Rejestracja chmury punktów skanowania wewnątrzustnego: od interferencji dziąseł i pobierania próbek krzywizny po ulepszone ICP

Na podstawie Lu Pingyue, „Badania nad technologią rejestracji chmur punktów w systemach skanowania wewnątrzustnego”, praca magisterska, Uniwersytet Nauki i Technologii Elektronicznej w Chinach, 2023.

Artykuł ten reorganizuje tezę wokół jasnej struktury problem – metoda – eksperyment – ​​inżynieria – ograniczenia. Koncentruje się na pomysłach technicznych wielokrotnego użytku w celu stworzenia lepszych cyfrowych modeli dentystycznych i nie ocenia żadnego komercyjnego urządzenia ani rozwiązania.

Dlaczego rejestracja chmury punktów ma większe znaczenie niż przechwytywanie pojedynczej-klatki

Skaner wewnątrzustny rejestruje w każdej ramce tylko niewielką, lokalną powierzchnię uzębienia. Zbudowanie kompletnego cyfrowego modelu jamy ustnej wymaga przekształcenia dziesiątek, a nawet setek lokalnych chmur punktów we wspólny układ współrzędnych.

Błędy rekonstrukcji-pojedynczej klatki wpływają głównie na lokalną geometrię. Błędy rejestracji rozprzestrzeniają się jednak wzdłuż ścieżki skanowania. Nieprawidłowe powiązania mogą powodować podwójne obrazy, luki, dziury, przesunięcia guzków lub postępujące wyginanie łuku zębowego.

Podstawowe pytanie badawcze brzmi:
W jaki sposób można wykorzystać nieodłączną charakterystykę sceny chmur punktów skanowania wewnątrzustnego w celu ulepszenia klasycznego potoku rejestracji, tak aby algorytm skupiał się bardziej na obszarze zęba, kontrolując jednocześnie koszt obliczeniowy wstępnego przetwarzania i dokładnej rejestracji?

Niniejsza praca nie tworzy nowych ram. Ulepsza klasyczny potok „przetwarzanie wstępne → rejestracja zgrubna → rejestracja precyzyjna → tworzenie siatki” o cztery praktyczne modyfikacje dostosowane do skanowania wewnątrzustnego:

Segmentacja-chmury punktów + współrzędne kamery i odległość punktu widzenia w celu usunięcia szumu i części punktów dziąsłowych

Jedno-jednowymiarowy histogram krzywizny dla-zachowania-próbkowania cech

Ważenie błędów w oparciu o-odległość-punktu widzenia wewnątrz punktu-do-płaszczyzny ICP

Połączenie odległości euklidesowej i odległości cech FPFH w celu filtrowania podejrzanych powiązań

Omówienie tezy i projektu

W eksperymentach wykorzystano prototyp-światła strukturalnego (aparat 1920 × 1080 przy 60 kl./s, projektor 1920 × 1080 przy 168 kl./s). Platforma testowa: AMD Ryzen 7 5800H, 16 GB RAM, NVIDIA RTX 3050. Wyniki to weryfikacja-na poziomie modułu w eksperymentalnych chmurach punktów, a nie pełne testy porównawcze produktów w czasie-czasie rzeczywistym.

Prawdziwe problemy, które rozwiązuje praca

1. Punkty dziąsłowe mogą „rejestrować się lepiej”, ale pogarszać rejestrację zębów
Wewnątrzustne chmury punktów zawierają zęby, dziąsła i hałas. Większe i gładsze obszary dziąseł mogą dominować w rejestracji metodą najmniejszych kwadratów. Jednak klinicznie najważniejsze są guzki, doły i linie brzegowe. Preferowanie dużych obszarów dziąseł może spowodować nieprawidłowe ustawienie powierzchni zgryzowych. Odległe regiony są również bardziej narażone na błędy kalibracji, szumy rekonstrukcji i okluzję. W pracy zastosowano praktyczne założenie: w większości opraw miejscowych zęby znajdują się bliżej punktu widzenia kamery niż dziąsło tylne. Odszumianie i ważenie ICP opierają się na tym założeniu.

