BR112021000528A2 - Método para analisar uma foto de uma arcada dentária - Google Patents

Abstract

método para transformar uma vista "original" de um modelo tridimensional digital "original" em uma vista hiper realista, referido método compreendendo as seguintes etapas: 21) criar uma base de aprendizagem de "transformação" que consista em mais de 1000 registros de "transformação", cada registro de transformação compreendendo: - uma foto de "transformação" representando uma cena, e - uma vista de um modelo digital tridimensional de "transformação" que modela referida cena, ou "vista de transformação", a vista de transformação representando referida cena como a foto de transformação; 22) treinar pelo menos uma rede neural de transformação, por meio da base de aprendizagem de transformação; 23) submeter a vista original à referida pelo menos uma rede neural de transformação, de tal modo que a transforme em uma vista hiper realista.

Description

MÉTODO PARA ANALISAR UMA FOTO DE UMA ARCADA DENTÁRIA Campo Técnico

[0001] A presente invenção diz respeito ao campo da análise de fotos de arcadas dentárias.

[0002] Refere-se em particular a métodos para fazer modelos tridimensionais e vistas de tais modelos hiper realistas, criando uma base de aprendizagem destinada a treinar uma rede neural com base nessas vistas hiper realistas e analisar fotos de arcos dentários usando a rede neural, assim treinada. Estado da Técnica

[0003] As técnicas mais recentes usam redes neurais para avaliar situações odontológicas com base em imagens, convencionalmente raios-X, em particular para identificação post-mortem.

[0004] Uma "rede neural" ou "rede neural artificial" é um conjunto de algoritmos bem conhecido por uma pessoa versada na técnica. A rede neural pode, particularmente, ser escolhida entre: - redes especializadas em classificação de imagens (chamadas de redes neurais convolucionais (CNNs)), por exemplo - AlexNet (2012) - ZF Net (2013) - VGG Net (2014) - GoogleNet (2015) - Microsoft ResNet (2015) - Caffe: BAIR Reference CaffeNet, BAIR AlexNet - Torch:VGG_CNN_S,VGG_CNN_M,VGG_CNN_M_2048,VGG_CNN _M_1024,VGG_CNN_M_128,VGG_CNN_F,VGG ILSVRC-2014 16- layer,VGG ILSVRC-2014 19-layer,Network-in-Network (Imagenet & CIFAR- 10) - Google: Inception (V3, V4).

- redes especializadas em localização e detecção de objetos em uma imagem (redes de detecção de objetos), por exemplo: - R-CNN (2013) - SSD (Single Shot Multibox Detector: rede de detecção de objetos), faster R-CNN (rede neural convolucional baseada em região mais rápida: rede de detecção de objetos) - faster R-CNN (2015) - SSD (2015).

[0005] A lista anterior não é exaustiva.

[0006] Para ser operacional, uma rede neural deve ser treinada usando um processo de aprendizagem denominado “aprendizagem profunda”, com base em uma base de aprendizagem pareada ou não pareada.

[0007] Uma base de aprendizagem pareada consiste em um conjunto de registros, cada um compreendendo uma imagem e uma descrição da imagem. Ao apresentar os registros na entrada da rede neural, a referida rede neural aprende gradualmente como gerar uma descrição para uma imagem que lhe é apresentada.

[0008] Por exemplo, cada registro na base de aprendizagem pode compreender uma imagem de uma arcada dentária e uma descrição identificando, nessa imagem, as representações dos dentes, ou "zonas de dentes", e os números dos dentes correspondentes. Depois de ter sido treinada, a rede neural poderá, assim, identificar, em uma imagem que lhe é apresentada, as representações dos dentes e os respectivos números dos dentes.

[0009] A qualidade da análise realizada pela rede neural depende diretamente do número de registros na base de aprendizagem. A base de aprendizagem convencionalmente contém mais de 10.000 registros.

[0010] Na área odontológica, a realização de um grande número de registros é dificultada pelo número limitado de imagens que são produzidas, em particular por ortodontistas e dentistas, e pelo caráter geralmente confidencial dessas imagens.

[0011] A qualidade da análise realizada pela rede neural depende também da qualidade das descrições dos registros na base de aprendizagem. Essas descrições são geradas convencionalmente por um operador que define as regiões de dentes por meio de um computador e que, após ter identificado o dente correspondente, por exemplo “canino superior direito”, em conformidade, lhe atribui um número. Esta operação é chamada de rotulagem. Se o operador cometer um erro ao identificar o dente ou ao inseri-lo, a descrição estará incorreta e a qualidade do treinamento será prejudicada.

[0012] Os operadores que realizam a rotulagem podem ter interpretações diferentes de uma mesma imagem. A qualidade da base de aprendizagem dependerá, assim, das interpretações adotadas pelos operadores.

[0013] Há, portanto, uma necessidade contínua de um método para criar uma base de aprendizagem de alta qualidade.

[0014] Um objetivo da invenção é atender a essa necessidade. Resumo da Invenção

[0015] A invenção propõe um método para enriquecer uma base de aprendizagem histórica, referido método compreendendo as seguintes etapas: 1) gerar um modelo tridimensional digital de uma cena, em particular de uma cena odontológica, ou "modelo histórico" e, preferencialmente, uma descrição de referido modelo histórico; 2) criar uma vista hiper realista ou “foto realista” do referido modelo histórico;

3) preferencialmente com base na descrição do referido modelo histórico, criar uma descrição da referida vista hiper realista, ou “descrição histórica”; 4) criar um registro histórico que consiste na vista hiper realista e na descrição histórica de referida vista hiper realista, e adicionar o registro histórico à base de aprendizagem histórica.

[0016] Como será visto em mais detalhes no restante do relatório descritivo, um método de enriquecimento, de acordo com a invenção, usa modelos e, em particular, varreduras realizadas por profissionais de odontologia, para criar vistas hiper realistas equivalentes a fotos. Assim, a invenção torna vantajosamente possível gerar uma base de aprendizagem que permite treinar uma rede neural para analisar fotos, mesmo que a base de aprendizagem não contenha necessariamente fotos.

[0017] Preferencialmente, na etapa 1), a descrição do modelo histórico é gerada e, na etapa 3), a descrição histórica é criada, pelo menos em parte, a partir da descrição do referido modelo histórico.

[0018] Preferencialmente, o modelo histórico é dividido em modelos elementares e, em seguida, na etapa 1), uma descrição específica para um modelo elementar, preferencialmente para cada modelo elementar representado na vista hiper realista, é gerada na descrição do modelo histórico e, na etapa 3), uma descrição específica para a representação do referido modelo elementar na vista hiper realista é incluída na descrição histórica, pelo menos parte da descrição específica sendo herdada da referida descrição específica.

[0019] Por exemplo, modelos elementares que representam os dentes, ou "modelos de dentes", no modelo histórico, são criados e, na descrição do modelo histórico, uma descrição específica é criada para cada modelo de dente, por exemplo, de modo a identificar o números dos dentes correspondentes. Assim, é fácil preencher a descrição histórica em conformidade. Em particular, os números dos dentes dos modelos de dentes podem ser atribuídos às representações desses modelos de dentes na vista hiper realista. Vantajosamente, uma vez elaborado o modelo histórico e sua descrição, é possível gerar registros históricos usando um computador, sem intervenção humana. A criação da descrição histórica pode, portanto, ser pelo menos parcialmente automatizada. O risco de erro é, assim, vantajosamente limitado.

[0020] Adicionalmente, um método de enriquecimento, de acordo com a invenção, torna vantajosamente possível, ao modificar a vista de um e do mesmo modelo, gerar um grande número de registros históricos. O método de enriquecimento, portanto, compreende preferencialmente, após a etapa 4), a seguinte etapa: 5) modificar a vista hiper realista e, em seguida, retornar à etapa 3).

[0021] Em uma modalidade preferencial, o método de enriquecimento compreende, após a etapa 4) ou etapa opcional 5), a seguinte etapa 6): 6) deformar o modelo histórico e, em seguida, retornar à etapa 1).

[0022] A etapa 6) é particularmente vantajosa. Especificamente, torna possível criar vários modelos históricos que não resultam exclusivamente de medições em um paciente e, em particular, de uma varredura da arcada dentária do paciente. Os modelos históricos podem, particularmente, ser criados para simular situações odontológicas para as quais existem poucas fotos disponíveis, por exemplo, relacionadas a patologias raras.

