CN112118800A - 用于构造钻孔样板的方法 - Google Patents

Abstract

本发明涉及一种用于构造钻孔样板(1)的方法，其中，借助牙科摄像机(2)或Labor^TM扫描仪测量牙齿状况(3)并且产生牙齿状况(3)的3D表面模型(5)和/或借助X射线设备(6)或MRT设备测量牙齿状况(3)并且产生牙齿状况{3)的体积模型(11)。在此，将用于机器学习的人工神经网络(英语Convolutional Neural Network；CNN)应用到牙齿状况(3)的3D表面模型(5)和/或牙齿状况(3)的体积模型(11)上和/或应用到钻孔样板(1)的初始的3D模型(50)上并且自动产生钻孔样板(1)的完成构造的3D模型(30)。

Description

用于构造钻孔样板的方法

技术领域

本发明涉及一种用于构造钻孔样板的方法，其中，借助牙科摄像机或Labor扫描仪测量牙齿状况并且产生所述牙齿状况的3D表面模型和/或借助X射线设备或MRT(核磁共振成像)设备测量牙齿状况并且产生所述牙齿状况的体积模型。

背景技术

由现有技术已知多个用于构造钻孔样板的方法。

在DE 199 52 962 Al中公开一种用于构建用于牙齿种植体的钻孔辅助器的方法。在此，所述钻孔辅助器装备有与相邻牙齿的咬合面适当的贴靠面，并且为了关于颌区段的精确的定位将其安放到相邻牙齿上。在钻孔辅助器中设有引导孔，以便引导手持件的钻头。所述引导孔在钻孔样板中的位置、尺寸和定向通过计划的种植体钻孔预先给定。

由DE 10 2009 008 790 B3公开一种钻孔样板，所述钻孔样板包括用于引导口腔外科的钻头的引导套筒。如果所述引导套筒在其周面中具有关于套筒纵轴线倾斜延伸的缝隙，则即使在空间最小情况下也可以将所述钻头装入到引导套筒中。此外，这样的引导套筒允许在所计划的钻孔轴线的方向上几乎最佳地引导钻头。

DE 199 52 962 A1公开一种用于构建用于牙齿种植体的钻孔辅助器的方法，其中，首先实施对颌的X射线摄像和此后实施对颌和牙齿的可见表面的三维视觉测量。X射线摄像和三维视觉摄像的测量数据组相互关联。借助当前的信息(如种植体相对于相邻牙齿的类型和位置)来计划和生成样板，将所述样板放置到相邻牙齿上并且由此能实现对种植体引导孔的精确的钻孔。借助X射线数据，可以以已知的方式确定和定位种植体。根据所获得的关于相邻牙齿的表面结构、即咬合面的信息，借助CAD/CAM单元可以磨出以钻孔样板的形状的种植辅助器。借助测量数据，CAD/CAM机器能够利用咬合面的负值和用于钻头的引导行程来制成钻孔样板。将确定钻孔深度的止挡传输到所述钻孔样板上。

WO 99/32045 Al公开一种用于制造用于种植体的牙科的钻孔辅助器的方法。首先，在使用颌图像的情况下参考压痕面对三维的计算机图像进行建模。此后，确定钻孔的位置和钻孔深度并且将一组种植体钻孔坐标馈入到计算机控制的加工机器中。借助精密工具，在钻孔体中为每个之前馈入的钻孔坐标集准备钻孔引导基座，所述引导基座与借助颌区段查明的钻孔位置和钻孔定向相对应。

由EP 1 502 556 A2已知钻孔样板以及用于制造该钻孔样板的方法，其中，所述钻孔样板具有至少一个用于引导通过钻头的通孔，至少一个第一引导套筒能装入到所述通孔中。所述引导套筒在下面的区域中具有基本上与通孔的内径相对应的外径。所述引导套筒在上面的区域中具有较大的外径，从而上面的区段支撑在钻孔样板的包围通孔的边缘上。

