一种基于深度学习的个性化牙齿形态恢复与重建方法

本发明属于人工智能图形处理与牙体形态，具体为一种基于深度学习的个性化牙齿形态恢复与重建方法。

背景技术：

1、随着数字化技术的不断进步与革新，口腔修复领域在牙体形态恢复方面的实践已经发生了显著转变。传统手工阶段，包括模型和代型的精密制作、耗时的手工堆塑以及复杂的煅烧工艺等环节，正逐步被先进的计算机辅助设计(cad)和计算机辅助制造(cam)技术所替代，这一变化大大提升了修复体制作的效率，并且在精确度和美学效果上也有了质的飞跃。

2、在现代口腔修复过程中，牙体形态模板的应用是一项重要突破。通过预设的数字模板库，技师无需从零开始设计每个修复体，而是可以选择与目标牙体相似的现有模板进行细致调整，包括大小匹配、位置校准以及形态细节的个性化修饰，这不仅缩短了设计周期，同时也确保了更为准确和自然的牙体形态重建。然而，当前数字化设计软件中内置的模板资源存在局限性，例如模板与患者实际牙齿形态间的差异可能较大，选择范围有限，且高度依赖于操作者的主观判断，这些因素往往导致设计过程冗长，需要医生在临床实践中反复试戴并精细调整修复体，从而延长了患者的治疗周期，降低了就诊体验的满意度。

3、同时，人工智能技术尤其是深度学习中的生成对抗网络(gans)已经开始渗透到口腔修复的设计流程中，旨在解决效率和精度方面的问题。尽管如此，在处理具有复杂美学要求的前牙区域时，特别是在缺失明显牙尖特征的情况下，现有ai技术尚难以达到媲美专业技师的高度自然与个性化设计水平。另外，在面对如咬合重建等复杂口腔缺损问题时，目前的ai算法还缺乏足够的可解释性和鲁棒性，即它们在处理复杂情况时决策过程不易理解，且对输入数据的变化不够稳健，这些挑战都亟待未来研究进一步攻克和完善。

技术实现思路

1、基于背景技术中的现状，本发明的目的在于将深度学习技术与隐式模板构建策略进行深度融合与创新应用，解决口腔医学领域中缺损牙体的精确修复问题。本发明方法能为每位患者量身定制高度个性化且细致的修复模板，该模板不仅充分考虑了个体间的差异特征，还为后续的牙齿修复设计工作提供了坚实的科学依据和精确的参考坐标。本发明方法由此显著提升了牙体形态恢复方案的精细化程度、精准度以及长期稳定性，从而有效减少了传统上依赖于技师个人经验与主观判断所带来的不确定性。

2、本发明方法经过验证，在采用新模板指导下完成的最终修复体设计方案，无论是在美学效果还是功能匹配上都呈现出卓越的表现力。同时也验证了此模板化设计流程在提高整体设计效率上的显著优势，并进一步探究了人工智能对口腔修复体设计行业潜在的革命性影响。

3、通过深度学习优化的设计过程得以显著简化，有力证明了cad技术不仅在提升设计效能方面拥有巨大潜力，而且对于革新传统的交互设计模式，推动数字化医疗的发展亦具有深远意义。

4、本发明采用了以下技术方案来实现目的：

5、一种基于深度学习的个性化牙齿形态恢复与重建方法，所述方法包括如下步骤：

6、s1、基于缺损牙齿形态恢复的任务需求，获取各牙位牙齿形态数据并进行预处理后，得到具有完整解剖牙冠形态天然牙且用于模型训练的数据集；

7、s2、基于sdf理论与deepsdf网络结构，构建dit改进算法，形成包括deformnet子网络和sdfdecoder子网络的toothdit网络模型；toothdit网络模型用于在保持牙齿形态的原始尺度的基础上，对训练出的模板牙进行变形并恢复缺损牙齿形态；

8、s3、在toothdit网络模型中，对经过预处理后的数据集进行多点采样，使用deformnet子网络，将数据集中的采样点变形为空间坐标；使用sdfdecoder子网络，计算任意采样点到对应牙齿表面的sdf值，实现牙齿形态的统一表征；

9、s4、使用数据集完成toothdit网络模型的训练与验证，使其具备模型推理能力，得到该数据集对应牙位的平均模板且通过推测出的唯一标识完成由牙齿模板到对应牙齿形态的转换，进而生成个性化的牙齿形态，并应用于实际的缺损牙齿形态恢复任务中；

