摘要:针对传统手工修复缺损牙治疗周期长,牙科CAD系统修复缺乏个性化的问题,提出一种结合条件生成式对抗网络和高维特征损失约束的全冠咬合面个性化设计方法.首先,通过计算三维牙齿曲面深度信息,获取患牙预备体及其他条件模型的二维深度图并构建数据集;其次,以对颌牙条件数据作为咬合关系约束,同名对称牙冠数据作为形态辅助信息,利用构建的网络模型实现预备体数据向目标牙冠数据的空间映射;然后,将生成的牙冠深度图重建为三维网格模型,完成缺损牙的形态重建;最后,选取部分患牙模型进行实验测试,分析了不同约束条件对生成的牙冠咬合面形态的影响,对比了不同修复方法重建牙冠的质量.结果表明,该方法能够高效、个性化地重建全冠咬合面的解剖特征,满足缺损牙功能性修复的设计要求.
关键词:全冠修复;条件生成式对抗网络;个性化解剖特征;咬合关系
牙体缺损是由各种原因导致的牙体组织产生不同程度的缺损和破坏现象,其在口腔临床中的发病率高达24%~53%,主要的病因为龋齿[1].根据2016年全球疾病负担研究的调查结果显示,全世界范围内共有大约一半人口(35.8亿人)有口腔疾病,其中龋齿是最常见的问题[2].牙体缺损以后,缺失的咬合面不仅会影响牙齿的美观性,而且会造成牙体咬合和邻接关系的损坏,甚至会引起其他口腔疾病.因此,牙体缺损修复的重点在于恢复原有的自然牙形态和正常咬合功能.目前,常见的缺损牙修复有2种方法,一种为传统的人工制作的修复体;另一种为牙科CAD/CAM系统修复,如CEREC系统、3Shape系统、Duret系统等.传统的手工修复体制作包括一整套复杂的流程,治疗周期长.此外,修复体制作需要技师手工雕刻,制作效率低且过分依赖技师的操作经验;牙科CAD/CAM系统通过一系列变形算法,对标准牙冠或统计均值牙冠进行刚体变换以及变形操作,旨在使模板牙冠与缺损牙的形态匹配,最后将模板牙冠上与缺损区域对应的曲面作为重建后的牙冠咬合面.因此,使用牙科CAD/CAM系统重建的咬合面质量取决于变形策略的可靠性.根据模板牙冠的类别不同,国内外专家及牙科CAD/CAM系统采用的变形修复方式主要为2类.第1类是以同一牙位、形态相似的标准牙模型为模板牙冠进行变形的方式,实现牙体缺损区域的重建[3-5].这类方法在一定程度上提高了修复效率和重建质量.但是,该方法无法恢复患牙的个性化解剖特征,变形过程中容易造成牙齿表面网格扭曲失真,并且需要大量的交互操作进一步调整咬合面形态;第2类是以若干个健康、完整的样本牙模型统计分析并计算的均值牙为模板牙冠进行变形,重建缺损牙的自然形态[6-8].然而,这类方法只保留了自然牙冠表面典型的形态特征(牙尖、窝沟),重建后的牙冠表面同样缺少个性化解剖特征.
虽然以上变形修复方法能够重建缺损牙的咬合面,提高了修复体设计的效率及精度,但由于变形技术在牙冠形态设计方面具有一定的局限性,因此仍无法制作最适合患者的个性化全冠修复体.在以往的修复过程中,牙科技师积累了大量的咬合面经验数据,这些咬合面形态包含大量的个性化特征并且已经过颌架调整,满足牙齿的功能性修复要求.因此,迫切需要寻求一种经验数据驱动的,具有高效、智能和个性化特点的全冠咬合面设计方法.
随着计算机技术的发展及可用数据的持续增长,深度学习在语音识别、自然语言处理及计算机视觉等领域均取得了显著的成果.在医疗图像分析领域,深度学习技术主要应用于医学图像的分类与识别、定位与检测以及图像分割等任务[9].Arevalo等[10]采用卷积神经网络构建了诊断乳腺癌的网络学习框架,该框架能够自动识别并区分性特征,实现乳腺X射线图像的病变分类.Li等[11]构建了基于深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)的青光眼检测方法,实验验证该方法的检测精度接近于人工检测.Roth等[12]采用DCNN网络学习目标CT图像隐含的高层次信息,进而实现目标区域的分割与检测.在口腔医学领域,深度学习技术也有了部分探索性的应用.Xu等[13]提出了一种基于卷积神经网络的三维牙齿模型分割方法并取得了良好的分割结果.Miki等[14]采用深度卷积神经网络对锥形束CT图像上不同类型牙齿进行了分类.
为了重建适合患者并具有个性化特征的全冠咬合面,本文提出一种基于条件生成式对抗网络(conditionalgenerativeadversarialnetworks,CGAN)[15]的个性化全冠修复技术.通过计算预备体及其他条件模型的深度图信息,构建全冠修复网络模型的训练和测试数据.利用网络模型的特征提取和模型拟合能力,以对颌牙和同名对称牙冠为辅助信息,将预备体数据空间映射至技师设计的目标牙冠数据,达到重建缺损牙咬合面的目的.最后,将网络模型生成的牙冠深度图重建为三维网格模型,用于后期修复体加工制造.
