买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京大学口腔医学院申请的专利一种基于生成对抗网络的三维牙槽骨缺损修复模拟方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118736120B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410815124.9，技术领域涉及：G06T17/00；该发明授权一种基于生成对抗网络的三维牙槽骨缺损修复模拟方法是由祝宁;张可欣;张宇设计研发完成，并于2024-06-24向国家知识产权局提交的专利申请。

本一种基于生成对抗网络的三维牙槽骨缺损修复模拟方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的三维牙槽骨缺损修复模拟方法，包括S1、收集患者的牙槽骨CT扫描数据、口腔动态压力图、咬合力数据和相关生物标志物信息；S2、生成具有生物力学特性的详细三维牙槽骨模型；S3、设计一个生成对抗网络模型；S4、使用步骤S2中生成的三维牙槽骨模型和真实牙槽骨损伤数据及生物力学数据训练生成对抗网络，生成与实际情况相符的三维牙槽骨损伤模型；S5、基于步骤S4中生成的三维牙槽骨损伤模型，模拟不同的修复材料和技术生成多个修复方案模型；S6、选择最优的修复方案。本发明中的三维牙槽骨模型提供了更全面、更精确的牙槽骨结构信息，有助于医生更准确地了解牙槽骨的损伤情况。

本发明授权一种基于生成对抗网络的三维牙槽骨缺损修复模拟方法在权利要求书中公布了：1.一种基于生成对抗网络的三维牙槽骨缺损修复模拟方法，其特征在于，包括以下步骤：S1、收集患者的牙槽骨CT扫描数据、口腔动态压力图、咬合力数据和相关生物标志物信息，构建的初步三维牙槽骨模型；S2、使用基于深度学习的多模态融合算法处理初步三维牙槽骨模型，通过特征级融合技术整合不同类型的生物医学信息，生成具有生物力学特性的详细三维牙槽骨模型；S3、设计一个包含生成器和判别器的生成对抗网络模型，生成器负责生成三维牙槽骨的损伤模型和修复模型，判别器则负责评估生成的损伤模型和修复模型与真实牙槽骨损伤数据的匹配程度；S4、使用步骤S2中生成的三维牙槽骨模型和真实牙槽骨损伤数据及生物力学数据训练生成对抗网络，生成与实际情况相符的三维牙槽骨损伤模型；S5、基于步骤S4中生成的三维牙槽骨损伤模型，模拟不同的修复材料和技术生成多个修复方案模型；S6、通过判别器评估各修复方案模型的实用性和生物兼容性，选择最优的修复方案；所述S1具体包括以下步骤：S11、通过CT设备获取患者的牙槽骨CT扫描数据，获取步骤包括：患者保持稳定姿势，进行全口腔扫描，生成包括多层面断层图像的三维数据集DCT；S12、对三维数据集DCT进行预处理：使用高斯滤波器去除噪声： 其中，Ix,y为原始CT图像，σ为滤波器标准差，k为滤波器核半径；采用直方图均衡化技术提高图像对比度： 其中，L为灰度级数，N为像素总数，hi为灰度级i的累计直方图；应用Canny边缘检测算法提取牙槽骨的边界轮廓： 其中，Gx和Gy分别为图像在x轴和y轴上的梯度，G为梯度幅值，θ为梯度方向；S13、通过口腔压力传感器在不同咬合状态下记录压力分布，获取患者的口腔动态压力图Pdyn：在患者口腔内布置多个微型压力传感器，传感器阵列的分布表示为Sx,y，其中x和y为传感器的位置坐标；记录患者在静态和动态咬合过程中每个传感器的数据，生成压力分布图Pdynt，表示为： 其中，n为传感器数量，ft为时间t上的压力函数；S14、通过电子咬合仪器在多次咬合试验中获取患者的咬合力数据Foccl：让患者咬合在电子咬合传感器上，记录每次咬合过程中不同牙齿位置的力矩和总力，力矩表示为：Mi＝ri×Fi；其中，ri为力臂长度，Fi为作用力；平均多次试验结果，生成咬合力分布图Focclx,y： 