[0023] A invenção, portanto, também diz respeito a um método para analisar uma foto de "análise" representando uma arcada dentária de um paciente de "análise", referido método compreendendo as seguintes etapas:

A) criar uma base de aprendizagem histórica contendo mais de 1000 registros históricos, através da implementação de um método de enriquecimento de acordo com a invenção; B) treinar pelo menos uma rede neural de “análise”, por meio da base de aprendizagem histórica; C) enviar a foto de análise para a rede neural de análise treinada para obter uma descrição da foto de análise.

[0024] Quando a base de aprendizagem histórica contém registros históricos relativos a uma determinada patologia, a rede neural de análise permite, assim, vantajosamente avaliar se a cena odontológica representada na foto de análise corresponde a essa patologia.

[0025] A invenção também diz respeito a um método para transformar uma vista "original" de um modelo tridimensional digital "original", particularmente de um modelo de uma arcada dentária, em uma vista hiper realista, referido método compreendendo as seguintes etapas: 21) criar uma base de aprendizagem de "transformação" que seja não pareada ou consista em mais de 1000 registros de "transformação", cada registro de transformação compreendendo: - uma foto de "transformação" representando uma cena, e - uma vista de um modelo digital tridimensional de "transformação" que modela referida cena odontológica, ou "vista de transformação", a vista de transformação representando referida cena da mesma forma que a foto de transformação; 22) treinar pelo menos uma rede neural de “transformação”, por meio da base de aprendizagem de transformação; 23) submeter a vista original à referida pelo menos uma rede neural de transformação treinada, de tal modo que ela determine referida vista hiper realista.

[0026] Como será visto com mais detalhes no restante da descrição, um método de transformação é baseado em uma rede neural treinada para ser capaz de fazer uma vista de um modelo hiper realista. O uso do método permite, assim, vantajosamente criar uma biblioteca de vistas hiper realistas, fornecendo substancialmente as mesmas informações que as fotos, sem a necessidade de tirar fotos.

[0027] O método de transformação pode, particularmente, ser usado para criar uma vista hiper realista do modelo histórico a partir de uma vista original do modelo histórico, para enriquecer uma base de aprendizagem histórica de acordo com um método de enriquecimento conforme a invenção.

[0028] Preferencialmente, na etapa 23), a vista original é processada por meio de um motor 3D antes de ser submetida à rede neural de transformação. O resultado obtido é, assim, adicionalmente melhorado.

[0029] Em uma modalidade, o método compreende uma seguinte etapa adicional: 24) associar a vista hiper realista com uma descrição histórica, para formar registros históricos de uma base de aprendizagem histórica, ou seja, para realizar as etapas 1) a 4).

[0030] A invenção também diz respeito a um método texturizador para tornar um modelo digital tridimensional "original" hiper realista, o referido método compreendendo as seguintes etapas: 21') criar uma base de aprendizagem "texturizadora" consistindo em mais de 1000 registros "texturizadores", cada registro texturizador compreendendo: - um modelo não realisticamente texturizado representando uma cena, particularmente uma arcada dentária, e uma descrição desse modelo afirmando que ele é não realisticamente texturizado, ou - um modelo realisticamente texturizado representando uma cena, particularmente uma arcada dentária, e uma descrição desse modelo afirmando que ele é realisticamente texturizado;

22') treinar pelo menos uma rede neural “texturizadora”, por meio da base de aprendizagem texturizadora; 23') submeter o modelo original à referida pelo menos uma rede neural texturizadora treinada, de tal modo que ela texturize o modelo original para torná-lo hiper realista.

[0031] Como será visto em mais detalhes no restante da descrição, tal método vantajosamente permite criar vistas hiper realistas simplesmente observando o modelo original tornado hiper realista.

[0032] Para tanto, o método também compreende a seguinte etapa: 24') adquirir uma vista hiper realista ao observar o modelo original tornado hiper realista na etapa 23').

[0033] Os métodos, de acordo com a invenção, são, pelo menos em parte, preferencialmente totalmente implementados por computador. A invenção, portanto, também diz respeito a: - um programa de computador que compreende instruções de código de programa para executar uma ou mais etapas de qualquer método de acordo com a invenção quando o referido programa é executado por um computador, - um meio de armazenamento no qual esse programa é armazenado, uma memória ou um CD-ROM, por exemplo. Definições

[0034] Um “paciente” é uma pessoa para quem um método de acordo com a invenção é implementado, independentemente de essa pessoa estar em tratamento ortodôntico ou não.

[0035] Por “profissional de assistência odontológica” entende-se com sendo qualquer pessoa qualificada para prestar assistência odontológica, isso particularmente incluindo um ortodontista e um dentista.

[0036] Uma “situação odontológica” define um conjunto de características relacionadas a uma arcada de um paciente em um momento, por exemplo, a posição dos dentes, seu formato, a posição de um dispositivo ortodôntico, etc. neste momento.

[0037] “Modelo” significa um modelo digital tridimensional. Consiste em um conjunto de voxels. Um "modelo de uma arcada" é um modelo representando pelo menos uma parte de uma arcada dentária e, preferencialmente, pelo menos 2, preferencialmente pelo menos 3 e preferencialmente pelo menos 4 dentes.

[0038] Por uma questão de clareza, é feita uma distinção entre a “divisão” de um modelo em “modelos elementares” e a “segmentação” de uma imagem, em particular de uma foto, em “regiões elementares”. Os modelos elementares e as regiões elementares são representações 3D ou 2D, respectivamente, de um elemento de uma cena real, por exemplo de um dente.

[0039] Uma observação de um modelo, sob condições de observação definidas, em particular de um ângulo definido e de uma distância definida, é chamada de “vista”.

[0040] Uma “imagem” é uma representação bidimensional (formada de pixels) de uma cena. Uma “foto” é, portanto, uma imagem particular, convencionalmente uma imagem colorida, tirada com uma câmera. Por “câmera” entende-se qualquer dispositivo que permita tirar uma fotografia, incluindo uma câmera de vídeo, um telefone celular, um tablet ou um computador. Uma vista é outro exemplo de uma imagem.

[0041] Um atributo de dente é um atributo cujo valor é específico para os dentes. Preferencialmente, um valor de um atributo de dente é atribuído a cada região de dente na imagem em questão ou a cada modelo de dente de um modelo de arcada dentária em questão. Em particular, um atributo de dente não está relacionado à imagem ou ao modelo em sua totalidade. Seu valor deriva das características do dente ao qual se relaciona.

[0042] Uma “cena” consiste em um conjunto de elementos que podem ser observados simultaneamente. Uma “cena odontológica” é uma cena que contém pelo menos uma parte de uma arcada dentária.

[0043] Por “foto de uma arcada”, “representação de uma arcada”, “varredura de uma arcada”, “modelo de uma arcada” ou "vista de uma arcada" etc., o que se entende é uma foto, uma representação, uma varredura, um modelo ou uma vista etc., de toda ou parte da referida arcada dentária.

[0044] As "condições de aquisição" para uma foto ou para uma vista especificam a posição e orientação no espaço de um dispositivo para adquirir esta foto (câmera) ou de um dispositivo para adquirir esta vista em relação a uma arcada dentária do paciente (condições reais de aquisição) ou em relação a um modelo da arcada dentária do paciente (condições de aquisição virtual), respectivamente. As condições de aquisição também especificam, preferencialmente, a calibração do dispositivo de aquisição. As condições de aquisição são consideradas como sendo “virtuais” quando correspondem a uma simulação em que o dispositivo de aquisição estaria nas referidas condições de aquisição (posicionamento teórico e, preferencialmente, calibração do dispositivo de aquisição) em relação a um modelo.

[0045] Sob condições de aquisição virtual para uma vista, o dispositivo de aquisição também pode ser denominado "virtual". A vista é especificamente adquirida por um dispositivo de aquisição fictício, com as características de uma câmera “real” que teria sido utilizada para adquirir uma foto passível de ser sobreposta à vista.

[0046] A “calibração” de um dispositivo de aquisição consiste em todos os valores dos parâmetros de calibração. Um “parâmetro de calibração” é um parâmetro intrínseco ao dispositivo de aquisição (ao contrário de sua posição e orientação), cujo valor influencia a foto ou vista adquirida. Os parâmetros de calibração são preferencialmente escolhidos a partir do grupo formado pela abertura do diafragma, tempo de exposição, comprimento focal e sensibilidade.

