發(fā)布時(shí)間：2020-05-22所屬分類：醫(yī)學(xué)職稱論文瀏覽：1次
摘 要： 摘要:針對(duì)傳統(tǒng)手工修復(fù)缺損牙治療周期長(zhǎng),牙科CAD系統(tǒng)修復(fù)缺乏個(gè)性化的問(wèn)題,提出一種結(jié)合條件生成式對(duì)抗網(wǎng)絡(luò)和高維特征損失約束的全冠咬合面?zhèn)�性化設(shè)計(jì)方法.首先,通過(guò)計(jì)算三維牙齒曲面深度信息,獲取患牙預(yù)備體及其他條件模型的二維深度圖并構(gòu)建數(shù)據(jù)集;其次,以
摘要:針對(duì)傳統(tǒng)手工修復(fù)缺損牙治療周期長(zhǎng),牙科CAD系統(tǒng)修復(fù)缺乏個(gè)性化的問(wèn)題,提出一種結(jié)合條件生成式對(duì)抗網(wǎng)絡(luò)和高維特征損失約束的全冠咬合面?zhèn)�性化設(shè)計(jì)方法.首先,通過(guò)計(jì)算三維牙齒曲面深度信息,獲取患牙預(yù)備體及其他條件模型的二維深度圖并構(gòu)建數(shù)據(jù)集;其次,以對(duì)頜牙條件數(shù)據(jù)作為咬合關(guān)系約束,同名對(duì)稱牙冠數(shù)據(jù)作為形態(tài)輔助信息,利用構(gòu)建的網(wǎng)絡(luò)模型實(shí)現(xiàn)預(yù)備體數(shù)據(jù)向目標(biāo)牙冠數(shù)據(jù)的空間映射;然后,將生成的牙冠深度圖重建為三維網(wǎng)格模型,完成缺損牙的形態(tài)重建;最后,選取部分患牙模型進(jìn)行實(shí)驗(yàn)測(cè)試,分析了不同約束條件對(duì)生成的牙冠咬合面形態(tài)的影響,對(duì)比了不同修復(fù)方法重建牙冠的質(zhì)量.結(jié)果表明,該方法能夠高效、個(gè)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(fù)的設(shè)計(jì)要求.
關(guān)鍵詞:全冠修復(fù);條件生成式對(duì)抗網(wǎng)絡(luò);個(gè)性化解剖特征;咬合關(guān)系
牙體缺損是由各種原因?qū)е碌难荔w組織產(chǎn)生不同程度的缺損和破壞現(xiàn)象,其在口腔臨床中的發(fā)病率高達(dá)24%~53%,主要的病因?yàn)辇x齒[1].根據(jù)2016年全球疾病負(fù)擔(dān)研究的調(diào)查結(jié)果顯示,全世界范圍內(nèi)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(wèn)題[2].牙體缺損以后,缺失的咬合面不僅會(huì)影響牙齒的美觀性,而且會(huì)造成牙體咬合和鄰接關(guān)系的損壞,甚至?xí)鹌渌谇患膊?因此,牙體缺損修復(fù)的重點(diǎn)在于恢復(fù)原有的自然牙形態(tài)和正常咬合功能.目前,常見的缺損牙修復(fù)有2種方法,一種為傳統(tǒng)的人工制作的修復(fù)體;另一種為牙科CAD/CAM系統(tǒng)修復(fù),如CEREC系統(tǒng)、3Shape系統(tǒng)、Duret系統(tǒng)等.傳統(tǒng)的手工修復(fù)體制作包括一整套復(fù)雜的流程,治療周期長(zhǎng).此外,修復(fù)體制作需要技師手工雕刻,制作效率低且過(guò)分依賴技師的操作經(jīng)驗(yàn);牙科CAD/CAM系統(tǒng)通過(guò)一系列變形算法,對(duì)標(biāo)準(zhǔn)牙冠或統(tǒng)計(jì)均值牙冠進(jìn)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(tài)匹配,最后將模板牙冠上與缺損區(qū)域?qū)?yīng)的曲面作為重建后的牙冠咬合面.因此,使用牙科CAD/CAM系統(tǒng)重建的咬合面質(zhì)量取決于變形策略的可靠性.根據(jù)模板牙冠的類別不同,國(guó)內(nèi)外專家及牙科CAD/CAM系統(tǒng)采用的變形修復(fù)方式主要為2類.第1類是以同一牙位、形態(tài)相似的標(biāo)準(zhǔn)牙模型為模板牙冠進(jìn)行變形的方式,實(shí)現(xiàn)牙體缺損區(qū)域的重建[3-5].這類方法在一定程度上提高了修復(fù)效率和重建質(zhì)量.但是,該方法無(wú)法恢復(fù)患牙的個(gè)性化解剖特征,變形過(guò)程中容易造成牙齒表面網(wǎng)格扭曲失真,并且需要大量的交互操作進(jìn)一步調(diào)整咬合面形態(tài);第2類是以若干個(gè)健康、完整的樣本牙模型統(tǒng)計(jì)分析并計(jì)算的均值牙為模板牙冠進(jìn)行變形,重建缺損牙的自然形態(tài)[6-8].然而,這類方法只保留了自然牙冠表面典型的形態(tài)特征(牙尖、窩溝),重建后的牙冠表面同樣缺少個(gè)性化解剖特征.
