CN116958169A - 一种三维牙颌模型牙齿分割方法 - Google Patents

一种三维牙颌模型牙齿分割方法 Download PDF

Info

Publication number
CN116958169A
CN116958169A CN202310793584.1A CN202310793584A CN116958169A CN 116958169 A CN116958169 A CN 116958169A CN 202310793584 A CN202310793584 A CN 202310793584A CN 116958169 A CN116958169 A CN 116958169A
Authority
CN
China
Prior art keywords
tooth
dimensional
dentition
teeth
model
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
Application number
CN202310793584.1A
Other languages
English (en)
Inventor
罗嘉庆
陈子蝶
刘祥云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202310793584.1A priority Critical patent/CN116958169A/zh
Publication of CN116958169A publication Critical patent/CN116958169A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)

Abstract

本发明公开了一种三维牙颌模型牙齿分割方法，属于医学图像分割领域。本发明针对三维牙颌模型数据，分割模型中的每颗牙齿，其处理步骤包括：数据预处理，包括牙弓线拟合、牙弓线离散与网格细分；基于深度图像与投影图像的齿‑齿、齿‑龈边缘检测；基于多目标优化的区域增长算法；牙列分割以及牙齿分割的实现。本发明能够实现全自动且准确地分割牙列与牙齿，不需要大量牙颌模型数据集，不需要事先对牙颌模型做标记，能在小样本的情况下精确分割单颗牙齿，可以实现为基于深度学习的牙齿分割***做前期的标注任务，对于计算机辅助正畸***具有重要意义。