[0047] “Informações discriminatórias” são informações características que podem ser extraídas de uma imagem (“recurso de imagem”), convencionalmente por processamento computadorizado desta imagem.

[0048] As informações discriminatórias podem ter um número variável de valores. Por exemplo, as informações de contorno podem ser iguais a 1 ou 0 dependendo se um pixel pertence ou não a um contorno. As informações de brilho podem adotar um grande número de valores. O processamento de imagens permite extrair e quantificar a informação discriminatórias.

[0049] As informações discriminatórias podem ser representadas na forma de um “gráfico”. Um gráfico é, portanto, o resultado do processamento de uma imagem para revelar as informações discriminatórias, por exemplo, o contorno dos dentes e gengivas.

[0050] “Correspondência” ou “ajuste” entre dois objetos é o nome dado a uma medida da diferença entre esses dois objetos. Uma correspondência é máxima (“melhor ajuste”) quando resulta de uma otimização que permite minimizar a referida diferença.

[0051] Uma foto e uma vista que exibem uma correspondência máxima representam uma cena da mesma maneira. Em particular, em uma cena odontológica, as representações dos dentes na foto e na vista podem ser substancialmente sobrepostas.

[0052] A busca por uma vista exibindo uma correspondência máxima com uma foto é realizada pesquisando as condições de aquisição virtual para a vista exibindo uma correspondência máxima com as condições reais de aquisição da foto.

[0053] A comparação entre a foto e a vista resulta preferencialmente da comparação de dois gráficos correspondentes.

“Distância” é o nome convencionalmente dado a uma medida da diferença entre os dois gráficos ou entre a foto e a vista.

[0054] Uma “base treinamento” é um banco de dados de registros de computador adequado para treinar uma rede neural.

[0055] O treinamento de uma rede neural é compatível com o objetivo pretendido e não apresenta nenhuma dificuldade particular para uma pessoa versada na técnica.

[0056] Treinar uma rede neural consiste em confrontá-la com uma base de aprendizagem contendo informações sobre os dois tipos de objetos que a rede neural deve aprender a “combinar”, ou seja, a se conectar.

[0057] O treinamento pode ser realizado a partir de uma base de aprendizagem "pareada", consistindo em registros de "pares", ou seja, cada um compreendendo um primeiro objeto de um primeiro tipo para a entrada da rede neural e um segundo objeto correspondente, de um segundo tipo, para a saída da rede neural. Também se considera que a entrada e a saída da rede neural estão “pareadas”. Treinar a rede neural com todos esses pares a ensina a fornecer, a partir de qualquer objeto do primeiro tipo, um objeto correspondente do segundo tipo.

[0058] Por exemplo, para que uma rede neural de transformação seja capaz de transformar uma vista original em uma vista hiper realista, por meio da base de aprendizagem de transformação, ela é treinada para que forneça na saída substancialmente a foto de transformação quando for apresentada com a vista de transformação correspondente na entrada. Em outras palavras, a rede neural de transformação é provida de todos os registros de transformação, ou seja, pares cada vez contendo uma vista de transformação (vista de um modelo de uma arcada dentária (primeiro objeto do primeiro tipo)) e uma transformação correspondente foto (foto da mesma arcada dentária, observada da mesma forma que o modelo da arcada é observado para se obter a vista (segundo objeto do segundo tipo)), de forma que ela determina os valores de seus parâmetros para que, quando uma vista de transformação lhe for apresentada na entrada, ela a transforme em uma vista hiper realista substancialmente idêntica à foto correspondente (se ela tivesse sido tirada).

[0059] A Figura 12 ilustra um registro de transformação exemplar.

[0060] Considera-se convencionalmente que este treinamento é realizado fornecendo à rede neural de transformação as vistas de transformação na entrada e as fotos de transformação na saída.

[0061] Da mesma forma, a rede neural de análise é treinada por meio da base de aprendizagem de análise, fornecendo-lhe os registros históricos, de tal modo que ela determine os valores de seus parâmetros para que, quando apresentada com uma vista hiper realista na entrada, ela forneça uma descrição substancialmente idêntica à descrição histórica correspondente à vista hiper realista.

[0062] É convencionalmente considerado que este treinamento é realizado fornecendo à rede neural de análise as vistas hiper realistas na entrada e as descrições históricas na saída.

[0063] O artigo “Image-to-Image Translation with Conditional Adversarial Networks” by Phillip Isola Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros, Berkeley AI Research (BAIR) Laboratory, UC Berkeley, ilustra o uso de uma base de aprendizagem pareada.

[0064] É preferencial o treinamento baseado em uma base de aprendizagem pareada.

[0065] Como alternativa, o treinamento pode ser realizado com base em uma base de aprendizagem conhecida como "não pareada" ou "sem par". Essa base de aprendizagem consiste em: - um conjunto de "saída" que consiste em primeiros objetos de um primeiro tipo, e

- um conjunto de entrada que consiste em segundos objetos de um segundo tipo, os segundos objetos não correspondem necessariamente aos primeiros objetos, ou seja, são independentes dos primeiros objetos.

[0066] Os conjuntos de entrada e saída são fornecidos na entrada e na saída da rede neural para treiná-la. Esse treinamento da rede neural a ensina a fornecer, a partir de qualquer objeto do primeiro tipo, um objeto correspondente do segundo tipo.

[0067] Essas técnicas de treinamento "não pareadas" são descritas, por exemplo, no artigo de Zhu, Jun-Yan, et al. “Unpaired image- to-image translation using cycle-consistent adversarial networks.”

[0068] A Figura 13 ilustra um exemplo de uma vista de um modelo 3D de um conjunto de entrada de uma base de aprendizagem não pareada e uma foto de um conjunto de saída dessa base de aprendizagem. A foto não corresponde à vista, particularmente porque o arco não é observado da mesma forma e/ou porque o arco observado não é o mesmo.

[0069] Por exemplo, o conjunto de entrada pode conter modelos texturizados não realisticamente, cada um representando uma arcada dentária (primeiros objetos), e o conjunto de saída pode conter modelos texturizados de forma realista, cada um representando uma arcada dentária (segundos objetos). Mesmo que os arcos representados no conjunto de entrada sejam diferentes daqueles representados no conjunto de saída, as técnicas de treinamento "não pareadas" permitem que a rede neural aprenda a determinar, para um objeto do primeiro tipo (modelo não texturizado), um objeto do segundo tipo correspondente (modelo texturizado).

[0070] Obviamente, a qualidade da aprendizagem depende do número de registros nos conjuntos de entrada e saída. O número de registros no conjunto de entrada é preferencialmente substancialmente idêntico ao número de registros no conjunto de saída.

[0071] De acordo com a invenção, uma base de aprendizagem não pareada contém preferencialmente conjuntos de entrada e saída, cada um contendo mais de 1.000, mais de 5.000, preferencialmente mais de

10.000, preferencialmente mais de 30. 000, preferencialmente mais de

50.000 e preferencialmente mais de 100.000 primeiros objetos e segundos objetos, respectivamente.

[0072] A natureza dos objetos não é exaustiva. Um objeto pode ser, por exemplo, uma imagem ou um conjunto de informações a respeito desse objeto, ou “descrição”. Uma descrição contém valores de atributos de outro objeto. Por exemplo, um atributo de uma imagem de uma cena odontológica pode ser usado para identificar os números dos dentes representados. O atributo é então “número do dente” e, para cada dente, o valor desse atributo é o número desse dente.

[0073] Na presente descrição, os qualificadores “histórico”, “original”, “transformação” e “análise” são usados por uma questão de clareza.