雖然以上變形修復(fù)方法能夠重建缺損牙的咬合面,提高了修復(fù)體設(shè)計(jì)的效率及精度,但由于變形技術(shù)在牙冠形態(tài)設(shè)計(jì)方面具有一定的局限性,因此仍無(wú)法制作最適合患者的個(gè)性化全冠修復(fù)體.在以往的修復(fù)過(guò)程中,牙科技師積累了大量的咬合面經(jīng)驗(yàn)數(shù)據(jù),這些咬合面形態(tài)包含大量的個(gè)性化特征并且已經(jīng)過(guò)頜架調(diào)整,滿足牙齒的功能性修復(fù)要求.因此,迫切需要尋求一種經(jīng)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)的,具有高效、智能和個(gè)性化特點(diǎn)的全冠咬合面設(shè)計(jì)方法.
隨著計(jì)算機(jī)技術(shù)的發(fā)展及可用數(shù)據(jù)的持續(xù)增長(zhǎng),深度學(xué)習(xí)在語(yǔ)音識(shí)別、自然語(yǔ)言處理及計(jì)算機(jī)視覺等領(lǐng)域均取得了顯著的成果.在醫(yī)療圖像分析領(lǐng)域,深度學(xué)習(xí)技術(shù)主要應(yīng)用于醫(yī)學(xué)圖像的分類與識(shí)別、定位與檢測(cè)以及圖像分割等任務(wù)[9].Arevalo等[10]采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了診斷乳腺癌的網(wǎng)絡(luò)學(xué)習(xí)框架,該框架能夠自動(dòng)識(shí)別并區(qū)分性特征,實(shí)現(xiàn)乳腺X射線圖像的病變分類.Li等[11]構(gòu)建了基于深度卷積神經(jīng)網(wǎng)絡(luò)(deepconvolutionalneuralnetwork,DCNN)的青光眼檢測(cè)方法,實(shí)驗(yàn)驗(yàn)證該方法的檢測(cè)精度接近于人工檢測(cè).Roth等[12]采用DCNN網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)CT圖像隱含的高層次信息,進(jìn)而實(shí)現(xiàn)目標(biāo)區(qū)域的分割與檢測(cè).在口腔醫(yī)學(xué)領(lǐng)域,深度學(xué)習(xí)技術(shù)也有了部分探索性的應(yīng)用.Xu等[13]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的三維牙齒模型分割方法并取得了良好的分割結(jié)果.Miki等[14]采用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)錐形束CT圖像上不同類型牙齒進(jìn)行了分類.
為了重建適合患者并具有個(gè)性化特征的全冠咬合面,本文提出一種基于條件生成式對(duì)抗網(wǎng)絡(luò)(conditionalgenerativeadversarialnetworks,CGAN)[15]的個(gè)性化全冠修復(fù)技術(shù).通過(guò)計(jì)算預(yù)備體及其他條件模型的深度圖信息,構(gòu)建全冠修復(fù)網(wǎng)絡(luò)模型的訓(xùn)練和測(cè)試數(shù)據(jù).利用網(wǎng)絡(luò)模型的特征提取和模型擬合能力,以對(duì)頜牙和同名對(duì)稱牙冠為輔助信息,將預(yù)備體數(shù)據(jù)空間映射至技師設(shè)計(jì)的目標(biāo)牙冠數(shù)據(jù),達(dá)到重建缺損牙咬合面的目的.最后,將網(wǎng)絡(luò)模型生成的牙冠深度圖重建為三維網(wǎng)格模型,用于后期修復(fù)體加工制造.
1本文方法概述
為了重建具有個(gè)性化特征的全冠咬合面,本文提出了基于CGAN的咬合面?zhèn)�性化設(shè)計(jì)方法,并通過(guò)實(shí)驗(yàn)對(duì)網(wǎng)絡(luò)模型的重建能力進(jìn)行了評(píng)估,具體流程如圖1所示.
