基于增强现实的牙槽骨缺损智能诊断与修复方案设计方法

本发明涉及医疗数据分析，尤其涉及一种基于增强现实的牙槽骨缺损智能诊断与修复方案设计方法。

背景技术：

1、在现代牙科治疗中，牙槽骨缺损的诊断与修复是一个常见且复杂的问题，其治疗效果直接关系到患者的口腔健康和生活质量。传统的牙槽骨缺损治疗流程依赖于x光片、ct扫描等医学影像资料，医生需要根据这些二维或三维的影像数据，结合自身的临床经验来判断缺损的类型和程度，进而设计修复方案。然而，此类传统方法存在多个明显的缺陷。

2、首先，传统影像诊断工具虽能提供结构信息，但在识别细微缺损、评估缺损程度和类型方面仍有局限性。二维影像难以全面展现复杂的三维缺损情况，而三维ct扫描设备成本高昂，且对患者的辐射剂量相对较大。此外，影像的解析依赖医生的经验和主观判断，不同医生的诊断结果可能存在差异，这对治疗方案的选择和优化造成了不小的挑战。

3、其次，治疗方案的设计缺乏个性化。现有技术在处理个体差异方面的能力有限，往往采用标准化的治疗方法，忽略了患者具体缺损区域的个体生物力学特性。这可能导致治疗效果不佳，例如种植体的成功率低下或修复后的功能恢复不完全。

4、再次，现有技术在医患交流方面也存在不足。传统的治疗方案往往难以直观展示给患者看，患者难以充分理解治疗计划和预期效果，这在一定程度上影响了患者的治疗决策和满意度。

5、因此，如何提供一种基于增强现实的牙槽骨缺损智能诊断与修复方案设计方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于增强现实的牙槽骨缺损智能诊断与修复方案设计方法，本发明利用增强现实技术，医生和患者可以在真实环境中以三维视图直观地查看缺损区域及其修复后的预期效果，帮助患者更好地理解治疗计划。

2、根据本发明实施例的一种基于增强现实的牙槽骨缺损智能诊断与修复方案设计方法，包括以下步骤：

3、s1、采集患者牙槽骨的锥形束计算机断层摄影影像数据；

4、s2、将所述影像数据输入至预先训练好的卷积神经网络模型，利用卷积神经网络模型进行影像数据的分析，自动识别并定位牙槽骨中的缺损区域；

5、s3、对所识别的缺损区域进行形态学分析，利用结构敏感的编解码网络进行缺损程度和类型的多维评估；

6、s4、基于卷积神经网络模型输出和临床决策支持系统的建议，自动生成针对特定缺损类型的修复方案，其中包括种植体位置和骨增量形态的设计；

7、s5、使用增强现实技术在真实环境中直观展示所生成的修复方案，使医生和患者能以三维视图查看缺损区域及其修复后的预期效果；

8、s6、提供增强现实环境中的交互式设计体验，医生实时调整修复方案中的种植体位置和骨增量设计，并即时查看调整后的影响；

9、s7、在确认最终修复方案后，自动生成详细的执行指令以供临床使用。

10、可选的，所述s1包括以下步骤：

11、s11、配置锥形束计算机断层摄影设备采集牙槽骨影像，通过自动化的患者识别系统识别并调整对应患者的扫描参数，扫描参数包括射线源的电压和电流以及曝光时间和扫描角度，调整患者接受的辐射剂量：

12、

13、其中，vopt和iopt分别为优化后的电压和电流，vbase和ibase为基础电压和电流，hpatient为患者头部的高度，hstandard为标准头部高度，ddefect为缺损深度，dstandard为标准缺损深度；

14、s12、利用患者定位系统，自动调整患者的头部位置至最佳成像区域，患者定位系统通过实时图像反馈机制自动纠正患者的任何微小移动，消除由于患者不正确或不稳定的姿势引起的图像模糊：

15、θopt＝θcurrent+δθ；

16、

17、其中，θopt为优化后的姿态角度，θcurrent为当前检测到的姿态角度，e(t)为实时姿态误差，为误差变化率，kp和kd为比例和微分控制参数；

18、s13、实施增强的图像采集协议在标准锥形束计算机断层摄影扫描基础上增加辅助的定制化扫描路径，根据患者牙槽骨的具体缺损区域，通过软件算法优化扫描序列，针对特定区域增加扫描的覆盖深度和细节分辨率，获得更精细的缺损区域图像：