[0074] “Compreendendo” ou “incluindo” ou “exibindo” deve ser interpretado como não limitante, salvo indicação em contrário. Breve descrição das figuras

[0075] Outras características e vantagens da invenção se tornarão ainda mais evidentes na leitura da seguinte descrição detalhada e ao examinar os desenhos anexos, em que: - as figuras 1 a 3 e 11 mostram esquematicamente as várias etapas de enriquecimento, análise, transformação e métodos texturizadores de acordo com a invenção, respectivamente; - a figura 4 mostra um exemplo de um modelo de uma arcada dentária; - a figura 5 mostra um exemplo de uma vista original do modelo da figura 4;

- a figura 6 mostra um exemplo de uma vista hiper realista obtida a partir da vista original da figura 5; - a figura 7 mostra uma foto de transformação exemplar de uma arcada dentária; - a figura 8 mostra uma vista de transformação exemplar correspondente à foto de transformação da figura 7; - a figura 9 mostra um exemplo de um gráfico de transformação relativo ao contorno dos dentes, obtido a partir de uma foto de transformação; - as figuras 10a e 10b mostram uma vista original de um modelo histórico e uma vista hiper realista correspondente, cuja descrição herdou parte da descrição do modelo histórico, respectivamente; - a figura 12 mostra um registro em uma base de aprendizagem "pareada", a imagem do lado esquerdo mostrando uma vista de transformação de um modelo de uma arcada dentária, a ser fornecida na entrada da rede neural, e a imagem do lado direito mostrando uma foto de transformação correspondente, a ser fornecida na saída da rede neural; - a figura 13 ilustra um exemplo de uma vista de um modelo de um conjunto de entrada de uma base de aprendizagem não pareada e uma foto de um conjunto de saída dessa base de aprendizagem. Descrição detalhada

[0076] A seguinte descrição detalhada é a de uma modalidade preferencial, mas não é limitante. Criação da base histórica de aprendizagem

[0077] Um método para enriquecer uma base de aprendizagem histórica de acordo com a invenção compreende as etapas 1) a 3).

[0078] Na etapa 1), é gerado um modelo histórico de uma arcada dentária do que é chamado de paciente “histórico”.

[0079] O modelo histórico pode ser preparado com base em medições realizadas nos dentes do paciente histórico ou em um molde de seus dentes, um molde de gesso, por exemplo.

[0080] O modelo histórico é obtido preferencialmente a partir de uma situação real, preferencialmente criado com um scanner 3D. Tal modelo, denominado modelo “3D”, pode ser observado de qualquer ângulo.

[0081] Em uma modalidade, o modelo histórico é teórico, ou seja, não corresponde a uma situação real. Em particular, o modelo histórico pode ser criado pela montagem de um conjunto de modelos de dentes escolhidos em uma biblioteca digital. A disposição dos modelos de dentes é definida para que o modelo original seja realista, ou seja, que corresponda a uma situação que poderia ser encontrada em um paciente. Em particular, os modelos de dentes são dispostos em arco, dependendo de sua natureza, e orientados de forma realista. A utilização de um modelo histórico teórico permite, com vantagem, simular arcadas dentárias com características raras.

[0082] Preferencialmente, também é gerada uma descrição do modelo histórico.

[0083] A “descrição” de um modelo consiste em um conjunto de dados relacionados ao modelo em sua totalidade ou a partes do modelo, por exemplo, às partes do modelo que modelam os dentes.

[0084] O modelo histórico é preferencialmente dividido. Em particular, para cada dente, um modelo do referido dente, ou "modelo de dente", é preferencialmente definido com base no modelo histórico.

[0085] No modelo histórico, um modelo de dente é preferencialmente definido por uma borda gengival que pode ser quebrada em uma borda gengival interna (em direção ao interior da boca em relação ao dente), uma borda gengival externa (orientada para o exterior da boca em relação ao dente) e duas bordas gengivais laterais.

[0086] Um ou mais atributos de dentes estão associados aos modelos de dentes com base nos dentes que eles modelam.

[0087] Um atributo de dente é preferencialmente um atributo que se refere apenas ao dente modelado pelo modelo de dente.

[0088] O atributo de dente é preferencialmente escolhido entre um número de dente, um tipo de dente, um parâmetro de forma do dente, por exemplo, uma largura do dente, em particular uma largura mesiopalatal, uma espessura, uma altura de coroa, um índice de deflexão mesial e distal da borda incisal, ou um nível de abrasão, um parâmetro de aparência do dente, em particular um índice em relação à presença de tártaro, placa dentária ou alimento no dente, um índice de translucidez ou um parâmetro de cor, ou um parâmetro relacionado à condição do dente, por exemplo, "desgastado", "quebrado", "cariado" ou "ajustado" (ou seja, em contato com um dispositivo dentário, por exemplo, um dispositivo ortodôntico) ou um parâmetro relacionado a uma patologia associada ao dente, por exemplo, relacionado com a presença, na região do dente, de gengivite, de MIH (hipomineralização molar-incisivo), AIH (hepatite autoimune), fluorose ou necrose.

[0089] Um valor de atributo de dente pode ser atribuído a cada atributo de dente de um modelo de dente específico.

[0090] Por exemplo, o atributo dente “tipo de dente” terá o valor “incisivo”, “canino” ou “molar” dependendo se o modelo do dente é um incisivo, um canino ou um molar, respectivamente.

[0091] O atributo de dente “situação patológica” terá os valores “dente saudável”, “dente quebrado”, “dente gasto”, “dente rachado”, “dente reparado”, “dente tatuado” ou “dente cariado”, por exemplo.

[0092] A atribuição dos valores de atributo de dente aos modelos de dentes pode ser manual ou pelo menos parcialmente automática.

[0093] Da mesma forma, os números dos dentes são atribuídos convencionalmente de acordo com uma regra padrão. Portanto, é suficiente conhecer esta regra e o número de um dente modelado por um modelo de dente para calcular os números dos outros modelos de dente.

[0094] Em uma modalidade preferencial, a forma de um modelo de dente específico é analisada de modo a definir o seu valor de atributo de dente, por exemplo o seu número. Este reconhecimento de forma pode ser executado manualmente. É preferencialmente realizado por meio de uma rede neural.

[0095] A definição dos modelos de dente e os valores dos atributos do dente associados a eles fazem parte da descrição do modelo histórico.

[0096] Da mesma forma, é possível, com base no modelo histórico, definir modelos elementares diferentes dos modelos de dentes e, em particular, modelos para a língua e/ou boca e/ou lábios e/ou maxilares e/ou as gengivas e/ou um dispositivo dentário, preferencialmente um dispositivo ortodôntico, e atribuir-lhes valores para atributos da língua e/ou da boca e/ou dos lábios e/ou dos maxilares e/ou das gengivas, e/ou do dispositivo dentário, respectivamente.

[0097] Um atributo da língua pode, por exemplo, estar relacionado à posição da língua (por exemplo, adote o valor “retraída”).

[0098] Um atributo de boca pode estar relacionado, por exemplo, à abertura da boca do paciente (por exemplo, adote o valor “boca aberta” ou “boca fechada”).

[0099] Um atributo de dispositivo ortodôntico pode, por exemplo, estar relacionado à presença de um dispositivo dentário e/ou estar relacionado à sua condição (por exemplo, adote o valor "dispositivo intacto", "dispositivo quebrado" ou "dispositivo danificado").

[00100] A descrição do modelo histórico também pode incluir dados relativos ao modelo em sua totalidade, ou seja, valores para “atributos do modelo”.

[00101] Por exemplo, um atributo de modelo pode definir se a situação odontológica ilustrada pelo modelo histórico "é patológica" ou "não é patológica", sem que um exame de cada dente seja realizado. Um atributo de modelo define preferencialmente a patologia ou patologias de que o paciente histórico está sofrendo no momento em que o modelo histórico foi criado.

[00102] Um atributo de modelo também pode definir uma classe de oclusão, uma posição da mandíbula em relação à maxila (“sobremordida vertical (overbite)” ou “sobremordida horizontal (overjet)”), um índice de higiene geral ou um índice de congestão, por exemplo. Transformação em uma vista hiper realista

[00103] Na etapa 2), é criada uma vista hiper realista do referido modelo histórico, ou seja, uma vista que parece ser uma foto.

[00104] Uma vista “original” do modelo histórico é preferencialmente escolhida e então tornada hiper realista. A vista original é preferencialmente uma vista extraoral, por exemplo uma vista correspondente a uma foto que teria sido tirada de frente para o paciente, preferencialmente com um retrator.

[00105] Qualquer meio de tornar a vista original hiper realista é possível. O uso é feito preferencialmente do que é chamado de rede neural de “transformação”, treinada para tornar as vistas originais hiper realistas e compreendendo as etapas 21) a 23).

[00106] Essas técnicas de treinamento "não pareadas" são descritas, por exemplo, no artigo de Zhu, Jun-Yan, et al. "Unpaired image- to-image translation using cycle-consistent adversarial networks." Este artigo, entretanto, não descreve a transformação de uma vista de um modelo.