本文的主要工作包括:
(1)構(gòu)建訓(xùn)練及測(cè)試數(shù)據(jù)集.為了構(gòu)建網(wǎng)絡(luò)模型測(cè)試及訓(xùn)練數(shù)據(jù),本文以患者的頜平面為參考平面,計(jì)算預(yù)備體、對(duì)頜牙、目標(biāo)牙冠和左右對(duì)稱牙冠的深度圖像信息,完成數(shù)據(jù)集的構(gòu)建.本文以右側(cè)缺損牙為重建對(duì)象,左側(cè)對(duì)稱牙冠為輔助信息,并且以上數(shù)據(jù)包含近遠(yuǎn)中鄰牙.
(2)全冠修復(fù)網(wǎng)絡(luò)模型.本文應(yīng)用CGAN模型結(jié)合高維特征損失函數(shù)用于缺損牙全冠修復(fù).在訓(xùn)練網(wǎng)絡(luò)模型時(shí),將預(yù)備體數(shù)據(jù)作為初始分布,目標(biāo)牙冠作為真實(shí)數(shù)據(jù)分布,對(duì)頜牙及左側(cè)對(duì)稱牙冠作為條件數(shù)據(jù).通過(guò)對(duì)抗訓(xùn)練過(guò)程,不斷優(yōu)化自身權(quán)重,使整個(gè)網(wǎng)絡(luò)模型達(dá)到最優(yōu).
(3)全冠重建質(zhì)量評(píng)估.利用測(cè)試集數(shù)據(jù)對(duì)全冠修復(fù)網(wǎng)絡(luò)進(jìn)行了實(shí)驗(yàn)測(cè)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(zhuǎn)換為點(diǎn)云數(shù)據(jù)并重建成三角網(wǎng)格模型.采用實(shí)驗(yàn)評(píng)估條件數(shù)據(jù)對(duì)結(jié)果的影響,并對(duì)比不同修復(fù)方法的牙冠重建質(zhì)量,評(píng)估了重建的牙冠同上頜的咬合接觸關(guān)系.
2基本原理
2.1生成式對(duì)抗網(wǎng)絡(luò)
生成式對(duì)抗網(wǎng)絡(luò)(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(shù)表示.整個(gè)網(wǎng)絡(luò)相當(dāng)于一個(gè)極小化極大的雙方博弈.生成器G的目標(biāo)是盡可能地捕獲學(xué)習(xí)真實(shí)的數(shù)據(jù)分布,判別器D的目標(biāo)是計(jì)算輸入樣本來(lái)自真實(shí)數(shù)據(jù)分布而不是生成器的概率值.兩者相互對(duì)抗優(yōu)化,不斷提高各自的生成能力和判別能力,最終判別器無(wú)法判斷輸入樣本的真實(shí)來(lái)源時(shí),即認(rèn)為整個(gè)網(wǎng)絡(luò)達(dá)到了納什平衡,生成器G已經(jīng)學(xué)到了真實(shí)數(shù)據(jù)的分布.其目標(biāo)函數(shù)為
4實(shí)驗(yàn)結(jié)果及分析
4.1實(shí)驗(yàn)平臺(tái)
相較于傳統(tǒng)的生成式模型,GAN緩解了對(duì)先驗(yàn)數(shù)據(jù)量的需求[18],并且不同個(gè)體的同名牙齒咬合面具有統(tǒng)一的形態(tài)構(gòu)造[3].因此,本文實(shí)驗(yàn)的數(shù)據(jù)集包括:400個(gè)訓(xùn)練樣本,50個(gè)測(cè)試樣本.每一個(gè)訓(xùn)練集或測(cè)試集樣本包含預(yù)備體深度圖、對(duì)頜牙深度圖、目標(biāo)牙冠及左側(cè)對(duì)稱牙冠深度圖.實(shí)驗(yàn)以下頜右側(cè)第一恒磨牙為重建對(duì)象(其他牙位同樣可以使用該方法).本文實(shí)驗(yàn)的實(shí)驗(yàn)平臺(tái)為NVIDIAGeForce1080Ti12GB及128GB內(nèi)存的服務(wù)器,Windows操作系統(tǒng),Tensorflow1.4.0,CUDA8.0,Python3.5.
