本发明涉及下颌骨缺损修复重建，更具体地说，本发明涉及一种基于cbct大数据的骨增量形态轮廓优化方法和系统。
背景技术：
1、牙槽骨作为支撑牙齿的重要结构，其完整性对于维持口腔健康及功能至关重要。然而，在临床实践中，由于牙周疾病、外伤、拔牙后自然吸收等多种原因，患者常常面临牙槽骨缺损的问题。牙槽骨缺损不仅影响美观，还可能导致牙齿松动、脱落，严重影响患者的咀嚼功能和生活质量。
2、近年来，随着人工智能技术的飞速发展，机器学习作为其核心分支之一，在医学领域展现出了巨大的应用潜力。在牙槽骨缺损的修复与增量填补领域，机器学习技术同样具有广阔的应用前景。通过构建基于cbct影像的机器学习模型，可以实现对牙槽骨缺损的自动识别和三维重建。尽管机器学习技术的应用前景广阔，但在牙槽骨缺损修复的实际应用中仍面临诸多挑战，例如模型的训练需要大量的精准标注数据。然而，在实际应用中，高质量的标注数据往往难以获取。一方面，医学影像的标注需要专业的医学知识和丰富的临床经验，成本高昂；另一方面，牙槽骨缺损的形态各异，标注难度大，且标注结果易受主观因素影响。因此，如何在标注样本量有限的情况下实现复杂网络模型的有效训练，成为当前亟待解决的问题。
技术实现思路
1、为了克服现有技术训练数据获取难度大的问题，本发明提出了一种基于cbct大数据的骨增量形态轮廓优化方法和系统，用于解决上述问题。
2、本发明提供如下技术方案：
3、一种基于cbct大数据的骨增量形态轮廓优化方法，包括：
4、s1、获取历史上若干完整的牙槽骨影像数据，建立对应的完整牙槽骨三维模型，所有完整牙槽骨三维模型组成完整牙槽骨模型库；
5、s2、获取历史上若干存在缺损的牙槽骨影像数据，建立与牙槽骨缺损部位对应的缺损三维模型，所有缺损三维模型组成缺损模型库；根据缺损模型库获取缺损三维模型生成范围；
6、s3、在缺损三维模型生成范围内随机生成一个缺损三维模型作为第一模型，在完整牙槽骨模型库中获取任一完整牙槽骨三维模型作为第二模型；
7、s4、将第一模型与第二模型进行重叠，获取第一模型与第二模型的重叠部分作为第三模型，在第二模型中删除第三模型得到第四模型；将第三模型和第四模型进行合并得到一条学习数据；
8、s5、重复上述s3至s4获取若干条学习数据，组成学习数据集；
9、s6、使用学习数据集训练缺损补偿模型，所述缺损补偿模型以存在缺损的牙槽骨三维模型为输入，以对应的缺损三维模型为输出；
10、s7、获取实时的存在缺损的牙槽骨影像数据，建立对应的缺损牙槽骨三维模型，将缺损牙槽骨三维模型输入到缺损补偿模型得到模型输出的缺损三维模型。
11、优选的，所述根据缺损模型库获取缺损三维模型生成范围的步骤包括：
12、获取缺损模型库中所有缺损三维模型，提取每个缺损三维模型的体积点云数据；
13、计算每个体积点云数据的包围盒，所述包围盒为长方体，获取计算出的所有包围盒的最小长度lmin、最小宽度wmin、最小高度hmin、最大长度lmax、最大宽度wmax和最大高度hmax；
14、计算所有体积点云数据中点的数量，获取数量的最小值nmin和最大值nmax；
15、计算所有体积点云数据中两点间距离的平均值，获取其中的最小值amin和最大值amax；
16、使用(lmin,wmin,hmin)到(lmax,wmax,hmax)作为包围盒范围，使用nmin到nmax作为点数量范围，使用amin到amax作为点距离范围；
17、使用包围盒范围、点数量范围和点距离范围组成缺损三维模型生成范围。
18、优选的，所述在缺损三维模型生成范围内随机生成一个缺损三维模型的步骤包括：
19、s31、创建一个计数器，并将计数器的值初始化为0；
20、s32、在(lmin,wmin,hmin)到(lmax,wmax,hmax)范围内随机生成一个包围盒，在nmin到nmax范围内随机获取一个值nr；
21、s33、在生成的包围盒内创建nr个不同位置的点组成体积点云，计算体积点云中两点间距离的平均值；
