文摘

客观的。恢复正确的咀嚼功能,部分无齿的病人是一个具有挑战性的任务主要是由于个体之间的复杂的牙齿形态。虽然提出了一些基于深度学习方法对牙科修复,他们中的大多数人并不认为的影响牙齿咬合的表面重建的生物学特性。描述。在本文中,我们提出一种新颖的双鉴频器对抗的学习网络,来应对这些挑战。特别是,这个网络体系结构集成了两个模型:一个扩张convolutional-based生成模型和双全球性的本土歧视模型。而生成模型采用扩张卷积层生成特性表示,保留了清晰的组织结构,双重歧视模型利用两个鉴别器共同区分输入是真实的还是假的。尽管全球鉴别器集中在临近牙齿缺失的牙齿和评估是否连贯的整体,当地的鉴别器的目标只有在有缺陷的牙齿,以确保本地生成的牙冠的一致性。结果。1000份真实病人牙齿样本实验证明我们的方法的有效性。定量比较,图像质量指标是用来衡量生成的咬合的表面的相似性,以及生成的结果之间的均方根和目标皇冠计算方法是0.114毫米。在定性分析中,该方法可以生成更合理的牙科生物形态。结论。结果表明,我们的方法明显优于先进的牙表面重建的方法。重要的是,设计自然牙齿咬合的表面有足够的解剖形态和优越的临床应用价值。

1。介绍

牙齿缺陷和无齿的齿列缺陷是很常见的,经常发生的疾病,这主要是由于龋齿、牙周病,创伤,和先天性畸形1,2]。其中,龋齿是牙齿和牙齿缺陷的主要原因3]。的全球疾病负担研究(4)报道,全球一半的人口患有口腔疾病,其中牙齿缺陷占至少50%。常见的缺陷类型的修复牙全冠和镶嵌,全冠的大面积缺陷的主要类型(见图1)。然而,随着人类口腔健康意识的提高,如何使牙齿恢复过程更加智能化,牙冠修复更多的个性化,从根本上改变计算机辅助设计(CAD)的牙冠修复设计方法为牙医将成为一个巨大的挑战。

基于cad牙科修复技术已成功应用数字几何设计和制造牙科修复领域,从而大大提高了假肢的设计质量,大大降低了牙医的工作强度。此外,几项研究已经成功地使用有限元分析(FEA)作为一种工具的解剖形态结构和生物力学评价假体(5- - - - - -7]。虽然CAD和假肢牙科导致很多优势,现有CAD-driven牙科修复系统都使用标准模板牙数据库设计模板,从而导致咬合的表面形状的现状是统一的(8,9]。因此,如何充分利用高效的数字化设计方法和设计经验的牙医来解决复杂多样的个性化设计的假体是目前恢复的技术瓶颈。

等智能技术的发展深度学习(DL)牙科医学带来了新的解决方案。与基于cad重建方法相比,DL的经验数据挖掘技术更适用于牙科个性化服务的目的。在牙科修复的过程中,牙医已经积累了丰富的经验数据设计的牙冠咬合面。这些咬合的表面形状包含足够的个性化的解剖特点,可以满足功能需求的牙科修复。因此,这将提供基本条件的探索智能牙科修复技术。然而,开发一个智能牙科修复方法挑战:(1)它是缺乏大规模的口腔临床数据库来训练一个智能网络缺陷的牙齿修复(10];(2)如何设计一个个性化的牙科修复满足病人的正常咀嚼功能;和(3)不同年龄的增长,牙齿形态的训练网络模型的困难。