所提到的用于构造钻孔样板的方法的缺点在于，这些方法按照耗费的方式和方法借助用户虚拟地构造或通过使用压痕来构造。于是，由于测量不精确性或由于用户的构造误差可能产生钻孔样板的配合误差。不精确的钻孔样板可能因此导致偏离于计划的种植体钻孔的错误的种植体钻孔。

发明内容

因此本发明的目的在于，提供一种用于构造钻孔样板的方法，所述方法省时地构造钻孔样板的适当的3D模型。

对本发明的说明

本发明涉及一种用于构造钻孔样板的方法，其中，借助3D表面测量设备、如牙科摄像机或Labor扫描仪测量牙齿状况并且产生所述牙齿状况的3D表面模型和/或借助X射线设备或MRT设备测量牙齿状况并且产生所述牙齿状况的体积模型。在此，将用于机器学习的人工神经网络(英语Convolutional Neural Network；CNN)应用到牙齿状况的3D表面模型和/或牙齿状况的体积模型上和/或应用到钻孔样板的初始的3D模型上并且自动产生钻孔样板的完成构造的3D模型。

牙科的钻孔样板可以是任意的钻孔样板、如用于微创外科的通过相邻牙齿支撑的钻孔样板以及用于所谓的开瓣(Open-Flap)外科的通过颌骨支撑的钻孔样板。因此，钻孔样板在此通过相应的颌的其余的相邻牙齿支撑或借助螺钉固定在颌骨上。

钻孔样板用于引导钻头，以便如在种植体计划中计算的那样实施所计划的种植体钻孔，以用于装入种植体。在通孔处，套筒可以插入到所述通孔中，其中，套筒的内表面用于引导钻头。在进行种植体计划时，可以使用颌的体积模型以及颌和牙齿的可见表面的以3D表面模型的形式的三维视觉测量，以便虚拟地确认种植体类型和种植体相对于颌的位置。尤其是计划精确的位置、相对于颌的相对角度和用于装入种植体的种植体钻孔的深度。所述钻孔样板设置用于实施一个或多个种植体钻孔，所述种植体钻孔也可以彼此歪斜(windschief)地设置。

在此，尤其是考虑在颌内的解剖结构、如齿根、齿神经和颌骨的走向和厚度。

随后，根据所选择的种植体和种植体位置，根据牙齿状况的3D表面模型和/或体积模型来构造钻孔样板。

因此，所述神经网络可以自动实施接着的步骤：选择适当的种植体类型；在考虑解剖结构、如齿根、齿神经和颌骨的情况下相对于颌布置种植体；在考虑牙齿状况的3D表面模型和体积模型的情况下构造钻孔样板的3D模型，所述钻孔样板包括用于要装入的种植体的至少一个种植体钻孔的至少一个引导孔。

牙齿支撑的钻孔样板可以包括种植位置的相邻牙齿的压痕，以用于支撑到相邻牙齿上。引导钻孔可以加宽地构造。所述引导钻孔尤其是可以构成为具有椭圆形的或圆形的基面的锥形。所述套筒在此可以具有装配到所述通孔中的柱形的套筒部件。

在借助螺钉固定在颌骨上的钻孔样板中，所述钻孔样板附加于引导钻孔具有用于螺钉的其他的开口。

包括套筒的钻孔样板可以对于具有不同直径的相同的引导钻孔具有不同的套筒，以便首先实施具有最小的直径的钻孔并且随后通过替换套筒和相应的钻头实施具有增加的直径的其他的钻孔，直至在种植体钻孔上达到所期望的直径。

