一种基于条件扩散模型的正畸治疗后软硬组织协同预测方法、系统及计算机可读存储介质

本发明涉及口腔正畸治疗，具体涉及一种基于条件扩散模型的正畸治疗后软硬组织协同预测方法、系统及计算机可读存储介质，适用于口腔正畸治疗前对治疗后软硬组织变化进行精准预测与可视化模拟。

背景技术：

1、改善侧貌美观是寻求正畸治疗的最常见诉求。正畸治疗通过拔牙后前牙内收及牙槽骨改建间接改善软组织侧貌，但软硬组织变化模式存在高度个体差异，且受唇张力、肌肉活性、种族、年龄等多因素交互影响，导致软组织对硬组织移动的响应呈现复杂的非线性耦合特征。因此，建立可靠的软硬组织变化预测方法，是口腔正畸领域亟待解决的关键临床问题。

2、传统预测方法主要基于经验性软硬组织移动比率，并据此开发了可视化治疗目标软件（如dolphin imaging等）。然而，由于不同个体及部位软硬组织关联性存在差异，且模型中参数固定，其预测准确性受限。多项研究表明，这类软件在下唇和颏部区域的预测误差常超过2 mm。多元回归等统计方法虽在预测精度上优于传统比率法，但仍难以刻画软硬组织之间复杂的非线性空间关系，尤其在唇部区域的预测误差仍较大。三维有限元分析虽能构建个性化面部模型并达到临床可接受的精度，但该方法计算量大、建模复杂，且对锥形束ct（cbct，锥形束计算机断层扫描）数据的数学变换处理耗时、易导致形态畸变，难以在临床实践中广泛应用。

3、近年来，人工智能驱动的软组织预测系统在准确性和效率上展现出潜力。2015年，人工神经网络（ann）首次用于预测拔牙与非拔牙病例的唇曲率变化，其预测精度优于逐步回归分析，但仍依赖头影测量数据，存在标注工作量大、图像信息丢失的局限。2025年，白玉兴教授团队提出的soft-p-cgan模型基于条件生成对抗网络（cgan）验证了图像生成网络用于正畸后侧位片预测的可行性，但仅为非端到端的单组织框架，依赖医生输入硬组织参数、仅输出软组织轮廓，单步生成架构难以刻画硬组织与软组织间的非线性耦合关系。且其样本量小代表性有限，难以推广至复杂病例（如突面畸形病例）。在三维预测方面，tanikawa等结合几何形态测量与神经网络，基于三维摄影数据构建预测模型；park团队采用cgan（条件生成对抗网络）框架以cbct数据为输入，预测准确率达80.8%。然而，这些方法依赖人工标注与复杂三维重建，增加临床负担，且cbct的辐射风险与成本限制了其临床推广。

4、上述现有研究仅预测软组织变化，缺乏软硬组织变化的协同预测。正畸治疗通过牙齿移动及牙槽骨改建间接影响软组织，仅预测软组织变化对治疗计划的指导作用有限。此外，cho等在大样本（887例）中比较ai（人工智能）模型与常规统计方法对44个软硬组织标志点的预测性能，发现常规方法的总体平均误差（1.69 mm）优于ai模型（2.12 mm），ai仅在高变异区域表现更佳。这表明现有ai预测模型仍存在以下不足：一是预测精度有限，尤其在复杂病例的高变异区域（如唇、颏部）误差显著，且小样本导致的训练集偏差进一步限制了泛化性能；二是预测信息不完整，现有模型仅输出软组织轮廓，缺乏对硬组织驱动信息的协同预测，难以直接指导治疗计划。

5、扩散模型（ddpm）为医学图像生成提供了新的技术路径，通过前向加噪与反向去噪过程生成高质量图像，较生成对抗网络（gan）具有训练更稳定、模式崩溃风险低等优势。与生成对抗网络相比，扩散模型通过渐进式去噪过程逐步逼近目标分布，在高维非线性映射的拟合上具有更强的表达能力和更稳定的训练过程，理论上更适合处理突面畸形等复杂病例中软硬组织之间的非线性耦合关系。然而，目前基于条件扩散模型高效准确地生成正畸治疗后软硬组织变化预测图像的研究尚未见报道。

