一种牙齿正畸矫治数据获取方法及装置

摘要

本发明公开了一种牙齿正畸矫治数据获取方法及装置，所述方法包括：获取正畸输入训练数据和正畸输出训练数据；根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；获取目标患者的牙颌三维数字化模型；根据所述牙颌三维数字化模型得到目标预测数据；将所述目标预测数据输入到所述正畸模型中，得到正畸矫治数据。本发明采用深度学习训练系统，基于大量的训练数据使得模型更加地完善；从而使得对应的正畸矫治器能够对目标患者牙齿有效矫治。

权利要求

1.一种牙齿正畸矫治数据获取方法，其特征在于，所述方法包括：获取目标患者的身份相关信息；

根据所述身份相关信息从数据库集合中匹配出目标数据库；

从所述目标数据库中提取出正畸输入训练数据和正畸输出训练数据；

获取正畸输入训练数据和正畸输出训练数据；

根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；

获取目标患者的牙颌三维数字化模型；

根据所述目标患者的牙颌三维数字化模型得到目标预测数据；

将所述目标预测数据输入到所述正畸模型中，得到正畸矫治数据。

2.根据权利要求1所述的牙齿正畸矫治数据获取方法，其特征在于，所述获取所述正畸输入训练数据，包括：获取预存患者的牙颌三维数字化模型；

根据预存患者的牙颌三维数字化模型，得到主输入训练数据；所述正畸输入训练数据包括所述主输入训练数据。

3.根据权利要求2所述的牙齿正畸矫治数据获取方法，其特征在于，所述获取所述正畸输入训练数据，还包括：获取预存患者的牙颌三维数字化模型；

根据预存患者的牙颌三维数字化模型，得到辅助输入训练数据；

由所述主输入训练数据和所述辅助输入训练数据得到所述正畸输入训练数据。

4.根据权利要求2所述的牙齿正畸矫治数据获取方法，其特征在于，根据预存患者的牙颌三维数字化模型，得到主输入训练数据，包括：从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息和牙列形状信息；

根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

对所述牙颌三维数字化模型进行标准化处理；

设定所述预存患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

根据所述牙列形状信息、牙列标记信息以及所述解剖特征点的位置信息得到所述主输入训练数据。

5.根据权利要求3所述的牙齿正畸矫治数据获取方法，其特征在于，所述根据预存患者的牙颌三维数字化模型，得到辅助输入训练数据，包括：从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息和牙列形状信息；

根据所述牙冠位置信息和牙列形状信息得到所述辅助输入训练数据；

所述辅助输入训练数据包括下列的至少之一：牙弓曲线及牙列拥挤度数据、Spee曲线数据、牙齿及牙颌的宽度、牙齿的覆合覆盖参数、牙齿的Bolton指数。

6.根据权利要求1所述的牙齿正畸矫治数据获取方法，其特征在于，所述正畸输出训练数据包括预存患者正畸方案中的正畸阶段数、各正畸阶段的顺序以及各正畸阶段的数据内容；

各正畸阶段的数据内容包括牙齿空间变换数据。

7.根据权利要求1所述的牙齿正畸矫治数据获取方法，其特征在，所述根据所述目标患者的牙颌三维数字化模型得到目标预测数据，包括：从所述目标患者的牙颌三维数字化模型中提取出牙冠位置信息以及牙列形状信息；

根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

对所述牙颌三维数字化模型进行标准化处理；

设定所述目标患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

根据所述目标患者的牙列形状信息、牙列标记信息以及解剖特征点的位置信息，得到所述目标预测数据。

8.一种牙齿正畸矫治数据获取装置，其特征在于，所述装置包括：训练数据获取模块，用于获取正畸输入训练数据和正畸输出训练数据；其中，所述训练数据获取模块包括：牙颌模型获取单元，用于获取预存患者的牙颌三维数字化模型；

主输入训练数据得到单元，用于根据预存患者的牙颌三维数字化模型，得到主输入训练数据；所述正畸输入训练数据包括所述主输入训练数据；

正畸模型得到模块，用于根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；

牙颌模型获取模块，用于获取目标患者的牙颌三维数字化模型；

目标预测数据得到模块，用于根据所述牙颌三维数字化模型得到目标预测数据；

正畸矫治数据得到模块，用于将所述目标预测数据输入到所述正畸模型中，得到正畸矫治数据。

说明书

一种牙齿正畸矫治数据获取方法及装置

技术领域

[0001] 本发明涉及牙齿矫治技术领域，尤其涉及一种牙齿正畸矫治数据获取方法及装置。

背景技术

[0002] 随着人们越来越注重牙齿的美观，越来越多的人能够接受口腔正畸；通过口腔正畸，能够将不整齐的牙齿排列整齐，达到美观、健康、稳定等目的。

[0003] 传统地医师会根据患者口腔内牙齿的排列情况设计多种正畸措施进行牙齿矫治，比如扩牙弓、缩牙弓、后推后磨牙、片切解除拥挤、拔牙解除拥挤、收缝排齐、旋转排齐、调咬合等等。正畸治疗属于一个长期过程，需要针对不同位置牙齿的不同畸形情况使用适当的医疗器械(比如矫治器)，达到移动牙齿在口腔内的相对关系，改善口腔咬合状态和牙齿畸形形态的效果。

