System, method and electronic device for correcting teeth

Abstract

A system (100), a method and an electronic apparatus for correcting teeth are provided. A computing device (120) coupled to an intraoral scanner (110) obtains, from the intraoral scanner (110), initial posture data for a plurality of teeth included in a current correcting phase, the current correcting phase including a starting phase, a target intermediate phase selected, or a final phase, wherein each intermediate phase has experienced at least one correction; obtains an identifier of each dental position determined based on the initial posture data, wherein each dental position includes a toothed dental position or a toothless dental position; obtains a combination of dental positions to be corrected, wherein the combination of dental positions to be corrected includes a combination of dental position identifiers for two or more teeth among the plurality of teeth selected from the identifier of each dental position; and determines, based on the initial posture data and the combination of dental positions to be corrected, target posture data for the current correcting phase using a trained deep learning network.

Description

SYSTEM, METHOD AND ELECTRONIC DEVICE FOR CORRECTING TEETHFIELD

[0001] Embodiments of the present disclosure mainly relate to the field of teeth correction, and more specifically, to a system and method for correcting teeth.BACKGROUND

[0002] In the medical field of orthodontics, nowadays, the dentist needs to design a target dentition posture at the final phase of orthodontics for patients, and the patients also want to know the effects of the orthodontic treatment. It is an important link for doctor-patient communication to display the target dentition posture of orthodontics to patients and dentists. Currently, the design of the orthodontic treatment scheme is basically completed by orthodontists who have received extensive professional training. The operations involved are complicated and the efficiency is low.

[0003] In recent year, “orthodontic simulation” , based on the computer algorithms, is a function valued by various major companies manufacturing the oral medical devices. However, the conventional orthodontic simulation algorithms usually are not “real” enough, and patients often complain about the inconsistency between the target dentition posture calculated by the algorithms and the real effects of the orthodontic treatment. The main reason for the clients’ complaints is that the orthodontic target dentition posture provided by the algorithm is monotonous, and the teeth arrangement method lacks flexibility. For example, the teeth arrangement could not be performed for aesthetic purpose and instead can only be performed for all teeth of the patient.SUMMARY

[0004] According to one aspect of the present disclosure, there is provided a system for correcting teeth. The system comprises an intraoral scanner; and a computing device coupled to the intraoral scanner. The computing device is configured to: obtain, from the intraoral scanner, initial posture data for a plurality of teeth included in a current correcting phase, the current correcting phase including a starting phase without any corrections, a target intermediate phase selected from a plurality of intermediate phases, or a final phase after experiencing the plurality of intermediate phases, wherein each intermediate phase of the plurality of intermediate phases has experienced at least one correction; obtain an identifier of each dental position determined based on the initial posture data, wherein each dental position includes a toothed dental position or a toothless dental position; obtain a combination of dental positions to be corrected, wherein the combination of dental positions to be corrected includes: for two or more teeth among the plurality of teeth, a combination of dental position identifiers selected from the identifier of each dental position; and determine, based on the initial posture data and the combination of dental positions to be corrected, target posture data for the current correcting phase using a trained deep learning network.

[0005] In some embodiments, in the case that there is a void at the toothless dental position, the identifier for the toothless dental position includes an identifier of a dental position symmetric with the toothless dental position; or in the case that the toothless dental position is occupied by an adjacent tooth, the identifier for the toothless dental position includes an identifier of the adjacent tooth.

[0006] In some embodiments, the combination of dental positions to be corrected includes, for at least one dental arch of an upper dental arch and / or a lower dental arch, at least one of: six teeth including four front teeth and two canine teeth; eight teeth including four front teeth, two canine teeth, one left premolar tooth and one right premolar tooth; ten teeth including four front teeth, two canine teeth and four premolar teeth; twelve teeth including four front teeth, two canine teeth, four premolar teeth, one left posterior molar tooth and one right posterior molar tooth; or all fourteen teeth except for two wisdom teeth.

[0007] In some embodiments, the number of the toothless dental position is smaller than five; and the toothed dental position does not include a dental position for a wisdom tooth.

[0008] In some embodiments, the deep learning network is trained through following operations of: for a target correcting phase, determining, based on training data, first feature encoding information for a target dental position in a pre-correction dental arch, wherein the first feature encoding information includes association information between at least two points on point cloud of the target dental position and the target correcting phase includes the starting phase, the target intermediate phase or the final phase; determining, based on the first feature encoding information, second feature encoding information indicating association information between the target dental position and all dental positions other than the target dental position; determining, based on the second feature encoding information, predicted posture information for the target dental position during the target correcting phase; and adjusting the deep learning network based on the predicted posture information predicted by a network and reference posture information for the target correcting phase as planned by a dentist, to improve prediction accuracy.

[0009] In some embodiments, the first feature encoding information is determined based on the following two items including: local feature encoding information of the target dental position, and orthodontic dentition encoding information for a dental arch where the target dental position is located, wherein the orthodontic dentition encoding information indicates encoding information of dentition sequence corrected on the dental arch where the target dental position is located.

[0010] In some embodiments, the first feature encoding information is further determined based on global feature encoding information of a dental arch where the target dental position is located, wherein the first feature encoding information further includes, as the global feature encoding information, association information between at least two points on point cloud of the dental arch where the target dental position is located, or the first feature encoding information is further determined based on dento-jaw information encoding information, wherein the dento-jaw information encoding information is used for distinguishing an upper dental arch from a lower dental arch.

[0011] In some embodiments, the deep learning network includes a plurality of network units, and the plurality of network units are each configured to predict predicted posture information for each target dental position during one of target correcting phases.

[0012] In some embodiments, the predicted posture information includes posture vector information of rotation and translation predicted by the deep learning network and the reference posture information includes posture vector information of rotation and translation that is calculated based on a three-dimensional model of the target dental position before teeth arrangement and a reference three-dimensional model after teeth arrangement as planned by a dentist; or the predicted posture information includes first target point cloud information for the target dental position predicted by the deep learning network, and the reference posture information includes second target point cloud information for the target dental position annotated by a dentist.

[0013] In some embodiments, the training data do not include, for the final stage, at least one of:data indicating a gap between adjacent teeth; data indicating presence of prepared tooth; data indicating at least one tooth correction error; data indicating abnormal occlusion; and data indicating malocclusion. The abnormal occlusion data include: at least one or more of: underbite, deep overbite, deep coverage and excessive open jaw etc.

[0014] In accordance with some embodiments of the present disclosure, there is provided a method for correcting teeth. The method comprises: obtaining from an intraoral scanner initial posture data for a plurality of teeth included in a current correcting phase, the current correcting phase including a starting phase without any corrections, a target intermediate phase selected from a plurality of intermediate phases, or a final phase after experiencing the plurality of intermediate phases, wherein each intermediate phase of the plurality of intermediate phases has experienced at least one correction; obtaining an identifier of each dental position determined based on the initial posture data, wherein each dental position includes a toothed dental position or a toothless dental position; obtaining a combination of dental positions to be corrected, wherein the combination of dental positions to be corrected includes a combination of dental position identifiers for two or more teeth among the plurality of teeth selected from the identifier of each dental position; and determining, based on the initial posture data and the combination of dental positions to be corrected, target posture data for the current correcting phase using a trained deep learning network. For example, in order to obtain the initial posture data (e.g., initial point cloud data) of a plurality of teeth of the upper and lower dental arches, the point cloud data of each tooth and the initial posture data of a plurality of teeth may be obtained using a teeth segmentation algorithm based on the scanning data.

