發布時間：所屬分類：醫學職稱論文瀏覽：1次
摘 要： 摘要:針對傳統手工修復缺損牙治療周期長,牙科CAD系統修復缺乏個性化的問題,提出一種結合條件生成式對抗網絡和高維特征損失約束的全冠咬合面個性化設計方法.首先,通過計算三維牙齒曲面深度信息,獲取患牙預備體及其他條件模型的二維深度圖并構建數據集;其次,以
摘要:針對傳統手工修復缺損牙治療周期長,牙科CAD系統修復缺乏個性化的問題,提出一種結合條件生成式對抗網絡和高維特征損失約束的全冠咬合面個性化設計方法.首先,通過計算三維牙齒曲面深度信息,獲取患牙預備體及其他條件模型的二維深度圖并構建數據集;其次,以對頜牙條件數據作為咬合關系約束,同名對稱牙冠數據作為形態輔助信息,利用構建的網絡模型實現預備體數據向目標牙冠數據的空間映射;然后,將生成的牙冠深度圖重建為三維網格模型,完成缺損牙的形態重建;最后,選取部分患牙模型進行實驗測試,分析了不同約束條件對生成的牙冠咬合面形態的影響,對比了不同修復方法重建牙冠的質量.結果表明,該方法能夠高效、個性化地重建全冠咬合面的解剖特征,滿足缺損牙功能性修復的設計要求.
關鍵詞:全冠修復;條件生成式對抗網絡;個性化解剖特征;咬合關系
牙體缺損是由各種原因導致的牙體組織產生不同程度的缺損和破壞現象,其在口腔臨床中的發病率高達24%~53%,主要的病因為齲齒[1].根據2016年全球疾病負擔研究的調查結果顯示,全世界范圍內共有大約一半人口(35.8億人)有口腔疾病,其中齲齒是最常見的問題[2].牙體缺損以后,缺失的咬合面不僅會影響牙齒的美觀性,而且會造成牙體咬合和鄰接關系的損壞,甚至會引起其他口腔疾病.因此,牙體缺損修復的重點在于恢復原有的自然牙形態和正常咬合功能.目前,常見的缺損牙修復有2種方法,一種為傳統的人工制作的修復體;另一種為牙科CAD/CAM系統修復,如CEREC系統、3Shape系統、Duret系統等.傳統的手工修復體制作包括一整套復雜的流程,治療周期長.此外,修復體制作需要技師手工雕刻,制作效率低且過分依賴技師的操作經驗;牙科CAD/CAM系統通過一系列變形算法,對標準牙冠或統計均值牙冠進行剛體變換以及變形操作,旨在使模板牙冠與缺損牙的形態匹配,最后將模板牙冠上與缺損區域對應的曲面作為重建后的牙冠咬合面.因此,使用牙科CAD/CAM系統重建的咬合面質量取決于變形策略的可靠性.根據模板牙冠的類別不同,國內外專家及牙科CAD/CAM系統采用的變形修復方式主要為2類.第1類是以同一牙位、形態相似的標準牙模型為模板牙冠進行變形的方式,實現牙體缺損區域的重建[3-5].這類方法在一定程度上提高了修復效率和重建質量.但是,該方法無法恢復患牙的個性化解剖特征,變形過程中容易造成牙齒表面網格扭曲失真,并且需要大量的交互操作進一步調整咬合面形態;第2類是以若干個健康、完整的樣本牙模型統計分析并計算的均值牙為模板牙冠進行變形,重建缺損牙的自然形態[6-8].然而,這類方法只保留了自然牙冠表面典型的形態特征(牙尖、窩溝),重建后的牙冠表面同樣缺少個性化解剖特征.