[0004] 现在，口腔正畸矫治技术在我国逐步发展并走向成熟；随着正畸医师与计算机软件工程师跨学科协作，采用CAD/CAM技术运用可行的打印制作方法，制作出矫治器。但是，这种矫治器的制作过程和操作流程比较繁琐且准确性不高，不便于实际应用生产。

[0005] 因此，需要提供一种能够高效精确地制作出牙齿正畸矫治器的技术方案。

发明内容

[0006] 本发明提出了一种牙齿正畸矫治数据获取方法及装置，具体地：

[0007] 一方面提供了一种牙齿正畸矫治数据获取方法，所述方法包括：

[0008] 获取正畸输入训练数据和正畸输出训练数据；

[0009] 根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；

[0010] 获取目标患者的牙颌三维数字化模型；

[0011] 根据所述目标患者的牙颌三维数字化模型得到目标预测数据；

[0012] 将所述目标预测数据输入到所述正畸模型中，得到正畸矫治数据。

[0013] 进一步地，所述获取正畸输入训练数据和正畸输出训练数据，之前包括；

[0014] 获取目标患者的身份相关信息；

[0015] 根据所述身份相关信息从数据库集合中匹配出目标数据库；

[0016] 从所述目标数据库中提取出正畸输入训练数据和正畸输出训练数据。

[0017] 进一步地，所述获取所述正畸输入训练数据，包括：

[0018] 获取预存患者的牙颌三维数字化模型；

[0019] 根据预存患者的牙颌三维数字化模型，得到主输入训练数据；所述正畸输入训练数据包括所述主输入训练数据。

[0020] 进一步地，所述获取所述正畸输入训练数据，还包括：

[0021] 获取预存患者的牙颌三维数字化模型；

[0022] 根据预存患者的牙颌三维数字化模型，得到辅助输入训练数据；

[0023] 由所述主输入训练数据和所述辅助输入训练数据得到所述正畸输入训练数据。

[0024] 进一步地，根据预存患者的牙颌三维数字化模型，得到主输入训练数据，包括：

[0025] 从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息和牙列形状信息；

[0026] 根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

[0027] 对所述牙颌三维数字化模型进行标准化处理；

[0028] 设定所述预存患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

[0029] 根据所述牙列形状信息、牙列标记信息以及所述解剖特征点的位置信息得到所述主输入训练数据。

[0030] 进一步地，所述根据预存患者的牙颌三维数字化模型，得到辅助输入训练数据，包括：

[0031] 从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息和牙列形状信息；

[0032] 根据所述牙冠位置信息和牙列形状信息得到所述辅助输入训练数据；

[0033] 所述辅助输入训练数据包括下列的至少之一：牙弓曲线及牙列拥挤度数据、Spee曲线数据、牙齿及牙颌的宽度、牙齿的覆合覆盖参数、牙齿的Bolton指数。

[0034] 进一步地，所述正畸输出训练数据包括预存患者正畸方案中的正畸阶段数、各正畸阶段的顺序以及各正畸阶段的数据内容；

[0035] 各正畸阶段的数据内容包括牙齿空间变换数据。

[0036] 进一步地，所述根据所述目标患者的牙颌三维数字化模型得到目标预测数据，包括：

[0037] 从所述目标患者的牙颌三维数字化模型中提取出牙冠位置信息以及牙列形状信息；

[0038] 根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

[0039] 对所述牙颌三维数字化模型进行标准化处理；

[0040] 设定所述目标患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

[0041] 根据所述目标患者的牙列形状信息、牙列标记信息以及解剖特征点的位置信息，得到所述目标预测数据。

[0042] 进一步地，所述获取目标患者的牙颌三维数字化模型，包括：

[0043] 通过在目标患者的口腔内部进行扫描，获取所述目标患者的牙颌三维数字化模型；

[0044] 或者，

[0045] 获取目标患者的牙颌阳模，根据所述牙颌阳模获取所述目标患者的牙颌三维数字化模型。

[0046] 第二方面提供了一种牙齿正畸矫治数据获取装置，所述装置包括：

[0047] 训练数据获取模块，用于获取正畸输入训练数据和正畸输出训练数据；

[0048] 正畸模型得到模块，用于根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；