2. Gęste chmury spowalniają rejestrację; jednolite pobieranie-próbek powoduje utratę cech uzębienia
Typowe chmury eksperymentalne zawierają punkty 22 000–28 000. Bezpośrednia estymacja normalna, FPFH, wyszukiwanie-najbliższego sąsiada i rejestracja iteracyjna stają się kosztowne. Filtrowanie wokseli jest szybkie, ale może powodować niedostateczne próbkowanie rowków i ostrych krawędzi. Próbkowanie-normalnej przestrzeni pozwala zachować obszary-o dużej krzywiźnie, ale wymaga wielu pojemników w normalnej przestrzeni 3-D. Próbkowanie-z przedziałem krzywizny redukuje histogram do jednego wymiaru, jednocześnie faworyzując obszary bogate w funkcje.

3. Klasyczny ICP akceptuje geometrycznie bliskie, ale charakteryzujące się-różnymi odpowiednikami
Na powtarzalnych powierzchniach zębów mała odległość euklidesowa nie gwarantuje dopasowania lokalnej geometrii. Dlatego też w pracy dodano odległość cech FPFH jako drugi filtr podczas dokładnej rejestracji.

Metoda 1: Segmentacja + współrzędne kamery w celu wyodrębnienia obszaru zęba

Rurociąg:
usuwanie wartości odstających promienia → szacowanie normalnej i krzywizny → powiększanie regionu → wiązania kamery-współrzędnych → usuwanie małego-regionu → zachowanie najbliższych regionów

Usunięcie wartości odstających promienia usuwa izolowany szum rekonstrukcji.

Ważone dopasowanie do płaszczyzny lokalnej-oszacowuje normalne (zorientowane w stronę znanej kamery) i krzywiznę.

Powiększanie obszaru (zrelaksowane ograniczenia-normalnego kąta) wykorzystuje naturalne przerwy spowodowane przestrzeniami międzyzębowymi, cieniami i okluzją.

Punkty przekształcają się w ramkę kamery; regiony poza efektywnym zakresem 3-D są odrzucane.

Skreśla się regiony mniejsze niż 10 % największego pozostałego regionu; dwa obszary najbliżej punktu widzenia są zachowywane (aby uniknąć odrzucania zębów rozdzielonych cieniami).

W czterech chmurach testowych odszumianie trwało 255–335 ms (zdominowane przez wzrost regionu i oszacowanie normalnej/krzywizny). Ścisła pamięć rejestracyjna 0,2 mm poprawiła się średnio o około 20,3 punktu procentowego. Ograniczenie: gdy zęby i dziąsła tworzą jeden połączony element, metoda nie jest w stanie ich rozdzielić wyłącznie na podstawie połączenia.

Metoda 2: Krzywizna-Próbkowanie interwałowe

Zamiast po prostu zachowywać najwyższe-punkty krzywizny (które mogą leżeć poza obszarem nakładania się), zakres krzywizny jest dzielony na przedziały, a punkty są próbkowane, zaczynając od wysokich-przedziałów krzywizny, przy jednoczesnym zachowaniu niektórych środkowych- i niskich-punktów krzywizny. Zachowuje to funkcje, a jednocześnie zapewnia wystarczającą wspólną obsługę rejestracji zgrubnej.

W porównaniu z normalnym próbkowaniem-przestrzeni, jedno-jednowymiarowe pojemniki z krzywizną skalują się lepiej w przypadku większych rozmiarów obiektów docelowych:

Ostateczna dokładność rejestracji trzech metod była podobna; główną wartością próbkowania krzywizny są niższe-koszty konserwacji przy jednoczesnym zachowaniu odchylenia cech. Filtrowanie wokseli pozostaje najszybszą opcją, gdy wymagana jest czysta prędkość.