虽然个性化设计的牙齿咬合的表面形态充满困难和挑战,通过努力取得了巨大成就的研究,主要集中在基于cad的DL-oriented的。在基于cad方法,研究人员试图获得期望的结果通过改善和优化算法。例如,Buchaillard et al。8)建立了一个统计模型包括平均形状和一系列的变形模式重建三维(3 d)冠表面。江et al。3)采用迭代拉普拉斯算子表面编辑和网状缝变形缺陷的标准模板的牙齿咬合的表面重建。风扇等。11)提出了一个牙科形状恢复方法结合移动最小二乘和模板变形特性线匹配重建冠表面。Zhang et al。12)提出了一个指定约束变形缺陷牙建模框架基于一个牙齿标准模板库。李等人。13)开发了一个生物特性曲线提取算法实现密切匹配的牙科假肢和准备的牙齿。值得注意的是,上述的方法手动调整标准牙的咬合的表面形状通过控制变形点不能重建牙齿的咀嚼功能缺陷。因此,它仍然是不可能设计一个个性化的牙科假肢,是最适合病人。虽然基于cad手工交互式牙科修复方法可以恢复牙齿的形状缺陷,其缺点也是显而易见的:(1)它需要高技能和专业的操作技能;(2)整合成更多的人工主观牙医的设计思想;(3)它是高度依赖于一个高效、健壮的变形算法;(4)它需要许多intraoral试验和人工假体表面磨削,这是需要解决的另一个困难。

在DL-oriented方法,一些deep-learned网络已经广泛应用于dental-related疾病诊断(14- - - - - -16)和牙齿分割(17- - - - - -19)由于其性能优越,但智能修复牙科研究相对缺乏。例如,李et al。20.)采取了pre-trained GoogLeNet初始v3龋齿的诊断和预测网络。莫兰et al。21)采用超分辨率生成对抗网络(SRGAN)模型和转移学习获得更高质量的根尖周的图像检测的龋齿和牙周疾病。丽安et al。22)设计了一个端到端的3 d卷积网络(称为MeshSegNet)自动标签个人牙齿在牙表面。Torosdagli et al。23)开发了全自动图像分析软件对下颌骨分割和基于长期短期记忆网络解剖标志。上面的方法取得了令人印象深刻的成果在相应的任务。然而,每个人都是为特殊的牙科的任务,而不是为咬合的表面重建。同时,这些方法的成功应用表明,DL-oriented方法有很大的应用潜力领域的牙科修复。最近,一些文献研究报道GAN-based框架牙科修复。例如,黄等。24]应用Pix2pix [25]的牙冠模型设计。在此基础上,元et al。26]重建缺失的牙齿的咬合的表面通过引入感知损失和间隙距离约束。田et al。10)提出了一个计算机辅助深adversarial-driven牙齿镶嵌恢复框架自动重建牙齿的咬合的表面缺陷。然而,这些方法只关注牙齿缺失的小范围的任务或不考虑口腔生物学特性的影响(把合指纹,槽)修复任务,以便重建咬合的表面通过上述方法没有自然皇冠的解剖形态。

在本文中,我们提出一个牙齿咬合的表面重建方法使用双鉴频器对抗网络(DentalRecNet)部分缺齿的病人。该方法主要包括两个方面的动机。首先,先前敌对的学习网络医学图像完成任务主要集中在发电机的设计,未能充分利用的鉴频器的功能。我们提出一个双重歧视策略,共同决定两个鉴别器应用于减少生成的咬合的表面和地面之间的区别真理,提高网络的可靠性。其次,针对缺乏个性化的咬合的表面形状设计的现有方法,我们相信,确保正确的咬合的关系和足够的自然解剖形态生成的咬合的表面修复的关键因素评价成功治疗。因此,我们采取的策略逐渐增加训练恢复牙齿表面的复杂地形的复杂性。不同于前面提到的DL-based修复方法,提出DentalRecNet方法有几个优点:(1)它是一个高度自动化的解决方案,不再需要人工干预的咬合的表面设计;(2)它是高效设计牙齿假肢有足够的牙科生物学特性;(3)牙表面的重建误差相对较小;和(4)是高效的牙医在口腔诊所。 For this study, the main contributions are as follows:(1)视觉基于距离我们提出一种自适应正交投影方法标准化建设的牙齿数据库,可以实现双向可逆三维牙齿模型之间的映射和深度地图。(2)重建清晰的组织结构和细节有缺陷的牙齿,一个encoder-decoder发生器与扩张提出了卷积层模型,可以提高有效的传输特性。复合损失函数也旨在引导网络捕捉准确重建的牙科生物学特性。(3)双重歧视策略提出了区分虚假和真实图像。全球性的本土鉴别器不同的输入提高生成的咬合的表面的质量通过联合学习增强决策能力的鉴别器通过互补信息。(4)一个真实的牙科数据库上进行广泛的评估。与最先进的方法相比,所设计的网络可以实现更好的性能对于定性和定量。