[0049] 牙颌模型获取模块，用于获取目标患者的牙颌三维数字化模型；

[0050] 目标预测数据得到模块，用于根据所述牙颌三维数字化模型得到目标预测数据；

[0051] 正畸矫治数据得到模块，用于将所述目标预测数据输入到所述正畸模型中，得到正畸矫治数据。

[0052] 进一步地，所述训练数据获取模块包括：

[0053] 牙颌模型获取单元，用于获取预存患者的牙颌三维数字化模型；

[0054] 主输入训练数据得到单元，用于根据预存患者的牙颌三维数字化模型，得到主输入训练数据；所述正畸输入训练数据包括所述主输入训练数据。

[0055] 本发明提供的一种牙齿正畸矫治数据获取方法及装置，具有的有益效果为：

[0056] 可见，本发明采用深度学习训练系统，基于大量预存患者样本信息采集得到正畸相关数据(正畸输入训练数据和正畸输出训练数据)作为训练数据，训练数据内容完善，训练得到具有高泛化能力的正畸模型；这使得在输入目标患者的原始牙齿数据信息后，能够为目标患者提供有效精确的正畸矫治数据(正畸矫治数据)；从而使得制作得到的正畸矫治器能够对目标患者的牙齿进行高效矫正。所以，本发明能够对目标患者提供精确完善的矫治方案，提高了牙齿矫治的效率和效果。

附图说明

[0057] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0058] 图1是本说明书实施例提供的一种牙齿正畸矫治数据获取方法；

[0059] 图2是本说明书实施例提供的一种获取所述正畸输入训练数据步骤流程图；

[0060] 图3是本说明书实施例提供的根据预存患者的牙颌三维数字化模型，得到主输入训练数据步骤流程图；

[0061] 图4是本说明书实施例提供的另一种获取所述正畸输入训练数据步骤流程图；

[0062] 图5是本说明书实施例提供的一种神经网络的结构示意图；

[0063] 图6是本说明书实施例提供的一种牙齿正畸矫治数据获取装置示意图；

[0064] 图7是本说明书实施例提供的训练数据获取模块组成示意图。

具体实施方式

[0065] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

[0066] 需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0067] 正畸治疗是一个长期过程，通常可以把治疗过程分解为多个治疗阶段，每个阶段完成一个治疗措施，或多个治疗措施的组合。每个治疗措施可针对单颗牙齿，也可以针对多颗牙齿的组合；可以针对单侧牙颌，也可以针对双侧牙颌。其中，在正畸治疗的不同阶段需要佩戴对应的正畸矫治器；正畸矫治器的制作一般是依据医师的数据分析，或是通过计算机辅助技术得到的正畸矫治数据。但是，现有方法得到的正畸矫治数据信息不够精确。因此，本说明书提供了一种牙齿正畸矫治数据获取方案，其中该方案在获取牙齿正畸矫治数据的过程是采用深度学习模型得到的，效率和准确性得到提升。

[0068] 具体地，本说明书实施例提供了一种牙齿正畸矫治数据获取方法，如图1所示，所述方法包括：

[0069] S202.获取正畸输入训练数据和正畸输出训练数据；

[0070] 本实施例中，终端设备收集系统中存储的之前大量患者的样本信息，所述样本信息包括预存患者的牙颌三维数字化模型和正畸矫治数据信息。其中，每个预存患者均具有一一对应的牙颌三维数字化模型数据信息(原始牙齿模型/正畸治疗方案设计输入数据)以及预存患者的正畸矫治数据信息(牙齿治疗方案/正畸治疗方案设计输出数据)。

[0071] 进一步地，通过对所有预存患者的牙颌三维数字化模型进行数据处理，得到用于进行模型训练的正畸输入训练数据，并结合每个预存患者对应的正畸矫治数据信息，采用深度学习算法进行模型(预设机器学习模型)训练，以得到用于输出目标患者正畸矫治数据的正畸模型。

[0072] 作为一种优选的实施方式，步骤S202获取正畸输入训练数据和正畸输出训练数据，之前可以包括；

[0073] 获取目标患者的身份相关信息；

[0074] 根据所述身份相关信息从数据库集合中匹配出目标数据库；

[0075] 从所述目标数据库中提取出正畸输入训练数据和正畸输出训练数据。

[0076] 其中，所述身份相关信息，可以包括患者的性别、年龄、地域、身高、体重等能够根据对患者进行分类的特征。比如，相同性别和年龄的患者基于相同的审美需求，一般想要得到相同或相似的牙齿矫治效果；相同地域的患者的长相上存在很多相似的地方，对应地在矫治过程中会发现得到的矫治治疗方案也存在相同的部分；现在存在一批对身高体重有一定的要求的职业(比如列车或航空服务人员等)，这类患者一般具有相同的矫治要求；等等。因此，本实施例中的训练数据集可以是根据目标患者的身份相关信息进行优选筛选，以用于为目标患者匹配出更适合的训练数据集，得到更佳的矫治方案。