[0015] In some embodiments, in case that there is a void at the toothless dental position, the identifier for the toothless dental position includes an identifier of a dental position symmetric with the toothless dental position; or in case that the toothless dental position is occupied by an adjacent tooth, the identifier for the toothless dental position includes an identifier of the adjacent tooth.

[0016] In some embodiments, the combination of dental positions to be corrected includes, for at least one dental arch of an upper dental arch and / or a lower dental arch, at least one of: six teeth including four front teeth and two canine teeth; eight teeth including four front teeth, two canine teeth, one left premolar tooth and one right premolar tooth; ten teeth including four front teeth, two canine teeth and four premolar teeth; twelve teeth including four front teeth, two canine teeth, four premolar teeth, one left posterior molar tooth and one right posterior molar tooth; or all fourteen teeth except for two wisdom teeth.

[0017] In some embodiments, the deep learning network is trained through following operations of: for a target correcting phase, determining, based on training data, in a pre-correction dental arch first feature encoding information for a target dental position, wherein the first feature encoding information includes association information between at least two points on point cloud of the target dental position and the target correcting phase includes the starting phase, the target intermediate phase or the final phase; determining, based on the first feature encoding information, second feature encoding information indicating association information between the target dental position and all dental positions other than the target dental position; determining, based on the second feature encoding information, predicted posture information for the target dental position during the target correcting phase; and adjusting the deep learning network based on the predicted posture information predicted by a network and reference posture information for the target correcting phase as planned by a dentist, to improve prediction accuracy.

[0018] In some embodiments, the first feature encoding information is determined based on the following two items including: local feature encoding information of the target dental position, and orthodontic dentition encoding information for a dental arch where the target dental position is located, wherein the orthodontic dentition encoding information indicates encoding information of dentition sequence corrected on the dental arch where the target dental position is located.

[0019] In some embodiments, the first feature encoding information is further determined based on global feature encoding information of a dental arch where the target dental position is located, wherein the first feature encoding information further includes, as the global feature encoding information, association information between at least two points on point cloud of the dental arch where the target dental position is located, or the first feature encoding information is further determined based on dento-jaw information encoding information, wherein the dento-jaw information encoding information is used for distinguishing an upper dental arch from a lower dental arch.

[0020] In some embodiments, the deep learning network includes a plurality of network units, and each network unit in the plurality of network units is configured to predict predicted posture information for each target dental position of the target correcting phase.

[0021] In some embodiments, the predicted posture information includes posture vector information of rotation and translation predicted by the deep learning network and the reference posture information includes posture vector information of rotation and translation that is calculated based on a three-dimensional model of the target dental position before teeth arrangement and a reference three-dimensional model after teeth arrangement as planned by a dentist; or the predicted posture information includes first target point cloud information for the target dental position predicted by the deep learning network, and the reference posture information includes second target point cloud information for the target dental position annotated by a dentist.

[0022] In some embodiments, the method also comprises excluding from the training data in a final phase at least one of: data indicating a gap between adjacent teeth; data indicating presence of prepared tooth; data indicating at least one tooth correction error; and data indicating abnormal occlusion such as underbite, deep overbite, deep coverage and excessive open jaw etc.; and data indicating remained malocclusion.

[0023] In a third aspect of the present disclosure, there is provided an electronic apparatus, comprising: a processor; and a memory storing executable instructions, wherein the instructions, in response to being executed by a processor, cause the electronic apparatus to at least: obtain from an intraoral scanner initial posture data for a plurality of teeth included in a current correcting phase, the current correcting phase including a starting phase without any corrections, a target intermediate phase selected from a plurality of intermediate phases, or a final phase after experiencing the plurality of intermediate phases, wherein each intermediate phase of the plurality of intermediate phases has experienced at least one correction; obtain an identifier of each dental position determined based on the initial posture data, wherein each dental position includes a toothed dental position or a toothless dental position; obtain a combination of dental positions to be corrected, wherein the combination of dental positions to be corrected includes, for two or more teeth among the plurality of teeth, a combination of dental position identifiers for selected from the identifier of each dental position; and determine, based on the initial posture data and the combination of dental positions to be corrected, target posture data for the current correcting phase using a trained deep learning network.

[0024] The system and the method for correcting teeth according to the present disclosure fully considers practical factors, including the teeth arrangement feature, alveolar bone shape and difficulty level of teeth movement before teeth arrangement, such that the dental arch curve after the teeth arrangement would not be deformed and distorted too much compared to that before the teeth arrangement. This method for correcting teeth is much closer to real teeth arrangement algorithm and is specific to every individual case.

[0025] It should be appreciated that the contents described in this Summary are not intended to identify key or essential features of the implementations of the present disclosure, or limit the scope of the present disclosure. Other features of the present disclosure will be understood more easily through the following description.BRIEF DESCRIPTION OF THE DRAWINGS

[0026] With reference to the drawings and the following detailed description, the above and other features, advantages and aspects of various embodiments of the present disclosure will become more apparent. In the drawings, same or similar reference signs indicate same or similar elements, wherein:

[0027] Fig. 1 illustrates an intraoral scanning system in accordance with some example embodiments of the present disclosure;

[0028] Fig. 2 illustrates a flowchart of a method for correcting teeth in accordance with some embodiments of the present disclosure;

[0029] Fig. 3 illustrates dental positions of permanent teeth in a complete dentition indicated by the FDI dental notation in accordance with some embodiments of the present disclosure;

[0030] Fig. 4 illustrates a flowchart of a method for training a deep learning network for teeth arrangement in accordance with some embodiments of the present disclosure;

[0031] Fig. 5 illustrates a schematic diagram of a dental arch curve in accordance with some embodiments of the present disclosure;

[0032] Fig. 6 illustrates a block diagram of a computing device for implementing embodiments of the present disclosure.DETAILED DESCRIPTION OF EMBODIMENTS

[0033] Embodiments of the present disclosure will be described in more details below with reference to the drawings. Although some embodiments of the present disclosure are demonstrated in the drawings, it should be understood that the present disclosure can be implemented by various manners and should not be limited to the embodiments explained herein. On the contrary, the embodiments are provided for a more thorough and complete understanding of the present disclosure. It should be understood that the drawings of the present disclosure and their embodiments are only exemplary and shall not restrict the protection scope of the present disclosure.

[0034] Throughout the description of the embodiments of the present disclosure, the term “includes” and its variants are to be read as open-ended terms that mean “includes, but is not limited to. ” The term “based on” is to be read as “at least partially based on. ” The term “one embodiment” or “this embodiment” is to be read as “at least one embodiment. ” The terms “first” , “second” and so on can refer to same or different objects. The following text can comprise other explicit and implicit definitions.

[0035] Fig. 1 illustrates an intraoral scanning system 100 in accordance with some example embodiments of the present disclosure. The intraoral scanning system 100 comprises an intraoral scanner 110 and a computing device 120 (e.g., notebook computer and desktop computer etc. ) coupled together. Communication links between the intraoral scanner 110 and the computing device 120 allow transmission of captured images and control commands from the intraoral scanner 110 to the computing device 120 for further processing. For example, the computing device can execute the method for correcting teeth in accordance with embodiments of the present disclosure. The communication link may be implemented by wired connections (such as universal serial bus (USB) ) or wireless connections (e.g., wireless fidelity (Wi-Fi) ) . It is to be appreciated that other communication implementations are also possible.