Description

一种三维牙颌模型牙齿分割方法
技术领域
本发明属于医学图像分割领域，具体涉及一种三维牙模型牙齿分割方法。
背景技术
随着生物技术和医疗技术的高速发展，我国精准医疗事业不断发展。精准医疗是一种基于患者个体做诊断、治疗以及预防的医疗模式。相比于传统医疗仅仅根据患者的临床症状以及疾病之前的共性制定治疗方案，精准医疗的最大优势是可以根据大数据分析与患者个体的生物信息差异，为每个患者提供最适合的个性化医疗方案。精准医疗能使医生对患者的疾病做更加准确有效的分析、诊断、治疗与预防。
近年来，由于饮食习惯等因素的影响，受口腔疾病困扰的患者数量较多并仍表现出逐年增加的趋势，牙齿拥挤、稀疏等现象普遍存在于广大人群中。牙齿不齐会导致患者增加消化***疾病发病率、发音受限、面部软组织不协调导致不美观、牙齿过度磨损以及难以清洁造成蛀牙或增加其他口腔疾病的发病率。牙齿的正畸对于患者的外表美观、身体健康与心理健康都有着十分重要的作用。
计算机辅助正畸治疗***利用口内扫描仪获取患者牙的数据，通过软件直接确定每颗牙齿的位置、并帮助口腔医生对患者牙/>做牙弓形态分析、WALA嵴区域分析与咬合平面分析，以及制定最适合患者本人的个性化正畸治疗方案，设计出完美的牙列和咬合关系。计算机辅助正畸可以让漫长的牙齿矫正过程可视化，通过软件生成直观的动画方案，给患者展示正畸方案的矫正过程。也可以帮助患者对比不同方案的治疗结果。计算机辅助正畸的直观、精准、个性化等诸多优势，使得正畸过程更加高效、快捷。
牙齿分割是数字化口腔正畸中最基础也是最关键的一步。通过口内扫描仪获取患者的三维牙模型数据包括了牙龈和牙齿两部分，计算机辅助正畸治疗***需要首先从患者的三维牙/>模型数据中分割出单颗牙齿，方便口腔医生通过对单颗牙齿做分析、拖动和排列，以模拟治疗方案的效果并根据患者的实际情况和偏好对方案做进一步调整。三维牙模型的牙齿分割是至关重要的一步，其分割效率与分割精度直接影响了后续口腔治疗的准确性和效率。
三维牙模型的牙齿分割方法大致分为四类：基于曲率的牙齿分割、基于谐波场的牙齿分割、基于二维图像的牙齿分割以及基于深度学习的牙齿分割。
(1)基于曲率的牙齿分割。基于曲率的分割方法对三维牙模型的数据点做曲率计算，利用牙齿-牙龈边缘区以及牙齿-牙齿边缘区为凹陷区域这一特点，利用曲率识别出这些边缘凹陷区域并分割牙列或牙齿。
Kumar等[Kumar Y,Janardan R,Larson B,et al.Improved segmentation ofteeth in dental models.Computer-Aided Design and Applications,2011,8(2):211-224.]通过为用户提供一个直观的控制曲率的工具，使其能观察边界特征区域随主曲率变化的过程，并设置一个最合适的曲率值。随后细化特征区域，采用泛洪填充(Flood Fill)算法将牙龈与牙齿分离，并修复错误牙龈线，以分割牙列。
Yuan等[Yuan T,Wang Y,Hou Z,et al.Tooth segmentation and gingivaltissue deformation framework for 3D orthodontic treatment planning andevaluating.Medical&Biological Engineering&Computing,2020,58:2271-2290.]提出了一种结合局部曲面拟合和三维形态运算的方法，能实现精确的主曲率计算以及边界特征区域的提取。先通过主曲率识别沿齿-齿、齿-龈分布的凹形边缘区域(即特征区域)，利用数学形态学操作填充特征区域内的孔洞使其边缘光滑。最后从特征区域中提取牙齿边缘曲线，分割牙齿。
基于曲率的牙齿分割方法基本都需要设置曲率阈值，牙齿分割效果也极大地依赖曲率阈值的选取，有的方法通过自动设置全局阈值，有的方法通过用户手动设置合适的阈值。全局阈值很难满足不同形态的牙齿，容易造成过分割或欠分割。
(2)基于谐波场的牙齿分割。基于谐波场(Harmonic Field，HF)的牙齿分割方法利用了谐波场的平滑和形状识别的特性来分割牙齿。