技术实现思路

1、为解决上述现有技术的不足，本发明提供一种基于条件扩散模型的正畸治疗后软硬组织协同预测方法、系统及计算机可读存储介质，旨在通过条件扩散模型的稳定训练与高质量生成能力，结合渐进式去噪机制，实现正畸治疗后软硬组织变化的协同、精准预测。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于条件扩散模型的正畸治疗后软硬组织协同预测方法，包括以下步骤：

4、s1：构建条件扩散生成对抗网络：以正畸治疗前的头颅侧位片为硬组织条件输入，以扩散时间步和错颌类别为辅助条件，构建包含u-net生成器和判别器的条件扩散生成对抗网络；

5、所述生成器包括编码路径、瓶颈层与注意力模块以及解码路径；所述编码路径通过残差下采样模块提取输入图像的多尺度特征；所述瓶颈层与注意力模块通过注意力门控机制对特征进行空间依赖关系建模，使模型聚焦于图像中的关键结构区域；所述解码路径通过上采样恢复空间分辨率，并通过跳跃连接与编码器对应层级的特征图进行通道拼接，同时基于时间步嵌入和错颌类别标签对特征进行自适应调制；

6、所述判别器采用时序条件判别器结构，以预测图像与对应扩散状态图像的拼接结果为输入，结合时间步信息与条件标签进行真假判别；

7、s2：设计总体损失函数：引入对抗损失、内容损失、感知损失及结构相似性损失构建总体损失函数；所述内容损失对预测图像与真实图像之间的像素级一致性进行约束，并对软组织轮廓区域施加加权约束；所述总体损失函数具体表达式如下：

8、lg=ladversarial + 2lcontent + lperceptual + 0.1lssim，

9、式中，lg为总体损失函数，ladversarial为对抗损失、lcontent为内容损失、lperceptual为感知损失、lssim为结构相似性损失；

10、s3：模型训练：以预处理后的治疗前头颅侧位片作为条件输入，对应的治疗后图像作为目标输出，采用渐进式去噪机制对所述条件扩散生成对抗网络进行对抗训练；在训练过程中，生成器基于扩散过程中的噪声状态，结合治疗前图像、时间步信息和类别条件预测反向去噪结果；所述判别器在相同时间步条件下区分真实去噪样本与生成去噪样本，通过对抗训练使生成器学习治疗前硬组织条件与治疗后软硬组织形态变化之间的非线性耦合关系；

11、s4：软硬组织协同预测：将待预测的治疗前头颅侧位片输入训练完成的所述条件扩散生成对抗网络，生成软硬组织协同预测图像，所述预测图像包含治疗后硬组织形态与软组织轮廓形态。

12、所述方法还包括数据采集与预处理步骤：采集头颅侧位片图像，对图像进行配准，提取面下1/3感兴趣区域，进行图像增强和归一化处理，统一图像尺寸。

13、所述数据采集包括：纳入18-40岁对象，骨性ⅰ类及骨性ⅱ类错颌畸形，完成治疗且达到方案设计目标，颅颌面部对称性良好，无既往正畸治疗史、外伤史及手术史的对象；排除严重全身系统病史、发育障碍、综合征、牙列缺损、颅面缺损以及不对称畸形的对象；