可以在实施种植体钻孔之后使用所述钻孔样板，以便实施将所述种植体引导地旋入到种植体钻孔中。

例如可以借助3D打印或借助CAD/CAM方法由坯件按照钻孔样板的所构造的3D模型来自动制造所述钻孔样板。

所述牙科摄像机可以是任意的三维的牙科摄像机，所述牙科摄像机例如基于条纹投影方法或共焦测量方法。所述牙齿状况可以包括要装入的修复体的紧邻周围亦或围绕要装入的修复体的较大的区域。借助牙科摄像机的测量可以从不同的方向、如咬合的方向、舌的方向、颊的方向或唇的方向进行。在借助牙科摄像机进行测量之后，产生牙齿状况的3D模型。随后将用于机器学习的神经网络应用到牙齿状况的3D模型上。在对牙齿状况的3D模型进行分析之后，于是自动产生钻孔样板的3D模型。

神经网络(CNN)在维基百科(Wikipedia)文章“Convolutional Neural Network”中详细说明，链接为https://de.wikipedia.org/wiki/Convolutional Neural Network。

以下解释在使用CNN的情况下的方法。

卷积神经网络(Convolutional Neural Network(CNN))、德语“faltendesneuronales Netzwerk”是前馈人工神经网络。所述神经网络涉及在机器学习的领域中的受生物学过程启发的构思。卷积神经网络应用于人工智能的大量的现代技术中，特别是在对图像或音频数据的机器处理中。

原则上传统的CNN的结构包括卷积层，随后是池化层。该单元原则上可以任意经常地重复，在重复足够的情况下，于是称为属于深度学习领域中的深层卷积神经网络。

CNN通过如下方式学习，即，每层的卷积核的自由参数或分类器及其权重在用于下一层计算时进行学习。

因此，将牙齿状况的3D模型用作CNN或机器学习系统的输入，所述CNN或机器学习系统已经在使用不同的牙齿状况的多个3D模型的集合的情况下被训练了。

在接着的步骤中，借助机器学习系统来分析所述牙齿状况的3D模型并且提出相应构件的3D模型作为输出。

所述机器学习系统可以包括一个或多个CNN网络。

因此，分类器或特征被自动确认并且在分析训练集时得以改进。牙齿状况的3D模型的自动查明的分类器例如可以是制备的总面积或制备边缘的走向或两者的组合。

所述神经网络例如可以包括多个层，其中，在第一层中自动地识别简单的分类器、如边缘、平坦的表面或相同的亮度的区域。在第二层中自动地改进所述分类器。在第二层中的分类器例如可以是各边缘的彼此的相对布置、各边缘的相对方向或各边缘的走向。在接着的各层中，分类器总是进一步改进并且由此总是更复杂。按照这种方式和方法，CNN网络独立学习，借助牙齿状况的3D模型和牙齿状况的体积模型作为输入参数自动产生钻孔样板的适当的3D模型。

神经网络的优点在于，内部的卷积滤波器的参数值和对滤波器输出的进一步处理在分析训练集时一同学习，并且因此不需要其他的用户说明。

所述方法的另一个优点在于，借助神经网络全自动地进行所述钻孔样板的构造。由此，所述构件因此可以直接在视觉测量和/或X射线或MRT测量之后全自动地构造并且在牙医检查之后借助3D打印或CAD/CAM设备全自动地制造，从而可以在用于制造种植体钻孔的一个疗程(Sitzung)内使用所述钻孔样板。

所述方法的另一个优点是，可以将通过用户制造的完成构造的钻孔样板用于CNN的训练数据集中，并且因此对构件的第一建议的接受率和构造的自动化程度得以改善。

以下阐明用于对机器学习系统进行训练或参数化的可能的方法，所述机器学习系统包括一个或多个CNN网络。在第一步骤中，分析牙齿状况的大量已知的3D表面模型和体积模型。在此生成可能的输入数据。这样产生所述输入数据，使得在输入数据中存在所有可能的自由度。这例如在使用数据增强的情况下实现。为此，所述牙齿状况的3D模型绕确定的自由度旋转和/或沿所述自由度缩放。

