一个潜在的变量深度生成模型为3D前牙形状的3D前牙形状

科学领域:

• 计算机辅助设计和制造
• 生物医学工程 生物医学工程
• 3D建模和重建3D建模和重建

背景情况:

• 数字牙科依赖于准确的3D牙形状表示.
• 生成现实的和多样化的3D牙形状对于修复和化品手术至关重要.
• 现有的方法可能缺乏与当前数字设计工作流程的整合.

研究的目的:

• 介绍PointFlow,一种用于创建3D牙形状的3D生成技术.
• 将PointFlow与传统的数字设计工作流程集成.
• 评估PointFlow用于牙重建的临床适用性.

主要方法:

• 在1337个自然前牙的3D扫描上训练了一个深度生成模型 (PointFlow).
• 编码了3D牙几何形状,变成了代表形态特征的紧的隐藏代码.
• 通过从潜伏空间取样生成新的牙形状,并使用3D形状指标进行评估.
• 通过重建60颗人工损坏的牙来评估临床适用性.

主要成果:

• PointFlow有效地捕捉了前牙形状的多样性.
• 与参考数据集相比,生成的牙形状在生成指标上表现优越.
• 该模型成功地在损坏的牙中重建了缺失的区域,平均Chamfer距离为0.2738±0.095毫米.

结论:

• 深度生成模型可以准确地学习牙的特征.
• PointFlow显示了生成高质量的3D牙形的潜力.
• 该技术可用于牙科进一步的临床应用.