,得到咬合类型。
可选的,所述生成模块303具体还用于:
将上下颌牙齿的尖点投影到所述咬合平面,得到第四投影点;
根据所述第四投影点在弓线法线方向的位置信息进行判断,得到牙齿是否为反颌或锁颌。
本公开实施例所提供的基于人工智能的口腔检测装置可执行本公开任意实施例所提供的基于人工智能的口腔检测方法,具备执行方法相应的功能模块和有益效果。
本公开实施例还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现本公开任意实施例所提供的基于人工智能的口腔检测方法。
图10为本公开实施例提供的一种电子设备的结构示意图。下面具体参考图10,其示出了适于用来实现本公开实施例中的电子设备400的结构示意图。本公开实施例中的电子设备400可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的基于人工智能的口腔检测方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:在视频的播放过程中,接收用户的信息展示触发操作;获取所述视频关联的至少两个目标信息;在所述视频的播放页面的信息展示区域中展示所述至少两个目标信息中的第一目标信息其中,所述信息展示区域的尺寸小于所述播放页面的尺寸;接收用户的第一切换触发操作,将所述信息展示区域中展示的所述第一目标信息切换为所述至少两个目标信息中的第二目标信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开提供的任一所述的基于人工智能的口腔检测方法。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开提供的任一所述的基于人工智能的口腔检测方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种基于人工智能的口腔检测方法,其特征在于,包括:
获取待检测牙齿三维网格;
将所述待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点;
基于所述三维特征点进行处理,得到检测结果。
2.根据权利要求1所述的基于人工智能的口腔检测方法,其特征在于,所述基于所述三维特征点进行处理,得到检测结果,包括:
基于所述三维特征点获取每颗牙齿的牙齿标识;
基于所述每颗牙齿的牙齿标识和标准牙齿三维网格对应的牙齿标识进行匹配;
在匹配不存在的目标牙齿标识的情况下,确定不存在所述目标牙齿标识对应的牙齿。
3.根据权利要求1所述的基于人工智能的口腔检测方法,其特征在于,所述基于所述三维特征点进行处理,得到检测结果,包括:
基于所述三维特征点获取牙齿的切点和尖点;
基于所述牙齿的切点和尖点进行拟合处理,得到弓线;
基于所述弓线进行计算,得到牙弓长度;
基于所述牙弓长度和所有牙齿的宽度总和确定牙齿的拥挤程度数值。
4.根据权利要求1所述的基于人工智能的口腔检测方法,其特征在于,所述基于所述三维特征点进行处理,得到检测结果,包括:
基于所述三维特征点获取牙齿的切点和尖点;
基于所述牙齿的切点和尖点进行拟合处理,得到咬合平面;
分别将上下颚对应牙齿的切点投影到所述咬合平面,得到第一投影点;
计算所述第一投影点之间的向量距离,得到覆盖量数值。
5.根据权利要求4所述的基于人工智能的口腔检测方法,其特征在于,还包括:
获取所述咬合平面的平面法线;
分别将上下颚对应牙齿的切点、上离颌面目标点和下离颌面目标点投影到所述平面法线,得到第二投影点;
基于所述第二投影点确定第一线段和第二线段;
基于所述第一线段和所述第二线段确定覆颌量数值。
6.根据权利要求4所述的基于人工智能的口腔检测方法,其特征在于,还包括:
将上下颌对应任一互相咬合目标牙齿对投影到所述咬合平面,得到第三投影点;
获取所述第三投影点间的相关关系,得到咬合类型。
7.根据权利要求4所述的基于人工智能的口腔检测方法,其特征在于,还包括:
将上下颌牙齿的尖点投影到所述咬合平面,得到第四投影点;
根据所述第四投影点在弓线法线方向的位置信息进行判断,得到牙齿是否为反颌或锁颌。
8.一种基于人工智能的口腔检测装置,其特征在于,包括:
获取模块,用于获取待检测牙齿三维网格;
处理模块,用于将所述待检测牙齿三维网格输入预训练的深度神经网络进行处理,得到三维特征点;
生成模块,用于基于所述三维特征点进行处理,得到检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7中任一所述的基于人工智能的口腔检测方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7中任一所述的基于人工智能的口腔检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382053.9A CN114782343A (zh) | 2022-04-12 | 2022-04-12 | 基于人工智能的口腔检测方法、装置、电子设备及介质 |
PCT/CN2023/087795 WO2023198099A1 (zh) | 2022-04-12 | 2023-04-12 | 基于人工智能的口腔检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382053.9A CN114782343A (zh) | 2022-04-12 | 2022-04-12 | 基于人工智能的口腔检测方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782343A true CN114782343A (zh) | 2022-07-22 |
Family
ID=82428588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382053.9A Pending CN114782343A (zh) | 2022-04-12 | 2022-04-12 | 基于人工智能的口腔检测方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114782343A (zh) |
