目的通过融合隐式模板与深度学习技术,构建全新可变形牙齿深度隐式网络(tooth-deformable deep implicit network,T-DDIN),以评估不同缺损条件下T-DDIN形态重建的精度、稳定性及效率。方法收集2022年3月至2024年3月四川大学华西口腔医院正畸科和修复科收治的550例牙体缺损或错畸形患者的口内扫描模型(训练集500例,测试集50例)。研发T-DDIN,通过隐式模板与潜在编码预测网络实现缺损牙体的形态重建。模型性能评估阶段,对测试集数据模拟Ⅱ类洞缺损和面磨耗。采用传统计算机辅助设计(CAD)和T-DDIN深度学习模型分别进行形态重建(分别为传统CAD组和T-DDIN组),以原始牙为真值,计算两组下颌右侧第一磨牙形态重建后与真值的三维偏差以及调体积、牙尖角差值和形态重建时间,综合评价两组差异。结果T-DDIN组Ⅱ类洞缺损与面磨耗重建的三维偏差[分别为(0.14±0.05)、(0.16±0.09)mm]、调体积[分别为(0.44±0.03)、(0.49±0.03)mm^(3)]及牙尖角差值(分别为5.69°±1.90°、6.04°±0.53°)均显著小于传统CAD组相应缺损重建(均P<0.001)。T-DDIN组两类缺损重建的三维偏差(P=0.098)、调体积(P=0.154)及牙尖角差值(P=0.196)的组内差异均无统计学意义,而传统CAD组面磨耗重建的三维偏差、调体积与牙尖角差值均显著大于Ⅱ类洞缺损重建(均P<0.001)。T-DDIN组两类缺损的形态重建时间分别为(37.2±7.7)和(39.4±6.2)s,均显著少于传统CAD组相应缺损重建(均P<0.001)。结论针对Ⅱ类洞缺损和面磨耗形态重建,T-DDIN均表现出优异的形态重建稳定性、精度和效率。