[00107] Na etapa 21), é, portanto, criada a chamada base de aprendizagem de "transformação", que consiste em mais de 1000 dos chamados registros de "transformação", cada registro de transformação compreendendo: - uma foto de "transformação" representando uma cena odontológica, e - uma vista de um modelo digital tridimensional de "transformação" que modela referida cena odontológica, ou "vista de transformação", a vista de transformação representando referida cena da mesma forma que a foto de transformação;

[00108] A vista de transformação representa a cena da mesma forma que a foto de transformação, quando as representações dessa cena na vista de transformação e na foto de transformação são substancialmente as mesmas.

[00109] A base de aprendizagem histórica contém preferencialmente mais de 5.000, preferencialmente mais de 10.000, preferencialmente mais de 30.000, preferencialmente mais de 50.000 e preferencialmente mais de 100.000 registros históricos. Quanto maior o número de registros de transformação, melhor será a capacidade da rede neural de transformação de transformar uma vista original em uma vista hiper realista.

[00110] Um registro de transformação é preferencialmente produzido da seguinte forma para um paciente de "transformação": 211) produzir um modelo de uma arcada dentária do paciente de transformação, ou “modelo de transformação”; 212) adquirir uma foto de transformação representando o referido arco, preferencialmente por meio de um telefone móvel, em condições reais de aquisição; 213) buscar condições de aquisição virtual adequadas para adquirir uma vista de "transformação" do modelo de transformação exibindo uma correspondência máxima com a foto de transformação sob as referidas condições de aquisição virtual e adquirir a referida vista de transformação; 214) combinar a foto de transformação e a vista de transformação para formar o registro de transformação.

[00111] A etapa 213) pode, em particular, ser realizada conforme descrito em WO 2016/066651.

[00112] A foto de transformação é preferencialmente processada de modo a produzir pelo menos um gráfico de "transformação" representando, pelo menos parcialmente, informações discriminatórias. O gráfico de transformação, portanto, representa a informação discriminatória no quadro de referência da foto de transformação.

[00113] A informação discriminatória é preferencialmente escolhida a partir do grupo que consiste em informação de contorno, informação de cor, informação de densidade, informação de distância, informação de brilho, informação de saturação, informação sobre reflexos e combinações destas informações.

[00114] Uma pessoa versada na técnica sabe como processar uma foto de transformação para revelar as informações discriminatórias.

[00115] Por exemplo, a figura 9 é um gráfico de transformação em relação ao contorno dos dentes, obtido a partir da foto de transformação da figura 7.

[00116] A referida pesquisa compreende as seguintes etapas: i) determinar as condições de aquisição virtual “a serem testadas”; ii) produzir uma vista de referência do modelo de transformação sob as referidas condições de aquisição virtual a serem testadas; iii) processar a vista de referência de modo a produzir pelo menos um gráfico de referência representando pelo menos parcialmente a informação discriminatória;

iv) comparar os gráficos de transformação e de referência para determinar um valor para uma função de avaliação, o referido valor para a função de avaliação dependendo das diferenças entre os referidos gráficos de transformação e de referência e correspondendo a uma decisão de continuar ou parar a busca por condições de aquisição virtual que se aproximam das referidas condições de aquisição real com mais precisão do que as referidas condições de aquisição virtual a serem testadas e determinadas na última instância da etapa i); v) se o referido valor para a função de avaliação corresponder a uma decisão de continuar a referida pesquisa, modificar as condições de aquisição virtual a testar, e depois regressar à etapa ii).

[00117] A etapa i) envolve começar por determinar as condições de aquisição virtual a serem testadas, ou seja, uma posição virtual e orientação provável para corresponder à posição real e orientação da câmera ao capturar a foto de transformação, mas também preferencialmente uma calibração virtual que pode corresponder à calibração real da câmera ao capturar a foto de transformação.

[00118] Na etapa ii), a câmera é então configurada virtualmente sob as condições de aquisição virtual a serem testadas, a fim de adquirir uma vista de referência do modelo de transformação sob essas condições de aquisição virtual a serem testadas. A vista de referência corresponde portanto à foto que a câmera teria tirado se tivesse sido colocada, em relação ao modelo de transformação, e opcionalmente calibrada, nas condições de aquisição virtual a serem testadas.

[00119] Na etapa iii), a vista de referência é processada, da mesma forma que a foto de transformação, de modo a produzir, a partir da vista de referência, um gráfico de referência representando a informação discriminatória.

[00120] Na etapa iv), para comparar a foto da transformação e a vista de referência, suas respectivas informações discriminatórias são comparadas nos gráficos de transformação e de referência. A diferença ou “distância” entre estes dois gráficos é, em particular, avaliada por meio de uma pontuação. Por exemplo, se a informação discriminatória é o contorno dos dentes, é possível comparar a distância média entre os pontos do contorno dos dentes que aparecem no gráfico de referência e os pontos do contorno correspondente que aparecem no gráfico de transformação, sendo a pontuação maior quanto menor for a distância.

[00121] A pontuação pode ser, por exemplo, um coeficiente de correlação.

[00122] A pontuação é então avaliada usando uma função de avaliação. A função de avaliação permite decidir se o ciclo através das etapas i) a v) deve ser continuado ou interrompido. Na etapa v), se o valor da função de avaliação indicar que é decidido continuar o ciclo, as condições de aquisição virtual a serem testadas são modificadas e o ciclo é reiniciado nas etapas i) a v), consistindo em produzir uma vista de referência e um gráfico de referência, comparando o gráfico de referência com o gráfico de transformação para determinar uma pontuação e, em seguida, tomar uma decisão com base nessa pontuação.

[00123] Modificar as condições de aquisição virtual a serem testadas corresponde a um movimento virtual no espaço e/ou modificar a orientação e/ou preferencialmente modificar a calibração da câmera. A modificação é preferencialmente orientada por regras heurísticas, por exemplo, favorecendo modificações que, de acordo com a análise dos escores anteriores obtidos, parecem mais favoráveis ao aumento da pontuação.

[00124] O ciclo é continuado até que o valor da função de avaliação indique que é decidido parar esse ciclo, por exemplo, se a pontuação atingir ou exceder um limiar.

[00125] As condições de aquisição virtual são preferencialmente otimizadas usando um método metaheurístico, preferencialmente evolutivo,

preferencialmente um algoritmo de recozimento simulado. Esse método é bem conhecido pela otimização não linear.

[00126] É preferencialmente escolhido a partir do grupo formado por - algoritmos evolutivos, preferencialmente escolhidos dentre: os algoritmos evolucionistas, preferencialmente escolhidos a partir de: estratégias de evolução, algoritmos genéricos, algoritmos de evolução diferencial, algoritmos de estimativa de distribuição, sistemas de imunidade artificial, recomposição de caminhos de evolução complexa embaralhada, recozimento simulado, algoritmos de colônia de formigas, algoritmos de otimização de enxame de partículas, busca de tabu e método de GRASP, - o algoritmo kangaroo, - o método Fletcher e Powell , - o método de ruído, - tunelamento estocástico, - subida de colina com reinício aleatório, - o método de entropia cruzada, e - métodos híbridos entre os métodos metaheurísticos mencionados.

[00127] Se o ciclo tiver sido encerrado sem que uma pontuação satisfatória tenha sido obtida, por exemplo, sem que a pontuação tenha sido capaz de atingir o referido limiar, o método pode ser interrompido (situação de falha) ou reiniciado com nova informação discriminatória. O método também pode ser continuado com as condições de aquisição virtual correspondentes à melhor pontuação obtida.

[00128] Se o ciclo foi encerrado com uma pontuação satisfatória tendo sido capaz de ser obtida, por exemplo, porque a pontuação atingiu ou mesmo ultrapassou o referido limiar, as condições de aquisição virtual correspondem substancialmente às condições de aquisição reais para a foto de transformação, e a vista de referência tem uma correspondência máxima com a foto de transformação. As representações da cena odontológica na vista de referência e na foto de transformação podem ser substancialmente sobrepostas.

[00129] A vista de referência, que representa a referida cena odontológica da mesma forma que a foto de transformação, é então escolhida como vista de transformação.

[00130] Na etapa 22), a rede neural de transformação é treinada por meio da base de aprendizagem de transformação. Tal treinamento é bem conhecido para uma pessoa versada na técnica.