本文的其余部分组织如下。该方法方案中描述的部分2。部分3提供了实验结果。节中有关问题进行了讨论4。最后,结论部分总结了部分5。

2。提出的方法

重建咬合的表面缺陷的方法本质上涉及牙科深度地图生成和牙科修复网络,这是图形如图2。在深度地图生成步骤中,视觉基于距离的一种自适应正交投影法用于生成深度图。在牙科修复步骤中,双鉴频器网络体系结构设计合成缺失牙齿的图片,两个鉴别器的学会区分整个重建缺失的皇冠和生成牙形象真的和假的。

2.1。牙科地图生成

牙深度地图视觉形象的特点,包含齿的空间信息模型,它直接反映了咬合的表面的三维几何信息。保护牙齿模型的几何信息,欧拉角变换和边界框是首先使用规范化的3 d牙齿模型(见图3)。详细描述的标准化处理结论如算法1所示。然后,一个图像entropy-assisted视觉距离自适应正交投影法提出了计算牙科深度地图与更详细的功能,为网络培训,这个方法可以实现距离双向可逆映射。

的详细步骤计算深度映射算法2所示。根据距离转换关系,牙科深度地图是由算法2。计算公式如下: 在哪里α是一种图像增强因子,h= 6毫米。指定,牙齿模型超越了这架飞机不会预测,但会被转换成一个像素值为0的深度图。通过调整参数α、牙科深度地图可以生成不同的品质。

图像熵是一种统计的图像特征,它反映了图像所携带的信息量(27]。因此,图像熵是用来协助评估牙科深度地图有不同的质量α值(参见图4)。熵的计算公式定义如下: 在哪里米是像素值的范围(0 - 255),P_t是像素的概率t的形象。在大量实验的基础上,详细信息时可以保留咬合的表面α= 2。

2.2。牙科修复网络

生成对抗网络(GAN)使许多医学图像恢复领域的巨大成就,和它的应用程序可以避免手工的问题设计复杂的抽象特性和修复规则(28- - - - - -32]。最近,一些有效的网络架构(10,33,34)开发增强对抗的能力学习,例如,双甘鉴别器(35),同时采用全球和本地图像内容区别的部分从不同尺度的一致性。在这里,我们设计一个新的DL-based咬合的表面重建方法通过构造一个生成模型和双重歧视模型。作为显示在图5,我们的方法是基于卷积神经网络训练的牙科修复任务。一个生成模型用于失踪的咬合的表面合成,而两个鉴别器网络训练是否咬合的表面已经完成。

2.3。深层生成模型

由于性能优良encoder-decoder架构的多种医学图像分析任务(36,37),我们采取类似的网络体系结构作为一个发电机,它允许计算效率提高了最初在做进一步处理之前降低分辨率图像。然后,输出是恢复到原始分辨率图像使用反褶积(Dconv)层。与其他pooling-based架构降低图像分辨率不同,我们的网络模型使用一个卷积操作与分数进步(¼)两次降低分辨率,它可以生成一个咬合的表面和清晰的组织结构缺失的牙齿。如图5(a)、网络层是由银行的过滤器与输入图像产生咬合的复杂表面的形象。每次卷积(Conv)层后,除了最后一个,一批标准化(BN)和修正线性单元(ReLU)激活函数,而输出层由一层Conv.乙状结肠功能正常化输出[0,1]区间。

