[发明专利]使用深度学习方法对3D牙齿数据进行自动分类和归类

说明书

本发明涉及一种用于牙齿的3D图像数据的自动分类的计算机实现的方法，包括：计算机接收3D数据集中的一个或多个，3D数据集定义体素的图像体积，体素表示图像体积内的3D牙齿结构，图像体积与3D坐标系相关联；计算机对每个3D图像数据集进行预处理；以及计算机将每个经预处理的3D图像数据集提供给经训练的深度神经网络的输入并且经训练的深度神经网络基于牙列的多个候选牙齿标签对3D图像数据集中的每个体素进行分类，其中对3D图像数据集进行分类包括为3D图像数据集的体素的至少一部分生成候选牙齿标签激活值，与候选牙齿标签相关联的激活值定义标记的数据点表示如该候选牙齿标签指示的牙齿类型的可能性。

技术领域

本发明涉及使用深度学习方法的3D牙齿数据的自动定位、分类和归类，并且特别地但非排他地涉及用于使用深度学习方法的3D牙齿数据的自动定位、分类和归类的系统和方法、用于训练这种深度学习神经网络的方法，以及用于使用这种方法的计算机程序产品。

背景技术

牙齿类型和牙齿排列的可靠识别在广泛的应用(包括(但不限于)牙齿护理和牙齿报告、正畸、正颌外科、取证和生物识别)中起着非常重要的作用。因此，已经开发出各种计算机辅助技术以根据已知的牙齿标记方案来使牙齿的分类和编号过程自动化或至少部分自动化。此外，在此类应用领域中，可靠地对牙齿进行分类和归类所需的时间的任何减少都将是有益的。

为了本公开的目的，“牙齿”是指包括冠部和根部的整个牙齿，

“(多个)牙齿”是指由两个或更多个牙齿组成的任何牙齿集合，而源自单个人的牙齿的集合将被称为源自“牙列”。牙列可能不一定包含个人的牙齿的整个集合。另外，“分类”是指识别观察或样本属于类别集合中的哪一个。就牙齿归类而言，分类是指识别单个牙齿属于哪个类别(或标签)的过程。“归类”是指从单个牙列推导所有个体牙齿的牙齿类的过程，而3D牙齿数据是指任何(集合的)牙齿的任何数字表示，例如填充的体积的3D体素(voxel)表示、体积中的密度、3D表面网格等。另外，表示牙列的3D牙齿数据可以或者包括牙齿的完整集合，或者包括完整集合的一部分。除非另有说明，否则在本申请中，术语“分割”是指语义分割，它是指针对每个体素的密集预测，以便输入空间的每个体素都标记有特定的对象类。与涉及找到区域边界的边界框分割相反，语义分割在输入数据空间内产生语义上可解释的3D掩模。

例如，US2017/0169562描述了一种基于口腔内光学3D扫描的自动牙齿类型识别的系统。这种口腔内光学扫描仪能够生成牙齿的暴露部分(即，牙齿的冠部)的3D扫描。每个冠部的形状都得自3D扫描，并以3D网格的形式表示，包括面和顶点。这些3D网格随后被用于确定每个牙齿的聚合特征。然后，将由此获得的聚合特征和关联的牙齿类型用作训练数据，以利用传统的机器学习方法(诸如支持向量机或决策树)对分类器进行训练。

虽然这个系统能够将高分辨率的口腔内3D扫描作为输入数据进行处理，但它无法处理使用锥形束计算机断层扫描(CBCT)生成的体积牙颌面图像。CBCT是一种使用X射线计算的断层摄影术的医学成像技术，其中X射线辐射被整形为低剂量的发散锥。CBCT成像是牙科领域最常用的3D成像技术，并且生成牙颌面结构的3D图像数据，该结构可以包括颌骨(的部分)、包括冠部和根部的完整或部分牙齿结构以及下牙槽神经(的部分)。但是，对CBCT图像数据的图像分析提出了一个实质性的问题，因为在CBCT扫描中，以亨氏单位(HounsfieldUnits)(HU)测得的无线电密度不一致，这是因为扫描中的不同区域以不同的灰度值出现，具体取决于它们在被扫描的器官中的相对位置。用CBCT和医学级CT扫描仪两者从同一解剖区域测得的HU不是完全相同的，因此对于确定特定于部位的射线照相识别的骨密度是不可靠的。