[00131] Convencionalmente, consiste em fornecer todas as referidas vistas de transformação na entrada da rede neural de transformação e todas as referidas fotos de transformação na saída da rede neural de transformação.

[00132] Por meio desse treinamento, a rede neural de transformação aprende como transformar qualquer vista de um modelo em uma vista hiper realista.

[00133] Na etapa 23), uma vista original do modelo histórico é submetida à rede neural de transformação. A rede neural de transformação transforma a vista original em uma vista hiper realista.

[00134] Como alternativa às etapas 21) a 23), a etapa 2) pode compreender as seguintes etapas, em primeiro lugar para tornar o modelo histórico hiper realista e, em seguida, para extrair uma vista hiper realista do mesmo: 21') criar uma base de aprendizagem "texturizadora" consistindo em mais de 1000 registros "texturizadores", cada registro texturizador compreendendo: - um modelo não realisticamente texturizado representando uma arcada dentária, por exemplo, uma varredura de uma arcada dentária, e uma descrição de referido modelo afirmando que ele é não realisticamente texturizado, ou

- um modelo realisticamente texturizado representando uma arcada dentária, por exemplo, uma varredura de uma arcada dentária, e uma descrição de referido modelo afirmando que ele é realisticamente texturizado, ou 22 ') treinar pelo menos uma rede neural “texturizadora”, por meio da base de aprendizagem texturizadora; 23') submeter o modelo original à referida pelo menos uma rede neural texturizadora treinada, de tal modo que ela texturize o modelo histórico original para torná-lo hiper realista;

[00135] Uma vista hiper realista pode então ser obtida diretamente observando o referido modelo histórico hiper realista.

[00136] Por “texturizador” entende-se a transformação de um modelo para dar-lhe um aspecto hiper realista, semelhante ao que um observador da arcada dentária real poderia observar. Em outras palavras, o observador de um modelo texturizado hiper realista tem a impressão de observar a própria arcada dentária.

[00137] Na etapa 21'), os modelos texturizados de forma não realista podem ser gerados conforme descrito acima para a geração dos modelos históricos. Os modelos com textura realista podem ser gerados texturizando modelos com textura inicialmente não realista. Um método para gerar um modelo hiper realista compreendendo as etapas A") a C"), em que o modelo original é um modelo inicialmente texturizado não realista, é preferencialmente implementado.

[00138] Na etapa 22'), o treinamento pode, particularmente, ser realizado seguindo os ensinamentos no artigo de Zhu, Jun-Yan, et al. "Unpaired image-to-image translation using cycle-consistent adversarial networks" (Open access Computer Vision Foundation).

[00139] Por meio desse treinamento, a rede neural texturizadora aprende a texturizar um modelo de modo a torná-lo hiper realista. Em particular, ela aprende a texturizar modelos de arcadas dentárias.

[00140] Na etapa 2), uma vista hiper realista de um modelo 3D também pode ser obtida processando a imagem original por meio de um motor 3D convencional.

[00141] Um motor 3D é um componente de software que permite simular, sobre um objeto digital tridimensional, os efeitos do ambiente e, em particular, os efeitos de iluminação, efeitos ópticos, efeitos físicos e efeitos mecânicos sobre o objeto real correspondente. Ou seja, o motor 3D simula, no objeto digital tridimensional, fenômenos físicos que estão na origem desses efeitos no mundo real.

[00142] Por exemplo, um motor 3D, com base na posição relativa de uma fonte de luz "virtual" em relação a um objeto tridimensional digital e a natureza da luz projetada por esta fonte de luz, irá calcular a aparência deste objeto, por exemplo, para revelar sombras ou reflexos. A aparência do objeto tridimensional digital, portanto, simula a aparência do objeto real correspondente quando ele é iluminado da mesma forma que o objeto tridimensional digital.

[00143] Um motor 3D é chamado também de motor 3D renderizador, motor gráfico, o motor de jogos, motor físico, ou de modelador 3D. Tal motor pode, em particular, ser escolhido dentre os seguintes motor s, ou suas variantes: - Arnold - Aqsis - Arion Render - Artlantis - Atomontage - Blender - Brazil r/s - BusyRay - Cycles - FinalRender

- Fryrender - Guerilla Render - Indigo - Iray - Kerkythea - KeyShot - Kray - Lightscape - LightWorks - Lumiscaphe - LuxRender - Maxwell Render - Mental Ray - Nova - Octane - Povray - RenderMan - Redsdk, Redway3d - Sunflow - Turtle - V-Ray - VIRTUALIGHT - YafaRay.

[00144] Em uma modalidade particularmente vantajosa, a vista original é primeiramente processada por meio de um motor 3D e, em seguida, submetida à rede neural de transformação, conforme descrito acima (etapa 23). A combinação dessas duas técnicas permitiu alcançar resultados notáveis.

[00145] Em uma modalidade, a vista original pode ser, primeiramente, submetida à rede neural de transformação e, então,

processada por meio de um motor 3D. No entanto, esta modalidade não é preferencial.

[00146] Em uma modalidade, uma vista hiper realista obtida diretamente ao se observar um modelo histórico hiper realista texturizado, de acordo com as etapas 21 ') a 23'), é processada por meio de um motor 3D. Esse processamento adicional também melhora a aparência realista da imagem obtida.

[00147] Na etapa 3), é criada uma descrição para a vista hiper realista.

[00148] A descrição de uma vista hiper realista consiste em um conjunto de dados relativos à dita vista em sua totalidade ou a partes da referida vista, por exemplo, às partes da referida vista que representam dentes.

[00149] Da mesma forma que a descrição do modelo histórico, a descrição de uma vista hiper realista pode compreender valores para atributos dos dentes e/ou da língua e/ou da boca e/ou dos lábios e/ou dos maxilares, e/ou das gengivas e/ou do dispositivo odontológico representado na vista hiper realista. Os atributos mencionados acima para a descrição do modelo histórico podem ser atributos da descrição da vista hiper realista.

[00150] A descrição de uma vista hiper realista também pode compreender valores para atributos de vista, ou seja, relativos à vista hiper realista ou à vista original em sua totalidade. Um atributo de vista pode, particularmente, estar relacionado com - uma posição e/ou orientação e/ou calibração de uma câmera virtual usada para adquirir a vista original e/ou - uma qualidade da vista hiper realista e, particularmente, relacionada ao brilho, ao contraste ou à nitidez da vista hiper realista e/ou - o conteúdo da vista original ou da vista hiper realista, por exemplo, relativo à disposição dos objetos representados, por exemplo,

para especificar que a língua está mascarando certos dentes, ou relacionados com a situação terapêutica ou não terapêutica do paciente.

[00151] A descrição da vista hiper realista pode ser formada pelo menos parcialmente manualmente.

[00152] É preferencialmente produzido pelo menos parcialmente, preferencialmente completamente, por herança do modelo histórico, preferencialmente por um programa de computador.

[00153] Em particular, se o modelo histórico foi dividido, as condições de aquisição virtual permitem verificar os modelos elementares do modelo histórico que estão representados na vista hiper realista, bem como as respectivas localizações. Os valores dos atributos relativos aos referidos modelos elementares, disponíveis na descrição do modelo histórico, podem portanto ser atribuídos aos mesmos atributos relativos às representações dos referidos modelos elementares na vista hiper realista.

[00154] Por exemplo, se o modelo histórico foi dividido para definir modelos de dentes e a descrição do modelo histórico especifica um número para um modelo de dente, o mesmo número pode ser atribuído à representação deste modelo de dente na vista hiper realista.

[00155] A Figura 10a mostra uma vista original de um modelo histórico que foi dividido para definir os modelos de dentes. A descrição do modelo histórico contém os números dos dentes do modelo histórico.

[00156] Os valores de pelo menos alguns dos atributos da descrição de uma vista hiper realista podem, portanto, ser herdados da descrição do modelo histórico.

[00157] Na etapa 4), um registro histórico consistindo na vista hiper realista e na descrição histórica de referida vista hiper realista é criado e adicionado à base de aprendizagem histórica.

[00158] A base de aprendizagem histórica pode consistir apenas em registros históricos gerados de acordo com um método de enriquecimento de acordo com a invenção. Em alternativa, a base de aprendizagem histórica pode conter registos históricos gerados de acordo com um método de enriquecimento conforme a invenção, e outros registos históricos, por exemplo criados de acordo com métodos convencionais, em particular por rotulagem de fotos.