Metoda 3: FPFH + SAC-IA dla rejestracji zgrubnej

Klasyczna strategia dwuetapowa-:

Zgrubny: FPFH (33-wymiarowy) + SAC-IA

Dobrze: wskaż-na-płaszczyznę ICP

Próbkę chmur zmniejszono-do 5 000 punktów. SAC-IA ze 100 iteracjami (wybranymi jako praktyczny-kompromis) wynosił średnio ~2,2 s. Ograniczenia dotyczące wzajemnej-korespondencji poprawiły dokładność; wcześniejsze zakończenie skraca czas, ale zmniejsza stabilność. Dlatego SAC-IA lepiej nadaje się do inicjalizacji, odzyskiwania po utracie śledzenia lub używania w trybie offline niż do skanowania każdej klatki-z dużą-liczbą klatek.

Metoda 4: Sprawianie, że ICP preferuje wiarygodne powiązania zębów

Punkt widzenia-ważenie odległości
Punkty docelowe znajdujące się bliżej kamery otrzymują większą wagę w przypadku błędu punktu-do-płaszczyzny. Celem jest lepsze wyrównanie (zwykle bardziej niezawodnego) obszaru przyzębnego- niż minimalne ogólne RMSE.

Odległość fuzji euklidesowej + FPFH
Dla każdej korespondencji ICP obie odległości są obliczane, normalizowane i łączone. Tylko dolna część odległości-fuzji- (stabilna w zakresie 0,4–0,8) uczestniczy w estymacji transformacji-podobnie w duchu Trimmed ICP, ale z wykorzystaniem również informacji o cechach.

W sześciu chmurach testowych łączne ulepszenia zwiększyły przywołanie o 0,2 mm średnio o ~7,1 punktu procentowego. Przywołanie RMSE i 0,6 mm nie poprawiło się w każdym zestawie; w niektórych przypadkach wzrósł odsetek korespondencji-o wysokiej precyzji, podczas gdy ogólny RMSE wzrósł. Dlatego metoda optymalizuje udział dopasowań-o wysokiej dokładności, a nie wszystkich danych jednocześnie.

Czas działania zwykłego punktu-do-płaszczyzny ICP wynosił 27–45 ms; przy ograniczeniach termojądrowych wzrósł do 51–126 ms.

Zakres prototypu oprogramowania

W prototypie zaimplementowano:

Przetwarzanie wstępne (usuwanie wartości odstających, normalne/krzywizna, powiększanie obszaru, filtrowanie współrzędnych, próbkowanie krzywizny)

Rejestracja (FPFH, SAC-IA, punkt widzenia-ważony ICP, fuzja-ograniczenia odległości)

Tworzenie siatki (filtrowanie wokseli, metoda najmniejszych kwadratów,-triangulacja obrotowa kuli, naprawa nie-rozmaitości, wypełnianie otworów, optymalizacja krawędzi,-normalna korekcja powierzchni)

Stos: C++11, Visual Studio 2017, PCL 1.8.1, OpenCV 4.3.0, VTK 8.0.0, Qt 5.12.1 plus zestawy SDK aparatu i DLP.

Zademonstrowane moduły działają-od końca-na kilku klatkach, ale nie są raportowane ciągła liczba klatek na sekundę, opóźnienia od końca-do-końca, dryft-długich sekwencji, współczynniki błędów śledzenia/odzyskiwania, absolutna dokładność pełnego-łuku ani porównania z klinicznymi modelami referencyjnymi. Oprogramowanie jest prototypem algorytmu-do sprawdzania poprawności, a nie klinicznie zweryfikowanym systemem-czasu rzeczywistego.

Wartość i ograniczenia

Mocne strony wielokrotnego użytku

Metody są ściśle powiązane z rzeczywistymi aparatami wewnątrzustnymi (zęby bliżej aparatu, duże obszary dziąseł, powtarzalna lokalna geometria).

Ulepszenia pozostają w dobrze-zrozumianych modułach (rozwój regionu, krzywizna, FPFH, SAC-IA, ICP), które można łatwo wdrożyć i debugować w C++/PCL.

Podwójny-próg przypominania (0,6 mm i 0,2 mm) pozwala odróżnić dopasowanie ogólne od-precyzyjnego dopasowania lokalnego.

Zastrzeżenia

Mała wielkość próby (głównie 4–6 chmur).

Ustalone priorytety geometryczne zawodzą, gdy zęby i dziąsła są połączone lub kąty skanowania silnie się zmieniają.