其中，N为试验次数；S15、采集患者的生物标志物信息Bbio，包括骨密度Bdensity、骨代谢标志物Bmetabolism和炎症因子Binflammation：通过双能X线吸收法测量骨密度，骨密度的测量公式为： 其中，Mbone为骨的质量，Vbone为骨的体积；通过血液化验检测骨代谢标志物和炎症因子水平，检测值分别表示为骨代谢标志物Bmetabolism和炎症因子Binflammation；S16、将CT扫描数据DCT、动态压力图Pdyn、咬合力数据Foccl和生物标志物信息Bbio输入至三维建模软件，生成初步的三维牙槽骨模型Minit：使用CT数据构建基础三维几何模型，模型表示为Mgeox,y,z；将动态压力图和咬合力数据映射到三维模型的相应位置，形成具有动态生物力学特性的模型Mbiox,y,z： 根据生物标志物信息调整模型的材质属性，使其反映真实的生物力学特性，模型材质属性表示为Abiox,y,z：Abiox,y,z＝fBdensity,Bmetabolism,Binflammation；将处理后的几何模型、动态生物力学特性和材质属性结合，生成初步的三维牙槽骨模型：Minitx,y,z＝Mgeox,y,z+α·Mbiox,y,z+β·Abiox,y,z；其中，α和β为融合系数，用于调节几何、力学和材质属性的权重；所述S2包括以下步骤：S21、使用基于深度学习的多模态融合算法对初步三维牙槽骨模型Minit进行优化，利用特征级融合技术融合来自不同数据源的特征向量，特征向量Vfusion表示为：Vfusion＝[DCT,Pdyn,Foccl,Bbio]；S22、使用改进的卷积神经网络提取和融合多模态特征：设计一个多输入的卷积神经网络架构，每个输入对应一种类型的数据，分别为CT扫描数据DCT、动态压力图Pdyn、咬合力数据Foccl和生物标志物信息Bbio；对于每种类型的数据，构建单独的卷积层和池化层进行特征提取：VCT＝CNNCTDCT；Vdyn＝CNNdynPdyn；Voccl＝CNNocclFoccl；Vbio＝CNNbioBbio；其中，VCT、Vdyn、Voccl、Vbio分别为各数据类型的特征向量；引入跨模态注意力机制用于在不同模态特征之间进行信息交互：Vcross_attn＝CrossAttentionVCT,Vdyn,Voccl,Vbio；其中，CrossAttention表示跨模态注意力机制，通过计算每种特征向量之间的相关性，公式为： 其中，Q、K、V分别为查询、键、值向量，dk为键向量的维度；通过多头跨模态注意力机制提升特征表示的准确性：MultiHeadCrossQ,K,V＝[head1,head2,…,headh]WO；其中，WO为输出权重矩阵，为查询、键、值向量的权重矩阵；对融合特征进行特征增强，采用自监督学习方法生成辅助特征任务，通过联合训练和辅助特征任务的损失函数结合牙槽骨的生物力学特性和解剖结构： 其中，为自监督学习生成的特征表示，Vfusion为实际特征表示，ui为仿真模型的节点位移向量，为真实数据中的节点位移向量，λ为正则化系数，∈为防止分母为零的微小值；使用全连接层对融合特征向量进行进一步处理，生成综合特征表示为Vcombined：Vcombined＝FCVcross_attn；其中，FC为全连接层；将综合特征表示输入到后续的卷积层中，生成最终的三维牙槽骨模型Mdetailedx,y,z：Mdetailedx,y,z＝CNNcombinedVcombined；其中，CNNcombinedVcombined为综合特征处理后的三维模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京大学口腔医学院，其通讯地址为：100044 北京市海淀区中关村南大街22号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。