[00159] Na etapa 5), que é opcional, a vista hiper realista do modelo histórico é modificada e há um retorno à etapa 3).

[00160] Para modificar a vista hiper realista, uma nova vista hiper realista é preferencialmente criada a partir de uma nova vista original.

[00161] Ao realizar um ciclo de etapas 3) a 5), portanto, torna-se possível criar vários registros históricos correspondentes a várias condições de observação do modelo histórico. Um único modelo histórico permite, assim, criar inúmeros registros históricos, mesmo sem ter uma foto.

[00162] Na etapa 6), o modelo histórico é preferencialmente deformado.

[00163] A deformação do modelo original pode, em particular, consistir em - mover um modelo de dente, por exemplo, para simular um espaçamento entre dois dentes, - deformar um modelo de dente, por exemplo, para simular bruxismo, - excluir um modelo de dente, - deformar um modelo de mandíbula.

[00164] Em uma modalidade, a deformação simula uma patologia.

[00165] A etapa 6) leva a um modelo histórico teórico que vantajosamente permite simular facilmente situações odontológicas para as quais as medidas não estão disponíveis.

[00166] Haverá então um retorno à etapa 2). Com base em um modelo histórico inicial, é possível, portanto, obter registros históricos relativos a uma situação odontológica diferente daquela correspondente ao modelo histórico inicial. Em particular, é possível criar registros históricos para modelos históricos correspondentes a diferentes estágios de uma patologia rara.

[00167] A base de aprendizagem histórica contém preferencialmente mais de 5.000, preferencialmente mais de 10.000, preferencialmente mais de 30.000, preferencialmente mais de 50.000 e preferencialmente mais de 100.000 registros históricos. Análise de uma foto de análise

[00168] Para analisar uma foto de análise, as etapas A) a C) são executadas.

[00169] O método compreende, preferencialmente, uma etapa preliminar durante a qual a foto de análise é adquirida com uma câmera, preferencialmente escolhida dentre um telefone celular, o que é chamado de câmera "conectada", o que é chamado de "smartwatch", um tablet ou um computador pessoal, desktop ou portátil, incluindo um sistema de aquisição de fotos. A câmera é preferencialmente um telefone celular.

[00170] Mais preferencialmente, durante a aquisição da foto de análise, a câmera é espaçada da arcada dentária em mais de 5 cm, mais de 8 cm, ou mesmo mais de 10 cm, evitando assim a condensação de vapor d'água nas lentes da câmera e facilitando o foco. Além disso, preferencialmente, a câmera, em particular o telefone celular, não é provida de nenhuma lente específica para a aquisição das fotos de análise, isso sendo especialmente possível devido ao espaçamento da arcada dentária durante a aquisição.

[00171] Uma foto de análise é, preferencialmente, uma foto colorida, preferencialmente uma foto em cores reais.

[00172] A foto de análise é preferencialmente adquirida pelo paciente, preferencialmente sem o uso de suporte para imobilizar a câmera e, especialmente, sem tripé.

[00173] Na etapa A), é criada uma base de aprendizagem histórica contendo registros históricos obtidos de acordo com um método de enriquecimento conforme a invenção.

[00174] Na etapa B), uma rede neural de “análise” é treinada por meio da base de aprendizagem histórica. Tal treinamento é bem conhecido para uma pessoa versada na técnica.

[00175] A rede neural pode, em particular, ser escolhida a partir da lista fornecida no preâmbulo do presente relatório descritivo.

[00176] A rede neural de “análise”, por meio desse treinamento, aprende a avaliar, para as fotos apresentadas a ela, valores para os atributos avaliados nas descrições históricas;

[00177] Por exemplo, cada descrição histórica pode especificar um valor (“sim” ou “não”) para o atributo “presença de mal oclusão?”.

[00178] O treinamento consiste convencionalmente em fornecer todas as ditas vistas hiper realistas como entrada da rede neural de análise e todas as ditas descrições históricas como saída da rede neural de análise.

[00179] Na etapa C), a foto da análise é apresentada à rede neural de análise, obtendo-se, assim, uma avaliação dos vários atributos, por exemplo “sim”, com uma probabilidade de 95%, para a presença de uma má oclusão.

[00180] O método de análise pode ser usado para fins terapêuticos ou não terapêuticos, por exemplo, para fins de pesquisa ou para fins puramente estéticos.

[00181] Pode ser usado, por exemplo, para avaliar a situação odontológica de um paciente durante o tratamento ortodôntico ou de clareamento de dente. Pode ser usado para monitorar o movimento dos dentes ou a evolução de uma patologia odontológica.

[00182] Em uma modalidade, o paciente tira a foto de análise, por exemplo, com seu telefone celular, e um computador, integrado ao telefone celular ou com o qual o telefone celular é capaz de se comunicar, implementa o método. O paciente pode assim facilmente solicitar uma análise da sua situação odontológica, sem sequer ter que se deslocar, contentando-se em transmitir uma ou, preferencialmente, várias fotos dos seus dentes.

[00183] Analisar uma foto de análise é útil particularmente para detectar uma doença rara. Simulação de uma situação odontológica

[00184] Um método de transformação de acordo com a invenção também pode ser implementado para gerar uma vista hiper realista que representa uma situação odontológica simulada por meio de um modelo digital tridimensional de uma arcada dentária. Em particular, a situação odontológica pode ser simulada em um momento de simulação passado ou futuro, seja no contexto de um tratamento terapêutico ou não terapêutico.

[00185] A invenção, assim, diz respeito a um método para simular uma situação odontológica, compreendendo as seguintes etapas: A') em um momento atualizado, gerar um modelo tridimensional digital de uma arcada dentária de um paciente, chamado de "modelo atualizado", preferencialmente conforme descrito acima na etapa 1); B') deformar o modelo atualizado para simular o efeito do tempo entre o tempo atualizado e um tempo de simulação, antes ou depois do tempo atualizado, por exemplo, por mais de 1 semana, 1 mês ou 6 meses, para obter um "modelo de simulação", preferencialmente conforme descrito acima na etapa 6); C') adquirir uma vista do modelo de simulação, ou “vista de simulação original”; D') transformar a vista de simulação original em uma vista de simulação hiper realista, de acordo com um método de transformação conforme a invenção.

[00186] A vista de simulação hiper realista aparece, assim, da mesma forma que uma foto que tivesse sido tirada na hora da simulação. Pode ser apresentado ao paciente com o objetivo de apresentar-lhe, por exemplo, sua situação odontológica futura ou passada, e assim motivá-lo a buscar um tratamento ortodôntico.

[00187] Na etapa A'), o modelo atualizado é preferencialmente dividido em modelos elementares, preferencialmente conforme descrito acima na etapa 1). Na etapa B'), a deformação pode, assim, resultar de um movimento ou uma deformação de um ou mais modelos elementares, e em particular de um ou mais modelos dentários, por exemplo, de modo a simular o efeito de um dispositivo ortodôntico. Transformação de um modelo

[00188] Uma vista de um modelo original tornado hiper realista de acordo com um método de transformação conforme a invenção pode ser usada vantajosamente para tornar o próprio modelo original hiper realista.

[00189] A invenção também diz respeito a um método para gerar um modelo hiper realista a partir de um modelo original, e em particular a partir de um modelo original de uma arcada dentária, referido método compreendendo as seguintes etapas sucessivas: A'') adquirir uma vista original do modelo original; B') transformar a vista original em uma vista hiper realista, de acordo com um método de transformação conforme a invenção. C'') para cada pixel da vista hiper realista, identificar um voxel correspondente do modelo original, ou seja, representado por referido pixel na vista hiper realista, e atribuir um valor de um atributo do pixel a um atributo do voxel.

[00190] O atributo do pixel pode, em particular, estar relacionado a sua aparência, por exemplo, com sua cor ou com seu brilho. O atributo do voxel é preferencialmente o mesmo que o atributo do pixel. A cor do pixel é, portanto, atribuída, por exemplo, ao voxel.

[00191] Os métodos de acordo com a invenção são, pelo menos em parte, preferencialmente totalmente implementados por computador. Qualquer computador pode ser contemplado, em particular um PC, um servidor ou um tablet.

[00192] Um computador convencionalmente compreende em particular um processador, uma memória, uma interface homem-máquina, convencionalmente compreendendo uma tela, um módulo para comunicação via internet, via Wi-Fi, via Bluetooth® ou via rede telefônica. O software configurado para implementar o método da invenção em questão é carregado na memória do computador.

