Basato su Lu Pingyue, "Ricerca sulla tecnologia di registrazione delle nuvole di punti per sistemi di scansione intraorale", tesi di master, Università di scienza e tecnologia elettronica della Cina, 2023.
Questo articolo riorganizza la tesi attorno a una chiara struttura problema-metodo-esperimento-ingegneria-limitazioni. Si concentra su idee tecniche riutilizzabili per modelli digitali dentali migliori e non valuta alcun dispositivo o soluzione commerciale.
Perché la registrazione della nuvola di punti è più importante della singola-acquisizione di fotogrammi
Uno scanner intraorale cattura solo una piccola superficie locale della dentatura in ogni fotogramma. Per costruire un modello orale digitale completo è necessario trasformare dozzine o addirittura centinaia di queste nuvole di punti locali in un sistema di coordinate comune.
Gli errori di ricostruzione del singolo-frame influiscono principalmente sulla geometria locale. Gli errori di registrazione, tuttavia, si propagano lungo il percorso di scansione. Corrispondenze errate possono produrre doppie immagini, lacune, buchi, spostamenti delle cuspidi o piegamenti progressivi dell'arcata dentale.
La domanda centrale della ricerca è:
Come si possono utilizzare le caratteristiche intrinseche della scena delle nuvole di punti di scansione intraorale per migliorare la classica procedura di registrazione in modo che l'algoritmo si concentri maggiormente sulla regione del dente controllando al tempo stesso il costo computazionale della preelaborazione e della registrazione fine?
La tesi non inventa un nuovo quadro. Migliora la classica pipeline "preelaborazione → registrazione grossolana → registrazione fine → meshing" con quattro modifiche pratiche su misura per la scansione intraorale:
Segmentazione di punti-nuvola + coordinate della fotocamera e distanza del punto di vista per rimuovere il rumore e parte dei punti gengivali
Istogramma della curvatura unidimensionale-per il campionamento-che preserva la funzione-
Ponderazione degli errori basata sul punto di vista-distanza-all'interno dell'ICP da punto-a-piano
Combinazione della distanza euclidea e della distanza caratteristica FPFH per filtrare le corrispondenze sospette
Panoramica della tesi e del progetto
| Articolo | Contenuto |
|---|---|
| Titolo | Ricerca sulla tecnologia di registrazione della nuvola di punti per i sistemi di scansione intraorale |
| Autore | Lu Pingyue |
| Supervisore | Professore associato Lu Guanghui |
| Istituzione e maggiore | Università di Scienza e Tecnologia Elettronica della Cina, Informatica e Tecnologia |
| Anno | 2023 |
| Oggetto | Sistema di scansione intraorale-a luce strutturata |
| Compiti principali | Denoising-della nuvola di punti, down{1}}campionamento, registrazione grossolana, registrazione fine, meshing e prototipo software |
| Algoritmi fondamentali | Crescita della regione, campionamento a intervallo di curvatura-, FPFH, SAC-IA, ICP da punto-a-piano |
| Attuazione | C++11, PCL, OpenCV, VTK, Qt |
| Natura | Tesi di master e prototipo di software sperimentale (nessuna distribuzione del prodotto o versione open-source segnalata) |
Gli esperimenti hanno utilizzato un prototipo di luce strutturata- (fotocamera 1920×1080 a 60 fps, proiettore 1920×1080 a 168 fps). Piattaforma di test: AMD Ryzen 7 5800H, 16 GB di RAM, NVIDIA RTX 3050. I risultati sono convalide a livello di modulo-su nuvole di punti sperimentali, non benchmark di prodotto-in tempo reale completi.