22、s341、若体积点云中两点间距离的平均值在amin到amax之间，则根据nr个不同位置的点组成的体积点云生成三维模型，使用生成的三维模型作为缺损三维模型；
23、s342、若体积点云中两点间距离的平均值不在amin到amax之间，且计数器的值不大于预设的计数阈值，则返回步骤s33，并使计数器的值加1；否则，返回步骤s32，并将计数器的值重置为0。
24、优选的，所述将第一模型与第二模型进行重叠的步骤包括：
25、获取第一模型和第二模型，将第一模型和第二模型按照相同的空间尺度转化为体积点云，并分别记为第一体积点云和第二体积点云；
26、在第一体积点云中确定第一参考点，根据第一参考点在第二体积点云中确定第二参考点；
27、获取第一参考点的坐标记为(x1,y1,z1)，获取第二参考点的坐标记为(x2,y2,z2)；
28、将第一体积点云中的点换按照如下公式进行坐标变换：
29、
30、式中，xn、yn和zn表示变化后的坐标值，xo、yo和zo表示变化前的坐标值；
31、当对第一体积点云中的所有点的坐标进行变换后，完成第一模型与第二模型的重叠。
32、优选的，所述在第一体积点云中确定第一参考点的步骤包括：
33、计算第一体积点云中最大的x坐标值与最小的x坐标值的均值，并获取第一体积点云中与均值最接近的x坐标值记为
34、获取第一体积点云中所有x坐标与相等的点组成第一目标点集，获取第一目标点集中y坐标的最小值记为y1min；
35、获取第一目标点集中y坐标与y1min相等的点组成第二目标点集，将第二目标点集中z坐标最小的一个点确定为第一参考点。
36、优选的，所述根据第一参考点在第二体积点云中确定第二参考点的步骤包括：
37、获取第一目标点集中最大的z坐标值记为z1max、最小的z坐标值记为z1min，获取第一参考点的z坐标值记为z1；
38、获取第一体积点云中最大的y坐标值记为y1max；
39、获取第二体积点云中任一点的坐标值记为y2，获取第二体积点云中y坐标在[y2,y2+y1max-y1min]范围内的点组成第三目标点集；
40、获取第三目标点集中最大的x坐标值与最小的x坐标值的均值，并获取第三目标点集与均值最接近的x坐标值记为x2，获取第三目标点集中最大的z坐标值记为z2max、最小的z坐标值记为z2min；
41、将第三目标集中x坐标为x2、y坐标为y2，且z坐标与公式的计算值最接近的点，确定为第二参考点。
42、优选的，所述获取第一模型与第二模型的重叠部分作为第三模型的步骤包括：根据坐标变换后的第一体积点云，在第二体积点云中标记重复点，使用所有标记的重复点组成重叠体积点云，根据重叠体积点云生成三维模型得到第三模型；
43、所述在第二模型中删除第三模型得到第四模型的步骤包括：使用第二体积点云删除标记的重复点后得到缺损体积点云，根据缺损体积点云生成三维模型得到第四模型。
44、优选的，所述在第二体积点云中标记重复点的步骤包括：
45、获取第一体积点云中的任一点记为待标记点，计算待标记点与坐标变换后的第一体积点云中所有点间的距离，获取计算出的距离中的最小值记为接近值；若接近值小于或等于预设的接近阈值，则将带标记点标记为重复点，否则标记为非重复点；重复以上步骤直至第二体积云中的所有点都被标记；
46、待标记点与坐标变换后的第一体积点云中点的距离的计算公式如下：
47、
48、式中，dis表示待标记点与坐标变换后的第一体积点云中点的距离，xd、yd和zd分别表示待标记点的x、y和z坐标；xb、yb和zb分别表示坐标变换后的第一体积点云中点的x、y和z坐标。
49、优选的，所述使用学习数据集训练缺损补偿模型的步骤包括：
50、s61、获取学习数据集；
51、s62、构建三维卷积神经网络模型，三维卷积神经网络模型包括输入层、输出层和若干三维卷积层、池化层和三维反卷积层；
52、s63、将学习数据集中的第四模型输入三维卷积神经网络模型，计算模型输出与对应的第三模型之间的误差，基于所述误差更新模型参数；
53、s64、重复步骤s63，直至三维卷积神经网络模型收敛或达到预设训练次数，使用三维卷积神经网络模型作为缺损补偿模型。