10、s5、实际应用时，获取需要恢复的缺损牙齿数据，使用相同的预处理方式后与牙齿模板配准对齐，再通过toothdit网络模型完成推理预测，得到补全后的完整牙齿形态，作为缺损牙齿形态恢复与重建的依据，完成数字化修复体的制作。

11、优选的，在数据预处理过程中，在数据预处理过程中，依据重心与方向，对各牙位牙齿形态数据进行统一方式的图形学处理；使用重心匹配方式，先将各牙位牙齿形态数据以相同标准进行粗略对齐，再手动对二者的颈端进行对齐，从而反映牙齿切端形态的差异，并将该差异也体现至数据集中，完成数据集的整合；将整合得到的数据集划分为训练集与验证集，用于toothdit网络模型的训练与验证。

12、进一步的，对于步骤s2与步骤s3，基于sdf理论，建立牙齿形态的统一表征方式，通过构造隐式形状空间来表示所有牙齿的形状；同时建立映射将隐式形状空间中的任何点，即潜在代码映射至标准齿形集合中的特定牙齿形状；在表征牙齿形态时，为数据集中的每个牙齿形态进行多点采样，收集采样点的3d坐标(x,y,z)，然后计算对应的sdf值。

13、进一步的，基于deepsdf网络结构，使用深度学习技术生成sdf函数，具体过程为：基于自动解码器，建立deepsdf网络结构，构造映射将形状的潜在代码与空间中任意点p映射至该点到形状的符号距离并进一步依据deepsdf网络结构，将映射f表示为由此实现一类形状的重建与完成。

14、进一步的，deformnet子网络用于提取对应牙位的牙齿模板形状，然后依据缺损牙齿的形状特征，推测出代表牙体形状的潜在唯一标识，并对牙齿模板形状进行变形，得出完整形状；提取的一类牙齿模板形状对应于该类牙的共同特征，这一过程通过dit方式实现；deformnet子网络由此可学习个体之间的齿形变化。

15、进一步的，步骤s4中，训练toothdit网络模型时，令其分别生成各牙位的隐式模板牙，隐式模板牙包含了数据集中牙齿共有的基本特征，并通过训练使toothdit网络模型具备预测潜在代码的功能；将潜在代码作为存储转换信息的唯一标识，实现由牙齿模板到对应牙齿形态的转换，进而生成个性化的牙齿形态；

16、在toothdit网络模型进行模型推理时，预先固定已完成训练的网络模型参数，然后基于缺损牙齿的不完整形状点云数据，以反向传播迭代方式，推测完整形状的潜在代码，生成各个采样点坐标的sdf值，并利用marching cubes算法将对应的零等值面提取至任意精度的网格中，由此实现后续的牙齿形态恢复与重建目的。

17、综上所述，由于采用了本技术方案，本发明的有益效果如下：

18、相较于传统的计算机辅助设计方法，本发明采用toothdit网络模型进行牙体缺损的形态恢复，表现出了显著的优势。本发明方法不仅极大地提升了修复过程的效率，显著减少了从诊断到完成目标形态所需的时间投入，而且在精确度上取得了突破性进展。

19、通过三维空间形态的精密比对可以发现，toothdit网络模型所实现的牙体形态重建精度明显优于传统设计手段，其生成的修复体与真实牙齿的理想三维形态之间的偏差显著减小，这意味着它能够更准确地模拟和再现天然牙齿复杂的三维结构特征。

20、在进一步关注二维细节层面的功能性和美学表现时，toothdit网络模型同样展现出了卓越的能力。无论是细微的咬合面纹理、邻接关系，还是前牙区重要的美观线条和形态，toothdit网络模型都能以更高的准确性予以复原，确保最终修复体与真牙的二维形态差异微乎其微，从而为患者提供更为自然和谐的口腔功能及美学效果。

21、此外，随着牙体缺损范围的扩大和复杂性的增加，toothdit网络模型依旧保持了良好的稳定性，能够在各类不同规模的缺损修复中持续展现出高水平的设计效能，这一点对于处理复杂且大面积的牙体缺损病例尤其具有临床价值。总体而言，应用toothdit网络模型不仅加快了牙体缺损形态恢复的速度，还在精准度、稳定性和细节还原等方面实现了对传统cad技术的全面超越。