用于构造修复体的方法技术

本发明专利技术涉及一种用于构造修复体（1）的方法，其中借助于牙科相机（2）测量牙齿状况（3）并且生成牙齿状况（3）的3D模型（4）。在该情况下，将计算机辅助检测算法应用于牙齿状况（3）的3D模型（4），其中自动地确定待插入的修复体（1）的修复体类型（17）和/或至少牙齿编号（18）和/或位置。位置。位置。

【技术实现步骤摘要】
用于构造修复体的方法
[0001]本申请是申请号为201880015699.5、申请日为2018年3月2日、题为“用于构造修复体的方法”的中国专利技术专利申请的分案申请。


[0002]本专利技术涉及一种用于构造修复体的方法，其中借助于牙科相机测量牙齿状况并且生成牙齿状况的3D模型。

技术介绍

[0003]用于规划修复体的许多方法是本领域已知的，其中用户必须人工确定修复体的类型并且指示待生产的修复体的牙齿编号。
[0004]所述方法的一个缺点是用户会为待生产的修复体选择不正确的牙齿类型或不正确的牙齿编号，使得会生产次品修复体。
[0005]因此，本专利技术的目的是提供一种可以自动确定待生产的修复体的牙齿类型和/或牙齿编号的方法。

技术实现思路

[0006]本专利技术涉及一种用于构造修复体的方法，其中借助于牙科相机测量牙齿状况并且生成牙齿状况的3D模型。将计算机辅助检测算法应用于所述牙齿状况的3D模型，其中自动地确定待插入的修复体的修复体类型和/或至少牙齿编号和/或位置。
[0007]修复体可以是例如可以借助于CAD/CAM方法生产的任何修复体。牙科相机可以是例如基于条纹投影方法或共焦测量方法的任何三维牙科相机。牙齿状况可以包括待插入的修复体的紧邻环境，或待插入的修复体周围的较大区域。使用牙科相机的测量可以从各种方向执行，例如牙合方向、舌方向、颊方向或唇方向。在借助于牙科相机的测量之后生成牙齿状况的3D模型。然后将检测算法应用于牙齿状况的3D模型。检测算法可以基于例如用于机器学习的人工神经网络，或基于模板匹配程序。在通过检测算法对3D模型进行分析之后，对于待插入的修复体自动地确定修复体类型和/或至少一个牙齿的牙齿编号。
[0008]该方法的一个优点在于修复体类型和牙齿编号的确定是在没有用户交互的情况下自动发生的。这防止了用户的潜在操作错误并减少了规划修复体所需的时间量。
[0009]修复体类型可有利地为嵌体、牙冠、牙桥、基牙、桥体或贴面。
[0010]牙桥可以例如使用种植体和基牙附着到颌骨，或者可以附着到相邻健康牙齿的牙残桩。牙桥可以是固定的或可移除的。牙桥还可以是由金属合金基部和陶瓷或塑料上部部分组成的基桥。
[0011]基牙是支撑柱，其用作牙科种植体和修复体（例如牙冠）之间的连接件。基牙可以可释放地或固定地附接到种植体。种植基牙可以根据生产的方法进行分类。在预制的、定制可浇注的或可压铸的和CAD/CAM种植基牙之间进行区分。预制基牙可以不同尺寸、形状和角度并且作为可磨或不可磨种类获得。一体式种植体具有整合基牙。使用CAD/CAM方法生产的
基牙可以针对特定牙齿状况（相对于轴线倾斜且相对于设计两者）定制。牙齿着色的基牙用于美学修复体，特别是在前牙的区域中，以便尽可能地模仿天然牙齿的光学印象。基牙通常由钛或陶瓷制成。
[0012]贴面是一层薄的透明陶瓷壳体，特别是对于前牙。
[0013]嵌体是放置到牙齿的预备体中的嵌体填充物。与通过塑形辅助剂以软稠度引入到牙齿中并且随后硬化的塑料填充材料不同，嵌体是粘合地结合到牙齿的预备体中的定制工件。
[0014]桥体是粘合地结合到健康相邻牙齿的牙残桩上或种植基牙上的牙桥。
[0015]因此借助于检测算法分析牙齿状况的3D模型，以便选择所述类型的修复体中的一个。
[0016]牙齿状况可有利地包括至少一个预备体或种植体支撑的中间结构（例如基牙），用于放置待生产的修复体。
[0017]例如，诸如基牙的中间结构用作种植体和诸如牙冠的修复体之间的连接元件。基于预备体的形状，可以构造合适的修复体，例如嵌体、牙冠、桥体或贴面。待生产的修复体因此以准确拟合的方式粘合地结合到预备体中。牙齿状况的3D模型因此可以包括预备体或基牙。
[0018]计算机辅助检测算法可以有利地包括用于机器学习的人工神经网络（卷积神经网络：CNN），其中使用牙齿状况的3D模型来分析预备体或种植体支撑的中间结构的形状并且选择合适的修复体类型。