WO (1) | WO2023198099A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023198099A1 (zh) * | 2022-04-12 | 2023-10-19 | 先临三维科技股份有限公司 | 基于人工智能的口腔检测方法、装置、电子设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491850B (zh) * | 2018-03-27 | 2020-04-10 | 北京正齐口腔医疗技术有限公司 | 三维牙齿网格模型的特征点自动提取方法及装置 |
CN109363786B (zh) * | 2018-11-06 | 2021-03-05 | 上海牙典软件科技有限公司 | 一种牙齿正畸矫治数据获取方法及装置 |
CN112991273B (zh) * | 2021-02-18 | 2022-12-16 | 山东大学 | 三维牙齿模型的正畸特征自动检测方法及*** |
CN112989954B (zh) * | 2021-02-20 | 2022-12-16 | 山东大学 | 基于深度学习的三维牙齿点云模型数据分类方法及*** |
CN114782343A (zh) * | 2022-04-12 | 2022-07-22 | 先临三维科技股份有限公司 | 基于人工智能的口腔检测方法、装置、电子设备及介质 |
-
2022
- 2022-04-12 CN CN202210382053.9A patent/CN114782343A/zh active Pending
-
2023
- 2023-04-12 WO PCT/CN2023/087795 patent/WO2023198099A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023198099A1 (zh) * | 2022-04-12 | 2023-10-19 | 先临三维科技股份有限公司 | 基于人工智能的口腔检测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023198099A1 (zh) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Automated identification of cephalometric landmarks: Part 1—Comparisons between the latest deep-learning methods YOLOV3 and SSD | |
US20220241056A1 (en) | Monitoring of dentition | |
US20220218449A1 (en) | Dental cad automation using deep learning | |
US20220142750A1 (en) | Scanning sequence for an intra-oral imaging system | |
US20210358124A1 (en) | Method for analyzing an image of a dental arch | |
US20190026893A1 (en) | Method for analyzing an image of a dental arch | |
US20200405447A1 (en) | Method for monitoring the position of teeth | |
CN114782343A (zh) | 基于人工智能的口腔检测方法、装置、电子设备及介质 | |
CN115457196A (zh) | 一种咬合调整方法、装置、设备及介质 | |
CN117257499A (zh) | 基于咬合截面的咬合测量方法、装置、设备及介质 | |
WO2024087910A1 (zh) | 正畸治疗监测方法、装置、设备及存储介质 | |
WO2023198101A1 (zh) | 基于人工智能的口腔检测方法、装置、电子设备及介质 | |
CN117338456A (zh) | 虚拟颌架转移方法、装置、设备及存储介质 | |
CN115526910A (zh) | 标志点识别方法、装置、设备及存储介质 | |
US10810787B2 (en) | Method, apparatus and computer program for obtaining images | |
CN117152407A (zh) | 一种头影测量标志点自动定位方法 | |
CN114748195A (zh) | 扫描装置及其连接方法、装置、电子设备及介质 | |
EP4376694A1 (en) | Method and system for presenting dental scan | |
CN118161283A (zh) | 一种扫描处理方法、装置、设备及介质 | |
CN111292320A (zh) | 基于三维数字模型和机器学习的咬合评价方法及评价*** | |
Vashisht et al. | ARTIFICIAL INTELLIGENCE IN DENTISTRY-A SCOPING REVIEW | |
KR102377629B1 (ko) | 환자 이미지를 분석하여 교정 진단 보고서를 생성하는 인공지능 딥러닝 기반 교정 진단 장치 및 그 동작 방법 | |
US20230149128A1 (en) | Method for Simulating Dental Images that Include Tooth Roots | |
CN114549524A (zh) | 牙齿图像数据处理方法、电子设备及可读存储介质 | |
CN116245731A (zh) | 一种扫描数据拼接方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |