颅颌面状态的分析方法及装置、电子设备与流程

本发明涉及头影分析技术领域，具体而言，涉及一种颅颌面状态的分析方法及装置、电子设备。

背景技术：

相关技术中，在临床影像方面，尤其是cbct(conebeamcomputedtomography,cbct)的不断普及，通过计算机终端很容易获取反映用户颅颌面信息的三维数据的技术不断进步，在立体头影测量过程中，三维坐标系和参考平面的建立至关重要。当前的技术方案中，在确定颅颌面的正中矢状面时，常使用3个位于颅颌面部中线上的解剖标志点构建正中矢状面，即先构建眶耳平面作为轴面(水平面)，再选择两个面部中线上的解剖标志点做垂直于眶耳平面的正中矢状面，但是这种方式存在很大的缺陷，即由于cbct在软组织显示方面的缺陷，大部分颅颌面正中矢状平面的定位都是在颅骨上完成的，由于颅骨是不规则形态的，用3个位于颅颌面部中线上的解剖标志点构建正中矢状面存在误差大，随机性，另外在严重颅颌面畸形中这些标志点的稳定性差。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种颅颌面状态的分析方法及装置、电子设备，以至少解决相关技术中由于颅骨的不规则性导致颅颌面的正中矢状面的确定过程存在误差大的缺陷，造成无法获取全面的颅颌面状态的技术问题。

根据本发明实施例的一个方面，提供了一种颅颌面状态的分析方法，包括：获取目标用户的头部颅颌面的目标序列图像，其中，所述目标序列图像为软组织序列图像或黑骨头序列图像，所述目标序列图像的图像类型磁共振图像mri；将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像；在目标序列图像及合成ct图像中建立参考坐标系，其中，所述参考坐标系符合用户头部一体化与模块化特征；以所述参考坐标系为参照，在所述目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息；以所述参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息；基于头部颅颌面的软组织信息和硬组织信息，分析所述目标用户的头部颅颌面是否出现异常变形。

可选地，在目标序列图像及合成ct图像中建立参考坐标系的步骤，包括：选择满足用户头部两侧对称结构的脑中线，或者，定位虚拟解剖用户头部结构的脑中线；根据所述脑中线定义正中矢状平面；根据预先定义的用户头部模块化分类数据，确定用户头部目标标识点在所述正中矢状平面的投影点，并将该投影点作为坐标原点；将所述坐标原点和用户头部鼻根点且垂直于正中矢状平面的平面作为水平面；基于所述坐标原点和水平面，在目标序列图像及合成ct图像中构建所述参考坐标系。

可选地，获取目标用户的头部颅颌面的目标序列图像的步骤，包括：在检测所述目标用户的仰卧位满足预设仰卧条件后，检测所述目标用户的头部方向和头部位置；基于所述目标用户的头部方向和头部位置，分析所述目标用户的口腔张合状态是否满足预设张合状态；在确定所述目标用户的口腔张合状态满足预设张合状态的情况下，采用梯度回波序列对所述目标用户的头部进行mri软组织常规序列扫描，以得到头部颅颌面的软组织序列图像；或者，在确定所述目标用户的口腔张合状态满足预设张合状态的情况下，采用低翻转角黑骨头序列对所述目标用户的头部进行mri扫描，以得到头部颅颌面的黑骨头序列图像。

可选地，将所述目标序列图像合成计算机断层扫描ct图像的步骤，包括：采用深度学习未配对数据方式将所述目标序列图像转换为头部序列图像；对头部序列图像进行自动编码，得到ct图像。

可选地，在将所述目标序列图像合成计算机断层扫描ct图像之后，所述分析方法还包括：采用深度学习未配对数据方式将合成的ct图像转换回mri图像；通过预设图像分析模型分析合成ct与实际ct之间的差异。

可选地，在所述目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息包括：分割用户面部的肌肉形态，并确定用户面部的肌肉体积；基于所述肌肉形态、肌肉体积和面部脂肪分布范围，分析用户面部的肌肉对称性；基于所述用户面部的肌肉对称性、肌肉形态、肌肉体积和关节参数，确定头部颅颌面的软组织信息。

根据本发明实施例的另一方面，还提供了一种颅颌面状态的分析装置，包括：获取单元，用于获取目标用户的头部颅颌面的目标序列图像，其中，所述目标序列图像为软组织序列图像或黑骨头序列图像，所述目标序列图像的图像类型磁共振图像mri；合成单元，用于将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像；建立单元，用于在目标序列图像及合成ct图像中建立参考坐标系，其中，所述参考坐标系符合用户头部一体化与模块化特征；第一分析单元，用于以所述参考坐标系为参照，在所述目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息；第二分析单元，用于以所述参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息；第三分析单元，用于基于头部颅颌面的软组织信息和硬组织信息，分析所述目标用户的头部颅颌面是否出现异常变形。

可选地，所述建立单元包括：选择模块，用于选择满足用户头部两侧对称结构的脑中线，或者，定位虚拟解剖用户头部结构的脑中线；第一确定模块，用于根据所述脑中线定义正中矢状平面；第二确定模块，用于根据预先定义的用户头部模块化分类数据，确定用户头部目标标识点在所述正中矢状平面的投影点，并将该投影点作为坐标原点；第三确定模块，用于将所述坐标原点和用户头部鼻根点且垂直于正中矢状平面的平面作为水平面；构建模块，用于基于所述坐标原点和水平面，在目标序列图像及合成ct图像中构建所述参考坐标系。

可选地，所述获取单元包括：第一检测模块，用于在检测所述目标用户的仰卧位满足预设仰卧条件后，检测所述目标用户的头部方向和头部位置；第一分析模块，用于基于所述目标用户的头部方向和头部位置，分析所述目标用户的口腔张合状态是否满足预设张合状态；第一扫描模块，用于在确定所述目标用户的口腔张合状态满足预设张合状态的情况下，采用梯度回波序列对所述目标用户的头部进行mri软组织常规序列扫描，以得到头部颅颌面的软组织序列图像；或者，第二扫描模块，用于在确定所述目标用户的口腔张合状态满足预设张合状态的情况下，采用低翻转角黑骨头序列对所述目标用户的头部进行mri扫描，以得到头部颅颌面的黑骨头序列图像。

可选地，所述合成单元包括：第一转换模块，用于采用深度学习未配对数据方式将所述目标序列图像转换为头部序列图像；编码模块，用于对头部序列图像进行自动编码，得到ct图像。

可选地，所述颅颌面状态的分析装置还包括：第二转换模块，用于在将所述目标序列图像合成计算机断层扫描ct图像之后，采用深度学习未配对数据方式将合成的ct图像转换回mri图像；第一分析模块，用于通过预设图像分析模型分析合成ct与实际ct之间的差异。

可选地，所述第一分析单元包括：分割模块，用于分割用户面部的肌肉形态，并确定用户面部的肌肉体积；第二分析模块，用于基于所述肌肉形态、肌肉体积和面部脂肪分布范围，分析用户面部的肌肉对称性；第四确定模块，用于基于所述用户面部的肌肉对称性、肌肉形态、肌肉体积和关节参数，确定头部颅颌面的软组织信息。

根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的颅颌面状态的分析方法。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的颅颌面状态的分析方法。

本发明实施例中，在分析用户的颅颌面是否出现变形异常时，先获取目标用户的头部颅颌面的目标序列图像，将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像，并在目标序列图像及合成ct图像中建立参考坐标系，以参考坐标系为参照，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息，以参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息，基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。在该实施例中，可以通过用户头部颅颌面的序列图像，建立参考坐标系(基于人体头部一体化和模块化特点)，并以参考坐标系作为参照，对颅颌面的软硬组织进行分析，确定头部颅颌面是否出现异常变形，通过全面、精准分析颅颌面软硬组织，自动化完成颅颌面的分析工作，提高颅颌面状态的分析效率，从而解决相关技术中由于颅骨的不规则性导致颅颌面的正中矢状面的确定过程存在误差大的缺陷，造成无法获取全面的颅颌面状态的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的颅颌面状态的分析方法的流程图；

图2根据本发明实施例的一种可选的颅颌面状态的分析装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于本领域技术人员理解本发明，下面对本发明各实施例中涉及的部分术语或名词做出解释：

ct，computedtomography，电子计算机断层扫描仪器，利用精确准直的线束、射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。

cbct，conebeamcomputedtomography,简称锥形束ct，也称口腔ct，是锥形束投照计算机重组断层影像设备，实现数据断层重组，获得三维口腔图像。

mri，magneticresonanceimaging，磁共振程序，采用多序列、直接多方位显示检测部位的影像。

mri-only，单核磁，以mri为唯一原始数据来源，无须ct扫描，而是利用原始mri及其合成的虚拟ct图像，分析用户的脑部颅颌面状态。

现有技术中，在基于cbct进行三维头影测量中，正中矢状面的确定方案存在误差大、随机性强、稳定性差(严重颅颌面畸形中标志点的稳定性差)的问题。本发明实施例针对这些问题，采用大量实验，确定人体的脑-颅-颌-面、神经-肌肉-骨骼是一体化的进化发育系统，是一个相互作用的系统，人类头部的发育是多基因参与的一体化复杂过程。来自人体脑的信号分子对面部形态的诱导和调控得到了多方证实，脑与神经颅或面颅的发育具有同步性，而与面部肌肉存在间接的联系。本申请中，发现人类头部内部存在区别于其它灵长类动物的客观的、独特的模块化分区，同一模块内部联系更加紧密，不同模块间联系相对松散，如颅骨沿着前后轴(头尾轴)起源于不同的胚层，神经嵴细胞(外胚层)在颅骨的前部(头部)，中胚层在后部(尾部)，两者的界限在背侧位于矢状缝，在腹侧位于垂体窝附近。使用解剖网络分析方法可以确定人类头部存在特有的模块分区：前颅与中上面部形成同一进化发育模块，下颌骨与后颅构成又一个解剖与功能模块，眉毛以上的面部构成单一神经肌肉模块，中面部与下面部分为左右两侧的肌肉模块。

本申请针对现有技术中头影测量过程的问题和人体脑部结构化特征，从头部结构和影像技术两方面寻找突破口，通过深入学习人类头部结构衍化的生物学规律，受到其它领域新思想的启发，在前期研究及预实验的基础上，提出一种颅颌面状态分析方案，该颅颌面状态分析方法是基于人类头部结构一体化与模块化特点的单核磁(mri-only)三维头影测量设想的，通过构建三维头影测量参考坐标系，从根本上解决目前基于cbct的三维头影测量研究中无法逾越的辐射暴露、正中矢状面、缺乏软组织信息等问题，准确分析用户头部颅颌面的状态。下面结合各个实施例来详细说明本发明。

实施例一

根据本发明实施例，提供了一种颅颌面状态的分析方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明实施例提出的颅颌面状态的分析方法，可以应用于基于头部结构一体化与模块化的单核序列三维头影测量系统，实现头影三维分析。

图1是根据本发明实施例的一种可选的颅颌面状态的分析方法的流程图，如图1所示，该方法包括如下步骤：

步骤s102，获取目标用户的头部颅颌面的目标序列图像，其中，目标序列图像为软组织序列图像或黑骨头序列图像，目标序列图像的图像类型磁共振图像mri；

步骤s104，将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像；

步骤s106，在目标序列图像及合成ct图像中建立参考坐标系，其中，参考坐标系符合用户头部一体化与模块化特征；

步骤s108，以参考坐标系为参照，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息；

步骤s110，以参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息；

步骤s112，基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。

通过上述步骤，可以在分析用户的颅颌面是否出现变形异常时，先获取目标用户的头部颅颌面的目标序列图像，将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像，并在目标序列图像及合成ct图像中建立参考坐标系，以参考坐标系为参照，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息，以参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息，基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。在该实施例中，可以通过用户头部颅颌面的序列图像，建立参考坐标系(基于人体头部一体化和模块化特点)，并以参考坐标系作为参照，对颅颌面的软硬组织进行分析，确定头部颅颌面是否出现异常变形，通过全面、精准分析颅颌面软硬组织，自动化完成颅颌面的分析工作，提高颅颌面状态的分析效率，从而解决相关技术中由于颅骨的不规则性导致颅颌面的正中矢状面的确定过程存在误差大的缺陷，造成无法获取全面的颅颌面状态的技术问题。