Zou等[Zou B,Liu S,Liao S,et al.Interactive tooth partition of dentalmesh base on tooth-target harmonic field.Computers in biology and medicine,2015,56:132-144.]提出了一种利用谐波场的半自动分割牙齿的方法。其在先验知识的指导下，采用改进的加权方案和约束的齿-目标谐波场(tooth-target harmonic field)来识别牙齿边缘。利用文献[Kumar Y,Janardan R,Larson B.Automatic featureidentification in dental meshes.Computer-Aided Design and Applications,2012,9(6):747-769.]的方法自动识别牙齿上的特征点、用户鼠标点击每颗牙齿齿间间隙的点，以及该算法自动识别的牙龈点这三种特征点构建谐波场，获取牙齿边缘进而分割牙齿。
Liao等[Liao S,Liu S,Zou B,et al.Automatic tooth segmentation ofdental mesh based on harmonic fields.BioMed research international,2015,2015.]改进了Zou等的工作，提出了一种利用谐波场的全自动分割牙齿的方法。根据文献[Kondo T,Ong S H,Foong K W C.Tooth segmentation of dental study models usingrange images.IEEE Transactions on medical imaging,2004,23(3):350-362.]将牙齿上的特征点分为奇偶两组，其次根据以上先验知识设计新的牙齿约束方案构建谐波场识别牙齿边缘并分割牙齿。
基于谐波场的牙齿分割方法有个致命的缺陷是不能独立地分割牙齿，该方法必须依赖其他方法对三维牙模型做一定的预处理，得到相应的初始条件才能将谐波场应用于牙齿分割。
(3)基于二维图像的牙齿分割。基于二维图像的牙齿分割是指将三维牙模型转化为二维图像，在二维图像上做图像处理，借此辅助三维牙/>模型上的牙齿分割。
Kondo等[Kondo T,Ong S H,Foong K W C.Tooth segmentation of dentalstudy models using range images.IEEE Transactions on medical imaging,2004,23(3):350-362.]首先提出将三维牙模型转换为平面视图与全景视图的深度图像的创新思想，避免了直接处理三维数据的复杂性。该方法的算法思想是：将牙齿模型的三维网格数据转化为两幅不同视角的深度图像数据，在平面深度图像上检测牙齿间隙的位置和角度，在全景深度图像上检测牙齿间隙的位置。通过将两个图像的检测结果结合起来以获取牙齿间隙准确的位置和方向。该方法的优势有以下两点：(1)平面深度图像适合检测磨牙之间的牙齿间隙以及牙齿拥挤之间的牙齿间隙，全景深度图像适合检测对齐良好的牙齿的间隙，特别是前牙。两幅图像互补，极大地放宽了该方法所能处理的模型的限制。(2)将三维牙/>模型转化为二维深度图像，可以将图像处理技术应用于牙齿分割，如用于提取图像特征的梯度方向检测和表面法线分析等。
Wongwaen等[Wongwaen N,Sinthanayothin C.Computerized algorithm for 3Dteeth segmentation.2010International Conference on Electronics andInformation Engineering.IEEE,2010,1:V1-277-V1-280.]采用三次样条算法拟合牙的牙弓曲线，生成沿牙弓的全景牙/>图像。牙齿间的间隙表现在全景牙/>图像上的高度差，利用凹点检测技术检测出任意两颗牙齿之间的凹面。
基于二维图像的牙齿分割能将三维上的数据转化为二维并进行图像处理，降低操作的复杂度，但是三维数据到二维数据的转换不可避免地会造成信息损失。
(4)基于深度学习的牙齿分割。随着人工智能与深度学习的发展，深度学习在分割领域得到了广泛应用，越来越多的研究人员将深度学习应用于牙齿分割领域。
