Page 21 - 南京医科大学自然版
P. 21

第45卷第12期 温奥楠，赵一姣，王 勇.“刚性配准”与“非刚性配准”在数字化口腔医学三维点云数据中的应用［J］.
                 2025年12月                    南京医科大学学报（自然科学版），2025，45（12）：1698-1708                      ·1703 ·


                3.1  三维点云数据的结构化处理                                 同一患者治疗前后的颜面数据上，从而对治疗效果
                    三维颅颌面点云数据具有丰富的三维形态信                           进行评价分析      ［49］ ；通过将同一模板数据分别变形匹
                息，可以较为真实地还原患者的颅颌面形态。但通                            配到父亲与子女的颜面数据上，探究亲子间面部遗
                过光学扫描或由CBCT数据三维重建出的不同三维                           传性的特点     ［50］ 。“非刚性配准”技术在三维颅颌面点
                点云数据之间，不仅缺乏统一的空间坐标系，还缺                            云数据形态学分析方面的应用有助于提高口腔临
                乏统一的数据结构，即其顶点数、网格数、网格拓扑                           床数字化诊疗的准确性，实现更具个性化的治疗规
                关系等均不同，因此无法在不同数据之间建立起对                            划与疗效评估。
                应关系，导致不能充分利用不同三维点云数据间的                            3.3  基于结构化三维点云数据的特征构建
                三维形态信息。而通过“非刚性配准”对三维模板                                基于三维解剖标志点测量颅颌面的特征尺寸
                数据（结构化的三维点云数据，即有序点云数据）的                           与角度、分析颅颌面的对称性、构建颅颌面的正中
                变形匹配，可在不同三维点云数据间建立起密集的                            矢状平面等，是口腔医学领域进行数字化诊疗分析
                点对应关系，获得由相同数据结构表达不同三维形                            的重要基础。目前在三维颅颌面点云数据上确定
                态的同源数据集，进而充分分析和利用三维颅颌                             解剖标志点特征仍以专家手动标记为主，虽然人工
                面点云数据的形态信息。有学者通过建立健康婴                             标记易于实现，但对医生的诊疗经验有一定依赖
                儿三维颅骨点云数据的同源数据集，对婴儿的颅                             性，可重复性欠佳，不利于基层临床的普及推广，因
                骨形态进行主成分分析，分析了影响婴儿颅骨形                             此解剖标志点特征的自动构建具有重要意义。借
                态的主要因素       ［39］ ；通过建立不同三维颜面点云数                  助“非刚性配准”的变形匹配效果，通过在三维模板
                据的同源数据集，构建了三维可变形人脸模型，对                            数据上标记解剖标志点或选取其上具有解剖意义
                人脸三维形态进行参数化表达，通过不同的参数                             的顶点，将模板数据变形匹配至目标数据后，通过
                组合可生成随机的三维人脸形态                ［40-42］ ；通过建立不      对模板变形后数据上的标志点进行转移或对模板
                同面部表情下（中性表情、笑、张口等）三维颜面数                           变形后数据上的相应顶点进行三维坐标提取，即可
                据的同源数据，实现不同面部表情间的形态过渡，                            实现三维颅颌面点云数据解剖标志点特征的自动
                辅助鼻赝复体形态的数字化设计等                 ［43］ 。笔者团队        构建  ［51-56］ 。笔者团队通过采集无显著畸形患者的三
                通过建立不同三维颜面点云数据的同源数据集，                             维颅颌面点云数据，构建了具有国人三维解剖形态
                基于图卷积神经网络和变分自动编码器建立适用                             特征的模板数据（包括人脸模板、下颌骨模板、上颌
                于颜面缺损点云数据形态补全的深度学习模型                              骨模板），并在相应模板数据上选取、记录了能代表
                FMGen⁃Net，为颜面缺损形态的数字化设计提供了                        解剖特征的顶点及其索引信息。基于模板数据和
                新的解决方案      ［44］ 。                                文献报道的非刚性配准程序 MeshMonk，笔者团队
                3.2  基于结构化三维点云数据的形态学分析                            提出了“模板法”用于三维颅颌面点云数据解剖标
                    如前所述，统一不同三维点云数据间的空间坐                          志点特征的自动构建，同时以人工标记的标志点
                标系是进行数据间形态学分析的重要前提和基                              为金标准，通过计算“模板法”自动定点与金标准
                础。同一患者在治疗前后或不同患者的三维颅颌                             间的距离作为定点误差，评价了“模板法”的定点
                面点云数据间的形态差异较大时，不仅会影响“刚性                           精度  ［53，55-56］ 。初步结果显示，“模板法”针对无显著
                配准”的数据重叠效果，同时数据重叠后，在形态差异                          畸形的三维颜面数据、三维下颌骨数据和三维上颌
                较大的区域还缺乏具有解剖学意义的准确对应关                             骨数据的平均定点误差均在2 mm以内。此外，笔者
                系。而“非刚性配准”可基于模板数据在不同三维形                           团队还自主研发了非刚性配准算法 TH⁃OCR，并对
                态间建立起准确的、具有解剖学意义的密集点对应关                           比评价了TH⁃OCR算法和MeshMonk程序通过“模板
                系，从而对数据间的形态差异进行更有临床意义的分                           法”为20例三维颜面数据进行自动定点的精度。结
                析。有学者通过将同一模板数据变形匹配到患者的                            果显示，针对32个三维颜面解剖标志点，TH⁃OCR算
                颅颌面数据上，基于模板变形后数据及其镜像数据间                           法的平均定点误差为（2.34±1.76）mm，MeshMonk 程
                的密集点对应关系，分析颅颌面部的不对称性                     ［45-47］ ；  序的平均定点误差为（2.16±1.97）mm，两者的定点
                通过将同一模板数据分别变形匹配到健康受试者和                            精度均可初步满足口腔临床的应用需求，表明“模
                患者的颜面数据上，分析两者间的形态差异，辅助临                           板法”在口腔临床的数字化诊疗分析中具有一定的
                                                                                    ［54］
                          ［48］
                床疾病诊断 ；通过将同一模板数据分别变形匹配到                           可行性和临床适合性 。
   16   17   18   19   20   21   22   23   24   25   26