下面结合上述各步骤对本发明进行详细说明。

步骤s102，获取目标用户的头部颅颌面的目标序列图像，其中，目标序列图像为软组织序列图像或黑骨头序列图像，目标序列图像的图像类型磁共振图像mri。

用户的头部颅颌面，包括多个硬组织和包裹的外部软组织，其中，硬组织包括但不限于：下颌骨、上颌骨、牙齿等。

可选的，获取目标用户的头部颅颌面的目标序列图像的步骤，包括：在检测目标用户的仰卧位满足预设仰卧条件后，检测目标用户的头部方向和头部位置；基于目标用户的头部方向和头部位置，分析目标用户的口腔张合状态是否满足预设张合状态；在确定目标用户的口腔张合状态满足预设张合状态的情况下，采用梯度回波序列(例如，3d梯度回波序列)对目标用户的头部进行mri软组织常规序列扫描，以得到头部颅颌面的软组织序列图像；或者，在确定目标用户的口腔张合状态满足预设张合状态的情况下，采用低翻转角黑骨头序列对目标用户的头部进行mri扫描，以得到头部颅颌面的黑骨头序列图像。

本申请涉及到的序列图像，是采用核磁扫描得到的图像，获取的序列图像包括：软组织序列图像和黑骨头序列图像。对于黑骨头序列图像，通过使用低翻转角度来抑制脂肪和水以获得均匀的软组织背景(当前，通过核磁扫描序列对骨组织的显示欠清晰，黑骨头序列可有效地抑制来自脂肪和水的信号，使皮质骨呈现黑色并且可以识别，使软组织呈现均一的灰色，这种mri序列通过提高骨与其它软组织之间的图像对比度，减少不同软组织之间的对比度，而使骨组织呈现可辨别的黑色，因此称为“黑骨头”序列。

步骤s104，将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像。

在本发明中，将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像的步骤，包括：采用深度学习未配对数据方式将目标序列图像转换为头部序列图像；对头部序列图像进行自动编码，得到ct图像。

另一种可选的，在将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像之后，分析方法还包括：采用深度学习未配对数据方式将合成的ct图像转换回mri图像；通过预设图像分析模型分析合成ct与实际ct之间的差异。

在合成ct图像时，采用深度学习或者一种生成对抗性网络(gan)cnn的方案，本申请举例说明了深度学习未配对数据方式。深度学习未配对数据方式，较其它配对数据训练的方法得到的ct图像更真实，含伪影和模糊斑点均较少，基于深度学习未配对数据的方法由三个步骤组成：第一步，学习将mri软组织序列图像合成ct图像。第二步，学习将合成的ct图像转换回mri图像。第三步，通过训练找出合成ct与实际ct的区别。

步骤s106，在目标序列图像及合成ct图像中建立参考坐标系，其中，参考坐标系符合用户头部一体化与模块化特征。

作为本发明可选的实施例，在目标序列图像及合成ct图像中建立参考坐标系的步骤，包括：选择满足用户头部两侧对称结构的脑中线，或者，定位虚拟解剖用户头部结构的脑中线；根据脑中线定义正中矢状平面；根据预先定义的用户头部模块化分类数据，确定用户头部目标标识点在正中矢状平面的投影点，并将该投影点作为坐标原点；将坐标原点和用户头部鼻根点且垂直于正中矢状平面的平面作为水平面；基于坐标原点和水平面，在目标序列图像及合成ct图像中构建参考坐标系。

本发明实施例中，在确定脑中线时，可通过两种方式，第一种，选择最大限度满足两侧对称的结构作为脑中线；第二种，通过自动定位实际存在的解剖结构定义脑中线。

在定义脑中线后，可以根据脑中线与人体头部正中矢状面的关联关系，以人类头部一体化和模块化的特点，构建三维参考坐标系。

人体头部存在模块化结构，人体的前脑、前颅及中上面部中线结构的高度相关性在生理与病理情况下都得到充分体现，中线是神经板中第一个确立的结构界限，脊索前板通过产生例如shh(sonichedgehog，shh)信号分子，设定面部的中线，同时诱导前脑分裂为两个大脑半球。这一中线结构是脊椎动物胚胎的自身发育轴。面部中线结构的异常，常与脑中线结构的异常并存。本发明实施例根据脑、面中线的一致性，利用解剖存在的脑中线代替融合的面中线对颅颌面状态进行分析，得到分析结果，利用mri将脑中线与面中线联系起来，大大加快三维头影测量研究的进程，有助于深入探索颅颌面是否出现畸形。

上述的头部目标标识点可以是指用户头部的某一个标识点，以前后颅交界处的蝶鞍点为例，确定前后颅交界处的蝶鞍点在正中矢状面的投影作为坐标原点，通过坐标原点和鼻根点且垂直于正中矢状平面的平面作为水平面，构建三维坐标系。