[0036] The intraoral scanner 110 may be a handheld device that is inserted into the oral cavity of the patient by a dentist (or dental assistant) to capture images. As illustrated, the intraoral scanner 110 includes a tip 101 and a body 102. The tip 101 may be a pluggable component and also may be integrated into the intraoral scanner 101. At the top of the tip 101, a camera or an optical system 103 is provided for capturing images of teeth and surrounding tissues (such as gum) . Besides, the intraoral scanner 110 may include one or more buttons (not shown) and the dentist may press (one or more) buttons to control the system 100, including but not limited to, capturing images of the patient’s oral cavity, starting or stopping the scan, selecting a mode of the system or controlling a view of a 3D image of the oral cavity structure.

[0037] The computing device 120 may include or be connected to a screen 115 for displaying a user interface, such as graphical user interface (GUI) . The GUI may include visualization of the scanning data, such as 3D representation of the oral cavity of the patient and UI elements, such as menu or icon. The dentist may interact with the UI elements to control the intraoral scanning system 100 and examine the 3D representations displayed on the screen 115. Most commonly, the dentist uses an input device 125 (e.g., mouse or keyboard connected to the computing device 120) to interact with the UI elements.

[0038] As described above, in the medical field of orthodontics, nowadays, the dentist needs to design a target dentition posture at the final phase of orthodontics for patients, and the patients also want to know the effects of the orthodontic treatment. It is an important link for doctor-patient communication to display the target dentition posture of orthodontics to patients and dentists. Currently, the design of the orthodontic treatment scheme is basically completed by orthodontists who have received extensive professional training. The operations involved are complicated and the efficiency is low. “Orthodontic Simulation” , based on the computer algorithms, is a function valued by various major companies manufacturing the oral medical devices. A Korean company, Medit, has an orthodontic simulation software called “Ortho Simulation” . The “Ortho Simulation” simulates the overall teeth arrangement for the rest teeth, after the user has designated “toothless” dental position and “implantation” dental position. A Danish company, 3Shape, owns an orthodontic simulation software called “Treatment Simulator” , which also allows the user to simulate the overall teeth arrangement for all teeth. Chinese companies, like Shing3D, CHOHOTECH and the like, also have related orthodontic simulation software. However, the orthodontic simulation algorithms proposed by the above companies are not “real” enough, and patients often complain about the inconsistency between the target dentition posture calculated by the algorithms and the real effects of the orthodontic treatment.

[0039] Considering the above problems, the apparatus and the method for correcting teeth in accordance with embodiments of the present disclosure are to be explained below with reference to Figs. 2-6.

[0040] Fig. 2 illustrates a flowchart 200 of a method for correcting teeth in accordance with some embodiments of the present disclosure.

[0041] As shown in Fig. 2, at block 210, initial posture data for a plurality of teeth included in the current correcting phase are obtained from the intraoral scanner. To obtain the initial posture data, data segmentation may be performed based on point cloud data to obtain point cloud data for each individual tooth and initial posture information of a plurality of teeth on both upper and lower dental arches.

[0042] In one embodiment, the current correcting phase includes a starting phase without any corrections. In one embodiment, the current correcting phase also includes an intermediate phase which is from a plurality of intermediate phases, and each intermediate phase has experienced at least one correction, and the number of corrections experienced for different intermediate phases is different. In one embodiment, the current correcting phase also may include a final phase after the plurality of intermediate phases.

[0043] Then, at block 220, the computing device 120 may obtain an identifier of each dental position determined based on the initial posture data, and each dental position includes a toothed dental position or a toothless dental position. For example, both the toothed dental position and the toothless dental position are marked. The toothed dental position may be a dental position without corrections, an already corrected dental position, or a dental position occupied by an adjacent dental position. The identifier of each dental position may be obtained through automatically recognizing the initial posture data by the computing device 120. Alternatively, the identifier of each dental position also may be determined by the dentist and can be input to the computing device 120 via an input device.

[0044] The identifier of each dental position may be indicated by FDI dental notation. The FDI dental notation is a representation of dental position formulated by Fédération Dentaire Internationale, which is also referred to as a two-digit notation.

[0045] Fig. 3 illustrates dental positions of permanent teeth in a complete dentition indicated by the FDI dental notation in accordance with one embodiment of the present disclosure. In Fig. 3, left or right means left or right side of the patient.

[0046] For example, in the FDI dental notation, among all teeth, respective dental positions of upper dental arch may be indicated as: [28, 27, 26, 25, 24, 23, 22, 21, 11, 12, 13, 14, 15, 16, 17, 18]

[0047] For example, in the FDI dental notation, among all teeth, respective dental positions of lower dental arch may be indicated as: [48, 47, 46, 45, 44, 43, 42, 41, 31, 32, 33, 34, 35, 36, 37, 38] .

[0048] In some embodiments, after every dental position of the patient is marked with a tooth number, assuming that wisdom teeth are present, the subsequent teeth arrangement would exclude the four dental positions of 18 / 28 / 38 / 48. Accordingly, in these embodiments, the toothed dental positions do not include the dental positions for wisdom teeth.

[0049] Then, a standard dental position sequence is defined again for the upper dental arch and the lower dental arch respectively. The standard dental position sequence for the upper dental arch is as follows: [27, 26, 25, 24, 23, 22, 21, 11, 12, 13, 14, 15, 16, 17] , excluding the dental position markers for  wisdom teeth.

[0050] The standard dental position sequence for the lower dental arch is as follows: [47, 46, 45, 44, 43, 42, 41, 31, 32, 33, 34, 35, 36, 37] , excluding the dental position markers for  wisdom teeth as well.

[0051] In some embodiments, after every dental position of the patient is marked with a tooth number, assuming that the standard dental position sequence contains at least one missing dental positions and the number of at least one missing dental position reaches or exceeds 5, i.e., there are fewer than 10 standard dental positions remaining in the upper dental arch or the lower dental arch, the algorithm according to the present disclosure would not perform teeth arrangement for this dental arch. Therefore, in these embodiments, the number of toothless dental position is smaller than 5.

[0052] In some embodiments, in one dental arch, a group of dental positions symmetric with respect to a gap between two middle front teeth may be established, such as symmetric dental positions of the upper dental arch [11, 21] , [12, 22] , [13, 23] , [14, 24] , [15, 25] , [16, 26] and [17, 27] , and symmetric dental positions of the lower dental arch [41, 31] , [42, 32] , [43, 33] , [44, 34] , [45, 35] , [46, 36] and [47, 37] . After every dental position of the patient is marked with a tooth number, assuming that there is a large void at the toothless dental position, this dental position is to be filled with a symmetric dental position of this dental position. For example, if there is a large void at the toothless dental position 11, a dental position 21 symmetric with the toothless dental position 11 is provided to fill the dental position 11. Accordingly, in these embodiments, in case there is a void at the toothless dental position, the identifier for the toothless dental position includes an identifier of a dental position symmetric with the toothless dental position.

[0053] In some embodiments, if the toothless dental position (e.g., toothless dental position 11) is filled with an adjacent tooth (such as tooth having a dental position sequence of 12) , such dental position sequence would be kept for subsequent teeth arrangement. For example, the dental position sequence 12 is kept as the identifier of this dental position 11. Therefore, in these embodiments, when the toothless dental position is occupied by an adjacent tooth, the identifier for the toothless dental position includes an identifier of the adjacent tooth.