[0077] 需要给与说明的是，所述目标数据库中的子数据库的分类可以是上述特征中的两个或两个以上的组合，并且，可以利用的分类特征也并不限于上述列举的内容。

[0078] 作为一种可行的实施方式，步骤S202中获取所述正畸输入训练数据，如图2所示，可以包括：

[0079] S402.获取预存患者的牙颌三维数字化模型；

[0080] 其中，每个预存患者的牙齿形态都不同，从系统中得到的患者牙颌三维数字化模型会涉及到牙列拥挤程度、地包天、深覆盖或深覆牙合等数据信息。

[0081] S404.根据预存患者的牙颌三维数字化模型，得到主输入训练数据；所述正畸输入训练数据包括所述主输入训练数据。

[0082] 一种具体的实施方式中，步骤S404根据预存患者的牙颌三维数字化模型，得到主输入训练数据；所述正畸输入训练数据包括所述主输入训练数据，如图3所示，可以包括：

[0083] S602.从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息以及牙列形状信息；

[0084] 详细地，是对所述预存患者中每个预存患者的牙颌三维数字化模型，按照设定的点数量进行重采样，以减少点数量去除冗余的点云数据，提高点云数据的处理效率。

[0085] 优选地，本实施例中可以利用法矢采样进行点云数据的重采样；其中，法矢采样是根据牙齿的法矢分布情况，使每个点法矢方向上都有差不多个数的点；这样能够尽可能地保留点云数据的细微特征。

[0086] 详细地，本实施例中进行点云重采样可以包括进行去噪与修复、对模型曲率及曲率变化信息的提取、对牙冠特征的识别、对牙冠及牙缘线的识别以及对牙冠区域分割等等。

[0087] 进一步地，根据点云重采样能够从所述预存患者的牙颌三维数字化模型中识别出牙冠位置，分割获取牙冠数字化模型，得到每个独立牙冠的点数据，包括每个独立牙冠对应的牙冠位置信息以及牙列形状信息；其中，多颗牙齿的牙冠数字化模型组合形成一组牙列信息，所述牙列信息包括牙列形状信息，具体包括切牙、尖牙、前磨牙、后磨牙等。

[0088] S604.根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

[0089] 本实施例中可以按照齿科标准的牙位表示法对各个牙列进行标记。其中，牙位表示法是给每颗人类牙齿编号表示的方法；用十字符号将上下牙列分为上下左右四个区，右上区又称为A区，左上区又称为B区，右下区又称为C区，左下区又称为D区。常见的牙位表示法为FDI牙位表示法(数字标记法)，其中的每颗牙用2个阿拉伯数字记录；每颗牙用两位阿拉伯数字表示，第一位表示牙齿所在的象限：患者的右上、左上、左下、右下在恒牙为1、2、3、4，在乳牙为5、6、7、8；第二位表示牙齿的位置：从中门齿到第三臼齿为1-8；表1所示是以牙医的方位来看(左边对应患者的右侧)，但左、右的区分则反过来，以患者实际牙齿为准。

[0090] 表1：

[0091]

[0092] 需要给予说明的是，一组标准的原始牙列模型为上颌16颗牙齿，下颌16颗牙齿的模型。没有被识别为牙冠(牙齿空缺)的位置赋值为0；有识别为牙冠的位置，根据牙位表示法标记为相应的编号；同时进一步识别匹配出对应的牙列形状信息。

[0093] S606.对所述牙颌三维数字化模型进行标准化处理；

[0094] 其中，所述标准化处理，包括：

[0095] 缩放处理：缩放对应的整体模型到标准大小的三维长方体空间内；其中，所述长方体空间的长、宽、高为固定不变的比例，其中长、宽、高的最大值均为固定数值，比如1cm；

[0096] 位置处理：移动所述牙颌三维数字化模型，使所述三维长方体的重心位置为坐标原点。

[0097] S608.设定所述预存患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

[0098] 其中，所述解剖特征点是患者感兴趣的牙冠解剖点；基于三维数字化模型中，所述解剖特征点的原始位置信息是已知的，标准化处理结果使得左边原点位置得到调整，进一步地，所述解剖特征点的位置信息一并得到调整。

[0099] S610.根据所述牙列形状信息、牙列标记信息以及所述解剖特征点的位置信息得到所述主输入训练数据。

[0100] 作为一种可行的实施方式，步骤S202中获取所述正畸输入训练数据，如图4所示，还可以包括：

[0101] S802.获取预存患者的牙颌三维数字化模型；

[0102] S804.根据预存患者的牙颌三维数字化模型，得到辅助输入训练数据；

[0103] S806.由所述主输入训练数据和所述辅助输入训练数据得到所述正畸输入训练数据。

[0104] 具体地，步骤S804所述根据预存患者的牙颌三维数字化模型，得到辅助输入训练数据，可以包括：

[0105] 从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息和牙列形状信息；

[0106] 根据所述牙冠位置信息和牙列形状信息得到所述辅助输入训练数据；所述辅助输入训练数据包括下列的至少之一：牙弓曲线及牙列拥挤度数据、Spee曲线数据、牙齿及牙颌的宽度、牙齿的覆合覆盖参数、牙齿的Bolton指数。上述不同的指标具有不同的分析得到方法。具体地