I veri problemi affrontati dal lavoro
1. I punti gengivali possono "registrarsi meglio", ma peggiorano la registrazione dei denti
Le nuvole di punti intraorali contengono denti, gengiva e rumore. Regioni gengivali più grandi e più lisce possono dominare la registrazione dei minimi-quadrati. Clinicamente, tuttavia, le cuspidi, le fosse e le linee marginali contano di più. Preferire aree gengivali ampie può disallineare le superfici occlusali. Le regioni distanti soffrono inoltre maggiormente di errori di calibrazione, rumore di ricostruzione e occlusione. La tesi utilizza un approccio pratico a priori: nella maggior parte delle strutture locali i denti sono più vicini al punto di vista della telecamera rispetto alla gengiva posteriore. Il denoising e la ponderazione ICP si basano su questo presupposto.
2. Le nuvole dense rallentano la registrazione; il downsampling uniforme-perde le caratteristiche dentali
Le tipiche nuvole sperimentali contengono 22 000–28 000 punti. La stima normale diretta, l'FPFH, la ricerca del vicino-più vicino e la registrazione iterativa diventano costose. Il filtraggio Voxel è veloce ma può sottocampionare solchi e spigoli vivi. Il campionamento dello spazio-normale preserva le regioni ad alta-curvatura ma richiede molti contenitori nello spazio normale 3-D. Il campionamento a intervalli della curvatura-riduce l'istogramma a una dimensione, favorendo comunque le aree ricche di funzionalità.
3. L'ICP classico accetta corrispondenze geometricamente vicine ma con caratteristiche-dissimili
Sulle superfici dentali ripetitive, la piccola distanza euclidea non garantisce la corrispondenza della geometria locale. La tesi quindi aggiunge la distanza caratteristica FPFH come secondo filtro durante la registrazione fine.
Metodo 1: Segmentazione + Coordinate della telecamera per estrarre la regione del dente
Conduttura:
rimozione dei valori anomali del raggio → stima normale e curvatura → crescita della regione → vincoli di coordinata della fotocamera- → eliminazione della regione- piccola → mantieni le regioni più vicine
La rimozione del valore anomalo del raggio rimuove il rumore di ricostruzione isolato.
L'adattamento al piano locale-ponderato stima le normali (orientate verso la fotocamera nota) e la curvatura.
L'espansione della regione (vincoli rilassati dell'angolo-normale) sfrutta le interruzioni naturali causate da spazi interdentali, ombre e occlusioni.
I punti vengono trasformati nell'inquadratura della telecamera; le regioni al di fuori di un intervallo 3D effettivo vengono scartate.
Le regioni più piccole del 10% della regione rimanente più grande vengono cancellate; vengono mantenute le due regioni più vicine al punto di vista (per evitare di scartare i denti divisi dalle ombre).
Su quattro nuvole di prova, il denoising ha richiesto 255–335 ms (dominato dalla crescita della regione e dalla stima normale/curvatura). Il ricordo rigoroso della registrazione di 0,2 mm è migliorato in media di circa 20,3 punti percentuali. Limitazione: quando denti e gengiva formano un unico componente connesso, il metodo non può separarli solo mediante la connettività.
Metodo 2: campionamento della curvatura-intervallo
Invece di mantenere semplicemente i punti di curvatura-più alti (che potrebbero trovarsi al di fuori della regione di sovrapposizione), l'intervallo di curvatura è diviso in contenitori e i punti vengono campionati a partire dai contenitori di curvatura alta-mantenendo comunque alcuni punti di curvatura medi- e bassi-. Ciò preserva le funzionalità ma mantiene un supporto comune sufficiente per la registrazione grossolana.
Rispetto al normale-campionamento spaziale, i contenitori di curvatura un-dimensionali si adattano meglio a dimensioni target più grandi:
| Punti target | Voxel | Spazio-normale | Intervallo di curvatura- |
|---|---|---|---|
| 1 000 | 1 ms | 22 ms | 27 ms |
| 3 000 | 1 ms | 47 ms | 32 ms |
| 7 000 | 2 ms | 98 ms | 34 ms |
L'accuratezza della registrazione finale dei tre metodi era simile; il valore principale del campionamento della curvatura è un costo di manutenzione-inferiore pur mantenendo una distorsione delle funzionalità. Il filtraggio Voxel rimane l'opzione più veloce quando è richiesta la massima velocità.