Cui等[Cui Z,Li C,Chen N,et al.TSegNet:An efficient and accurate toothsegmentation network on 3D dental model.Medical Image Analysis,2021,69:101949.]提出了一种基于网络的全自动牙齿分割方法(TSegNet)，TSegNet从输入的三维牙模型中提取三维点云作为***的输入，给三维点云中的每一个点分配唯一的标签作为***的输出。首先利用距离感知的牙齿质心预测模块生成一组候选牙齿质心点集，用于后续正确识别牙齿对象。为了训练网络，TSegNet使用了距离估计、倒角距离和分割损耗三个损耗项来监督牙齿质心的预测。其次利用置信度感知学习来分割单个牙齿。
Zheng等[Zheng Y,Chen B,Shen Y,et al.Teethgnn:Semantic 3d teethsegmentation with graph neural networks.IEEE Transactions on Visualizationand Computer Graphics,2022.]提出了一种基于图神经网络(Graph Neural Networks，GNN)的三维牙齿模型分割方法TeethGNN。TeethGNN先将原始三维网格牙模型做简化，降低三角面片数量，其次训练一个两分支的图神经网络，其中一个用于预测每个三角面片的分割标签，另一个回归每个三角面片到牙齿质心的偏移量，通过标签优化与边缘优化确定牙/>模型中每个三角面片的标签。
基于深度学习的牙齿分割方法能比传统分割方法利用更多维度的牙齿特征，如牙齿形状、局部上下文等特征。但是基于深度学习的牙齿分割方法需要大量的牙齿样本用于训练分割网络。
发明内容
本发明的目的在于：针对上述存在的问题，提供一种三维牙模型牙齿分割方法，能在小样本的情况下精确分割单颗牙齿，实现为基于深度学习的牙齿分割***做前期的标注任务。
本发明的采用的技术方案为：
一种三维牙颌模型牙齿分割方法，该方法包括下列步骤：
步骤S1，深度图像与投影图像的生成：
计算三维牙模型的曲率，基于曲率检测牙/>模型的特征区域，采用三次多项式拟合牙弓曲线；
按等弧长原则离散牙弓曲线，并对三维牙模型进行三角网格细分；
确定三维牙模型中三维坐标与二维坐标的坐标转换方式，根据数据点到牙弓曲面的距离、数据点的曲率值、数据点的密度值生成全景深度图像、曲率全景投影图像与密度全景投影图像。
步骤S2：基于深度图像与投影图像的边缘检测：
基于小波变换对全景深度图像与全景投影图像做边缘检测，综合三幅图像的边缘检测结果得到齿-齿、齿-龈边缘。
步骤S3：基于多目标优化的区域增长算法：
种子点按如下要求选取：远离牙齿-牙龈边缘；每颗牙齿的种子点集个数与该牙齿的数据点个数的偏差在允许范围内，如每颗牙齿的种子点集个数与该牙齿的数据点个数比例大致相当；在磨牙面均匀取点；为非边缘点。
停止条件采取局部与整体相结合的方式，在局部上，通过分析齿-齿、齿-龈边缘反映射回三维的齿-齿、齿-龈边缘点集的特征，利用多目标优化选取适合的曲率阈值和密度阈值，并用这两个阈值作为局部控制区域增长停止的条件；在整体上，通过二维全景图像中已增长区域占齿-齿、齿-龈边缘像素的多少控制区域增长的停止。
步骤S4：基于区域增长的牙列分割与牙齿分割：
通过区域增长分割出完整牙列，在分割出的牙列上再做一次区域增长分割牙齿。
进一步地，三维网格模型(三维牙模型)的曲率计算方式为利用Bézier曲面拟合三角面片的网格曲率，每个顶点的曲率为与该顶点相邻的面的曲率的加权平均值。
进一步地，牙弓曲线的拟合方式为：
利用三维牙模型的曲率值对其做嵴检测，根据检测出的特征区域，三次拟合牙弓。由于三维牙/>模型近似平行于XOY面(二维平面)，且为了后续计算全景深度图像方便，故牙弓曲线的拟合仅考虑X、Y轴坐标(即二维平面所对应的坐标)，忽略Z轴坐标的影响。
进一步地，三维牙模型中三维坐标与二维坐标的坐标转换方式为：
将牙模型的牙弓曲线离散成一系列离散点Darch＝[d1,d2,...,dn]，对于每个离散点di，过di作垂直于牙弓曲线的垂线li，过垂线li作垂直于XOY面的垂面Pi。相邻两个垂面PiPi+1所夹的三维牙/>数据构成全景图像中的第i列像素。计算数据点的z坐标(三维坐标系中表示深度的坐标)在牙/>模型的相对位置得到其行坐标。通过上述操作完成从三维坐标到二维坐标的坐标转换；