14、所述配准为使用配准系统进行定点配准；

15、所述提取面下1/3感兴趣区域为利用yolov8模型识别并裁剪；

16、所述图像增强为直方图均衡化；

17、所述统一图像尺寸为将图像像素尺寸统一为256×256；

18、所述预处理还包括：采用同步增强协议对配准图像对施加相同的空间变换，包括随机旋转、随机比例缩放及随机水平翻转，然后将数据集随机分为训练集、验证集和测试集。

19、所述残差下采样模块通过3×3卷积层进行特征压缩，步长为2，并结合fir（有限冲激响应）滤波核完成下采样。

20、所述时序条件判别器以预测图像与对应扩散状态图像的拼接结果为输入，结合时间步信息与条件标签进行联合判别；网络由一个1×1输入卷积、6个残差下采样模块、一个3×3卷积层和一个全局池化层组成；每个残差下采样模块均采用leakyrelu激活函数，并通过shortcut（旁路）分支完成特征对齐与残差连接，逐步压缩特征图分辨率并提升真假判别能力，最终输出判别结果。

21、所述方法还包括预测结果评估步骤：采用结构相似度、峰值信噪比、平均绝对误差指标评估生成图像质量；通过计算软组织标志点和硬组织标志点的平均径向误差以及成功检出率评估预测精度。

22、一种软硬组织协同预测系统，包括：数据采集模块、数据预处理模块、模型构建模块、损失计算模块、模型训练模块、预测输出模块和评估验证模块；

23、所述数据采集模块用于采集正畸治疗前后的头颅侧位片；

24、所述数据预处理模块用于对头颅侧位片进行配准、面下1/3感兴趣区域裁剪、图像增强和归一化处理；

25、所述模型构建模块用于构建包含 u-net 生成器和时序条件判别器的条件扩散生成对抗网络模型，以治疗前头颅侧位片为硬组织条件输入，以扩散时间步和错颌类别为辅助条件；

26、所述损失计算模块用于引入对抗损失、内容损失、感知损失及结构相似性损失构建总体损失函数；

27、所述模型训练模块用于采用渐进式去噪机制对模型进行对抗训练；

28、所述预测输出模块将待预测的治疗前图像输入训练好的模型，生成软硬组织协同预测图像，所述预测图像包含治疗后硬组织形态与软组织轮廓形态；

29、所述评估验证模块用于对预测结果进行图像质量评估和标志点预测精度评估。

30、优选地，所述预测结果评估具体如下：在骨性ⅰ类错颌畸形和骨性ⅱ类错颌畸形中分别计算11个软组织标志点和6个硬组织标志点的平均径向误差（mre，平均径向误差），并在1.0mm、2.0mm、3.0mm和4.0mm误差范围内计算成功检出率（sdr，成功检出率）。

31、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法。

32、一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述的方法。

33、一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的方法。

34、本发明获得的有益效果是：

35、软硬组织协同预测：本发明突破了现有技术仅能预测软组织变化的局限，实现了正畸治疗后软硬组织变化的协同预测，能够同时输出硬组织标志点位置和软组织轮廓形态，为治疗计划提供更全面的可视化依据。

36、预测精度显著提升：通过条件扩散模型的渐进式去噪机制，模型能够有效学习硬组织变化与软组织形态变化之间的内在非线性耦合关系，综合mae为1.07 mm（iqr：0.63–1.62），显著优于dolphin（2.49 mm）和iortho（2.40 mm）（p<0.05）。骨性ⅰ类与ⅱ类mae分别为1.01 mm和1.14 mm，软/硬组织平均mae分别为1.26±0.42/0.98±0.31 mm和1.38±0.50/1.12±0.35 mm。

37、训练稳定性与生成质量：相较于传统生成对抗网络，条件扩散模型具有训练更稳定、模式崩溃风险低的优势，生成的预测图像具有更高的解剖合理性与视觉真实性，视觉图灵测试平均准确率接近随机水平（49.31%），表明专家难以区分生成图像与真实图像。

38、临床实用性强：本发明基于常规头颅侧位片（二维x线片）即可进行预测，无需cbct等三维影像，避免了辐射风险和额外成本，且无需复杂的人工标注与三维重建，降低了临床使用门槛，有助于提升医患沟通效率、辅助临床教学与病例库建设。

39、多尺度特征融合：通过引入注意力机制，模型能够从粗到细捕获图像的多层次特征，使预测结果在不同解剖尺度上均保持高精度。