Metodo 3: FPFH + SAC-IA per la registrazione approssimativa
Strategia classica in due-fasi:
Grossa: FPFH (33-dimensionale) + SAC-IA
Bene: punta-al-piano ICP
Il campionamento delle nuvole è stato ridotto-a 5 000 punti. SAC-IA con 100 iterazioni (scelto come compromesso pratico-off) ha registrato una media di ~2,2 s. I vincoli di corrispondenza-reciproca hanno migliorato la precisione; la risoluzione anticipata ha ridotto i tempi ma ha ridotto la stabilità. SAC-IA è quindi più adatto all'inizializzazione, al ripristino dopo la tracciabilità della perdita o all'utilizzo offline piuttosto che alla scansione di ogni frame con frequenza di-frame-elevata.
Metodo 4: fare in modo che l'ICP preferisca corrispondenze dentali affidabili
Ponderazione della distanza-punto di vista
I punti target più vicini alla telecamera ricevono un peso maggiore nell'errore da punto-a-piano. L'obiettivo è un migliore allineamento della regione vicino-del dente (di solito più affidabile) piuttosto che un RMSE complessivo minimo.
Distanza di fusione euclidea + FPFH
Per ciascuna corrispondenza ICP entrambe le distanze vengono calcolate, normalizzate e combinate. Solo la frazione di distanza-fusione-inferiore (stabile nell'intervallo 0,4–0,8) partecipa alla stima della trasformazione-simile nello spirito a Trimmed ICP ma che utilizza anche le informazioni sulle caratteristiche.
Su sei nuvole di prova i miglioramenti combinati hanno aumentato il ricordo di 0,2 mm di circa 7,1 punti percentuali in media. L'RMSE e il richiamo di 0,6 mm non sono migliorati in ogni serie; in alcuni casi la percentuale di corrispondenze ad alta-precisione è aumentata mentre l'RMSE complessivo è aumentato. Il metodo pertanto ottimizza la quota di allineamenti ad alta-precisione anziché ogni metrica contemporaneamente.
Il tempo di esecuzione dell'ICP semplice da punto-a-piano era di 27–45 ms; con vincoli di fusione è salito a 51–126 ms.
Ambito del prototipo del software
Il prototipo implementa:
Preelaborazione (rimozione dei valori anomali, normali/curvatura, crescita della regione, filtraggio delle coordinate, campionamento della curvatura)
Registrazione (FPFH, SAC-IA, punto di vista-ICP ponderato, vincoli di fusione-distanza)
Meshing (filtro voxel, movimento dei minimi quadrati, triangolazione-pivoting della sfera, riparazione non-manifold, riempimento dei fori, ottimizzazione dei bordi, correzione-normale delle facce)
Stack: C++11, Visual Studio 2017, PCL 1.8.1, OpenCV 4.3.0, VTK 8.0.0, Qt 5.12.1, oltre a fotocamera e SDK DLP.
I moduli dimostrati funzionano dall'inizio alla fine-all'-fine su alcuni fotogrammi, ma la frequenza di fotogrammi continua, la latenza dall'inizio all'ultimo-all'-fine, la deriva di sequenze lunghe, il monitoraggio dei tassi di errore/recupero, l'accuratezza assoluta dell'intero arco e il confronto con i modelli di riferimento clinici non sono riportati. Il software è un prototipo di convalida-di un algoritmo, non un sistema in tempo reale-verificato clinicamente.
Valore e limiti
Punti di forza riutilizzabili
I metodi sono strettamente legati ai metodi intraorali reali (denti più vicini alla telecamera, ampie aree gengivali, geometria locale ripetitiva).
I miglioramenti risiedono all'interno di moduli-compresi (crescita della regione, curvatura, FPFH, SAC-IA, ICP) facili da implementare ed eseguire il debug in C++/PCL.