4.2實(shí)驗(yàn)結(jié)果
為了驗(yàn)證本文方法對(duì)缺損牙冠的重建效果,采用測(cè)試樣本集對(duì)咬合面重建網(wǎng)絡(luò)進(jìn)行了實(shí)驗(yàn).首先,將修復(fù)牙冠深度圖的灰度值線性變換成距離值并構(gòu)建點(diǎn)云數(shù)據(jù),再將點(diǎn)云數(shù)據(jù)重建為三角網(wǎng)格模型.圖3所示為隨機(jī)選取的部分重建后的牙冠模型及預(yù)備體模型.可以看出,圖3b中修復(fù)后的牙冠表面包含了牙尖、嵴、窩溝等解剖特征,與圖3a中對(duì)應(yīng)的技師設(shè)計(jì)的牙冠具有相近的咬合面形態(tài),并且保證了與鄰牙之間的接觸關(guān)系及特征匹配,圖3c為對(duì)應(yīng)的預(yù)備體模型.
4.3牙冠修復(fù)結(jié)果對(duì)比分析
4.3.1條件數(shù)據(jù)及高維特征約束重要性評(píng)估
本文的條件數(shù)據(jù)包括約束空間頜位關(guān)系的對(duì)頜牙及輔助設(shè)計(jì)咬合面形態(tài)的對(duì)稱牙.為了評(píng)估以上條件數(shù)據(jù)及高維特征偏差約束對(duì)全冠修復(fù)質(zhì)量的影響,本節(jié)設(shè)置了5組對(duì)比實(shí)驗(yàn),具體的實(shí)驗(yàn)細(xì)節(jié)如表2所示,不同實(shí)驗(yàn)條件下的網(wǎng)絡(luò)模型均訓(xùn)練至最優(yōu)狀態(tài).在網(wǎng)絡(luò)訓(xùn)練過(guò)程中,隨著訓(xùn)練次數(shù)增加,不同實(shí)驗(yàn)組的L1損失函數(shù)的變化情況如圖4所示.
為了定量的評(píng)估條件數(shù)據(jù)對(duì)重建結(jié)果的影響,實(shí)驗(yàn)以測(cè)試集樣本為修復(fù)對(duì)象,采用不同的評(píng)價(jià)指標(biāo)評(píng)估實(shí)驗(yàn)組的重建牙冠與目標(biāo)牙冠之間的相似度,并對(duì)整個(gè)測(cè)試集的評(píng)估結(jié)果進(jìn)行均值化處理,具體結(jié)果如表3所示.鑒于網(wǎng)絡(luò)模型的輸出結(jié)果為牙冠的二維深度圖,實(shí)驗(yàn)采用了3種圖像評(píng)價(jià)指標(biāo),包括圖像均方誤差(meansquareerror,MSE)、結(jié)構(gòu)相似性(structuresimilarityindexmeasure,SSIM)及特征相似度(featuresimilarityindex,FSIM).具體的定義分別為
相關(guān)知識(shí)推薦：口腔醫(yī)學(xué)中評(píng)審條件有哪些
5結(jié)語(yǔ)
本文針對(duì)現(xiàn)有缺損牙修復(fù)方法存在的問(wèn)題,提出了一種基于CGAN和高維特征損失函數(shù)結(jié)合的全冠修復(fù)方法.通過(guò)添加對(duì)稱牙冠作為輔助信息,提高了咬合面的修復(fù)質(zhì)量;同時(shí)引入對(duì)頜牙數(shù)據(jù)作為條件約束,限制了咬合面數(shù)據(jù)的不合理生長(zhǎng).實(shí)驗(yàn)分析結(jié)果表明,該方法能夠在滿足牙體缺損功能性修復(fù)需求的同時(shí),重建咬合面的個(gè)性化解剖特征.與現(xiàn)有方法相比的優(yōu)點(diǎn)在于:(1)本文重建全冠咬合面的方法無(wú)需人工干預(yù),修復(fù)效率高,并且適用于不同類型的牙齒重建,同時(shí)避免使用復(fù)雜的三角網(wǎng)格數(shù)學(xué)算法;(2)本文將CGAN應(yīng)用到全冠修復(fù)任務(wù),結(jié)合L1損失函數(shù)和高維特征損失函數(shù)對(duì)目標(biāo)牙冠的解剖特征進(jìn)行學(xué)習(xí)和映射,實(shí)現(xiàn)缺損牙的個(gè)性化修復(fù)需求;(3)通過(guò)引入對(duì)頜牙條件數(shù)據(jù),使重建后的咬合面具有良好的咬合接觸,避免了由數(shù)據(jù)庫(kù)調(diào)改方法重建的全冠較難適應(yīng)患者原有牙列的問(wèn)題,減少了后期調(diào)頜工作.未來(lái)工作將進(jìn)一步提高全冠咬合面的修復(fù)質(zhì)量,并重建與預(yù)備體模型貼合的全冠修復(fù)體內(nèi)表面.
