上海交通大学夏泽洋教授团队 | 基于深度学习的口腔正畸自动化治疗规划

图片来自Springer

背景与问题

口腔作为人体的消化系统和呼吸道的入口，其致病菌及产生的炎症因子可侵入血液循环，引发全身性的炎症反应，进而加剧或诱发多种慢性疾病的发展，因此口腔健康与全身健康息息相关。错颌畸形作为三大口腔疾病之一，一般是指生长发育过程中由遗传或环境因素导致的牙齿、颌骨、颅面的畸形，也可在生长发育完成后因外伤、牙周病等原因造成，表现为牙齿排列不齐、上下颌牙弓关系异常等。其不仅会影响颌面美观，还可能导致牙齿脱落、颌面畸形和牙周病等口腔疾病，进而引发多类全身性重大疾病，对口腔健康乃至全身健康都有较大的影响。治疗规划是口腔正畸治疗中的关键流程，现有临床治疗规划通常基于牙模进行手动规划与治疗，然而现有方法依赖医师的主观经验，对计算机辅助及可视化技术的应用十分有限。近年来，深度学习方法开始应用于治疗规划中的排牙问题，基于口内扫描数据实现牙齿排列，然而，上述方法仅考虑牙冠的可见形态结构及将牙齿排列任务视为计算机视觉任务，未将含牙根的完整牙齿模型作为数据输入，忽略了部分牙齿特征。

方法

基于上述背景，本文提出了一个全自动正畸治疗规划方法，使用锥形束计算机断层扫描(Cone Beam Computed Tomography, CBCT)图像代替口内扫描数据作为输入，以获取更丰富的数据信息。针对CBCT图像输入，通过预处理、规划与后处理三个阶段实现治疗规划(图1)。各阶段对应模块网络架构如图2。在预处理阶段，基于SAMed的深度学习模型对原始CBCT图像进行分割，再利用体渲染技术将分割后的2D切片堆叠重构以创建牙齿3D模型，最后使用原型网络进行少样本学习，对牙齿进行分类和标记；在规划阶段，先使用TSGCNet从牙齿点云数据中提取牙齿的局部和全局特征，再使用特征传播模块，通过聚合函数和更新函数，在动态图中传播并交换不同牙齿之间的信息，以捕捉复杂的几何约束关系，最后利用多层感知器(MLP)和 6D 姿态估计器(YoloPose)对信息进行解码并预测各牙齿的位姿变换参数；在后处理阶段，根据预测的牙齿排列输出结果，利用对齐因子α将整个正畸治疗计划分解为几个治疗阶段，生成并显示3D可视化的正畸治疗分期方案。

图1 自动口腔正畸治疗规划算法流程图

图2 自动口腔正畸治疗规划算法关键模块网络架构图

实验结果与评估

含颌面骨骼的排牙前后可视化模型结果如图3。为了评估提出的方法，本文分别进行了指标分析和临床评分验证。本方法在预处理和规划阶段对应指标与其他方法的比较结果如表1。通过对比分析表明本方法的大部分指标相较其他方法都更优。为进一步验证本方法的临床适用性，本文参照美国正畸专家认证委员会客观评分系统(ABO-OGS) 制定临床评价量表。本方法生成的治疗规划结果在上述量表下获得了6.07/10分的评分（注：ABO-OGS以10分为满分、≥4分被视为临床可用的结果），证明了其有效性和临床可用性(图4)。

图3 含颌面骨骼的排牙前后可视化模型结果(蓝色为排牙前，黄色为排牙后)

表1 在预处理和规划阶段不同方法的指标比较

图4 临床评分的评价要素和评分结果。(a)临床评分的考虑要素。(b)各样本平均分数图。(c)各专家平均打分图。(d)总体评分的归一化曲线。(e)每个专家的置信度得分。

总结

本文提出的口腔正畸自动化治疗规划方法，基于含牙根的完整牙齿模型，通过牙齿分割、重建和标记实现自动化预处理，再通过深度学习网络实现自动化排牙，最后利用3D模型重建技术可视化输出并提出正畸治疗分期方案。本方法为口腔正畸自动化治疗规划提供了一个稳定可靠、快速高效的解决方案，对于推动实现精准口腔正畸诊疗具有重要意义。