Il richiamo della doppia-soglia (0,6 mm e 0,2 mm) distingue l'adattamento complessivo dall'adattamento locale ad alta-precisione.
Avvertenze
Piccola dimensione del campione (principalmente 4–6 nuvole).
Le priorità geometriche fisse falliscono quando i denti e la gengiva sono collegati o gli angoli di scansione cambiano fortemente.
Il costo SAC-IA (~2,2 s a 5 000 punti/100 iterazioni) preclude l'utilizzo per-frame.
Nessuna ottimizzazione globale, chiusura del ciclo o trattamento di posa-grafico di sequenze lunghe.
Statistiche comparative limitate e nessun modello di verità clinica esterna-.
Appunti pratici di ingegneria per i sistemi di scansione intraorale
Non tutti i punti dovrebbero avere lo stesso peso.Combina la distanza del punto di vista, l'affidabilità della ricostruzione, la stabilità normale, la curvatura, le maschere di riflessione e (se disponibili) le etichette semantiche in un modello di affidabilità multi-fattore.
Mantieni la costosa registrazione globale fuori dal normale ciclo di tracciamento.Utilizza la previsione della posa precedente-+ ICP locale per i frame di routine; espandere la ricerca o passare ai fotogrammi chiave quando la qualità diminuisce; invocare FPFH/SAC-IA/FGR o descrittori appresi solo per il recupero; applica l'ottimizzazione del grafico scorrevole-finestra/loop-chiusura/posa-per sequenze lunghe.
Sposta la valutazione dall'errore a coppie ai parametri clinici-dell'intera gamma.Segnala l'esattezza e la precisione su singoli denti, semi-arcata e-arcata completa, deriva cumulativa, errore della-regione critica (cuspidi, margini, aree di contatto), ripetibilità tra-operatore e inter-percorso, robustezza all'umidità/riflessione/restauri e latenza/memoria dall'-all'-estremità.
Riepilogo
La tesi costruisce una pipeline completa e interpretabile per la registrazione della nuvola di punti intraorali-: rimuove l'interferenza gengivale e del rumore con la segmentazione e i dati a priori della fotocamera, comprime la nuvola con il campionamento a intervalli di curvatura-, ottiene una posa iniziale con FPFH + SAC-IA e perfeziona con punto di vista-ponderato, caratteristica-distanza-punto vincolato-al-piano ICP. I miglioramenti aumentano la percentuale di corrispondenze dei denti ad alta-precisione sui dati testati, evidenziando al tempo stesso le sfide rimanenti relative alla gengiva connessa, ai costi di registrazione-grossolani e alla scala di valutazione limitata.
Da una prospettiva ingegneristica moderna, il lavoro funge da chiara linea di base tradizionale. La sua lezione duratura è che la qualità della registrazione nella scansione intraorale dipende in larga misura dalla corretta definizione di quali punti sono affidabili e quali corrispondenze meritano di influenzare l'ottimizzazione.
Nota sulla fonte
Questo articolo è basato sulla tesi di master di Lu Pingyue del 2023. I numeri sperimentali, i parametri del dispositivo e le conclusioni seguono il testo originale; le dichiarazioni relative ai guadagni di punti percentuali-, all'idoneità-in tempo reale e all'ambito tecnico sono analisi tecniche derivate da tali dati.
Cerchi una scansione intraorale affidabile che fornisca modelli digitali completi-dell'arco?
Sistemi moderni come Aident AI-30 (precisione inferiore o uguale a 10 μm, design ultra-leggero, scansione a colori-veri- senza polvere, esportazione STL/PLY/OBJ aperta) sono progettati proprio per ridurre al minimo i problemi di registrazione e di errori cumulativi discussi sopra e si integrano perfettamente nei flussi di lavoro Scansione → Progettazione → Stampa.
Esplora l'AI-30 e le soluzioni digitali complete suhttps://www.aident3d.com/oppure contattaci per una dimostrazione e un confronto del ROI.