确保网络能够处理复杂的咬合的表面重建,我们添加扩张卷积层(38)提高网络的学习能力,主要使用内核展开和允许每个输出像素计算与一个更大的输入区域。不同于一般的连接,扩张卷积层随后把前面的特征映射到输出通道,分别如图6。此外,扩张卷积的接受域层获得细粒度结构信息和扩大有效特征表示。牙齿咬合的表面的重建清晰的组织结构,设置不同的膨胀率获得接受字段与合适的尺度。此外,此连接允许每个特性映射到接受几个卷积操作在不同的膨胀率,捕获不同类型的特征信息。每一层的功能映射集成到最后的输出扩张卷积,以便生成模型提取更有效和更丰富的生物学特性。

更具体地说,如果一个人是一种二维层我th通道 下一层是一个形象我+ 1频道 图像,每个像素的扩张可以编写卷积算子如下: 在哪里 和 分别为内核的宽度和高度,;y和x的像素组件的输入和输出层;F(⋅)代表一个特定组件的非线性传递函数;b是一个偏差向量;米代表我+ 1 -我矩阵的内核;和λ是膨胀的因素。

2.4。全球性的本土有识别力的模型

相对于一个非凡的生成模型,一个强大的鉴频器在某种程度上更重要的培训是一个很好的恢复网络。鼓励更现实的皇冠的细节,我们采用双鉴频器网络GAN鉴别器区分高分辨率的真实和合成牙科图像。在培训期间,全球鉴别器D_G和当地的鉴频器D_l共享相同的发电机G但以不同的方式检查其输出。全球鉴频器D_G需要准备的牙齿和相邻的牙齿作为输入,而当地的鉴别器D_l只需要准备的牙齿作为输入。概述两种鉴别器中可以看到数据5(b)和5(c),给定一个准备与邻牙的牙齿x₁和相应的目标与邻牙冠z₁学习是对抗的,目标函数制定如下: 在哪里c₁表示反对的牙齿,c₂表示牙科生物形态(咬合的指纹和咬合的槽)d代表两个下巴之间的间隙距离。发电机G使努力最小化目标函数,而全球鉴别器D_G试图通过最大化 。类似的,第二个鉴别器是制定的目标函数如下: 在哪里x′₁代表一个准备的牙齿,z′₁皇冠是相应的目标,c′₁代表对方牙制备的牙,c₃代表目标皇冠的咬合的槽。

有效对抗的训练是必要的,以确保质量的咬合的表面重建。因此,全球鉴别器采用卷积滤波器与大小的5×5步的值2。咬合的表面生成的基本想法是,不仅应该是现实的,但也与相邻的牙齿形状一致。当地鉴别器遵循相同的结构模式,由五个卷积层和一个完全连接层。它决定重建咬合的表面缺牙位置是否真实。最后,输出两个鉴别器融合在一起的连接层,预测连续值对应的概率牙科图像是真实的。我们的最终目标是学习上的发电机网络条件制备牙和牙生物形态。然后,生成的不同尺度图像生成器G鼓励这两个鉴别器足够现实的傻瓜D_G和D_l。因此,对抗的学习问题成为一个多目标的学习问题,定义如下:

2.5。损失函数

培训网络重构现实的牙冠,敌对的损失(l_阿德)的氮化镓(6通过添加一个知觉损失(提高)l_每)、L1的损失(l_l1)和均方误差(l_均方误差)。使用混合的四个损失函数允许稳定的咬合的表面重建网络培训。下面,我们将解释为什么我们选择这些损失。

均方误差(MSE)是使用最广泛的保真度衡量指标之一,在医学图像分析研究。它评估生成的牙科图像之间的区别G(x牙冠)和相应的目标zpixel-wise水平和客观量化误差信号的强度(38]。所以,我们使用MSE损失稳定培训: 在| |⋅| |_F代表了弗罗贝尼乌斯常态。

MSE损失相比,知觉损失评估两个牙科图像在特征层面而不是在像素级别,这有助于保持咬合的表面生成的细节,使它清晰的结构。因此,知觉损失被添加到网络的训练,进一步提高能力重建缺失牙齿的生物形态的特征。知觉损失可以表示如下: 在| |⋅| |₁代表了l1规范,h_我表示特性获得的地图我th卷积层,C,H,W的宽度、高度和深度的特征空间,分别。