[0107] 牙弓曲线及牙列拥挤度数据，包括：

[0108] (1)牙弓应有长度：即牙弓内各牙齿宽度的总和。

[0109] 获取牙颌三维数字化模型之后，可以通过测量数字模型的方法，获取牙齿宽度。

[0110] (2)牙弓现有长度：即牙弓整体弧形的长度。

[0111] 从上下第一恒磨牙近中接触点间起始，沿位置正常牙的接触点，前牙越过切缘，到对侧上下第一恒磨牙近中接触点止，拟合一段曲线，测得其长度，为现有牙弓的弧形长度。

[0112] (3)牙弓拥挤程度分析：牙弓应有长度与牙弓现有长度之差或必需间隙与可用间隙之差，即为牙弓的拥挤度。

[0113] Bolton指数，包括：

[0114] 上下前牙牙冠宽度总和的比例关系，与上下牙弓全部牙牙冠宽度总和的比例关系；其中，用Bolton指数可以诊断患者上下牙弓中是否存在牙冠宽度不协调的问题。

[0115] 牙齿的覆合覆盖参数，包括：正常咬合情况下，覆合可表示为上牙切端超出下牙切端的垂直距离表示；临床上超出3mm，可诊断为深覆颌；覆盖可表示为上牙切端超出下牙的水平距离；临床上超出2mm为深覆盖。

[0116] 本实施例中可以采用上述辅助输入训练数据中的一种或是多种，与所述主输入训练数据一并作为输入端的训练数据，用于深度学习的训练；通过使用更加详细的预存患者的原始牙齿数据信息作为训练数据，使得训练得到的正畸模型更加精确，在输入目标患者的原始牙齿数据信息(目标患者对应的目标预测数据)后，能够输出更加准确的牙齿正畸矫治数据(正畸矫治治疗方案)，提升了患者牙齿正畸的有效性和完美度。

[0117] 需要给与说明的是，本实施例中的主输入训练数据和辅助输入训练数据的获取，可以是基于预存患者的牙颌三维数字化模型分别进行深度学习得到的。其中采用的预存患者可以相同也可以不同，使用的深度学习算法可以相同也可以不同，并不限于现有的能够提取得到对应训练数据的算法类型。

[0118] 由于正畸治疗是一个长期过程，通常把治疗过程分解为多个治疗阶段，每个阶段完成一个治疗措施，属于多个治疗措施的组合。所以对应地，所述正畸输出训练数据包括正畸过程中的正畸阶段数、各正畸阶段的顺序以及各正畸阶段的数据内容。

[0119] 并且，正畸过程是医疗器械(比如矫治器)根据具有的正畸矫治数据对牙齿施加一定的外力，达到移动牙齿在口腔内的相对关系的过程；所以对应地，各正畸阶段的数据内容具体可以包括牙齿空间变换数据；所述牙齿空间变换数据包括牙齿位移变换矩阵和/或牙齿角度变换矩阵。

[0120] 所以对应地，本实施例中的正畸输出训练数据为治疗计划相关数据；其中，治疗计划为顺序排列的多个治疗阶段，每个治疗阶段完成具有临床意义的一个或多个牙齿的临床操作(或判断)；具体地，正畸输出训练数据中的数据内容可以包括：

[0121] (1)拔牙解除拥挤数据信息：其中拔牙解除拥挤指通过拔牙的方式，获取解除拥挤所需要的牙列间隙。上下牙列共32颗牙齿，对每一颗牙齿进行拔牙解除标记数据(0，1，或-1)，其中0表示天然缺失，-1表示拔牙，1表示不拔牙；

[0122] (2)片切解除拥挤数据信息：针对牙列表示法的表示结果使每一颗牙齿得到一个数字表示；所以可以得到切片的牙列数字表示以及片切的数量表示；

[0123] (3)目标牙弓形态数据信息：预测经过临床治疗之后，可得到表示牙列形态的牙弓，并得到一组点及基于点的拟合曲线；其中每个点代表具有临床意义的牙冠解剖点的目标位置(三维坐标数字)；比如牙列中线位置、尖牙高点位置、前磨牙近中接触点位置，最后一颗后磨牙远中位置等等；