19、

20、其中，sopt为优化后的扫描序列，sbase为基本扫描序列，adefect为缺损区域面积，atotal为总扫描区域面积；

21、s14、应用自动图像质量增强技术在图像采集完成后评估所得图像的质量，并自动进行信号增强和噪声减少处理；

22、s15、完成图像采集后，对所有图像数据进行标准化处理，将图像转换为适合深度学习模型处理的格式，并进行数据压缩存储。

23、可选的，所述s2包括以下步骤：

24、s21、接收经过标准化处理的牙槽骨锥形束计算机断层摄影影像数据；

25、s22、将接收到的影像数据输入至预先训练好的改进型卷积神经网络模型内；

26、s23、利用改进型卷积神经网络模型进行特征提取和分析，改进型卷积神经网络模型中包括自适应特征学习层，通过动态调整学习参数控制特征提取的深度和宽度；

27、s24、通过自适应的前向传播和反向传播算法进行多次迭代学习，直到改进型卷积神经网络模型达到预定的识别精度或迭代次数上限，使得每个输入的锥形束计算机断层摄影影像数据进行缺损区域定位；

28、s25、将识别和定位后的牙槽骨中的缺损区域信息输出：

29、o＝λ·dout(n(i))+(1-λ)·i；

30、其中，λ表示平衡因子，i表示输入图像，原始的或预处理后的图像数据，n(i)表示噪声减少函数，dout表示深度可分离卷积层的输出。

31、可选的，所述改进型卷积神经网络模型具体包括：

32、在改进型卷积神经网络模型中集成基于注意力机制的空间金字塔池化层，通过调整池化比例γ动态调整特征图的尺寸，捕捉从局部到全局的不同尺度特征：

33、

34、其中，γ表示池化比例，根据牙槽骨区域的大小动态调整，l是损失函数，通常使用交叉熵损失，适合分类任务，f(xi；θ,γ)表示输入xi在模型参数θ和池化比例γ下的网络输出，η是学习率，控制更新步长；

35、改进型卷积神经网络模型中的每个卷积层后接一个自适应调整的批量归一化层，归一化层利用一个可训练的缩放因子δ和位移因子ξ自动调整卷积后的特征分布：

36、

37、其中，g(zj；δ,ξ)表示归一化和变换后的输出，m是批次中样本的数量；

38、引入自适应门控单元调整改进型卷积神经网络模型每层的信息流动，利用上一层的输出动态决定当前层所需的特征信息量；

39、gnew＝σ(wg·hold+bg)；

40、其中，gnew表示门控单元的输出，控制信息传递的程度，σ是sigmoid激活函数，确保输出在0到1之间，控制信息的传递量，wg和bg是门控单元的权重和偏置；

41、改进型卷积神经网络模型中的深度可分离卷积层通过分解标准卷积操作，先进行空间卷积再进行深度卷积；

42、

43、其中，表示对输入i应用第l个空间卷积核的结果，表示应用第l个深度卷积核的操作，l是深度卷积核的数量。

44、可选的，所述s3包括以下步骤：

45、s31、接收输出的牙槽骨中的缺损区域信息；

46、s32、将接收到的缺损区域信息输入至用于分析牙槽骨缺损的形态和程度的结构敏感的编解码网络，包含多层编码和解码结构以提取缺损区域的特征并进行深入的多维分析：

47、

48、其中，x表示原始缺损区域输入数据，μ和σ2分别代表数据的均值和方差；

49、s33、通过编码过程，网络逐层提取缺损区域的特征，利用深度残差网络结构增强特征提取的能力和网络的训练深度：

50、e(x)＝σ(we·(α·relu(bn(x))+(1-α)·se(x))+be)；

51、其中，relu是线性整流函数，bn表示批量归一化，se表示压缩-激励函数，它重新校准通道的特征响应，α是混合参数，用于平衡两种特征提取技术的贡献；

52、s34、解码过程中，编码得到的特征用于重构缺损区域的信息，以估计缺损的类型和程度，解码过程使用了反卷积和动态路由机制：

53、

54、其中，*表示卷积操作，up表示上采样操作，zk是来自上一层的特征图，是第k个解码卷积核，βk是通过动态路由算法计算得到的系数，表示第k个特征图在解码过程中的重要性；

