Регистриране на интраорален облак от точки за сканиране: от смущения на венците и вземане на проби от кривина до подобрен ICP

Въз основа на Lu Pingyue, „Изследване на технологията за регистриране на облак от точки за системи за интраорално сканиране“, магистърска теза, Университет за електронни науки и технологии на Китай, 2023 г.

Тази статия реорганизира тезата около ясна структура проблем–метод–експеримент–инженерство–ограничения. Той се фокусира върху технически идеи за многократна употреба за по-добри дентални цифрови модели и не оценява никакви търговски устройства или решения.

Защо регистрацията в Point Cloud е по-важна от заснемането на един-кадър

Интраорален скенер улавя само малка локална повърхност на зъбната редица във всеки кадър. Изграждането на пълен цифров устен модел изисква трансформиране на десетки или дори стотици от тези локални облаци от точки в обща координатна система.

Грешките при реконструкцията на един-кадър засягат главно локалната геометрия. Грешките при регистрация обаче се разпространяват по пътя на сканиране. Грешните съответствия могат да доведат до двойни изображения, празнини, дупки, изместване на ръба или прогресивно огъване на зъбната дъга.

Основният изследователски въпрос е:
Как могат да се използват присъщите характеристики на сцената на облаците от точки за интраорално сканиране, за да се подобри класическият регистрационен тръбопровод, така че алгоритъмът да се фокусира повече върху областта на зъба, като същевременно контролира изчислителните разходи за предварителна обработка и фина регистрация?

Тезата не измисля нова рамка. Той подобрява класическия тръбопровод „предварителна обработка → груба регистрация → фина регистрация → зацепване“ с четири практични модификации, пригодени за интраорално сканиране:

Сегментиране на-облак от точки + координати на камерата и разстояние на гледната точка за премахване на шума и част от гингивалните точки

Едномерна-хистограма на кривината за функция-запазване-извадка

Тегло на-разстояние-от гледна точка-към-равнина ICP

Комбинация от евклидово разстояние и FPFH функция разстояние за филтриране на подозрителни съответствия

Теза и преглед на проекта

Експериментите използваха структуриран -светлинен прототип (камера 1920×1080 @ 60 fps, проектор 1920×1080 @ 168 fps). Тестова платформа: AMD Ryzen 7 5800H, 16 GB RAM, NVIDIA RTX 3050. Резултатите са валидиране на-ниво на модул върху експериментални облаци от точки, а не пълни-сравнителни тестове за продукти в реално време.

Истинските проблеми, адресирани от работата

1. Гингивалните точки могат да се „регистрират по-добре“, но да направят зъбите по-лоши
Интраоралните точкови облаци съдържат зъби, венци и шум. По-големите, по-гладки области на венците могат да доминират при регистрацията с най-малки-квадрати. Клинично обаче куспидите, ямките и маргиналните линии са най-важни. Предпочитането на големи гингивални зони може да измести оклузалните повърхности. Отдалечените региони също страдат повече от грешка при калибриране, шум при реконструкция и оклузия. Дипломната работа използва практическа предпоставка: в повечето локални кадри зъбите са по-близо до гледната точка на камерата, отколкото задната гингива. Демонтажът и претеглянето на ICP са изградени около това предположение.

2. Плътните облаци забавят регистрацията; равномерно надолу-вземането на проби губи зъбни характеристики
Типичните експериментални облаци съдържат 22 000–28 000 точки. Директната нормална оценка, FPFH, търсенето на най-близкия-съсед и итеративната регистрация стават скъпи. Филтрирането на воксели е бързо, но може да семплира под бразди и остри ръбове. Вземането на проби от нормално-пространство запазва региони с висока-кривина, но изисква много контейнери в 3-D нормално пространство. Извадката-интервал на кривината намалява хистограмата до едно измерение, като същевременно предпочита области с богати на функции.

3. Класическият ICP приема геометрично близки, но отличаващи-различни съответствия
При повтарящи се зъбни повърхности малкото евклидово разстояние не гарантира съвпадение на локалната геометрия. Следователно тезата добавя FPFH характеристика разстояние като втори филтър по време на фина регистрация.

Метод 1: Сегментиране + Координати на камерата за извличане на областта на зъба

Тръбопровод:
премахване на извънредни стойности на радиус → оценка на нормална и кривина → нарастване на региона → камера-координатни ограничения → малък-изтриване на регион → запазване на най-близките региони

Премахването на извънредните стойности на радиуса премахва изолирания шум при реконструкцията.

