论文阅读:Tooth model reconstruction based upon data fusion for orthodontic treatment simulation

【论文信息】

Tooth model reconstruction based upon data fusion for orthodontic treatment simulation
Computers in Biology and Medicine 2014 IF 1.5 二区

【背景】

回头看

【方法】

论文阅读:Tooth model reconstruction based upon data fusion for orthodontic treatment simulation_第1张图片

  1. 首先将石膏模型数字化,将上面每个牙齿分割下来。使用如下公式计算顶点的斜率。
    顶点斜率计算公式
    然后对斜率设定一个filter,就可以得到想要的区域。然后用形态学腐蚀来抽取骨架。最后用区域生长就可以得到网格模型。
  2. 接下来是牙根的提取,采用了Gao等人的LS算法,按照惯例还是要手动选取一个初始点(容易分割的slice)用来产生初始轮廓。文章还做过实验,用区域生长来分割,结果是牙根和皮质骨模糊,轮廓溢出。
  3. 牙冠位置配准。由于CT序列不能直接被用来当做配准目标,文章首先把它用MC算法重建为网格模型,包含头颅和牙冠的数据,用来配准。配准分为两步,粗配准和精配准。文章用三点定位法进行粗配准;用ICP进行精配准。目标函数如下,很简单的平移和旋转:配准目标函数
  4. 把2D轮廓转换为3D点云。本文用的CT机分辨率是0.4^3 mm, 400×400 。转换其实就是从CT的局部坐标到世界坐标的转换,需要考虑CT分辨率。
  5. 至此,牙根和牙冠的点云已经可以连在一起了。然后使用DBRG算法区域生长,得到网格模型,最后smooth一下。效果比一般MC出来的要好。

【讨论&启发】

这篇论文创新点主要在于整个流程,CT和扫描结合起来,很新。但他的具体算法都是很简单的拿过来搭积木。然后就可以发二区的文章。
文章做了实验,扫描的结果和CT的结果差别挺大的,精度肯定还是扫描的高。比较他们用的这台CBCT分辨率是0.4,而扫描仪很容易达到0.01。所以直接从CT中重建出来的结果,牙冠表面的细节肯定都没有了。
LS的参数对于每个牙齿都需要改变,如果能根据牙根附近灰度分布自适应地调整就比较好。

你可能感兴趣的:(论文阅读:Tooth model reconstruction based upon data fusion for orthodontic treatment simulation)