总损失函数的加权和上面的损失,这是制定如下: 在哪里λ_l1,λ_均方误差,λ_每三个常数加权因素。

3所示。实验结果

3.1。牙科数据集

因为我们没有足够的人力和口腔专业知识收集病人的损坏和修理牙齿,很难建立一个足够数量的牙科数据库网络训练自己。针对这种情况,这个项目是配合北京大学口腔医院,这为我们提供了手工设计牙齿制备和提取牙科生物形态。许多研究报道,下颌第一磨牙的龋齿率是最高的3,10,12有缺陷的患者),因此我们选择# 46或# 36牙为研究对象(见图7)。3 d数字牙科收集数据集从主题的牙科石膏模型3形状牙科扫描仪(D700,丹麦),和牙齿样本是随机分为三个部分:850年训练,90年验证,剩下的60牙科样本进行测试。

3.2。实现

基于提出的牙科修复网络TensorFlow框架(39),所有实验都在执行英特尔(R)白金8168 @ 2.70 GHz CPU的机器运行Windows 10和128 GB的RAMGeForce GTX 1080 tiGPU。训练模型,我们优化网络使用亚当解决以下hyper-parameters:λ_L1= 100,λ_均方误差= 50,λ_每= 50,β₁= 0.5,β₂学习速率= 0.0002 = 0.999,ReLUs0.2网络的斜率。

3.3。烧蚀研究

3.3.1。损失函数的结果

让所有的客观约束功能发挥预期的作用,充分发挥函数本身的特点,我们采取的策略,逐渐增加训练复杂度的基础上确保足够的梯度更新在早期阶段的训练。训练过程分为三个阶段:首先,发电机网络训练与闭塞空间约束,牙科生物形态的约束,l1损失产生基本的咬合的表面(标记为阶段I)。后来,发电机的网络是固定的和两个鉴别器从头训练与MSE损失和知觉损失(标记为阶段II)。最后,发电机联合网络和双鉴频器网络训练直到整个培训(标记为III期)。图8显示了两个典型的恢复和样品三个不同的设置,其中一个是# 36齿,另一个是# 46齿。牙齿咬合的表面上生成形状制备非常接近的对象形状当训练达到第三阶段。

除了视觉结果(见图8),三个指标用于评估咬合的表面生成任务的性能。峰值信噪比(PSNR)已成为常见的方法来评估质量的压缩和填补图像(40错误),它提供了基于像素的图像对目标图像进行处理。第二个是特征相似性指数测量(FSIM) [10像素值的差异,直接措施在当地的两张图片的位置。第三个度量是结构相似性指数测量(SSIM) [41)评估整体结构两个图像之间的相似性。表1提供的平均性能不同的设置。我们可以看到,第三阶段获得的平均PSNR值增加6.431 dB与阶段。此外,FSIM增加从0.961到0.993,显示的能力提出了网络测量的差异在当地位置像素值生成的咬合的表面图像和目标图像。方面的改进SSIM,增加从0.933到0.985,表明了网络的强大能力保持咬合的表面结构。

在培训过程中,l1损失(l_l1)、均方误差(l_均方误差),感知损失(l_每)和敌对的损失(l_阿德)在每个迭代中记录监控DentalRecNet的收敛。评估每一个损失的性能用于DentalRecNet提议,我们在网络训练过程中采用了训练方法。图9情节的训练失去我们的网络和迭代的数量,这表明网络达到一个稳定的价值减少损失。

3.4。参数选择的结果

通过调整增强因子α,我们进一步评估的影响生成的牙科图像质量的方法,结果如图10。2.0可以看出,增强因素达到最佳的性能比其他六个参数,这是一致的结论,如图4。因此,牙科深度地图得到这些参数用于火车DentalRecNet实验。

3.5。扩张卷积层的有效性

然后我们进行一系列的实验来验证的有效性扩张卷积在DentalRecNet层使用。在这些实验中,我们使用一般的卷积层(一般Conv。)代替扩张卷积层(扩张Conv)构建生成器进行结果分析。根据灰色距离映射关系,获得牙深度图像的3 d模型使用一个基于点云密度自适应网格重建方法。图11显示了一个典型的恢复示例使用两个不同的设置。可以看出扩张Conv.-based发电机相比一般Conv.-based发生器达到更好的结果。特别是咬合的指纹DentalRecNet生成的分布相对比较贴近地面真理样本。