[0124] (4)牙齿空间变换数据信息：以保持或达到目标牙弓形态，牙齿在三维空间的扭转或移动可以用表示空间变换的一组数据表示。

[0125] 一种具体的方式中，所述牙齿空间变换数据可以包括牙齿位移变换矩阵和/或牙齿角度变换矩阵。

[0126] 具体地牙齿位移变换可以包括：牙齿的近中或远中方向移动、牙齿的颊侧或舌侧方向移动、牙齿的压低或身长、牙齿的冠倾斜扭转、牙齿的根转矩扭转、绕牙轴扭转等。详细地，每一种移动都有两个方向，用正数和负数分别表示，0表示无移动。这样，在每个阶段的每颗牙齿均具有一组数据；一个数据组合与另一数据组合不同的部分即是被调整移动的部分；进一步地，一个阶段的牙齿移动数据能够表示成矩阵向量。

[0127] 并且，本实施例中，还可以结合牙齿角度变换对牙齿的移动进行精确的量化表示；通过移动角度数据的添加使得矩阵向量维数增加，特征更加丰富，进一步提升更加有效地正畸矫治数据。

[0128] 另一种可行的方式中，所述牙齿模型可表示为三维空间图形，牙齿的移动可抽象为三维空间图形的线性变换，可基于变换矩阵唯一表示每一个阶段牙冠及牙列状态。具体是将牙齿的移动分解为两个部分：平移，绕空间任意一坐标轴的扭转；并使用矩阵进行表示；具体地，本实施例中的空间变换数据信息对应的三维平移变化矩阵以及绕空间任意轴的扭转矩阵，可以根据现有的三维线性变换以及应用进行计算得到。

[0129] S204.根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；

[0130] 本实施例中训练模型的输入端为收集的预存患者的牙颌三维数字化模型数据信息，训练模型(预设机器学习模型)的输出端为预存患者对应的正畸矫治数据信息；在训练中调整所述预设机器学习模型的模型参数，以得到稳定的正畸模型。其中，所述模型参数是模型结构中的各个参数，能体现出模型输出与输入的对应关系。

[0131] 所述预存患者的数量足够多以支撑得到准确性高的正畸模型。

[0132] 一般地学习模型可以被设置成包括：

[0133] 一个输入层，x；

[0134] 任意数量的隐藏层；每层隐藏层都有对应的模型参数，每层的模型参数可以是多个，每层隐藏层中的一个模型参数对输入的数据进行线性或非线性变化，得到运算结果；每个隐藏层接收前一隐藏层的运算结果，经过自身的运算，对下一输出本层的运算结果；

[0135] 一个输出层，

[0136] 每两层之间都有一组权重和偏置(W和b)；

[0137] 如图5所示的两层神经网络的结构所示；其中，权重W和偏置b是影响输出 根据输入数据微调权重和偏置的过程称为神经网络训练过程，所以，神经网络的最佳权重和偏置是在训练神经网络的过程中得到的。

[0138] 其中，本实施例中的神经网络模型可以利用现有的实现训练过程的机器学习算法，但不限于采用卷积神经网络、递归神经网络或逻辑回归网络等机器学习算法。

[0139] 具体地，本发明实施例中所述预设机器学习模型，可以包括两层卷积层、两层池化层、两层全连接层和一层输出层的神经网络机器学习模型。

[0140] 具体的，所述卷积层可以对所述输入的正畸输入训练数据进行卷积处理，实现特征提取。

[0141] 具体的，所述池化层可以对上一层的输出进行降采样操作，即返回采样窗口中最大值作为降采样的输出。一方面可以简化计算复杂度；另一方面可以进行特征压缩，提取主要特征。

[0142] 具体的，所述全连接层可以作为上下两层的节点之间的连接层，将上下两层所得到的各节点数据建立连接关系，将输出值送给分类器(如softmax分类器)。

[0143] 在上述的预设机器学习模型中，每一层输出的都是上一层输入的线性函数，考虑到在实际应用中数据往往不是线性可分的，可以通过增加激活函数的方式引入非线性因数，即增加线性校正层。

[0144] 具体的，所述输出层可以采用softmax函数进行正畸输出训练数据的输出，Softmax函数中包含的是一个非线性分类器，对正畸输入训练数据进行分类器训练。具体的，可以确定所述正畸输入训练数据与正畸输出训练数据匹配的概率值。

[0145] 此外，需要说明的是，本发明实施例所述机器学习模型并不仅限于上述的神经网络机器学习模型，在实际应用中，还可以包括其他机器学习模型，例如决策树机器学习模型等，本发明实施例并不以上述为限。

[0146] 在一个具体的实施例中，所述预设机器学习模型可以被设置成，包括：

[0147] 第一卷积层；以及与所述第一卷积层相连的第一池化层；以及与所述第一池化层相连的第二卷积层；以及与所述第二卷积层相连的第二池化层；以及第二池化层相连接的第一全连接层；以及与所述第一全连接层相连的第二全连接层；以及与所述第一全连接层相连的线性校正层；以及与所述第二全连接层连接的输出层的神经网络机器学习模型。