[0054] In some embodiments, in the dental arch of every correcting phase, “orthodontic dentition marking sequence” data are built for each dental arch, based on whether a certain dental position has been corrected by the dentist. Assuming that a dental position has been corrected by the dentist, the dental position may be labeled with a correction marker “1” ; otherwise, it is labeled with a marker “0” . The correction marker of each dental position is placed according to the sequence of the standard dentition to form the “orthodontic dentition marking sequence” . With the orthodontic dentition marking sequence, it is known whether a tooth has been corrected; and the orthodontic dentition marking sequence also may act as a part of the identifier of each dental position.

[0055] As stated above, after the initial posture data of the teeth to be corrected are obtained, the identifier of each dental position is determined based on the posture data, e.g., the dental position sequence marked by the FDI dental notation. In marking every dental position, various conditions including the number of wisdom teeth, the number of the missing teeth, the symmetric dental positions, the occupied dental position and whether the tooth being corrected etc., may be taken into consideration. In order to mark the identifier of each dental position, the void may be filled (i.e., filling the toothless position) . Subsequent to the void filling (e.g., filling with an identifier of a symmetric dental position or filling with an identifier of an adjacent dental position) , the dentition may contain no large voids therein to facilitate teeth arrangement or determination of tooth correction posture.

[0056] Afterwards, at block 230, the computing device 120 obtains a combination of dental positions to be corrected. For example, the combination of dental positions to be corrected may be determined by dentists according to their own judgments or based on the patients’ needs, and is input into the computing device 120. For example, the combination of dental positions to be corrected for the current phase also may be determined by the computing device 120 based on the history orthodontic record of the patients and the current phase.

[0057] The combination of dental positions to be corrected includes a combination of dental position identifiers for two or more teeth among the plurality of teeth that are selected from the identifiers for respective dental positions. For example, the existing plurality of teeth of the patient may be partly or fully corrected, and the combination of dental positions to be corrected is input to the computing device 120. The combination of dental positions to be corrected includes a combination of a plurality of dental positions for either or both of the upper dental arch and the lower dental arch.

[0058] In some embodiments, the combination of dental positions to be corrected includes a total of six teeth, i.e., four front teeth and two canine teeth. As such, the dentist or the client is allowed to select a total of six teeth including four front teeth and two canine teeth for teeth arrangement. For example, it is allowed to only arrange six dental positions of [23, 22, 21, 11, 12, 13] in the upper dental arch, and it is allowed to only arrange six dental positions of [43, 42, 41, 31, 32, 33] in the lower dental arch.

[0059] In one embodiment, the combination of dental positions to be corrected includes a total of eight teeth, i.e., four front teeth, two canine teeth, one left premolar tooth and one right premolar tooth. As such, the dentist or the client is allowed to select a total of eight teeth including four front teeth, two canine teeth, one left premolar tooth and one right premolar tooth for teeth arrangement. For example, it is allowed to only arrange eight dental positions of [24, 23, 22, 21, 11, 12, 13, 14] in the upper dental arch, and it is allowed to only arrange eight dental positions of [44, 43, 42, 41, 31, 32, 33, 34] in the lower dental arch.

[0060] In one embodiment, the combination of dental positions to be corrected includes a total of ten teeth, i.e., four front teeth, two canine teeth and four premolar teeth. As such, the dentist or the client is allowed to select a total of ten teeth including four front teeth, two canine teeth and four premolar teeth for teeth arrangement. For example, it is allowed to only arrange ten dental positions of [25, 24, 23, 22, 21, 11, 12, 13, 14, 15] in the upper dental arch, and it is allowed to only arrange ten dental positions of [45, 44, 43, 42, 41, 31, 32, 33, 34, 35] in the lower dental arch.

[0061] In one embodiment, the combination of dental positions to be corrected includes a total of twelve teeth, i.e., four front teeth, two canine teeth, four premolar teeth, one left posterior molar tooth and one right posterior molar tooth. As such, the dentist or the client is allowed to select a total of twelve teeth including four front teeth, two canine teeth, four premolar teeth, one left posterior molar tooth and one right posterior molar tooth for teeth arrangement. For example, it is allowed to only arrange twelve dental positions of [26, 25, 24, 23, 22, 21, 11, 12, 13, 14, 15, 16] in the upper dental arch, and it is allowed to only arrange twelve dental positions of [46, 45, 44, 43, 42, 41, 31, 32, 33, 34, 35, 36] in the lower dental arch.

[0062] In one embodiment, the combination of dental positions to be corrected includes a total of fourteen teeth, except for two wisdom teeth. As such, the dentist or the client is allowed to select a total of fourteen teeth on the entire dental arch for teeth arrangement. For example, it is allowed to only arrange fourteen dental positions of [27, 26, 25, 24, 23, 22, 21, 11, 12, 13, 14, 15, 16, 17] in the upper dental arch, and it is allowed to only arrange fourteen dental positions of [47, 46, 45, 44, 43, 42, 41, 31, 32, 33, 34, 35, 36, 37] in the lower dental arch.

[0063] In one embodiment, for either or both of the upper dental arch and the lower dental arch, the dentist may freely select a teeth arrangement scheme from the following five dental position combinations: [23, 22, 21, 11, 12, 13] ; [24, 23, 22, 21, 11, 12, 13, 14] ; [25, 24, 23, 22, 21, 11, 12, 13, 14, 15] ; [26, 25, 24, 23, 22, 21, 11, 12, 13, 14, 15, 16] ; and [27, 26, 25, 24, 23, 22, 21, 11, 12, 13, 14, 15, 16, 17] .

[0064] Accordingly, the teeth arrangement combination for the upper teeth and the teeth arrangement for the lower teeth do not interfere with each other and do not restrict each other. The dentist may freely combine them. Therefore, the teeth arrangement combination of the complete dentition contains, for example, a total of 25 combinations of dental positions to be corrected.

[0065] In one embodiment, the above five dental position combinations may correspond to a starting phase, a plurality of intermediate phases and a final phase of the teeth arrangement. For example, the starting phase may correspond to a scenario where only six teeth are corrected for the upper and lower dental arches respectively; the final phase may correspond to a scenario where all fourteen teeth are corrected for the upper and lower dental arches respectively; and other combinations may correspond to respective intermediate phases.

[0066] At block 240, after the combination of dental positions to be corrected is obtained, the computing device 120 may determine, based on the initial posture data and the obtained combination of dental positions to be corrected, the target posture data for the current correcting phase using a trained deep learning network.

[0067] In a conventional method, for teeth having various arrangement features, the dental arch curve after the teeth arrangement is basically a same arc with consistent curvature and similar shape. Besides, in a conventional method, the orthodontic teeth arrangement is always performed on the entire teeth despite the real clinical requirements.

[0068] In comparison, in the method for correcting teeth according to the present disclosure, before correction, it may be determined that the current correcting phase is a starting phase, an intermediate phase or a final phase. Prediction policy or model may vary from one phase to another, such that the prediction result of each phase is more pertinent or more related to the current phase.