有利地，借助训练数据集可以训练所述神经网络，其中，所述训练数据集包含对至少一个用户的钻孔样板的多个初始的3D模型的手动的改变，例如在使用CAD工具的情况下在构造相应的钻孔样板的3D模型时通过用户手动地实施所述手动的改变。

由此，所述神经网络因此学习，将确定的用户的手动的改变应用到构件的3D模型的初始建议上，以完成所述构件的构造。在使用构件的多个3D模型的程序库的情况下例如可以选择所述构件的3D模型的初始建议。于是，在将这样训练的神经网络应用到牙齿状况的未知的3D模型上时，自动地实施初始建议的对于相应的用户来说通常的改变。钻孔样板的初始的3D模型的手动的改变可以例如是种植体类型的调整、相对于颌骨的种植体位置的调整、种植体钻孔的长度的调整、引导钻孔的止挡的调整、钻孔样板的外部尺寸的调整、引导钻孔的孔径的改变、支承检查窗口的插入和/或附加的保持元件的安装。

所谓的支承检查窗口用于通过用户视觉地检验，钻孔样板是否正确地安放并且放置到支承面上。

附加的保持元件例如可以是用于相对于相应的颌来固定钻孔样板的侧凹或螺钉。

有利地，借助训练数据集可以训练所述神经网络，其中，所述训练数据集包含至少一个用户的牙齿状况的多个3D表面模型和/或体积模型以及完成构造的钻孔样板的相应的3D模型。

因此，所述神经网络不仅从钻孔样板的初始的3D模型与完成构造的3D模型之间的比较数据中学习、而且从在体积模型之内的解剖结构(如齿根、齿神经和颌骨)相对于钻孔样板的完成构造的3D模型的布置结构中学习。

有利地，借助训练数据集可以训练所述神经网络，其中，所述训练数据集包含至少一个用户的钻孔样板的多个初始的3D模型和钻孔样板的相应的完成构造的3D模型。

因此，所述神经网络从钻孔样板的初始的3D模型与钻孔样板的相应的完成构造的3D模型之间的比较数据中学习。

有利地，所述训练数据集可以仅包含一个用户或一组有经验的用户的数据。

因此，对于每个用户或对于一组有经验的用户存在单独的训练数据集。

由此，所述神经网络因此可以通过一个单独的用户或一组用户的训练数据集训练。可以根据不同的准则、例如工作经验来挑选训练数据集的用户。对于所述训练数据集例如可以仅使用如下用户的数据，所述用户至少具有三年的工作经验或在构造钻孔样板时至少实施了100个案例。

在实施本方法之前，所述用户可以手动地、例如借助选择菜单来确认相应的钻孔样板的类型和要实施的种植体钻孔的位置。所述钻孔样板的类型例如可以是没有钻孔套筒的钻孔样板、包括钻孔套筒的钻孔样板、包括用于紧固在颌骨上的螺钉的钻孔样板或包括用于锚固在相邻牙齿上的支承面的钻孔样板。

有利地，所述神经网络在借助训练数据集训练之后可以保持不变或将给所述训练数据集添加新的数据，从而借助所扩展的训练数据集进一步训练所述神经网络。

尤其是对于无经验的用户，在开始时有利的是，不改变所训练的神经网络。对于有经验的用户较有利的是，将构造钻孔样板的其自身的数据添加给训练数据集，从而连续地进一步训练所述神经网络并且随着时间更好地满足相应的用户的要求。因此，将进一步的训练数据添加给所扩展的训练数据集。

有利地，所述牙齿状况的3D表面模型可以具有至少一个包括要装入的种植体的种植体治疗区域、至少一个相邻牙齿和/或种植体支撑的中间结构、如基牙。

因此，根据包含在牙齿状况的3D模型中的结构通过神经网络自动地构造相应的钻孔样板的3D模型。

有利地，用于要制造的钻孔样板的神经网络可以自动确认适当的材料、制造方法和/或装入方法。

所述适当的材料例如可以是特定的塑料或不同的塑料的组合。所述制造方法例如可以是借助3D打印或CAD/CAM方法的制造。所述装入方法例如可以是借助螺钉来紧固钻孔样板或通过将钻孔样板安放到相邻牙齿上。