54、本发明还提供一种基于cbct大数据的骨增量形态轮廓优化系统，用于实现基于cbct大数据的骨增量形态轮廓优化方法，包括：
55、牙槽骨模型库模块：用于获取历史上若干完整的牙槽骨影像数据，建立对应的完整牙槽骨三维模型，所有完整牙槽骨三维模型组成完整牙槽骨模型库；
56、缺损模型库模块：用于获取历史上若干存在缺损的牙槽骨影像数据，建立与牙槽骨缺损部位对应的缺损三维模型，所有缺损三维模型组成缺损模型库；根据缺损模型库获取缺损三维模型生成范围；
57、学习数据生成模块，用于生成多条学习数据组成学习数据集，所述学习数据的生成步骤包括：获取历史上若干存在缺损的牙槽骨影像数据，建立与牙槽骨缺损部位对应的缺损三维模型，所有缺损三维模型组成缺损模型库；根据缺损模型库获取缺损三维模型生成范围；将第一模型与第二模型进行重叠，获取第一模型与第二模型的重叠部分作为第三模型，在第二模型中删除第三模型得到第四模型；将第三模型和第四模型进行合并得到一条学习数据；
58、缺损补偿模型训练模块，用于使用学习数据集训练缺损补偿模型；
59、缺损三维模型获取模块，用于获取实时的存在缺损的牙槽骨影像数据，建立对应的缺损牙槽骨三维模型，将缺损牙槽骨三维模型输入到缺损补偿模型得到模型输出的缺损三维模型。
60、本发明提供了一种基于cbct大数据的骨增量形态轮廓优化方法和系统，具备以下有益效果：
61、通过构建完整牙槽骨模型库和缺损模型库，自动生成学习数据集，从而减少了对高质量精准标注数据的依赖。这不仅降低了专业医学标注的成本，也提高了训练数据的多样性和覆盖面，有助于提升缺损补偿模型的训练效率和质量。通过随机生成缺损三维模型并与完整牙槽骨三维模型进行重叠，生成的学习数据更加丰富多变，能够覆盖更广泛的缺损类型和情况。这有助于训练出的缺损补偿模型具有更好的泛化能力，能够适应各种复杂的缺损情况。
1.一种基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，包括：
2.根据权利要求1所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述根据缺损模型库获取缺损三维模型生成范围的步骤包括：
3.根据权利要求2所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述在缺损三维模型生成范围内随机生成一个缺损三维模型的步骤包括：
4.根据权利要求3所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述将第一模型与第二模型进行重叠的步骤包括：
5.根据权利要求4所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述在第一体积点云中确定第一参考点的步骤包括：
6.根据权利要求5所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述根据第一参考点在第二体积点云中确定第二参考点的步骤包括：
7.根据权利要求6所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述获取第一模型与第二模型的重叠部分作为第三模型的步骤包括：根据坐标变换后的第一体积点云，在第二体积点云中标记重复点，使用所有标记的重复点组成重叠体积点云，根据重叠体积点云生成三维模型得到第三模型；
8.根据权利要求7所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述在第二体积点云中标记重复点的步骤包括：
9.根据权利要求8所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，所述使用学习数据集训练缺损补偿模型的步骤包括：
10.一种基于cbct大数据的骨增量形态轮廓优化系统，用于实现如权利要求1-9任一项所述的基于cbct大数据的骨增量形态轮廓优化方法，其特征在于，包括：