[0069] Further, the identifier of each dental position is determined based on the current initial dental position posture data. It can be known from the identifier that which dental position is missing and which dental position has been corrected. Therefore, since the initial dental position posture of the current correcting phase is considered, the method for teeth correction takes into account the practical factors, such as, previous teeth arrangement features before current teeth arrangement, alveolar bone shape and difficulty level of teeth movement. The method for correcting teeth according to the present disclosure is closer to the real teeth arrangement algorithm. The final teeth arrangement result is varied from one to another, and the dental arch distribution after the teeth arrangement fully respects the practical factors, such as previous teeth arrangement features and alveolar bone shape. The teeth in a different distribution exhibit unique dental arch curve profile, such as V-shape and U-shape, after the teeth arrangement.

[0070] Furthermore, the combination of dental positions to be corrected is obtained. For example, the dentist or the computing device per se may select any combination from a plurality of combinations as the combination of dental positions to be corrected. For example, the selected combination of dental positions to be corrected may correspond to the current correcting phase, or may be freely selected with reference to the patients’ needs. As orthodontic teeth arrangements of oral aesthetics in real life are basically for aesthetic purpose, the teeth sequence selected by the dentist for teeth arrangement may be various. Dentist, computing device or patient may choose only six teeth including front teeth and canine teeth in the upper or lower dental arch for teeth arrangement, or only ten teeth including front teeth, canine teeth and premolar teeth in the upper or lower dental arch for teeth arrangement, or the full teeth for teeth arrangement. In the end, the target correction posture for the combination of dental positions to be corrected at the current phase is obtained based on the obtained pre-correction dentition posture and the obtained combination of dental positions to be corrected as determined by the dentist or the computing device per se.

[0071] Therefore, the method 200 for correcting teeth according to the present disclosure fully considers practical factors, including the previous teeth arrangement features, alveolar bone shape and difficulty level of teeth movement, client needs and the current correcting phase, such that the dental arch curve after the teeth arrangement would not be deformed and distorted too much compared to that before the teeth arrangement. With respect to teeth in different distributions, different patients have their unique dental arch curve profile after the teeth arrangement. Besides, the dental arch curve profile of different patients also varies from one correcting phase to another.

[0072] Next, a flowchart of a method 400 for training a deep learning network for teeth arrangement in accordance with embodiments of the present disclosure is described with reference to Fig. 4.

[0073] At block 410, data collection is performed. The training data include massive real clinical orthodontic cases collected, including the dentition posture data of the patient before orthodontics (for example, the initial dentition posture data before orthodontics) , the target dentition posture data at each phase of the teeth arrangement manually planned by the dentist (such as various intermediate phases) , and the target dentition posture data at the final phase (for example, the target dentition posture planned by the dentist) .

[0074] At block 420, the data are organized. In some embodiments, the upper dental arch is distinguished from the lower dental arch during data organization. In accordance with the information related to the upper and lower dental arches, “dento-jaw information marking sequence” may be established for the upper dental arch and the lower dental arch of each case respectively, to distinguish whether a single dental arch belongs to the upper jaw or the lower jaw. In one embodiment, each dental position of the upper jaw may be provided with the dento-jaw information of “1” , and the dento-jaw information of respective dental positions is then spliced according to the standard dental position sequence, to form a dento-jaw information marking sequence [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] for the upper jaw. In one embodiment, each dental position of the lower jaw may be provided with the dento-jaw information of “0” , and the dento-jaw information is then spliced according to the standard dental position sequence, to form a dento-jaw information marking sequence [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] for the lower jaw.

[0075] In other embodiments, other numerical values may also be used as the dento-jaw information of each dental position, as long as the dento-jaw information marking sequences for the upper jaw and the lower jaw are clearly different in the numerical value and sufficient for subsequent data analysis and training.

[0076] In some embodiments, during data organization, the data of the upper and lower dental arches may be classified according to the missing teeth. For example, with respect to the database of the upper and lower dental arches, the dental arch data are divided into two classes according to whether there is a toothless standard dental position in the dental arch. One class of the dental arch data refers to the dentition data including all standard dental positions, referred to as “complete dentition” in the present disclosure. The other class of the dental arch data indicates the dentition data containing missing standard dental position in the dental arch, referred to as “missing dentition” in the present disclosure. The two classes of data may be used as a training dataset. In the “missing dentition” , the dentition having four or less missing standard dental positions also may be extracted as “validation dataset” . In addition, a part of the complete dentition may also serve as the validation dataset.

[0077] In some embodiments, during data organization, it is required to obtain information about which teeth have been corrected. For example, in the dental arch for each correcting phase, “orthodontic dentition marking sequence” data are built for each dental arch, on the basis whether a dental position has been corrected by the dentist. Assuming that a dental position has been corrected by the dentist, this dental position is labeled with a correction marker “1” ; otherwise, it is labeled with a marker “0” . Then, the correction marker of each dental position is put together according to the standard dental position sequence, to from the “orthodontic dentition marking sequence” . For example, the marking sequence of the upper dental arch is [0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0] , which indicates that the dentist only corrected six teeth [23, 22, 21, 11, 12, 13] in the current dental arch. For example, the marking sequence of the lower dental arch is [0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0] , which indicates that the dentist only corrected eight teeth [44, 43, 42, 41, 31, 32, 33, 34] in the current dental arch.

[0078] In addition, to ensure the accuracy of the prediction by the trained deep learning network, it is required to remove some “dirty data” during the data organization. By examining the “complete dentition” dataset and the datasets after the teeth arrangement of each correcting phase, “dirty data” may be defined as follows: in the final phase of data training, data indicating an excessively large gap between adjacent teeth; data of teeth in special forms, e.g., prepared teeth; dentition data indicating correction error of individual teeth; data indicating presence of obvious malocclusion after correction; or any combinations thereof. The above types of dirty data will be removed from the “complete dentition” dataset and will not participate in the training of the deep learning network.

[0079] At block 430, the major structure of the neural network (or deep learning network) is designed.

[0080] In some embodiments, the main body of the neural network includes a local feature encoder for respective dental positions, and the local feature encoder feature encodes the point cloud of each dental position using a network related to three-dimensional point cloud, e.g., pointnet series and “Dynamic Graph CNN” . The encoding information may be initial encoding information of the point cloud of each dental position, and may represent positional relations among points (points in the point cloud) on the same tooth or the same dental position, and the positional relations are to be included in the initial encoding information.

[0081] In some embodiments, the main body of the neural network also may include a global feature encoder of the entire dental arch, and the global feature encoder feature encodes the overall point cloud of the entire dental arch using a network related to three-dimensional point cloud, e.g., pointnet series and “Dynamic Graph CNN” . The encoding information represents a relation between every two points on the point cloud of the entire mouth (including the point cloud of the upper dental arch and the point cloud of the lower dental arch) , and the two points may be located on different dental positions. The global feature encoding information may include association information between at least two points of the point cloud of the dental arch in which the target dental position is located, e.g., position information, and the target dental position is a dental position for which the neural network in training will predict a correction posture.

[0082] In some embodiments, the main body of the neural network also may include a dento-jaw information marking sequence encoder. With the above “dento-jaw information marking sequence” of the upper and lower jaws as the input of the encoder, the neural network layer is used as the major structure of the encoder to encode the dento-jaw information of the upper and lower jaws, so as to distinguish the upper jaw from the lower jaw, i.e., the upper dental arch is distinguished from the lower dental arch.