Koszt SAC-IA (~2,2 s w 5 000 punktach / 100 iteracji) wyklucza wykorzystanie-ramki.

Żadnych globalnych optymalizacji, zamykania pętli ani traktowania długich sekwencji za pomocą wykresów-pozycji.

Ograniczone statystyki porównawcze i brak zewnętrznych-modeli prawdy klinicznej.

Praktyczne wskazówki inżynieryjne dotyczące systemów skanowania wewnątrzustnego

Nie każdy punkt powinien mieć taką samą wagę.Połącz odległość punktu widzenia, pewność rekonstrukcji, normalną stabilność, krzywiznę, maski odbicia i (jeśli są dostępne) etykiety semantyczne w wielo-czynnikowy model niezawodności.

Trzymaj kosztowną rejestrację globalną poza normalną pętlą śledzenia.Użyj przewidywania-poprzedniej pozycji + lokalnego ICP w przypadku rutynowych klatek; rozwiń wyszukiwanie lub przełącz się na klatki kluczowe, gdy jakość spadnie; wywoływać FPFH/SAC-IA/FGR lub wyuczone deskryptory tylko w celu odzyskania; zastosuj optymalizację przesuwanego-okna / pętli-zamknięcia / pozy-wykresu dla długich sekwencji.

Przenieś ocenę z błędu parami na pełne-pełne wskaźniki kliniczne.Raportuj prawidłowość i precyzję pojedynczych zębów, połowy-łuku i pełnego-łuku, skumulowany dryft, błąd-w obszarze krytycznym (guzki, brzegi, obszary kontaktowe), powtarzalność między-operatorami i-ścieżkami, odporność na wilgoć/odbicia/odbudowy oraz opóźnienie/pamięć od końca-do{6}}końca.

Streszczenie

W ramach pracy konstruowano kompletny, możliwy do interpretacji proces rejestracji-chmury punktów w jamie ustnej: usuń zakłócenia dziąseł i szumu za pomocą segmentacji i ustawień kamery, skompresuj chmurę za pomocą próbkowania-interwałów krzywizny, uzyskaj początkową pozę za pomocą FPFH + SAC-IA i udoskonalaj za pomocą-ważonego punktu widzenia i ograniczonego-funkcją-odległości wskazują-na-płaszczyznę ICP. Ulepszenia zwiększają odsetek-precyzyjnych zgodności zębów w testowanych danych, jednocześnie podkreślając pozostałe wyzwania związane z połączonym dziąsłem, grubym-kosztem rejestracji i ograniczoną skalą oceny.

Z nowoczesnego punktu widzenia inżynierii praca ta stanowi wyraźny, tradycyjny punkt odniesienia. Płynąca z tego lekcja jest taka, że ​​jakość rejestracji w skanowaniu wewnątrzustnym zależy w dużej mierze od prawidłowego określenia, które punkty są godne zaufania i które powiązania zasługują na wpływ na optymalizację.

Notatka źródłowa
Ten artykuł powstał na podstawie pracy magisterskiej Lu Pingyue z 2023 roku. Liczby eksperymentalne, parametry urządzenia i wnioski są zgodne z tekstem oryginalnym; Stwierdzenia dotyczące-zysku punktów procentowych, przydatności-w czasie rzeczywistym i zakresu inżynierii są analizami technicznymi wyprowadzonymi na podstawie tych danych.

Szukasz niezawodnego skanowania wewnątrzustnego, które zapewnia dokładne cyfrowe modele-łuku?
Nowoczesne systemy, takie jak Aident AI-30 (dokładność mniejsza lub równa 10 μm, ultra-lekka konstrukcja,-bezpudrowe skanowanie w prawdziwych-kolorach, otwarty eksport STL/PLY/OBJ) zostały zaprojektowane precyzyjnie tak, aby zminimalizować omówione powyżej problemy z rejestracją i skumulowanymi błędami oraz bezproblemowo integrować się z przepływami pracy Skanowanie → Projektowanie → Drukowanie.

Poznaj AI-30 i kompletne rozwiązania cyfrowe na stroniehttps://www.aident3d.com/lub skontaktuj się z nami, aby uzyskać demonstrację i porównanie ROI.