评估质量的咬合的表面,生成的结果和目标之间的偏差计算皇冠的约束下相邻的牙齿。如图11,我们可以看到标准偏差(SD)值和均方根(RMS)拟议中的发电机获得的价值减少0.078毫米和0.081毫米与一般Conv.-based发生器相比,分别。

3.6。用最先进的方法比较结果

3.6.1。定性结果

在本节中,我们比较该方法与五个代表GAN-based方法,包括Pix2pix [25],CrownDesNet [24],Dental-GAN [27],讲台[10],GL-GAN [34]。Pix2pix甘是一个条件模型,用于学习翻译功能从输入到输出图像域与训练样本配对。CrownDesNet是一个牙冠设计网络,用于学习准备下巴之间的映射和dentist-designed下巴成对训练样本。Dental-GAN基于Pix2pix是一个牙冠修复网络,产生更现实的把合表面图像通过添加知觉丧失和槽过滤损失函数。讲台是牙齿镶嵌恢复网络,生成模型的组成一个特别设计的训练策略,双local-global歧视模型和解析模型。GL-GAN由完成网络基于一个完全卷积网络和一个全球性的本土上下文鉴别器。

根据距离双向可逆映射关系,3 d牙齿咬合的表面重建从使用网格生成的图像重建方法基于区域增长。我们视觉上比较图中给出的重建结果与三个典型的例子12并提供咬合的指纹(海藻绿颜色)提取的牙医。可以看出Pix2pix生成的咬合面和CrownDesNet少咬合的指纹或平滑咬合的槽。Dental-GAN相比CrownDesNet GL-GAN显示更好的性能。咬合的指纹由讲台的分布比其他方法更合理。DentalRecNet的重建结果较接近自然牙冠,尤其是牙槽咬合的指纹分布和特点。

此外,一个实验案例(见图13)已经被添加到进一步验证该方法的有效性。理论上,左边牙齿(# 36)和右边的牙齿(# 46)一个人是对称的。可以看到,牙冠模型由我们设计方法比皇冠更个性化设计的牙医。生成的牙科假肢提出DentalRecNet模型形态类似于对侧的牙齿,这进一步表明,我们的方法具有优越的临床适用性。

操作。定量结果

定量比较的PSNR、FSIM和SSIM表进行了总结2。可以看出Pix2pix、CrownDesNet GL-GAN PSNR值较低,FSIM,和SSIM,表明它不能准确地重建咬合的表面的生物学特性。与皇冠设计网络(CrownDesNet)相比,Dental-GAN和讲台可以获得更好的结果。同时,DentalRecNet显著优于其他五个方法,符合视觉结果如图12。因此,实用性的DentalRecNet自动化咬合的表面重建缺失的牙齿进一步证明。

此外,我们进一步评估该方法的有效性与其他现有方法直观地。之间的均方根值生成自然牙冠咬合的表面和测量,以及一系列的统计分析进行相似性测量结果(见图14)。可以看出,我们的方法所获得的结果明显优于其他方法。特别是,DentalRecNet检测误差是0.114毫米,而最优的检测误差讲台在其他方法是0.164毫米。此外,单向方差分析测试进行评估偏差的相似性度量生成和对象之间的牙冠。这六个方法,我们发现偏差测量统计上的显著差异(≪1e−3)。同样的,我们之间找到一个统计上的显著差异DentalRecNet和其他五个方法(≪1e−3)利用克鲁斯卡尔-沃利斯检验。