步骤s108，以参考坐标系为参照，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息。

在分析软组织信息之前，需要定位扫描用户头部时的位置，保证用户处于仰卧位，头的方向和位置相同，牙齿处于正中牙合，这样才能扫描得到最好的用户头部的目标序列图像。该目标序列图像的显示肌肉的功能状态是相同的，具有可比性。

可选的，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息包括：分割用户面部的肌肉形态，并确定用户面部的肌肉体积；基于肌肉形态、肌肉体积和面部脂肪分布范围，分析用户面部的肌肉对称性；基于用户面部的肌肉对称性、肌肉形态、肌肉体积和关节参数，确定头部颅颌面的软组织信息。分析软组织信息时，包括分析用户面部的肌肉形态、肌肉体积、肌肉位置、肌肉方向、肌肉对称性、面部脂肪的对称性。

其中，分析用户面部的肌肉形态和肌肉体积时，包括：对用户面部的肌肉形态与体积进行测量(例如，利用mri对面部肌肉分割和测量的方法对面部肌肉进行形态与体积测量)，由于面部肌肉较多，可以选择测量优先级较高的部分(如对所有样本中，最容易分割的颞肌、咬肌进行分割和测量)；利用正常对照组数据，获取各肌肉的平均形态和体积的正常值范围；参考肌肉形态正常值和体积正常值，分析各头部颅颌面的肌肉的形态和体积变化。

在对用户面部的肌肉的位置、方向、对称性进行分析时，包括：对各组样本中的颞肌和咬肌相对于总坐标系的位置、方向进行评估；在颅颌面不对称组用户中，进行左右两侧颞肌、咬肌的形态、体积、位置、方向比较，统计学分析两者之间的差异。并与正常对照组比较，判断颅颌面不对称畸形两侧面部肌肉的特征性改变。

在对用户的面部脂肪的对称性进行分析时，包括：对颅颌面不对称组的样本面部两侧的脂肪分布范围进行三维方向的勾画，然后定量测量和比较，分析颅颌面不对称畸形面部两侧脂肪的对称性。

步骤s110，以参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息。

以参考坐标系为参照，对颅颌面软硬组织进行定量三维分析时，涉及的头部硬组织分析包括：对所有样本进行硬组织定量分析，利用正常对照组获取正常值范围，分析颅颌面状态。

在分析硬组织信息时，硬组织单元的定量分析包括上颌骨和下颌骨的大小、位置、方向、形状和对称性，对称性由自身对称性和系统对称性两部分组成。自身对称性是面部硬组织单元相对于局部坐标系的对称性。系统对称性是局部坐标系相对于参考坐标系的对齐。例如，对于上颌骨和下颌骨的大小，需要确定颌骨的长宽高；而分析颌骨方向时，可分析颌骨旋转(绕垂直轴)、扭转(绕前后轴)、倾斜(绕横轴)。

在分析硬组织信息时，对所有图像进行颞下颌关节的关节盘、关节间隙、关节腔积液、髁突骨质等进行分析，将颞下颌关节的参照图像与合成ct重建的颞下颌关节硬组织图像结合，充分评估头部颅颌面的关节状况。

步骤s112，基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。

本发明实施例，通过自动定位建立符合人体头部一体化与模块化特点的参考坐标系，将该参考坐标系作为参照，在mri图像及合成ct图像中对颅颌面软组织和硬组织进行三维分析，能够更为精准的分析人体的脑、颅、颌、面的基本信息，在对比、参照后，能够确定用户头部颅颌面的状态，分析头部颅颌面是否出现异常变形。

实施例二

下面通过另一个可选的实施例来说明本发明。

图2根据本发明实施例的一种可选的颅颌面状态的分析装置的示意图，如图2所示，该分析装置可以包括：获取单元21、合成单元22、建立单元23、第一分析单元24、第二分析单元25、第三分析单元26，其中，