雖然以上變形修復方法能夠重建缺損牙的咬合面,提高了修復體設計的效率及精度,但由于變形技術在牙冠形態設計方面具有一定的局限性,因此仍無法制作最適合患者的個性化全冠修復體.在以往的修復過程中,牙科技師積累了大量的咬合面經驗數據,這些咬合面形態包含大量的個性化特征并且已經過頜架調整,滿足牙齒的功能性修復要求.因此,迫切需要尋求一種經驗數據驅動的,具有高效、智能和個性化特點的全冠咬合面設計方法.
隨著計算機技術的發展及可用數據的持續增長,深度學習在語音識別、自然語言處理及計算機視覺等領域均取得了顯著的成果.在醫療圖像分析領域,深度學習技術主要應用于醫學圖像的分類與識別、定位與檢測以及圖像分割等任務[9].Arevalo等[10]采用卷積神經網絡構建了診斷乳腺癌的網絡學習框架,該框架能夠自動識別并區分性特征,實現乳腺X射線圖像的病變分類.Li等[11]構建了基于深度卷積神經網絡(deepconvolutionalneuralnetwork,DCNN)的青光眼檢測方法,實驗驗證該方法的檢測精度接近于人工檢測.Roth等[12]采用DCNN網絡學習目標CT圖像隱含的高層次信息,進而實現目標區域的分割與檢測.在口腔醫學領域,深度學習技術也有了部分探索性的應用.Xu等[13]提出了一種基于卷積神經網絡的三維牙齒模型分割方法并取得了良好的分割結果.Miki等[14]采用深度卷積神經網絡對錐形束CT圖像上不同類型牙齒進行了分類.
為了重建適合患者并具有個性化特征的全冠咬合面,本文提出一種基于條件生成式對抗網絡(conditionalgenerativeadversarialnetworks,CGAN)[15]的個性化全冠修復技術.通過計算預備體及其他條件模型的深度圖信息,構建全冠修復網絡模型的訓練和測試數據.利用網絡模型的特征提取和模型擬合能力,以對頜牙和同名對稱牙冠為輔助信息,將預備體數據空間映射至技師設計的目標牙冠數據,達到重建缺損牙咬合面的目的.最后,將網絡模型生成的牙冠深度圖重建為三維網格模型,用于后期修復體加工制造.
1本文方法概述
為了重建具有個性化特征的全冠咬合面,本文提出了基于CGAN的咬合面個性化設計方法,并通過實驗對網絡模型的重建能力進行了評估,具體流程如圖1所示.
本文的主要工作包括:
(1)構建訓練及測試數據集.為了構建網絡模型測試及訓練數據,本文以患者的頜平面為參考平面,計算預備體、對頜牙、目標牙冠和左右對稱牙冠的深度圖像信息,完成數據集的構建.本文以右側缺損牙為重建對象,左側對稱牙冠為輔助信息,并且以上數據包含近遠中鄰牙.
(2)全冠修復網絡模型.本文應用CGAN模型結合高維特征損失函數用于缺損牙全冠修復.在訓練網絡模型時,將預備體數據作為初始分布,目標牙冠作為真實數據分布,對頜牙及左側對稱牙冠作為條件數據.通過對抗訓練過程,不斷優化自身權重,使整個網絡模型達到最優.
(3)全冠重建質量評估.利用測試集數據對全冠修復網絡進行了實驗測試.采用灰度-距離的線性變換方式,將生成牙冠的二維深度圖轉換為點云數據并重建成三角網格模型.采用實驗評估條件數據對結果的影響,并對比不同修復方法的牙冠重建質量,評估了重建的牙冠同上頜的咬合接觸關系.