[0148] 在上述的预设机器学习模型中，每一层输出的都是上一层输入的线性函数，考虑到在实际应用中数据往往不是线性可分的，可以通过增加激活函数的方式引入非线性因数。

[0149] 此外，需要说明的是，上述仅仅是本发明进行参数识别模型训练所采用的预设机器学习模型的一种示例，在实际应用中，还可以结合实际应用需求包括更多或更少的层。

[0150] 本实施例中将正畸输入训练数据输入到卷积神经网路模型的输入端，将正畸输出训练数据输入到卷积神经网路模型的输出端，通过不断的学习和优化得到对应的模型参数(权重和偏置)，从而得出所述正畸模型。

[0151] S206.获取目标患者的牙颌三维数字化模型；

[0152] 具体地，步骤S206获取目标患者的牙颌三维数字化模型中，所述牙颌三维数字化模型为目标患者的待正畸矫治的对象，其获取方式可以包括：

[0153] 通过在目标患者的口腔内部进行扫描，获取所述目标患者的牙颌三维数字化模型；

[0154] 或者，

[0155] 获取目标患者的牙颌阳模，根据所述牙颌阳模获取所述目标患者的牙颌三维数字化模型。

[0156] 具体地，可以利用专业的3D口腔扫描仪，直接进行目标患者的牙颌三维数字化模型的扫描获取；或者先利用专业的3D口腔扫描仪获取牙颌阳模，之后根据所述牙颌阳模获取所述目标患者的牙颌三维数字化模型。

[0157] S208.根据所述目标患者的牙颌三维数字化模型得到目标预测数据；

[0158] 一种可行的实施方式中，步骤S208根据所述目标患者的牙颌三维数字化模型得到目标预测数据，包括：

[0159] 从所述目标患者的牙颌三维数字化模型中提取出牙冠位置信息以及牙列形状信息；

[0160] 根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

[0161] 对所述牙颌三维数字化模型进行标准化处理；

[0162] 设定所述目标患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

[0163] 根据所述目标患者的牙列形状信息、牙列标记信息以及解剖特征点的位置信息，得到所述目标预测数据。

[0164] 进一步地，还可以得到根据所述目标患者的牙颌三维数字化模型得到辅助目标数据，将所述目标预测数据和辅助目标数据一并输入到训练好的正畸模型中，得到想要的正畸矫治数据。其中，所述辅助输入训练数据包括所述目标患者的下列的至少之一：牙弓曲线及牙列拥挤度数据、Spee曲线数据、牙齿及牙颌的宽度、牙齿的覆合覆盖参数、牙齿的Bolton指数。

[0165] S210.将所述目标预测数据输入到所述正畸模型中，得到正畸矫治数据。

[0166] 其中，本实施例中得到的正畸矫治数据是基于所述正畸输入训练数据和正畸输出训练数据得到的，所以，对应地所述正畸矫治数据的内容种类包括在上述正畸输出训练数据的内容种类中。

[0167] 需要给与说明的是，在得到所述正畸矫治数据之后，进一步根据所述正畸矫治数据，对所述目标患者的牙齿进行矫治治疗；具体地，可以包括：

[0168] 通过3D打印技术制作对应的矫治器模具；

[0169] 基于所述模具进行压膜处理，制作出可佩戴在患者口腔的矫治器；

[0170] 利用所述矫治器对所述目标患者进行正畸矫治。

[0171] 其中，制作模具和制作矫治器的过程可合并为一个步骤，即直接打印成矫治器的形状，减少压膜制作的步骤；进一步提升了矫治器的制作效率。

[0172] 具体地，对每个牙列形态的牙列模型进行3D打印，并以3D打印所得实体模型为模具，通过热压或其他技术手段，获取与所述牙列形态一致的可紧密覆盖在牙列模型上的矫治器(比如无托槽隐形正畸矫治器)。经过一定时间力的作用，可达到在矫治器所限定空间内移动牙齿的作用，从而达到正畸或矫治效果。通过连续佩戴对应阶段的矫治器，可使得病患的牙齿形态按照预期从一个矫治阶段到另外一个矫治阶段，完成正畸治疗。

[0173] 进一步给予说明的是，本实施例中还可以有预计正畸矫治完成的时间，该时间可以以周或天为单位，根据该矫治时间制作相应的治疗措施。比如假设每周需要更换矫治器，则根据上述时间参数，可计算所需要的矫治器，并预测每周矫治器需要调整的程度。

[0174] 本发明采用深度学习训练系统，基于大量预存患者样本信息采集得到正畸相关数据(正畸输入训练数据和正畸输出训练数据)作为训练数据，训练得到被应用的正畸模型；训练数据内容的针对性以及丰富完善的特点，这使得在输入目标患者的原始牙齿数据信息后，能够为目标患者提供有效精确的正畸矫治数据(正畸矫治数据)；从而使得制作得到的正畸矫治器能够对目标患者的牙齿进行高效矫正。所以，本发明能够对目标患者提供更加匹配适合的矫治方案，提高了牙齿矫治的效率和效果。