在将三维牙模型转化为二维图像时，记录下每个数据点在二维全景图像中的横纵坐标值并存于矩阵中，通过上述操作完成从二维坐标到三维坐标的坐标转换。
进一步地，步骤S2中，基于深度图像与投影图像的边缘检测具体为：
根据三维牙模型中数据点到牙弓曲面的距离、数据点的曲率值以及密度值，生成全景深度图像、曲率全景投影图像与密度全景投影图像；
选取B样条函数(B-spline)作为小波函数，Ostu阈值法(一种基于图像直方图的自适应阈值分割算法)作为后续阈值处理方法，利用小波模极大值法对各全景图像做边缘检测，输出各自边缘检测结果并将其合并，得到最终的齿-齿、齿-龈边缘图像。
进一步地，步骤S3中，区域增长算法种子点集的选取过程具体为：
基于齿-齿、齿-龈边缘的粗粒度牙列识别：首先计算齿-齿、齿-龈边缘中每列像素的平均行坐标；再用三次多项式拟合指示牙列位置的曲线；最后，曲线以上的像素点被认为是粗粒度牙列点，将得到的粗粒度牙列利用坐标变换反映射回三维数据点。
考虑到牙列中每颗牙齿的点数不同，以及磨牙咬合面结构复杂、沟壑较多，选取种子点集的条件确定为：(1)远离牙齿-牙龈边缘；(2)每颗牙齿的种子点集个数与该牙齿的数据点个数比例大致相当；(3)在磨牙面均匀取点；(4)为非边缘点。
在粗粒度牙列中选取满足条件的种子点集。
进一步地，步骤S3中，区域增长算法停止条件的选取过程具体为：
在局部上，利用三维数据点的非边缘性作为停止条件控制区域增长的停止，用数据点的曲率值和密度值表征数据点是否为边缘点。
在整体上，利用二维全景图上的齿-齿、齿-龈边缘作为停止条件控制区域增长的停止，当已增长区域占据了二维全景图上的齿-齿、齿-龈边缘像素点的一定比例后停止增长。
进一步地，步骤S4中，基于区域增长的牙列分割与牙齿分割具体为：
根据选取好的种子点集与停止条件对三维牙模型做区域增长，已增长区域的外边界构成牙列的边界。
选取牙龈上的点为种子点，牙列边界为停止条件，再次区域增长，分割出牙列与牙龈。
在牙列上做区域增长，将牙列分为若干个区域，将区域点数大于指定值的区域标记为牙齿区域(大区域)，再将非牙齿区域(小区域)按照指定条件合并到对应的牙齿区域，按照最终的牙齿区域分割出单颗牙齿。
本发明提供的技术方案至少带来如下有益效果：
本发明基于深度图像与投影图像对三维牙模型做牙齿分割，能够实现全自动且准确地分割牙列与牙齿，具有易操作、可靠、准确的特点。且本发明不需要大量牙/>模型数据集，不需要事先对牙/>模型做标记，能在小样本的情况下精确分割单颗牙齿，可以实现为基于深度学习的牙齿分割***做前期的标注任务，对于计算机辅助正畸***具有重要意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明具体实施方式中的三维牙分割***框架图；
图2是本发明具体实施方式中的牙弓曲线上的离散点(左)以及局部放大图(右)；
图3是本发明具体实施方式中的简单网格细分算法原理示意图；
图4是本发明具体实施方式中的选取的种子点集示意图；
图5是本发明具体实施方式中的根据曲率阈值筛选的筛选区域。左图曲率阈值为-0.5，右图曲率阈值为0；
图6是本发明具体实施方式中的细粒度牙列识别效果；
图7是本发明具体实施方式中的牙齿分割效果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种三维牙颌模型牙齿分割方法，参见图1，其主要分为以下四个部分：(1)数据预处理。(2)基于深度图像与投影图像的边缘检测，包括齿-齿、齿-龈边缘检测。(3)基于多目标优化的区域增长。(4)牙列分割以及牙齿分割。
其中，数据预处理包括了牙弓线拟合、牙弓线离散和网格细分三步。
基于深度图像与投影图像的齿-齿、齿-龈边缘检测为：先确定数据点在三维坐标与二维坐标之间的坐标转换公式，利用数据点到牙弓曲面的距离生成深度图像，利用数据点的曲率和距离密度生成投影图像。并对深度图像与投影图像做基于小波变换的边缘检测，综合其结果得到齿-齿、齿-龈边缘。
基于多目标优化的区域增长的算法实现，有种子点的选取和停止条件这两个核心。对于种子点的选取，本发明利用齿-齿、齿-龈边缘做粗粒度牙列识别，并在该牙列上选取符合条件的种子点。对于停止条件的选取，本发明通过分析齿-齿、齿-龈边缘点集的特征，利用多目标优化选取曲率阈值与距离密度阈值作为局部停止条件，并利用二维上的齿-齿、齿-龈边缘作为整体停止条件。