2基本原理
2.1生成式對抗網絡
生成式對抗網絡(generativeadversarialnetworks,GAN)[16]由生成器G和判別器D組成,兩者均可由任意可微分函數表示.整個網絡相當于一個極小化極大的雙方博弈.生成器G的目標是盡可能地捕獲學習真實的數據分布,判別器D的目標是計算輸入樣本來自真實數據分布而不是生成器的概率值.兩者相互對抗優化,不斷提高各自的生成能力和判別能力,最終判別器無法判斷輸入樣本的真實來源時,即認為整個網絡達到了納什平衡,生成器G已經學到了真實數據的分布.其目標函數為
4實驗結果及分析
4.1實驗平臺
相較于傳統的生成式模型,GAN緩解了對先驗數據量的需求[18],并且不同個體的同名牙齒咬合面具有統一的形態構造[3].因此,本文實驗的數據集包括:400個訓練樣本,50個測試樣本.每一個訓練集或測試集樣本包含預備體深度圖、對頜牙深度圖、目標牙冠及左側對稱牙冠深度圖.實驗以下頜右側第一恒磨牙為重建對象(其他牙位同樣可以使用該方法).本文實驗的實驗平臺為NVIDIAGeForce1080Ti12GB及128GB內存的服務器,Windows操作系統,Tensorflow1.4.0,CUDA8.0,Python3.5.
4.2實驗結果
為了驗證本文方法對缺損牙冠的重建效果,采用測試樣本集對咬合面重建網絡進行了實驗.首先,將修復牙冠深度圖的灰度值線性變換成距離值并構建點云數據,再將點云數據重建為三角網格模型.圖3所示為隨機選取的部分重建后的牙冠模型及預備體模型.可以看出,圖3b中修復后的牙冠表面包含了牙尖、嵴、窩溝等解剖特征,與圖3a中對應的技師設計的牙冠具有相近的咬合面形態,并且保證了與鄰牙之間的接觸關系及特征匹配,圖3c為對應的預備體模型.
4.3牙冠修復結果對比分析
4.3.1條件數據及高維特征約束重要性評估
本文的條件數據包括約束空間頜位關系的對頜牙及輔助設計咬合面形態的對稱牙.為了評估以上條件數據及高維特征偏差約束對全冠修復質量的影響,本節設置了5組對比實驗,具體的實驗細節如表2所示,不同實驗條件下的網絡模型均訓練至最優狀態.在網絡訓練過程中,隨著訓練次數增加,不同實驗組的L1損失函數的變化情況如圖4所示.
為了定量的評估條件數據對重建結果的影響,實驗以測試集樣本為修復對象,采用不同的評價指標評估實驗組的重建牙冠與目標牙冠之間的相似度,并對整個測試集的評估結果進行均值化處理,具體結果如表3所示.鑒于網絡模型的輸出結果為牙冠的二維深度圖,實驗采用了3種圖像評價指標,包括圖像均方誤差(meansquareerror,MSE)、結構相似性(structuresimilarityindexmeasure,SSIM)及特征相似度(featuresimilarityindex,FSIM).具體的定義分別為
相關知識推薦：口腔醫學中評審條件有哪些
5結語
本文針對現有缺損牙修復方法存在的問題,提出了一種基于CGAN和高維特征損失函數結合的全冠修復方法.通過添加對稱牙冠作為輔助信息,提高了咬合面的修復質量;同時引入對頜牙數據作為條件約束,限制了咬合面數據的不合理生長.實驗分析結果表明,該方法能夠在滿足牙體缺損功能性修復需求的同時,重建咬合面的個性化解剖特征.與現有方法相比的優點在于:(1)本文重建全冠咬合面的方法無需人工干預,修復效率高,并且適用于不同類型的牙齒重建,同時避免使用復雜的三角網格數學算法;(2)本文將CGAN應用到全冠修復任務,結合L1損失函數和高維特征損失函數對目標牙冠的解剖特征進行學習和映射,實現缺損牙的個性化修復需求;(3)通過引入對頜牙條件數據,使重建后的咬合面具有良好的咬合接觸,避免了由數據庫調改方法重建的全冠較難適應患者原有牙列的問題,減少了后期調頜工作.未來工作將進一步提高全冠咬合面的修復質量,并重建與預備體模型貼合的全冠修復體內表面.