Напасването на претеглената локална{0}}равнина оценява нормали (ориентирани към известната камера) и кривина.

Разрастването на региона (отслабени нормални-ъглови ограничения) използва естествени прекъсвания, причинени от междузъбни пространства, сенки и оклузия.

Точките се трансформират в рамката на камерата; региони извън ефективен 3-D диапазон се отхвърлят.

Региони, по-малки от 10 % от най-големия оставащ регион, се изтриват; двете най-близки области до гледната точка се запазват (за да се избегне изхвърлянето на зъби, разделени от сенки).

На четири тестови облака премахването на шума отне 255–335 ms (доминирано от нарастване на региона и оценка на нормална/кривина). Стриктното припомняне на регистрация от 0,2 mm се подобрява средно с приблизително 20,3 процентни пункта. Ограничение: когато зъбите и гингивата образуват един свързан компонент, методът не може да ги раздели само чрез свързаност.

Метод 2: Кривина-Интервално вземане на проби

Вместо просто да се запазят най-високите-точки на кривина (които може да се намират извън областта на припокриване), обхватът на кривина е разделен на интервали и точките се вземат за извадка, започвайки от сегменти с висока-кривина, като все още се запазват някои средни- и ниски-точки на кривина. Това запазва функциите, но запазва достатъчно обща поддръжка за груба регистрация.

В сравнение с нормалното-пространствено вземане на проби,-едномерните контейнери за кривина се мащабират по-добре при по-големи целеви размери:

Точността на крайната регистрация на трите метода беше сходна; основната стойност на вземането на проби от кривина е по-ниска цена-за поддръжка, като същевременно се запазва отклонението на характеристиките. Филтрирането на воксели остава най-бързата опция, когато се изисква чиста скорост.

Метод 3: FPFH + SAC-IA за груба регистрация

Класическа дву{0}}етапна стратегия:

Груб: FPFH (33-дименсионален) + SAC-IA

Добре: точка-към-равнина ICP

Облаците бяха намалели-до 5 000 точки. SAC-IA със 100 итерации (избрани като практически компромис-) е средно ~2,2 s. Ограниченията за взаимно-съответствие подобрена точност; ранното прекратяване намалява времето, но намалява стабилността. Следователно SAC-IA е по-подходящ за инициализация, възстановяване след загуба на проследяване или използване офлайн, отколкото за всеки кадър на сканиране с висока-кадрова-скорост.

Метод 4: Направете ICP Prefer надеждни съответствия на зъбите

Претегляне на разстояние-от гледна точка
Целевите точки, които са по-близо до камерата, получават по-висока тежест при грешката от точка-до-равнина. Целта е по-добро подравняване на (обикновено по-надеждна) област близо до-зъба, а не минимална обща RMSE.

Евклидово + FPFH разстояние на синтез
За всяко ICP съответствие и двете разстояния се изчисляват, нормализират и комбинират. Само по-ниската -фракция-разстояние на сливане (стабилна в диапазона 0,4–0,8) участва в оценката на трансформацията-подобна по дух на съкратената ICP, но използваща и информация за характеристиките.

При шест тестови облака комбинираните подобрения повишиха припомнянето на 0,2 mm средно с ~7,1 процентни пункта. RMSE и 0,6 mm припомняне не се подобряват при всеки комплект; в някои случаи делът на съответствията с висока -прецизност се увеличи, докато общата RMSE се повиши. Следователно методът оптимизира дела на подравняванията с висока-точност, а не всеки показател едновременно.

Времето на изпълнение на ICP от обикновена точка-до-равнина беше 27–45 ms; с ограничения на термоядрения синтез се повиши до 51–126 ms.

Обхват на софтуерния прототип

Прототипът изпълнява:

Предварителна обработка (премахване на отклонения, нормали/кривина, нарастване на региона, филтриране на координати, вземане на проби от кривина)

Регистрация (FPFH, SAC-IA, гледна точка-претеглен ICP, термоядрени-ограничения на разстоянието)

Мрежа (филтриране на воксели, движещи се най-малки квадрати, сферична-завъртаща се триангулация, не-поправка на колектора, запълване на дупки, оптимизация на ръба, лицева-нормална корекция)

Стек: C++11, Visual Studio 2017, PCL 1.8.1, OpenCV 4.3.0, VTK 8.0.0, Qt 5.12.1, плюс SDK за камера и DLP.