牙列分割以及牙齿分割的实现，本发明根据所提出的区域增长算法实现牙列分割与牙齿分割。先在牙模型上做区域增长分割牙列，再在牙列上做区域增长将牙列分割成牙齿数量的大区域以及数个小区域，做区域合并完成牙齿分割。
作为一种可能的实现方式，本发明实施例提供的一种三维牙颌模型牙齿分割方法的具体实现步骤如下：
步骤S1：数据预处理。
步骤S11：牙弓线拟合。本发明采用Bézier曲面拟合三角面片的网格曲率估计方法计算三维牙模型曲率，利用数据点的曲率信息检测牙/>模型的特征区域，三次拟合牙弓线。
步骤S12：牙弓线离散。本发明采用等弦长的方式离散牙弓曲线。
确定牙弓曲线的两端位置；
作一个圆心位于牙弓曲线左端点，半径为一个步长(预置值)的圆，该圆与牙弓曲线相交于一或两个点(圆心位于端点时相交于一点，圆心位于其他位置时相交于两点)，记录下靠右侧的交点坐标；
在下一循环中以该点为圆心继续作圆，直到到达牙弓曲线右端点，如图2所示。
步骤S13：网格细分。本发明采用简单网格细分方法对三维牙模型做网格细分。简单网格细分算法的原理是在三角网格的三条边的中点处各新增一个新的顶点，并相互连接，形成三条新的边，将原三角形分成四个新三角形，达到网格细分的目的，示意图如图3所示。
步骤S2：基于深度图像与投影图像的齿-齿、齿-龈边缘检测。
步骤S21：全景深度图像与全景投影图像的获取。
确定三维牙模型中三维坐标与二维坐标的坐标转换方式；
根据数据点到牙弓曲面的距离、数据点的曲率值、数据点的密度值生成全景深度图像、曲率全景投影图像与密度全景投影图像。
步骤S22：基于小波变换的齿-齿、齿-龈边缘检测。
选取B样条函数作为小波函数；
选取Ostu方法作为阈值处理方法；
利用小波变换模极大值做图像边缘检测，综合三幅图像的边缘检测结果得到齿-齿、齿-龈边缘。
步骤S3：基于多目标优化的区域增长算法。
步骤S31：粗粒度牙列识别。
计算齿-齿、齿-龈边缘中每列像素的平均行坐标；
用三次多项式拟合指示牙列位置的曲线；
曲线以上的像素点被认为是粗粒度牙列点，将得到的粗粒度牙列利用坐标变换反映射回三维数据点。
步骤S32：种子点集的选取。考虑到如下情况：(1)若种子点太靠近牙龈-牙齿边缘，则可能会生长出界；(2)各牙齿所含点数不一致；(3)磨牙面形状复杂。本发明确定的选取种子点的条件为：(1)远离牙龈-牙齿边缘；(2)每颗牙齿的种子点集个数与该牙齿的数据点个数比例大致相当；(3)在磨牙/>面均匀取点；(4)为非边缘点。
在粗粒度牙列中按上述要求选取种子点集，如图4所示。
步骤S33：基于多目标优化的局部停止条件的选取。
在合适范围内选定一系列曲率和密度备选阈值，通过这些阈值对三维牙模型做筛选，筛选出的区域(称其为筛选区域)包括牙齿-牙齿边缘、牙齿-牙龈边缘、牙齿牙面上的凹陷区域以及牙龈的噪声区域，示例如图5所示。
对比齿-齿、齿-龈边缘点集与筛选区域的契合程度，选取最优阈值。
利用筛选区域的平均度和筛选区域与齿-齿、齿-龈边缘点集的重叠比率这两个目标来衡量所选取阈值的效果好坏，对两个目标做无量纲处理，利用多目标优化求解最佳阈值。
步骤S34：基于齿-齿、齿-龈边缘的整体停止条件的选取。
利用二维全景图像上的齿-齿、齿-龈边缘在整体上控制区域增长的生长与停止，当生长区域在二维全景图像中占据了齿-齿、齿-龈边缘60％的像素点时，区域增长算法停止。
步骤S4：牙列分割以及牙齿分割的实现。
步骤S41：细粒度牙列识别。
根据三维牙数据的三角面积计算每个数据点的邻居点列表；
在三维牙模型上做种子点区域增长，分割牙列区域；此时真实牙列区域有些地方如磨牙形成的凹陷区域或真实牙列内部的凹陷点还未被生长到。
以该牙列区域的边缘为边缘区域增长分割牙龈区域，剩下的区域就是完整的、包含内部凹陷点与凹陷区域的牙列，细粒度牙列识别效果如图6所示。
步骤S42：牙齿分割。
利用之前的种子点集在牙列上做区域增长，将牙列分为牙齿个数的大区域与数个小区域，即将牙列分为若干个区域(包括牙齿个数的大区域和多个小区域)；
区域合并：将区域点数大于1500的区域标记为牙齿区域并标上相应标签，对无标签点集再做一次区域增长，并以已标记的牙齿区域作为边缘，记录下其生长过程中遇到的最多的标签，将该标签标为该区域的最终标签，即可正确分割牙齿。牙齿分割效果如图7所示。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (8)