1本文方法概述
为了重建具有个性化特征的全冠咬合面,本文提出了基于CGAN的咬合面个性化设计方法,并通过实验对网络模型的重建能力进行了评估,具体流程如图1所示.
本文的主要工作包括:
(1)构建训练及测试数据集.为了构建网络模型测试及训练数据,本文以患者的颌平面为参考平面,计算预备体、对颌牙、目标牙冠和左右对称牙冠的深度图像信息,完成数据集的构建.本文以右侧缺损牙为重建对象,左侧对称牙冠为辅助信息,并且以上数据包含近远中邻牙.
(2)全冠修复网络模型.本文应用CGAN模型结合高维特征损失函数用于缺损牙全冠修复.在训练网络模型时,将预备体数据作为初始分布,目标牙冠作为真实数据分布,对颌牙及左侧对称牙冠作为条件数据.通过对抗训练过程,不断优化自身权重,使整个网络模型达到最优.
(3)全冠重建质量评估.利用测试集数据对全冠修复网络进行了实验测试.采用灰度-距离的线性变换方式,将生成牙冠的二维深度图转换为点云数据并重建成三角网格模型.采用实验评估条件数据对结果的影响,并对比不同修复方法的牙冠重建质量,评估了重建的牙冠同上颌的咬合接触关系.
2基本原理
2.1生成式对抗网络
生成式对抗网络(generativeadversarialnetworks,GAN)[16]由生成器G和判别器D组成,两者均可由任意可微分函数表示.整个网络相当于一个极小化极大的双方博弈.生成器G的目标是尽可能地捕获学习真实的数据分布,判别器D的目标是计算输入样本来自真实数据分布而不是生成器的概率值.两者相互对抗优化,不断提高各自的生成能力和判别能力,最终判别器无法判断输入样本的真实来源时,即认为整个网络达到了纳什平衡,生成器G已经学到了真实数据的分布.其目标函数为
4实验结果及分析
4.1实验平台
相较于传统的生成式模型,GAN缓解了对先验数据量的需求[18],并且不同个体的同名牙齿咬合面具有统一的形态构造[3].因此,本文实验的数据集包括:400个训练样本,50个测试样本.每一个训练集或测试集样本包含预备体深度图、对颌牙深度图、目标牙冠及左侧对称牙冠深度图.实验以下颌右侧第一恒磨牙为重建对象(其他牙位同样可以使用该方法).本文实验的实验平台为NVIDIAGeForce1080Ti12GB及128GB内存的服务器,Windows操作系统,Tensorflow1.4.0,CUDA8.0,Python3.5.
4.2实验结果
为了验证本文方法对缺损牙冠的重建效果,采用测试样本集对咬合面重建网络进行了实验.首先,将修复牙冠深度图的灰度值线性变换成距离值并构建点云数据,再将点云数据重建为三角网格模型.图3所示为随机选取的部分重建后的牙冠模型及预备体模型.可以看出,图3b中修复后的牙冠表面包含了牙尖、嵴、窝沟等解剖特征,与图3a中对应的技师设计的牙冠具有相近的咬合面形态,并且保证了与邻牙之间的接触关系及特征匹配,图3c为对应的预备体模型.
4.3牙冠修复结果对比分析
4.3.1条件数据及高维特征约束重要性评估
本文的条件数据包括约束空间颌位关系的对颌牙及辅助设计咬合面形态的对称牙.为了评估以上条件数据及高维特征偏差约束对全冠修复质量的影响,本节设置了5组对比实验,具体的实验细节如表2所示,不同实验条件下的网络模型均训练至最优状态.在网络训练过程中,随着训练次数增加,不同实验组的L1损失函数的变化情况如图4所示.
为了定量的评估条件数据对重建结果的影响,实验以测试集样本为修复对象,采用不同的评价指标评估实验组的重建牙冠与目标牙冠之间的相似度,并对整个测试集的评估结果进行均值化处理,具体结果如表3所示.鉴于网络模型的输出结果为牙冠的二维深度图,实验采用了3种图像评价指标,包括图像均方误差(meansquareerror,MSE)、结构相似性(structuresimilarityindexmeasure,SSIM)及特征相似度(featuresimilarityindex,FSIM).具体的定义分别为
相关知识推荐：口腔医学中评审条件有哪些
5结语
本文针对现有缺损牙修复方法存在的问题,提出了一种基于CGAN和高维特征损失函数结合的全冠修复方法.通过添加对称牙冠作为辅助信息,提高了咬合面的修复质量;同时引入对颌牙数据作为条件约束,限制了咬合面数据的不合理生长.实验分析结果表明,该方法能够在满足牙体缺损功能性修复需求的同时,重建咬合面的个性化解剖特征.与现有方法相比的优点在于:(1)本文重建全冠咬合面的方法无需人工干预,修复效率高,并且适用于不同类型的牙齿重建,同时避免使用复杂的三角网格数学算法;(2)本文将CGAN应用到全冠修复任务,结合L1损失函数和高维特征损失函数对目标牙冠的解剖特征进行学习和映射,实现缺损牙的个性化修复需求;(3)通过引入对颌牙条件数据,使重建后的咬合面具有良好的咬合接触,避免了由数据库调改方法重建的全冠较难适应患者原有牙列的问题,减少了后期调颌工作.未来工作将进一步提高全冠咬合面的修复质量,并重建与预备体模型贴合的全冠修复体内表面.