[0019]用于机器学习的人工神经网络（CNN）是允许自动识别修复体的类型的计算机算法。下面将讨论使用CNN的方法。
[0020]卷积神经网络（CNN）是前馈人工神经网络。它是受生物过程启发的机器学习领域中的概念。卷积神经网络用于许多现代人工智能技术，尤其是用于图像或音频数据的机器处理。
[0021]经典CNN的结构通常由卷积层再加上采样层组成。原则上，该单元可以根据需要经常重复。通过足够数量的重复，它们被称为属于深度学习领域的深度卷积神经网络。
[0022]CNN通过学习每层的卷积核的自由参数或分类器及其偏移到下一层的加权来学习。
[0023]在第一步骤中，借助于牙科相机记录牙齿状况的3D模型。记录可以从牙合方向、舌方向和/或唇方向发生。在第二步骤中确定待插入的修复体的位置。这可以由用户人工完成，例如，用户在牙齿状况的3D模型的图形显示中选择待插入的修复体的位置。还可以通过识别记录方向和记录区域的中心自动确定待插入的修复体的位置。待插入的修复体的位置然后对应于在测量期间牙科相机指向的位置。
[0024]在另一步骤中，在可以包括预备体的待插入的修复体的区域中进行分析，由此从各种方向，例如牙合方向、近中方向、舌方向、颊方向和/或唇方向，牙齿状况的3D模型被切割成多个层，所谓的高度场。
[0025]替代形成3D模型的多个层，3D模型的高度场也可以通过高度场的每个像素的亮度对应于3D模型的相应表面点和虚拟相机的限定位置之间的距离的事实形成。来自牙合方向的这样的高度场然后将例如包含对应于更远离相机布置的3D模型的表面区域的暗区，并且
包含对应于更靠近相机布置的3D模型的表面区域的亮区。
[0026]3D模型的高度场用作机器学习系统的输入，其已使用大量不同牙齿状况的3D模型的集合进行训练。
[0027]在另一步骤中，借助于机器学习系统分析牙齿状况的3D模型，并且建议将待插入的修复体的合适类型和/或修复体的牙齿编号作为输出。
[0028]然后在该方法中，待插入的修复体的3D模型可以基于牙齿状况的已知3D模型（包括预备体的形状），基于修复体的确定类型以及基于待使用的修复体的确定牙齿编号而计算。在这样做时，可以自动地识别预备体的边缘，并且可以考虑结构，例如相邻牙齿、相对牙齿和预备体的形状。可以完全自动执行修复体的构造。
[0029]在下一步骤中，可以借助于使用修复体的构造3D模型的CAM研磨机从坯料完全自动地生产修复体。所讨论的方法因此具有可以在没有用户交互的情况下完全自动地生产修复体的优点。
[0030]机器学习系统可以由一个或多个CNN组成。
[0031]牙齿状况的颜色信息也可以用作CNN的输入。然后将颜色信息分配给牙齿状况的3D模型的表面点。
[0032]下面将论述用于训练或参数化由一个或多个CNN组成的机器学习系统的方法。在第一步骤中分析具有已知的修复体类型和已知的牙齿编号的牙齿状况的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于构造修复体(1)的方法，其中借助于牙科相机(2)测量牙齿状况(3)并且生成所述牙齿状况(3)的3D模型(4)，其特征在于，将计算机辅助检测算法应用于所述牙齿状况(3)的3D模型(4)，其中自动地确定待插入的所述修复体(1)的修复体类型(17)和/或至少牙齿编号(18)和/或位置；其中，使用确定的修复体类型(17)和/或牙齿编号(18)来指定待生产的所述修复体的材料。2.根据权利要求1所述的方法，其特征在于，所述修复体类型(17)是嵌体、牙冠、牙桥、基牙、桥体或贴面。3.根据权利要求1或2所述的方法，其特征在于，所述牙齿状况(3)包括至少一个预备体(13、14)或种植体支撑的中间结构，例如基牙，以便插入待生产的所述修复体(1)。4.根据权利要求3所述的方法，其特征在于，所述计算机辅助检测算法包括用于机器学习的人工神经网络(卷积神经网络：CNN)，其中使用所述牙齿状况(3)的3D模型(4)来分析所述预备体(13、14)或所述种植体支撑的中间结构的形状并且选择合适的修复体类型(17)。5.根据权利要求4所述的方法，其特征在于，使用相应牙齿...

【专利技术属性】
技术研发人员：P韦，
申请(专利权)人：西诺德牙科设备有限公司，
类型：发明
国别省市：