1.一种三维牙颌模型牙齿分割方法，其特征在于，包括下列步骤：
步骤S1，深度图像与投影图像的生成：
计算三维牙模型的曲率，基于曲率检测牙/>模型的特征区域，采用三次多项式拟合牙弓曲线；
按等弧长原则离散牙弓曲线，并对三维牙模型做三角网格细分；
确定三维牙模型中三维坐标与二维坐标的坐标转换方式，根据数据点到牙弓曲面的距离、数据点的曲率值、数据点的密度值生成全景深度图像、曲率全景投影图像与密度全景投影图像；
步骤S2，基于深度图像与投影图像的边缘检测：
基于小波变换对全景深度图像与全景投影图像做边缘检测，综合全景深度图像、曲率全景投影图像与密度全景投影图像的边缘检测结果得到齿-齿、齿-龈边缘；
步骤S3，基于多目标优化的区域增长：
区域增长算法的种子点选取条件包括：远离牙齿-牙龈边缘，每颗牙齿的种子点集个数与该牙齿的数据点个数的偏差在允许范围内，在磨牙面均匀取点，以及选取的种子点为非边缘点；
区域增长算法的停止条件包括局部与整体相结合的方式，其中，局部停止条件为：基于齿-齿、齿-龈边缘反映射回三维的齿-齿、齿-龈边缘点集的特征，利用多目标优化选取曲率阈值和密度阈值，并将选取的曲率阈值和密度阈作为局部控制区域增长停止的条件；
局部停止条件：通过二维全景全景深度图像中已增长区域占齿-齿、齿-龈边缘像素的比例控制区域增长的停止；
步骤S4，基于区域增长的牙列分割与牙齿分割：
通过区域增长分割出完整牙列，在分割出的牙列上再做一次区域增长分割牙齿。
2.如权利要求1所述的方法，其特征在于，三维牙模型的曲率计算方式为利用Bézier曲面拟合三角面片的网格曲率，每个顶点的曲率为与该顶点相邻的面的曲率的加权平均值。
3.如权利要求1所述的方法，其特征在于，牙弓曲线的拟合方式为：
利用三维牙模型的曲率值对其做嵴检测，根据检测出的特征区域，三次拟合牙弓；
且在拟合牙弓曲线时，仅处理二维平面所对应的坐标。
4.如权利要求1所述的方法，其特征在于，三维牙模型中三维坐标与二维坐标的坐标转换方式为：
将牙模型的牙弓曲线离散成一系列离散点Darch＝[d1,d2,...,dn]，其中，n表示离散点数量；对于每个离散点di，过di作垂直于牙弓曲线的垂线li，过垂线li作垂直于二维平面的垂面Pi；
相邻两个垂面PiPi+1所夹的三维牙数据构成全景图像中的第i列像素，计算数据点在三维坐标系中的深度坐标在牙/>模型的相对位置得到其行坐标，完成从三维坐标到二维坐标的坐标转换；
在将三维牙模型转化为二维图像时，记录下每个数据点在二维全景图像中的横纵坐标值，完成从二维坐标到三维坐标的坐标转换。
5.如权利要求1所述的方法，其特征在于，步骤S2中，基于深度图像与投影图像的边缘检测具体为：
选取B样条函数作为小波函数，Ostu阈值法作为后续阈值处理方法，利用小波模极大值法分别对全景深度图像、曲率全景投影图像与密度全景投影图像做边缘检测，输出各自边缘检测结果并将其合并，得到最终的齿-齿、齿-龈边缘图像。
6.如权利要求1所述的方法，其特征在于，步骤S3中，区域增长算法种子点集的选取过程具体为：
基于齿-齿、齿-龈边缘的粗粒度牙列识别：
计算齿-齿、齿-龈边缘中每列像素的平均行坐标；
用三次多项式拟合指示牙列位置的曲线；
将曲线以上的像素点作为粗粒度牙列点，再将得到的粗粒度牙列利用坐标变换反映射回三维数据点；
再在粗粒度牙列中选取满足种子点选取条件的种子点集。
7.如权利要求1所述的方法，其特征在于，步骤S3中，区域增长算法停止条件的选取过程具体为：
对局部停止条件，采用三维数据点的非边缘性作为停止条件控制区域增长的停止，采用数据点的曲率值和密度值表征数据点是否为边缘点；
对整体停止条件，采用二维全景图上的齿-齿、齿-龈边缘作为停止条件控制区域增长的停止，当已增长区域占据了二维全景图上的齿-齿、齿-龈边缘像素点的一定比例后停止增长。
8.如权利要求1所述的方法，其特征在于，步骤S4中，基于区域增长的牙列分割与牙齿分割具体为：
根据选取好的种子点集与停止条件对三维牙模型做区域增长，已增长区域的外边界构成牙列的边界；
选取牙龈上的点为种子点，牙列边界为停止条件，再次区域增长，分割出牙列与牙龈；
在牙列上做区域增长，将牙列分为若干个区域，将区域点数大于指定值的区域标记为牙齿区域，再将非牙齿区域按照指定条件合并到对应的牙齿区域，按照最终的牙齿区域分割出单颗牙齿。
CN202310793584.1A 2023-06-30 2023-06-30 一种三维牙颌模型牙齿分割方法 Pending CN116958169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310793584.1A CN116958169A (zh) 2023-06-30 2023-06-30 一种三维牙颌模型牙齿分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310793584.1A CN116958169A (zh) 2023-06-30 2023-06-30 一种三维牙颌模型牙齿分割方法