4所示。讨论

重建正确的空间有缺陷的牙齿的咬合接触关系是评价的基础成功的修复和维护口腔健康。考虑到每个齿都有相同的形状特征作为标准的同名牙,仿生几何形态设计方法往往采用设计标准牙冠(12,42]。皇冠的过程中设计、咬合的指纹必须充分反映咬合的表面,因为它的功能特性提供了参考的位置和方向正确的咬合的联系人(43]。如果不考虑咬合的指纹分布在设计过程中,将会有大量的不合理的干扰区域设计的皇冠。,这一点变得尤为重要,因为咬合的指纹有助于驱散拉伸应力在牙冠(44]。独特的牙冠咬合的槽特征确定食物的方向流和咀嚼效率在咀嚼过程中,也用作标准评估牙科修复的成功。因此,口腔修复,不考虑咬合的指纹和咬合的槽可能有利于搪瓷裂纹的发生和其他破坏性的过程。

验证的有效性提出DentalRecNet,我们比较了两个代表GAN模型(25,34和三个GAN-based牙科修复方法10,24,27]。可视化例子结果如图12。相比Pix2pix和GL-GAN, DentalRecNet可以获得更现实的咬合的表面形态,和牙科生物学特性(把合指纹,槽)更接近天然牙。此外,我们的方法也优于现有最先进的牙科修复方法,它可以产生更多的和合适的功能性咬合的表面特性区域。

有介绍的方法来表示咬合的表面形态使用深度地图,我们解决这个问题,很难重建咬合的表面,满足正常的咀嚼功能和基于模板的牙齿的自然形状。虽然看起来简单,乍一看,仿生几何形态设计方法需要大量的样本的牙齿和手动交互;需要定义什么是最合适的咬合的表面有多少特征点选择,咬合的表面设计完成时,如何量化咬合功能特征区域。找到这样的评估标准,并确定相关参数,设计一个原则上需要分析冠模型(数千甚至更多)的32颗牙齿类型。这些设计规则可能会是不同的类型,因此导致不同类型的牙齿是使用不同的设计标准和参数。然而,事实证明,所有这些挑战可以通过深入学习网络解决。这些多层次网络体系结构是由大规模数据获取大量训练更有代表性的特征信息。因此,而不是手动为每个特定的牙齿变形,我们收集大量的情况下,指定约束条件(对立的下巴,差距的距离、咬合的槽和咬合的指纹)对于一个给定的输入(制备牙),然后最小化损失函数,量化的统计对象的特征图像之间的差异和生成的图像。通过这个最小化,网络的权值进行优化,以改善其发电能力。特别是,深层网络有能力自动学习高层和更有识别力的特性从样本数据集,和GAN取得了优秀成果在综合实际的图像通过学习复杂的生成模型(23,45,46]。

5。结论

在这篇文章中,一个新颖的牙齿咬合的表面重建模型的咀嚼功能恢复部分缺齿的病人提出,其中包括一个扩张convolutional-based生成模型和双重歧视模型。特别是,扩张卷积生成模型中的结构是利用获得区别的特征表示和保存更细粒度的生物特征信息准确的重建。双全球性的本土歧视模型试图提高歧视能力更好的决定,更有效地优化生成模型与两个独立但互补鉴别器。实验结果表明,在相同的条件下,该方法优于最新进展在现实世界牙科数据库。特别是,检测误差的方法是0.114毫米,而其他方法的最优检测误差是0.164毫米。与此同时,它也证实该DentalRecNet具有潜在的应用价值作为一个聪明的和个性化的牙科修复方法。重要的是,该方法实现的变换假肢从几何形状设计到功能特点设计。

尽管DentalRecNet取得了最先进的性能在解决个性化牙齿咬合的表面重建的具有挑战性的问题,一些技术问题应该在未来仍然认为。(1)在当前DentalRecNet,牙深度图像用于网络培训,这需要一个额外的后处理过程设计3 d牙冠。因此,牙冠重建一个端到端的解决方案可以探索进一步简化恢复过程;(2)目前的训练数据集只包含下颌第一磨牙(36 #或# 46)最高的牙齿缺陷率。考虑到缺陷的随机性的牙齿,有必要建立一个更大的数据集包含更多牙齿类型,可进一步提高DentalRecNet的临床表现。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金资助(52105265)、中国国家重点研发项目(2019 yfb1706900),和北京&领导人才培训项目T(Z191100006119022)。