[00193] O computador também pode ser conectado a uma impressora.

[00194] Obviamente, a invenção não está limitada às modalidades acima descritas e mostradas.

[00195] Em particular, o paciente não se limita a um ser humano. Um método de acordo com a invenção pode ser usado em outro animal.

[00196] Uma base de aprendizagem não consiste necessariamente em registros de "pares". Pode não ser não pareada.

[00197] A base de aprendizagem de transformação pode, por exemplo, conter - um conjunto de entradas consistindo em "vistas de entrada", cada um representando uma vista de um modelo tridimensional digital de transformação modelando uma cena dentária, preferencialmente mais de 1000, mais de 5000, preferencialmente mais de 100.000 vistas de entrada, e preferencialmente mais de 50 000 e preferencialmente mais de 100.000 vistas de entrada, e - um conjunto de saída composto por modelos realisticamente texturizados cada um representando uma arcada dentária, preferencialmente mais de 1000, mais de 5000, preferencialmente mais de

10.000, preferencialmente mais de 30.000, preferencialmente mais de 50

000 e preferencialmente mais de 100.000 modelos realisticamente texturizados, as fotos de saída podendo ser independente das vistas de saída, ou seja, não representam as mesmas cenas dentárias.

[00198] A base de aprendizagem texturizadora pode, por exemplo, conter - um conjunto de saída composto por modelos realisticamente texturizados cada um representando uma arcada dentária, preferencialmente mais de 1000, mais de 5000, preferencialmente mais de

10.000, preferencialmente mais de 30.000, preferencialmente mais de 50 000 e preferencialmente mais de 100.000 modelos realisticamente texturizados, - um conjunto de saída composto por modelos realisticamente texturizados cada um representando uma arcada dentária, preferencialmente mais de 1000, mais de 5000, preferencialmente mais de

10.000, preferencialmente mais de 30.000, preferencialmente mais de 50 000 e preferencialmente mais de 100.000 modelos realisticamente texturizados, os modelos realisticamente texturizados sendo capazes de ser independentes dos modelos não realisticamente texturizados, ou seja, não representam as mesmas arcadas dentárias.

Claims (13)

REIVINDICAÇÕES

1. Método para transformar uma vista "original" de um modelo tridimensional digital "original" de uma arcada dentária em uma vista hiper realista, referido método caracterizado pelo fato de que compreende as seguintes etapas: 21) criar uma base de aprendizagem de "transformação" que seja não pareada ou consista em mais de 1000 registros de "transformação", cada registro de transformação compreendendo: - uma foto de "transformação" representando uma cena odontológica, e - uma vista de um modelo digital tridimensional de "transformação" que modela referida cena odontológica, ou "vista de transformação", a vista de transformação representando referida cena da mesma forma que a foto de transformação; 22) treinar pelo menos uma rede neural de "transformação", por meio da base de aprendizagem de transformação, de tal modo que ela aprenda a transformar qualquer vista de qualquer modelo tridimensional digital em uma vista hiper realista; 23) submeter a vista original à referida pelo menos uma rede neural de transformação, de tal modo que a transforme em uma vista hiper realista.

2. Método de transformação, de acordo com a reivindicação anterior, caracterizado pelo fato de que, na etapa 23), a vista original é processada por meio de um motor 3D antes de ser submetida à rede neural de transformação.

3. Método para criar uma vista hiper realista de um modelo tridimensional digital "original", referido método caracterizado pelo fato de que compreende as seguintes etapas:

21') criar uma base de aprendizagem "texturizadora" que seja não pareada ou consista em mais de 1000 registros "texturizadores", cada registro texturizador compreendendo: - um modelo não realisticamente texturizado representando uma arcada dentária, e uma descrição de referido modelo afirmando que ele é não realisticamente texturizado, ou - um modelo realisticamente texturizado representando uma arcada dentária, e uma descrição do referido modelo afirmando que ele é realisticamente texturizado; 22') treinar pelo menos uma rede neural "texturizadora", por meio da base de aprendizagem texturizadora, de tal modo que ela aprenda a texturizar realisticamente um modelo inicialmente não texturizado; 23') submeter o modelo original à referida pelo menos uma rede neural texturizadora treinada, de tal modo que ela texturize o modelo original para torná-lo hiper realista; 24') adquirir uma vista hiper realista ao observar o modelo original tornado hiper realista.

4. Método para enriquecer uma base de aprendizagem histórica, referido método caracterizado pelo fato de que compreende as seguintes etapas: 1) gerar um modelo tridimensional digital de uma arcada dentária, ou “modelo histórico”; 2) criar uma vista hiper realista de referido modelo histórico a partir de uma vista original do modelo histórico, de acordo com um método conforme reivindicado em qualquer uma das reivindicações anteriores, em que o modelo original é o modelo histórico; 3) criar uma descrição de referida vista hiper realista, ou “descrição histórica”;

4) criar um registro histórico que consiste na vista hiper realista e na descrição histórica, e adicionar o registro histórico à base de aprendizagem histórica.

5. Método, de acordo com a reivindicação anterior, caracterizado pelo fato de que, na etapa 1), uma descrição do modelo histórico é gerada e em que, na etapa 3), a descrição histórica é criada, pelo menos em parte, a partir da descrição de referido modelo histórico.

6. Método, de acordo com a reivindicação anterior, caracterizado pelo fato de que - o modelo histórico é dividido em modelos elementares, - na etapa 1), uma descrição específica para um modelo elementar representado na vista hiper realista é gerada na descrição do modelo histórico, e - na etapa 3), uma descrição específica para a representação do referido modelo elementar na vista hiper realista é incluída na descrição histórica, pelo menos parte da descrição específica sendo herdada a partir de referida descrição específica.

7. Método, de acordo com qualquer uma das reivindicações 4 a 6, caracterizado pelo fato de que compreende, após a etapa 4), a seguinte etapa 5): 5) modificar a vista hiper realista e, em seguida, retornar à etapa 3).

8. Método, de acordo com qualquer uma das reivindicações 4 a 7, caracterizado pelo fato de que compreende, após a etapa 4), ou etapa 5) opcional, a seguinte etapa 6): 6) deformar o modelo histórico e, em seguida, retornar à etapa 1).

9. Método, de acordo com a reivindicação anterior, caracterizado pelo fato de que o modelo histórico é deformado de modo a representar uma situação odontológica teórica.

10. Método para analisar uma foto de análise que representa uma arcada dentária de um paciente de "análise", referido método caracterizado pelo fato de que compreende as seguintes etapas: A) criar uma base de aprendizagem histórica contendo mais de 1000 registros históricos, por meio da implementação de um método de enriquecimento, conforme reivindicado em qualquer uma das seis reivindicações anteriores; B) treinar pelo menos uma rede neural de “análise”, por meio da base de aprendizagem histórica, de tal forma que ela aprenda a avaliar, para as fotos apresentadas a ela, valores para os atributos avaliados nas descrições históricas; C) enviar a foto de análise para a rede neural treinada a fim de obter uma descrição da foto de análise.

11. Método para simular uma situação odontológica, o referido método caracterizado pelo fato de que compreende as seguintes etapas: A') em um momento atualizado, gerar um modelo digital tridimensional de uma arcada dentária de um paciente, chamado de “modelo atualizado”; B') deformar o modelo atualizado de forma a simular o efeito de tempo entre o tempo atualizado e um tempo de simulação, para obter um “modelo de simulação”; C') obter uma vista do modelo de simulação, ou “vista de simulação original”; D') transformar a vista de simulação original em uma vista de simulação hiper realista, de acordo com um método conforme a reivindicação 1.

12. Método, de acordo com a reivindicação anterior, caracterizado pelo fato de que, na etapa A'), o modelo atualizado é dividido em modelos elementares e em que, na etapa B'), um ou mais modelos elementares são movidos e/ou deformados.

13. Método para gerar um modelo hiper realista a partir de um modelo original de uma arcada dentária, referido método caracterizado pelo fato de que compreende as seguintes etapas sucessivas: A '') adquirir uma vista original do modelo original; B') transformar a vista original em uma vista hiper realista, de acordo com um método de transformação conforme a reivindicação 1. C'') para cada pixel da vista hiper realista, identificar um voxel correspondente do modelo original; e atribuir um valor de um atributo do pixel a um atributo do voxel.