[0175] 本说明书实施例还提供了一种牙齿正畸矫治数据获取装置，如图6所示，所述装置包括：

[0176] 训练数据获取模块202，用于获取正畸输入训练数据和正畸输出训练数据；正畸模型得到模块204，用于根据所述正畸输入训练数据和正畸输出训练数据，训练得到正畸模型；

[0177] 牙颌模型获取模块206，用于获取目标患者的牙颌三维数字化模型；

[0178] 目标预测数据得到模块208，用于根据所述牙颌三维数字化模型得到目标预测数据；

[0179] 正畸矫治数据得到模块210，用于将所述目标预测数据输入到所述正畸模型中，得到正畸矫治数据。

[0180] 一种具体的实施方式中，所述训练数据获取模块202，如图7所示，可以包括：

[0181] 牙颌模型获取单元402，用于获取预存患者的牙颌三维数字化模型；

[0182] 主输入训练数据得到单元404，用于根据预存患者的牙颌三维数字化模型，得到主输入训练数据；所述正畸输入训练数据包括所述主输入训练数据。

[0183] 一种具体的实施方式中，所述训练数据获取模块，还包括：

[0184] 牙颌三维数字获取单元，用于获取预存患者的牙颌三维数字化模型；

[0185] 辅助输入训练数据得到单元，用于根据预存患者的牙颌三维数字化模型，得到辅助输入训练数据；

[0186] 正畸输入训练数据，用于由所述主输入训练数据和所述辅助输入训练数据得到所述正畸输入训练数据。

[0187] 一种具体的实施方式中，所述主输入训练数据得到单元，包括：

[0188] 中间信息得到子单元，用于从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息和牙列形状信息；

[0189] 牙列标记信息得到子单元，用于根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

[0190] 标准化处理子单元，用于对所述牙颌三维数字化模型进行标准化处理；

[0191] 位置信息得到子单元，用于设定所述预存患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

[0192] 主输入训练数据得到子单元，用于根据所述牙列形状信息、牙列标记信息以及所述解剖特征点的位置信息得到所述主输入训练数据。

[0193] 一种具体的实施方式中，所述辅助输入训练数据得到单元，包括：

[0194] 中间数据信息得到子单元，用于从所述预存患者的牙颌三维数字化模型中提取出牙冠位置信息和牙列形状信息；

[0195] 辅助输入训练数据得到子单元，用于根据所述牙冠位置信息和牙列形状信息得到所述辅助输入训练数据；

[0196] 所述辅助输入训练数据包括下列的至少之一：牙弓曲线及牙列拥挤度数据、Spee曲线数据、牙齿及牙颌的宽度、牙齿的覆合覆盖参数、牙齿的Bolton指数。

[0197] 一种具体的实施方式中，所述正畸输出训练数据包括预存患者正畸方案中的正畸阶段数、各正畸阶段的顺序以及各正畸阶段的数据内容；

[0198] 各正畸阶段的数据内容包括牙齿空间变换数据。

[0199] 一种具体的实施方式中，所述目标预测数据得到模块，包括：

[0200] 目标中间数据得到单元，用于从所述目标患者的牙颌三维数字化模型中提取出牙冠位置信息以及牙列形状信息；

[0201] 目标牙列标记信息得到子单元，用于根据所述牙冠位置信息，对所述牙颌三维数字化模型中的牙列进行数字标记，得到牙列标记信息；

[0202] 目标标准化处理子单元，用于主输入训练数据得到子单元对所述牙颌三维数字化模型进行标准化处理；

[0203] 目标位置信息得到子单元，用于设定所述目标患者的解剖特征点，并根据标准化处理结果得到所述解剖特征点的位置信息；

[0204] 目标预测数据得到子单元，用于根据所述目标患者的牙列形状信息、牙列标记信息以及解剖特征点的位置信息，得到所述目标预测数据。

[0205] 一种具体的实施方式中，所述牙颌模型获取模块，包括：

[0206] 第一获取单元，用于通过在目标患者的口腔内部进行扫描，获取所述目标患者的牙颌三维数字化模型；

[0207] 或者，

[0208] 第二获取单元，用于获取目标患者的牙颌阳模，根据所述牙颌阳模获取所述目标患者的牙颌三维数字化模型。

[0209] 需要说明的是，装置实施例具有与方法实施例相同的发明构思。

[0210] 本发明中所述模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。可以根据实际的需要选择其中的部分或者全部模块/单元来达到实现本发明方案的目的。

[0211] 另外，在本发明各个实施例中的各模块/单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0212] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。