基于模板语义引导的正畸牙齿排列预测系统：单张正面照片实现三维重建与可视化模拟

　　本文提出一种创新的语义引导正畸模拟预测框架（semantic-guided orthodontic simulation prediction framework），仅需单张正面照片即可实现牙齿三维重建（3D teeth reconstruction）、牙弓曲线拟合（dental arch curve fitting）及纹理迁移（texture transformation）。该方法通过语义分割（IoU达0.834）和扩散模型（diffusion model）实现高精度结构控制与真实感图像生成，显著提升正畸预测的临床实用性与可视化效果。

　　

Section snippets

Related work

从单张正面微笑照片预测正畸治疗后牙齿排列的方法涉及多个领域，包括牙齿语义分割（tooth semantic segmentation）、从单张RGB图像进行多对象三维重建（multi-object 3D reconstruction）、正畸过程模拟（orthodontic process simulation）以及条件图像生成（conditional image generation）。

Methods

我们方法的核心思想是条件图像生成（conditional image generation），具体而言，根据输入的治疗前正面微笑照片和代表治疗后牙齿排列的语义分割图，生成治疗后的正面照片。治疗前正面照片可轻松从患者自拍获取，而预期的治疗后对齐牙齿模型可通过正畸模拟算法（orthodontic simulation algorithm）从治疗前未对齐模型计算得出。

Data sets and implementation details

我们收集了225个带有标注牙齿的数字牙科扫描数据及其口内照片，以及5610张正面口内图像（其中3300张已标注）和4330张正面微笑照片（其中2000张已标注）。这些数据来自合作医院。数字牙科扫描分为两组：130个扫描用于构建可变形形状模型（morphable shape models）和牙列模板（tooth-row templates），其余95个扫描用于三维牙齿重建评估。所有扫描中的每颗牙齿均被单独标注。

Discussion

与先前研究相比，本方法具有三大显著优势：首先，解决了先前方法在大牙缝病例中表现不佳的问题，且相比GAN方法能更好保留原始图像中牙齿的细节特征；其次，仅需单张正面微笑照片即可预测正畸后视觉效果，普适性更强；第三，通过双优化框架（dual-optimization framework）实现结构与纹理的解耦处理，显著提升预测结果的临床可控性与视觉真实感。

Conclusion

我们开发了一个预测正畸治疗后牙齿排列及其正面视觉效果的框架。该框架通过区域-边界特征融合模块（region-boundary feature fusion module）提升牙齿语义分割精度，基于参数化牙齿模板（parametric teeth template）实现单图三维牙齿重建，通过正畸模拟优化牙齿排列，并采用语义引导扩散模型（semantic-guided diffusion model）生成高真实感的可视化结果。