有利地，所述训练数据集可以附加地包含钻孔样板的材料、钻孔样板的制造方法和/或装入方法。

由此，所述训练数据集包含钻孔样板的另外的重要的信息，从而所训练的神经网络可以构造适当的钻孔样板，所述钻孔样板符合相应的用户的要求。

有利地，在构造包括钻孔套筒的钻孔样板时，所述训练数据集可以附加地包含钻孔套筒的位置、形状和/或类型。

由此，所述训练数据集包含关于钻孔套筒的重要的信息，从而所训练的神经网络如用户所期望的那样选择和定位钻孔套筒。

有利地，所述训练数据集可以附加地包含要制造的钻孔样板的至少一个支撑结构或保持结构的形状和/或位置。

由此，所述训练数据集包含关于支撑结构或保持结构的重要的信息。

所述支撑结构例如可以是用于安放到种植区域的相邻牙齿上的支承面。所述支撑结构例如可以以相邻牙齿的压痕的形式成形，以便确保钻孔样板相对于颌的精确的定位。

有利地，所述训练数据集可以附加地包含用于要制造的钻孔样板的锚固结构的形状和/或位置。

由此，所述训练数据集包含关于锚固结构、如螺钉的重要的信息，所述锚固结构将钻孔样板固定在颌骨上，从而神经网络可以自动地选择锚固结构并且将其相对于颌骨定位。

有利地，所述训练数据集可以附加地包含用于锚固钻孔样板的侧凹和/或包括用于固定钻孔样板的螺钉的附加的孔。

由此，所述训练数据集包含关于用于锚固钻孔样板的多个侧凹和/或关于用于将钻孔样板固定在颌骨上的螺钉的附加的孔的附加的信息，从而所述神经网络可以独立地构造钻孔样板的侧凹或用于螺钉的附加的孔。这样构造在钻孔样板上的侧凹，使得所述侧凹例如围绕臼齿搭接并且由此钻孔样板在安放到牙齿上时被固定。

有利地，所述训练数据集可以附加地包含钻孔样板的用于要制造的种植体钻孔的至少一个引导钻孔和/或用于支撑或固定钻孔样板的支承区域和/或用于固定钻孔样板的螺钉。

由此，所述训练数据集包含关于引导钻孔或支承区域的附加的信息，从而所述神经网络可以自动地确认引导钻孔在钻孔样板上的位置和定向或可以确认支承区域在钻孔样板上的形状和布置结构。钻孔样板的引导钻孔在此用于在实施种植体钻孔时引导种植体钻头。所述引导钻孔在此可以配设有钻孔套筒。