55、s35、对解码输出进行多维评估，确定缺损的类型和程度，使用预定义的分类标准和量化指标进行评估，输出经过评估的缺损类型和程度。

56、可选的，所述s4包括以下步骤：

57、s41、接收经过评估的缺损类型和程度信息；

58、s42、将接收到的缺损类型和程度信息与临床决策支持系统中存储的历史数据和治疗方案进行比对，使用决策树算法，确定最适合当前缺损情况的修复方案；

59、

60、其中，t(x)是最终的修复方案决策输出，x是输入的缺损信息，hi表示第i个决策树模型的输出，αi是第i个决策树模型的权重，θi是第i个决策树的模型参数，y是理想的治疗结果，σ2是模型输出的方差，用于调节各模型的贡献权重；

61、s43、根据选定的修复方案自动生成具体的种植体位置和骨增量形态设计，使用遗传算法调整和优化设计参数，使得设计的种植体位置和骨增量形态最佳适应患者的具体缺损情况；

62、

63、其中，pnew和pold分别是优化后和优化前的设计参数，η是学习率，控制更新步幅，βj是第j个个体的选择概率，通常通过适应度函数f决定，mutate(pold,δj)是对参数p应用变异操作，δj是变异操作的强度，j是种群中的个体数量；

64、s44、利用计算流体动力学模拟技术对设计的种植体位置和骨增量形态进行模拟，评估其在生物力学上的适应性；

65、

66、其中，fsim表示流体动力学模拟的结果，ρ是流体的密度，是流体速度矢量，t是时间变量，p是流体的压力，μ是流体的动力粘度，f是作用在流体上的体积力；

67、s45、根据模拟和评估结果，进一步调整种植体位置和骨增量形态，将最终确认的修复方案详细信息输出，包括种植体的具体位置、骨增量形态的详细描述以及预期的治疗效果。

68、可选的，所述s5包括以下步骤：

69、s51、接收最终确认的修复方案详细信息，包括种植体的具体位置和骨增量形态；

70、s52、将所接收的修复方案信息转化为增强现实兼容格式，其中包括三维模型的生成和优化：

71、

72、其中，m3d是cbct数据通过体绘制技术得到的原始三维模型数据，表示模型旋转，依赖于欧拉角θ,ψ，t(sx,sy,sz)表示模型的缩放变换，针对不同方向的尺度调整，l(λ,v)表示模型的光照变换，λ是光照强度，v是光照方向向量；

73、s53、通过头戴显示器或智能手机应用向医生和患者展示三维视图，展现缺损区域及其修复后的预期效果：

74、

75、其中，vdisplay表示最终展示的增强现实视图，mar(p)是位置p上的三维模型数据，是从用户位置puser通过渲染函数计算得到的相机视角变换，ω表示整个显示区域的集合；

76、s54、医生和患者通过触摸屏或语音命令调整视图角度和缩放级别，用于理解治疗计划和预期效果：

77、uinteraction＝vdisplay⊕δv(cinput,ξ,κ)；

78、其中，uinteraction表示用户交互后的更新视图，δv是根据用户输入cinput和调整参数ξ，缩放级别以及κ，旋转角度产生的视图变化函数；

79、s55、根据用户反馈和设备反馈调整增强现实视图的展示：

80、

81、其中，vfinal是最终调整后的增强现实视图，fuser和fdevice分别表示来自用户和设备反馈的调整函数。

82、本发明的有益效果是：

83、(1)本发明通过整合深度学习技术与先进的图像处理算法，能自动从cbct医学影像中精确识别出牙槽骨缺损的类型和程度，使用结构敏感的编解码网络进行缺损的多维形态分析，提供了比传统方法更为精确和详细的诊断信息，减少了人为误差和诊断时间。

84、(2)本发明基于自动诊断结果和临床决策支持系统的建议，智能生成最适合患者具体缺损状况的修复方案，通过使用决策树算法和遗传算法调整和优化种植体位置和骨增量形态，确保设计方案的个性化和适应性。

85、(3)本发明利用增强现实技术，医生和患者可以在真实环境中以三维视图直观地查看缺损区域及其修复后的预期效果，帮助患者更好地理解治疗计划，使医患沟通更为高效和满意。