[0083] In some embodiments, the main body of the neural network also may include an orthodontic dentition marking sequence encoder. With the above “orthodontic dentition marking sequence” of the upper and lower jaws as the input of the encoder, the neural network layer is used as the major structure of the encoder to encode the “orthodontic dentition marking sequence” , thereby obtaining the orthodontic dentition encoding information, which represents the encoding information of corrected dental position sequence on the dental arch where the dental position to be corrected is located.

[0084] For each dental position, an encoder output splicing network layer may be used to splice outputs of at least two encoders in the above four encoders (preferably outputs from both the local feature encoder for respective dental positions and the orthodontic dentition marking sequence encoder, and more preferably the outputs from the above four encoders) to gain first feature encoding information of each dental position, and the first feature encoding information represents association information between the dental position to be corrected and all dental positions except for this dental position to be corrected.

[0085] In order to train the neural network, it is first determined for which correcting phase, the correction posture is predicted. It is determined for which of the starting phase, the intermediate phases and the final phase, the prediction is performed. Accordingly, for the pre-correction dental arch in the current correcting phase, it is determined the first feature encoding information for the target dental position, based on the collected training data. The target dental position may be any dental position on the dental arch, and the first feature encoding information may represent the association information between at least two points on the point cloud of the target dental position, e.g., the association information between any two points on the cloud point of this dental position in the collected point cloud.

[0086] In one embodiment, the first feature encoding information may be obtained based on the outputs from both the local feature encoder of the respective dental positions and the orthodontic dentition marking sequence encoder. In one embodiment, the first feature encoding information also may be obtained based on the outputs from above four encoders.

[0087] In designing the neural network, it is required to establish an interrelation network layer to express interrelations among respective teeth.

[0088] In one embodiment, the interrelation network layer may be constructed using a graph network and also may be constructed using Transform-based attention mechanism.

[0089] Input of each node of the interrelation network is the first feature encoding information of each dental position. After the first feature encoding information has been sufficiently flowed and interacted in the network, second feature encoding information of each dental position is output, and the second feature encoding information indicates the association information between the target dental position and all dental positions except for the target dental position. For example, when the target dental position indicates any dental position on the dental arch, the second feature encoding information may represent mutual positional information between any two different dental positions. Accordingly, based on the first feature encoding information of each dental position, the second feature encoding information for each dental position may be obtained using the established interrelation network.

[0090] During the design of the neural network, it is also required to create a posture prediction network layer, which outputs posture information related to rotation and translation of each dental position with a fully connected network as the main body and the second feature encoding information of each dental position as input.

[0091] In one embodiment, the local feature encoder of respective dental positions, the global feature encoder of the complete dental arch, the dento-jaw information marking sequence encoder, the orthodontic dentition marking sequence encoder, the encoder output splicing network layer, the network layer for establishing the interrelation network and the posture prediction network layer may constitute a network unit. Each network unit may predict with respect to one phase in a plurality of teeth arrangement phases, to output an orthodontic path prediction result for one teeth arrangement phase. The plurality of teeth arrangement phases, for example, may include a starting phase, multiple intermediate phases and a final phase. A plurality of network units may be spliced to train an all-phase (i.e., all of the teeth arrangement phases) orthodontic path planning module.

[0092] In order to design the neural network, it is also required to design a loss function. At each teeth arrangement phase, the information related to the rotation and the translation of each dental position from pre-teeth arrangement to the post-teeth arrangement may be calculated, i.e., posture information in six degrees of freedom including three-dimensional translation vectors and three-dimensional axial angle rotation vectors. In another embodiment, the information may be posture information in seven dimensions including the three-dimensional translation vectors and a four-dimensional four-element vectors. In a further embodiment, the information also may be posture information in nine dimensions including a 3*3 rotation matrix and the three-dimensional translation vectors. In one embodiment, the loss function may be selected to depend on the error of mean square of the above posture vectors. In another embodiment, a quadratic sum of the point-to-point distances also may be selected as the loss function, i.e., a quadratic sum of the point-to-point distances between the target point cloud predicted by the network and the target point cloud annotated by the dentist as an auxiliary loss function.

[0093] When the prediction is made using the trained deep learning network in practice, after the initial posture data for the current phase is obtained, the trained deep learning network obtains, based on the initial posture data, the first feature encoding information for one dental position to be corrected. The first feature encoding information includes the local feature encoding information for this dental position. The first feature encoding information preferably also includes the global feature encoding information of the dental arch where this dental position is located and the dento-jaw information encoding information of the dental arch where this dental position is located. The information input into the interrelation network also includes encoding information of the dental position sequence to be corrected (which is associated with the combination of the dental positions to be corrected) including this dental position to be corrected as planned by the dentist, and the combination of dental positions to be corrected as planned by the dentist may be used as a part of the first feature encoding information input into the interrelation network. Then, the interrelation network in the trained deep learning network obtains, based on the first feature encoding information, the second feature encoding information for this dental position to be corrected. In the end, the posture prediction network layer obtains, based on the second feature encoding information, the posture information for this dental position to be corrected or the target posture point cloud information.

[0094] As shown in Fig. 4, at block 440, each network unit is adjusted. In one embodiment, the posture information predicted by each network unit will act as the predicted posture information output by the network output portion. A reference three-dimensional module after the teeth arrangement as planned by the dentist may serve as the reference posture information. In one embodiment, the target point cloud information for the target dental position predicted by each network unit (the target point cloud information corresponding to the posture data after the teeth arrangement) . The second target point could information for the target dental position annotated by the dentist may serve as the reference posture information. By comparing the predicted posture information and the reference posture information, the parameters of respective network units may be adjusted. For example, the parameters of the neural network in training may be adjusted by comparing the differences between the predicted posture information and the path planned by the dentist.

[0095] In the end, at block 450, on the validation dataset, each model is evaluated and the best model is selected accordingly. For example, part of the above complete dentition and the dentition including four or less missing standard dental positions may act as the validation dataset. For example, indicators (e.g., the accuracy and the error of mean square) of the models on the validation dataset under different loss functions, various numbers of neural network layers and distinct regularization parameters may be compared, to select the best performance model on the validation dataset as the final model, while avoiding selecting the overfitting or underfitting model. Besides, the validation dataset may be an independent dataset for monitoring whether overfitting occurs during the training of the model. The overfitting here indicates that the model performs well on the training dataset, but underperforms on the new data.

[0096] In the method for training the neural network according to the present disclosure, the first feature encoding information of respective dental positions may be obtained preferably based on the local feature encoder for respective dental positions and the orthodontic dentition marking sequence encoder, and more preferably based on the four encoders. The first feature encoding information of respective dental positions on the basis of the four encoders is more accurate and comprehensive. The first feature encoding information is then input into the interrelation network, to gain the second feature encoding information for each dental position. The second feature encoding information is input to the posture prediction network layer, to obtain the rotation and translation posture information of each dental position. The neural network may include a plurality of network units, and each network unit may predict for one teeth arrangement phase, such that a plurality of network units can predict for all of the phases in the teeth arrangement.

[0097] Since the training data include the encoding feature information of respective dental positions and the orthodontic dentition data information of the corrected teeth, the method for training the neural network according to the present disclosure takes into account the teeth arrangement feature and the alveolar bone shape before the teeth arrangement. In addition, the correcting phase is divided into a starting phase, a final phase and a plurality of intermediate phases. Different prediction policies or prediction models (i.e., various network units) are therefore obtained for different correcting phases, so as to gain the trained deep learning network for every phase of the teeth arrangement.