Демонстрираните модули работят от-до-край на няколко кадъра, но не се отчита непрекъсната честота на кадрите, от-до-закъснение от край-до-край, дълго-отместване на последователността, проследяване на нивата на отказ/възстановяване, пълна-абсолютна точност и сравнение с клинични референтни модели. Софтуерът е прототип-за валидиране на алгоритъм, а не клинично проверена система-в реално време.

Стойност и ограничения

Силни страни за многократна употреба

Методите са тясно свързани с реални интраорални предишни (зъби по-близо до камерата, големи гингивални области, повтаряща се локална геометрия).

Подобренията остават в добре-разбрани модули (разрастване на региона, кривина, FPFH, SAC-IA, ICP), които са лесни за внедряване и отстраняване на грешки в C++/PCL.

Двойният-праг на припомняне (0,6 mm и 0,2 mm) отличава цялостното прилягане от високо{3}}прецизното локално прилягане.

Предупреждения

Малък размер на пробата (предимно 4–6 облака).

Фиксираните геометрични предварителни настройки се провалят, когато зъбите и гингивата са свързани или ъглите на сканиране се променят силно.

Разходите за SAC-IA (~2,2 s при 5 000 точки / 100 итерации) изключват използването на-кадър.

Без глобална оптимизация, затваряне на цикъл или обработка на -графиката на пози на дълги последователности.

Ограничени сравнителни статистически данни и липса на външни клинични{0}}модели на истината.

Практически инженерни изводи за системи за интраорално сканиране

Не всяка точка трябва да има еднаква тежест.Комбинирайте разстояние от гледна точка, достоверност на реконструкцията, нормална стабилност, кривина, отражателни маски и (когато са налични) семантични етикети в много-модел за надеждност.

Пазете скъпата глобална регистрация извън нормалния цикъл на проследяване.Използвайте предсказване на предишна-поза + локален ICP за рутинни кадри; разширете търсенето или превключете към ключови кадри, когато качеството спадне; извикване на FPFH/SAC-IA/FGR или научени дескриптори само за възстановяване; прилагане на плъзгащ се{3}}прозорец/цикъл-затваряне/поза-оптимизиране на графиката за дълги последователности.

Преместете оценката от грешка по двойки към клинични показатели с пълна-арка.Докладвайте за вярност и прецизност на единични зъби, половин-арка и пълна-арка, кумулативен дрейф, грешка в критична-област (издатини, граници, контактни зони), повторяемост на-оператора и между-пътека, устойчивост на влага/отражение/възстановявания и латентност/памет от край-до-край.

Резюме

Дипломната работа конструира пълен, интерпретируем тръбопровод за регистриране на интраорален точков-облак: премахване на гингивални и шумови смущения със сегментиране и предишни камери, компресиране на облака с кривина-интервално вземане на проби, получаване на първоначална поза с FPFH + SAC-IA и прецизиране с гледна точка-претеглено, функция-разстояние-ограничено точка-към-равнина ICP. Подобренията повишават дела на високо{10}}прецизните съответствия на зъбите върху тестваните данни, като същевременно подчертават оставащите предизвикателства на свързаната гингива, грубите-разходи за регистрация и ограничената скала за оценка.

От съвременна инженерна гледна точка работата служи като ясна традиционна базова линия. Неговият траен урок е, че качеството на регистрация при интраорално сканиране зависи в голяма степен от правилното определяне на това кои точки са надеждни и кои съответствия заслужават да повлияят на оптимизацията.

Бележка към източника
Тази статия се основава на магистърската теза на Lu Pingyue от 2023 г. Експерименталните числа, параметрите на устройството и заключенията следват оригиналния текст; изявленията за процент-набиране на точки,-пригодност в реално време и инженерен обхват са технически анализи, извлечени от тези данни.

Търсите надеждно интраорално сканиране, което предоставя точни дигитални модели на пълна{0}}арка?
Модерни системи като Aident AI-30 (По-малка или равна на 10 μm точност, ултра-олекотен дизайн, -без прах-цветно сканиране, отворено STL/PLY/OBJ експортиране) са проектирани прецизно да минимизират проблемите с регистрацията и кумулативните грешки, обсъдени по-горе, и да се интегрират безпроблемно в работните потоци Сканиране → Дизайн → Печат.

Разгледайте AI-30 и цялостни цифрови решения наhttps://www.aident3d.com/или се свържете с нас за демонстрация и сравнение на ROI.