获取单元21，用于获取目标用户的头部颅颌面的目标序列图像，其中，目标序列图像为软组织序列图像或黑骨头序列图像，目标序列图像的图像类型磁共振图像mri；

合成单元22，用于将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像；

建立单元23，用于在目标序列图像及合成ct图像中建立参考坐标系，其中，参考坐标系符合用户头部一体化与模块化特征；

第一分析单元24，用于以参考坐标系为参照，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息；

第二分析单元25，用于以参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息；

第三分析单元26，用于基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。

上述颅颌面状态的分析装置，可以在分析用户的颅颌面是否出现变形异常时，先通过获取单元21获取目标用户的头部颅颌面的目标序列图像，通过合成单元22将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像，并通过建立单元23在目标序列图像及合成ct图像中建立参考坐标系，通过第一分析单元24以参考坐标系为参照，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息，通过第二分析单元25以参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息，通过第三分析单元基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。在该实施例中，可以通过用户头部颅颌面的序列图像，建立参考坐标系(基于人体头部一体化和模块化特点)，并以参考坐标系作为参照，对颅颌面的软硬组织进行分析，确定头部颅颌面是否出现异常变形，通过全面、精准分析颅颌面软硬组织，自动化完成颅颌面的分析工作，提高颅颌面状态的分析效率，从而解决相关技术中由于颅骨的不规则性导致颅颌面的正中矢状面的确定过程存在误差大的缺陷，造成无法获取全面的颅颌面状态的技术问题。

可选的，建立单元包括：选择模块，用于选择满足用户头部两侧对称结构的脑中线，或者，定位虚拟解剖用户头部结构的脑中线；第一确定模块，用于根据脑中线定义正中矢状平面；第二确定模块，用于根据预先定义的用户头部模块化分类数据，确定用户头部目标标识点在正中矢状平面的投影点，并将该投影点作为坐标原点；第三确定模块，用于将坐标原点和用户头部鼻根点且垂直于正中矢状平面的平面作为水平面；构建模块，用于基于坐标原点和水平面，在目标序列图像及合成ct图像中构建参考坐标系。

在本发明实施例中，获取单元包括：第一检测模块，用于在检测目标用户的仰卧位满足预设仰卧条件后，检测目标用户的头部方向和头部位置；第一分析模块，用于基于目标用户的头部方向和头部位置，分析目标用户的口腔张合状态是否满足预设张合状态；第一扫描模块，用于在确定目标用户的口腔张合状态满足预设张合状态的情况下，采用梯度回波序列对目标用户的头部进行mri软组织常规序列扫描，以得到头部颅颌面的软组织序列图像；或者，第二扫描模块，用于在确定目标用户的口腔张合状态满足预设张合状态的情况下，采用低翻转角黑骨头序列对目标用户的头部进行mri扫描，以得到头部颅颌面的黑骨头序列图像。

另一种可选的，合成单元包括：第一转换模块，用于采用深度学习未配对数据方式将目标序列图像转换为头部序列图像；编码模块，用于对头部序列图像进行自动编码，得到ct图像。

可选的，颅颌面状态的分析装置还包括：第二转换模块，用于在将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像之后，采用深度学习未配对数据方式将合成的ct图像转换回mri图像；第一分析模块，用于通过预设图像分析模型分析合成ct与实际ct之间的差异。

在本发明实施例中，第一分析单元包括：分割模块，用于分割用户面部的肌肉形态，并确定用户面部的肌肉体积；第二分析模块，用于基于肌肉形态、肌肉体积和面部脂肪分布范围，分析用户面部的肌肉对称性；第四确定模块，用于基于用户面部的肌肉对称性、肌肉形态、肌肉体积和关节参数，确定头部颅颌面的软组织信息。

上述的颅颌面状态的分析装置还可以包括处理器和存储器，上述获取单元21、合成单元22、建立单元23、第一分析单元24、第二分析单元25、第三分析单元26等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。

上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。

根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的颅颌面状态的分析方法。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的颅颌面状态的分析方法。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标用户的头部颅颌面的目标序列图像，其中，目标序列图像为软组织序列图像或黑骨头序列图像，目标序列图像的图像类型磁共振图像mri；将目标序列图像合成计算机断层扫描ct图像，得到合成ct图像；在目标序列图像及合成ct图像中建立参考坐标系，其中，参考坐标系符合用户头部一体化与模块化特征；以参考坐标系为参照，在目标序列图像中对颅颌面软组织进行三维分析，以得到头部颅颌面的软组织信息；以参考坐标系为参照，在合成ct图像中对颅颌面硬组织进行三维分析，以得到头部颅颌面的硬组织信息；基于头部颅颌面的软组织信息和硬组织信息，分析目标用户的头部颅颌面是否出现异常变形。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。