[0098] In training the neural network, a dental arch curve may be defined. In one dentition, a center point of each dental position point cloud is calculated. The center point of the dental position is placed together according to the sequence of the dental position to form a “dental arch curve” for this dentition. Fig. 5 illustrates a schematic diagram of a dental arch curve in accordance with one embodiment of the present disclosure. Each matrix point in Fig. 5 represents the center point of each dental position point cloud.

[0099] After the dental arch curve is obtained, data alignment is performed. For example, each individual dental arch is decentralized with respect to its center position. The entire dentition is rotated and finely tuned, so as to overall align the dental arch curves of all dentitions. Accordingly, the model can be trained more conveniently. For example, all dental arch curves can be rotated to the orientation shown in Fig. 5.

[0100] The dental arch curve comes from the dentition data. The clinically collected dentition data may be normalized, i.e., the size range of the dental arch curve is inconsistent. To expedite the convergence rate of the neural network, the dentition data may be normalized according to Min-Max normalization, such that the three-dimensional coordinates of each point on every individual dental arch fall between 0 and 1.

[0101] Besides, in addition to the clinically collected real data, in order to achieve more data (i.e., achieve data enhancement) , for the dentition of each correcting phase, the tooth point cloud at each dental position may be randomly rotated and translated based on its center point, to obtain more data. In one embodiment, the rotation axis may be the rotation axis of the target posture annotated by the dentist and rotation angle may be of any size. In one embodiment, the translation direction may be the translation direction of the target posture annotated by the dentist and the translation may be of any size.

[0102] Fig. 6 illustrates a schematic block diagram of an example device 600 for implementing embodiments of the present disclosure. The device 600 can be used to implement the computing device 120 of Fig. 1. As shown in Fig. 6, the device 600 comprises a central processing unit (CPU) 601, which can execute various suitable actions and processing based on the computer program instructions stored in the read-only memory (ROM) 602 or computer program instructions loaded in the random-access memory (RAM) 603 from a storage unit 608. The RAM 603 can also store all kinds of programs and data required by the operation of the device 600. CPU 601, ROM 602 and RAM 603 are connected to each other via a bus 604. The input / output (I / O) interface 605 is also connected to the bus 604.

[0103] A plurality of components in the device 600 is connected to the I / O interface 605, including: an input unit 606, such as keyboard, mouse and the like; an output unit 607, e.g., various kinds of display and loudspeakers etc.; a storage unit 608, such as disk and optical disk etc.; and a communication unit 609, such as network card, modem, wireless transceiver and the like. The communication unit 609 allows the device 600 to exchange information / data with other devices via the computer network, such as Internet, and / or various telecommunication networks.

[0104] The processing unit 601 executes the above described various methods and processing. For example, in some embodiments, any of the above procedures can be implemented as a computer software program tangibly included in the machine-readable medium, e.g., storage unit 608. In some embodiments, the computer program can be partially or fully loaded and / or mounted to the device 600 via ROM 602 and / or communication unit 609. When the computer program is loaded to RAM 603 and executed by the CPU 601, one or more steps of any of the above described procedures can be implemented. Alternatively, the CPU 601 can be configured to execute any of the above procedures through any other appropriate manners (such as by means of the firmware) in other embodiments.

[0105] The functionality described herein can be performed, at least in part, by one or more hardware logic components. For example, and without limitation, illustrative types of hardware logic components that can be used include Field-Programmable Gate Arrays (FPGAs) , Application-specific Integrated Circuits (ASICs) , Application-specific Standard Products (ASSPs) , System-on-a-chip systems (SOCs) , Complex Programmable Logic Devices (CPLDs) , and the like.

[0106] In the context of the present disclosure, machine readable medium may be tangible medium that may include or store programs for use by or in connection with instruction execution systems, apparatuses or devices. The machine readable medium may be machine readable signal medium or machine readable storage medium. The machine readable storage medium for example may include, but not limited to, electric, magnetic, optical, electromagnetic, infrared or semiconductor systems, apparatus or devices or any combinations thereof. Specific examples of the machine readable storage medium may include, but not limited to, electrical connection having one or more wires, portable computer disk, hard disk, random access memory (RAM) , read-only memory (ROM) , erasable programmable read only memory (EPROM or flash memory) , fiber optics, portable compact disk read only memory (CD-ROM) , optical storage device, magnetic storage device, or any suitable combinations thereof.

[0107] Furthermore, although the respective operations are depicted in a particular order, it should be appreciated that the operations are not required to be completed in the particular order or in succession, or not all operations shown need to be executed to obtain the expected result. In some cases, multitasking or multiprocessing is also beneficial. Likewise, although the above discussion comprises some particular implementation details, they should not be interpreted as limitations over the scope of the present disclosure. Some features described separately in the context of the embodiments of the description can also be integrated and implemented in a single embodiment. Conversely, all kinds of features described in the context of a single embodiment can also be separately implemented in multiple embodiments or any suitable sub-combinations.

[0108] Although the subject matter has been described in languages specific to structural features and / or method actions, it should be understood that the subject matter defined in the attached claims is not limited to the above described particular features or actions. On the contrary, the above described specific features and actions are disclosed for implementing examples of the claims.

[0109] Various embodiments of the present disclosure have been described above and the above description is only exemplary rather than exhaustive and is not limited to the embodiments of the present disclosure. Many modifications and alterations, without deviating from the scope and spirit of the explained various embodiments, are obvious for those skilled in the art. The selection of terms in the text aims to best explain principles and actual applications of each embodiment and technical improvements made in the market by each embodiment, or enable those ordinary skilled in the art to understand embodiments of the present disclosure.

