基于扩散概率模型利用点和网格联合特征的自动牙齿排列

牙齿排列是正畸治疗中的关键步骤，其中排列牙齿可以改善整体健康状况、增强面部美观并提升自信心。为了提高牙齿排列的效率并最大限度地减少由经验不足的从业者进行不合理设计相关的错误，一些基于深度学习的牙齿排列方法已被提出。目前，大多数现有方法采用多层感知机 (MLPs) 来模拟牙齿特征与变换矩阵之间的非线性关系，以实现自动牙齿排列。然而，从临床实践中收集的有限数据集（据我们所知尚未公开）限制了现有方法的适用性，使其不足以解决多样化的错颌畸形问题。为了应对这一挑战，我们提出了一种基于扩散概率模型的通用牙齿排列神经网络。以从牙科模型中提取的特征为条件，扩散概率模型可以通过从随机变量逐渐去噪来学习从错颌畸形到正常咬合的牙齿变换矩阵分布，从而更熟练地处理真实的正畸数据。为了充分利用有效特征，我们通过设计不同的编码网络来利用网格和点云表示，分别提取牙齿（局部）和颌骨（全局）特征。除了传统指标 ADD、PA-ADD、CSA 和 $ME_{rot}$ 外，我们还提出了一种基于牙弓曲线的新评估指标，以判断生成的牙齿是否符合个体正常咬合。实验结果表明，我们提出的方法实现了最先进的牙齿排列结果和令人满意的牙弓间咬合关系。我们将发布代码和数据集。