Publications (1)

Publication Number Publication Date
CN116958169A true CN116958169A (zh) 2023-10-27

Family

ID=88457511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310793584.1A Pending CN116958169A (zh) 2023-06-30 2023-06-30 一种三维牙颌模型牙齿分割方法

Country Status (1)

Country Link
CN (1) CN116958169A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437250A (zh) * 2023-12-21 2024-01-23 天津医科大学口腔医院 一种基于深度学习的三维牙颌图像分割方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437250A (zh) * 2023-12-21 2024-01-23 天津医科大学口腔医院 一种基于深度学习的三维牙颌图像分割方法及***
CN117437250B (zh) * 2023-12-21 2024-04-02 天津医科大学口腔医院 一种基于深度学习的三维牙颌图像分割方法及***

Similar Documents

Publication Publication Date Title
US11651494B2 (en) Apparatuses and methods for three-dimensional dental segmentation using dental image data
US10410346B2 (en) Detecting tooth wear using intra-oral 3D scans
CN113223010B (zh) 口腔图像多组织全自动分割的方法和***
CN101706971A (zh) 一种牙齿模型中牙冠的自动分割方法
CN106570859B (zh) 一种牙齿图像分析***
CN111685899A (zh) 基于口内图像和三维模型的牙齿正畸治疗监测方法
CN114757960B (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
CN110811653A (zh) 一种测量正畸过程中牙齿三维移动的方法
CN114119950A (zh) 一种基于人工智能的口腔曲面断层片牙齿图像分割方法
CN116958169A (zh) 一种三维牙颌模型牙齿分割方法
CN110827233A (zh) 一种牙齿三维点云数据表面窝沟区域的提取方法
Kondo et al. Computer-based extraction of the inferior alveolar nerve canal in 3-D space
Ben-Hamadou et al. Teeth3ds: a benchmark for teeth segmentation and labeling from intra-oral 3d scans
Tian et al. Efficient tooth gingival margin line reconstruction via adversarial learning
Choi et al. Possibilities of artificial intelligence use in orthodontic diagnosis and treatment planning: Image recognition and three-dimensional VTO
Chen et al. Hierarchical CNN-based occlusal surface morphology analysis for classifying posterior tooth type using augmented images from 3D dental surface models
CN116823729A (zh) 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法
Hao et al. Ai-enabled automatic multimodal fusion of cone-beam ct and intraoral scans for intelligent 3d tooth-bone reconstruction and clinical applications
Wu et al. Clinical tooth segmentation based on local enhancement
CN114463328B (zh) 一种自动化正畸难度系数评估方法
US20230309800A1 (en) System and method of scanning teeth for restorative dentistry
EP4393449A1 (en) Method and system for tooth wear detection
US20230419631A1 (en) Guided Implant Surgery Planning System and Method
US20230252748A1 (en) System and Method for a Patch-Loaded Multi-Planar Reconstruction (MPR)
Ma et al. A Survey of Three-dimensional Reconstruction Methods for Tooth Models

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