Claims

1.A system for correcting teeth, comprising:an intraoral scanner; anda computing device coupled to the intraoral scanner and configured to:obtain, from the intraoral scanner, initial posture data for a plurality of teeth included in a current correcting phase, the current correcting phase including a starting phase without any corrections, a target intermediate phase selected from a plurality of intermediate phases, or a final phase after experiencing the plurality of intermediate phases, wherein each intermediate phase of the plurality of intermediate phases has experienced at least one correction;obtain an identifier of each dental position determined based on the initial posture data, wherein each dental position includes a toothed dental position or a toothless dental position;obtain a combination of dental positions to be corrected, wherein the combination of dental positions to be corrected includes: for two or more teeth among the plurality of teeth, a combination of dental position identifiers selected from the identifier of each dental position; anddetermine, based on the initial posture data and the combination of dental positions to be corrected, target posture data for the current correcting phase using a trained deep learning network.2.The system of claim 1, wherein in the case that there is a void at the toothless dental position, the identifier for the toothless dental position includes an identifier of a dental position symmetric with the toothless dental position; orin the case that the toothless dental position is occupied by an adjacent tooth, the identifier for the toothless dental position includes an identifier of the adjacent tooth.3.The system of claim 1 or 2, wherein the combination of dental positions to be corrected includes, for at least one dental arch of an upper dental arch and / or a lower dental arch, at least one of:six teeth including four front teeth and two canine teeth;eight teeth including four front teeth, two canine teeth, one left premolar tooth and one right premolar tooth;ten teeth including four front teeth, two canine teeth and four premolar teeth;twelve teeth including four front teeth, two canine teeth, four premolar teeth, one left posterior molar tooth and one right posterior molar tooth; orall fourteen teeth except for two wisdom teeth.4.The system of claim 1 or 2, wherein the number of the toothless dental position is smaller than five; andthe toothed dental position does not include a dental position for a wisdom tooth.5.The system of claim 1, wherein the deep learning network is trained through the following operations:for a target correcting phase, determining, based on training data, first feature encoding information for a target dental position in a pre-correction dental arch, wherein the first feature encoding information includes association information between at least two points on point cloud of the target dental position, and the target correcting phase includes the starting phase, the target intermediate phase or the final phase;determining, based on the first feature encoding information, second feature encoding information indicating association information between the target dental position and all dental positions other than the target dental position;determining, based on the second feature encoding information, predicted posture information for the target dental position during the target correcting phase; andadjusting, based on the predicted posture information predicted by the network and reference posture information for the target correcting phase as planned by a dentist, the deep learning network to improve prediction accuracy.6.The system of claim 5, wherein the first feature encoding information is determined based on the following two items:local feature encoding information of the target dental position, andorthodontic dentition encoding information for a dental arch where the target dental position is located,wherein the orthodontic dentition encoding information indicates encoding information of dentition sequence corrected on the dental arch where the target dental position is located.7.The system of claim 6, wherein the first feature encoding information is further determined based on global feature encoding information of a dental arch where the target dental position is located, wherein the first feature encoding information further includes, as the global feature encoding information, association information between at least two points on a point cloud of the dental arch where the target dental position is located, orthe first feature encoding information is further determined based on dento-jaw information encoding information, wherein the dento-jaw information encoding information is used for distinguishing an upper dental arch from a lower dental arch.8.The system of claim 5, wherein the deep learning network includes a plurality of network units, andthe plurality of network units are each configured to predict predicted posture information for each target dental position during one of the target correcting phases.9.The system of claim 5, wherein the predicted posture information includes posture vector information of rotation and translation predicted by the deep learning network, and the reference posture information includes posture vector information of rotation and translation that is calculated based on a three-dimensional model of the target dental position before teeth arrangement and a reference three-dimensional model after teeth arrangement as planned by a dentist; orthe predicted posture information includes first target point cloud information for the target dental position predicted by the deep learning network, and the reference posture information includes second target point cloud information for the target dental position annotated by a dentist.10.The system of claim 5, wherein the training data do not include, for the final stage, at least one of:data indicating a gap between adjacent teeth;data indicating presence of prepared tooth;data indicating at least one tooth correction error;data indicating abnormal occlusion; anddata indicating malocclusion.11.A method for correcting teeth, comprising:obtaining, from an intraoral scanner, initial posture data for a plurality of teeth included in a current correcting phase, the current correcting phase including a starting phase without any corrections, a target intermediate phase selected from a plurality of intermediate phases, or a final phase after experiencing the plurality of intermediate phases, wherein each intermediate phase of the plurality of intermediate phases has experienced at least one correction;obtaining an identifier of each dental position determined based on the initial posture data, wherein each dental position includes a toothed dental position or a toothless dental position;obtaining a combination of dental positions to be corrected, wherein the combination of dental positions to be corrected includes, for two or more teeth of the plurality of teeth, a combination of dental position identifiers selected from the identifier for each dental position; anddetermining, based on the initial posture data and the combination of dental positions to be corrected, target posture data for the current correcting phase using a trained deep learning network.12.The method of claim 11, wherein in the case that there is a void at the toothless dental position, the identifier for the toothless dental position includes an identifier of a dental position symmetric with the toothless dental position; orin the case that the toothless dental position is occupied by an adjacent tooth, the identifier for the toothless dental position includes an identifier of the adjacent tooth.13.The method of claim 11 or 12, wherein the combination of dental positions to be corrected includes, for at least one dental arch of an upper dental arch and / or a lower dental arch, at least one of:six teeth including four front teeth and two canine teeth;eight teeth including four front teeth, two canine teeth, one left premolar tooth and one right premolar tooth;ten teeth including four front teeth, two canine teeth and four premolar teeth;twelve teeth including four front teeth, two canine teeth, four premolar teeth, one left posterior molar tooth and one right posterior molar tooth; orall fourteen teeth except for two wisdom teeth.14.The method of claim 11, wherein the deep learning network is trained through the following operations:for a target correcting phase, determining, based on training data, first feature encoding information for a target dental position in a pre-correction dental arch, wherein the first feature encoding information includes association information between at least two points in a point cloud of the target dental position, and the target correcting phase includes the starting phase, the target intermediate phase or the final phase;determining, based on the first feature encoding information, second feature encoding information indicating association information between the target dental position and all dental positions other than the target dental position;determining, based on the second feature encoding information, predicted posture information for the target dental position during the target correcting phase; andadjusting, based on the predicted posture information predicted by the network and reference posture information for the target correcting phase as planned by a dentist, the deep learning network to improve prediction accuracy.15.The method of claim 14, wherein the first feature encoding information is determined based on the following two items:local feature encoding information of the target dental position, andorthodontic dentition encoding information for a dental arch where the target dental position is located,wherein the orthodontic dentition encoding information indicates encoding information of dentition sequence corrected on the dental arch where the target dental position is located.16.The method of claim 14, wherein the first feature encoding information is further determined based on global feature encoding information of a dental arch where the target dental position is located, wherein the first feature encoding information further includes, as the global feature encoding information, association information between at least two points on a point cloud of the dental arch where the target dental position is located, orthe first feature encoding information is further determined based on dento-jaw information encoding information, wherein the dento-jaw information encoding information is used for distinguishing between an upper dental arch and a lower dental arch.17.The method of claim 14, wherein the deep learning network includes a plurality of network units, andthe plurality of network units are each configured to predict predicted posture information for each target dental position during one of target correcting phase.18.The method of claim 14, wherein the predicted posture information includes posture vector information of rotation and translation predicted by the deep learning network and the reference posture information includes posture vector information of rotation and translation that is calculated based on a three-dimensional model of the target dental position before teeth arrangement and a reference three-dimensional model after teeth arrangement as planned by a dentist; orthe predicted posture information includes first target point cloud information for the target dental position predicted by the deep learning network, and the reference posture information includes second target point cloud information for the target dental position annotated by a dentist.19.The method of claim 14, further comprising excluding from the training data in a final phase at least one of:data indicating a gap between adjacent teeth;data indicating presence of prepared tooth;data indicating at least one tooth correction error; anddata indicating remained malocclusion after correction.20.An electronic apparatus, comprising:a processor; anda memory storing executable instructions, wherein the instructions, in response to being executed by a processor, cause the electronic apparatus to at least:obtain, from an intraoral scanner, initial posture data for a plurality of teeth included in a current correcting phase, the current correcting phase including a starting phase without any corrections, a target intermediate phase selected from a plurality of intermediate phases, or a final phase after experiencing the plurality of intermediate phases, wherein each intermediate phase of the plurality of intermediate phases has experienced at least one correction;obtain an identifier of each dental position determined based on the initial posture data, wherein each dental position includes a toothed dental position or a toothless dental position;obtain a combination of dental positions to be corrected, wherein the combination of dental positions to be corrected includes: for two or more teeth of the plurality of teeth, a combination of dental position identifiers selected from the identifier of each dental position; anddetermine, based on the initial posture data and the combination of dental positions to be corrected, target posture data for the current correcting phase using a trained deep learning network.

Images