有利地，所述训练数据集可以附加地包含在体积模型中的解剖结构、即颌骨、齿根和/或齿神经，在构造种植体钻孔时考虑所述解剖结构。

由此，所述训练数据集包含关于用于计划种植体钻孔的重要的解剖结构的附加的信息，从而所述神经网络在考虑这些结构的情况下可以自动地实施对种植体钻孔的构造。

有利地，所述神经网络可以考虑病人的种族和/或性格类型。

由此，在构造钻孔样板时可以考虑种族的有特征性的解剖特征。所述种族的特征性的特征例如可以是有特征性的牙齿位置。

以下本发明的另一个技术方案是用于数据处理的装置，所述装置一同包括用于实施本发明的方法。用于数据处理的装置在此可以具有计算机芯片并且例如是计算机或智能手机。

附图说明

借助各附图来阐述本发明。图中：

图1示出用于阐明用于构造钻孔样板的方法的草图，

图2示出具有钻孔套筒和用于固定的螺钉的钻孔样板的草图，

图3示出具有用于锚固在牙齿上的侧凹的钻孔样板的草图，

图4示出通过用户改变的草图。

具体实施方式

图1示出用于阐明用于构造钻孔样板1的方法的草图，其中借助牙科摄像机2测量包括牙齿4的牙齿状况3并且产生牙齿状况3的3D表面模型5。附加地，借助CT-X射线设备6或MRT设备测量包括齿根8、齿神经9和颌骨10的体积7并且产生牙齿状况3的体积模型11。将牙科摄像机2的图像数据传送到计算机12上，其中同样将CT-X射线设备6或MRT设备的图像数据传送到计算机12上。由这些图像数据借助计算机12产生3D表面模型5和体积模型11，借助显示装置13(如监视器)显示所述表面模型和体积模型。计算机12与输入器件、如键盘14和鼠标15相连接，以便使用户能实现借助光标22在3D表面模型5和体积模型11的图形化示图之内的导航。所述牙齿状况3具有一个缺失的犬齿和三个缺失的臼齿。因此，如通过箭头20和21示出的那样，具有种植体17的种植体支撑的全冠16应该替换缺失的犬齿，具有三个人工的臼齿和所属的种植体19的种植体支撑的桥部18应该替换缺失的各臼齿。在第一步骤中，用户借助光标22可以手动地大致确认第一种植体钻孔24的第一位置23和大致确认要装入的桥部18和因此第二种植体钻孔26、第三种植体钻孔27和第四种植体钻孔28的第二位置25。在接着的步骤中，在使用选择菜单29的情况下借助光标22可以选择要构造的钻孔样板的类型，亦即具有或不具有钻孔套筒的钻孔样板、具有通过螺钉或通过相邻牙齿的支承面锚固在颌上的钻孔样板。在接着的步骤中，借助神经网络自动产生钻孔样板的3D模型30，所述神经网络根据用于相应的用户和用于钻孔样板的相应的类型的训练数据集进行了训练。钻孔样板1的所产生的3D模型具有用于第一种植体钻孔24的第一引导钻孔31、用于第二种植体钻孔26的第二引导钻孔32、用于第三种植体钻孔27的第三引导钻孔33和用于第四种植体钻孔28的第四引导钻孔34。此外，钻孔样板1的3D模型30具有用于将钻孔样板锚固在颌上的第一支承面35和第二支承面36，其中，所述支承面35和36可以包括牙齿状况3的牙齿4的负压痕的部分。引导钻孔31、32、33和34可以具有用于引导相应的种植体钻头的钻孔套筒。在确认各个种植体钻孔24、26、27和28的位置和定向时，神经网络从体积模型11中考虑基本的解剖结构、如齿根8、齿神经9和颌骨。神经网络例如可以学习，种植体钻孔24不应当损伤神经9。所述神经网络可以自动确认种植体钻孔24、26、27和28的直径和长度，其中，可以考虑要装入的全冠16和桥部18的机械负载。在显示装置13上的图形化显示中，通过虚线37示出钻孔样板1的在装入的状态中相对于3D表面模型5和体积模型11的3D模型30。在使用种植体钻孔24、26、27和28的所确认的位置、直径和长度的情况下，神经网络可以确认钻孔样板1的相应的引导钻孔31、32、33和34的位置和直径。随后可以借助自动化的方法、如3D打印或CAD/CAM方法来自动制造钻孔样板1的完成构造的3D模型30。

图2示出用于实施图1中的第一种植体钻孔24的钻孔样板1的草图，其中，借助支承面40将钻孔样板1锚固到相邻牙齿41上并且借助螺钉42将其锚固在颌43上。引导钻孔31具有用于引导种植体钻头的钻孔套筒44。因此，种植体钻孔24的中轴线45相应于钻孔套筒44的中轴线。支承面40也可以成形为牙齿41的负压痕。

图3示出样板1的横截面的草图，将所述样板安放到臼齿46上。在此，钻孔样板在下面的区域中具有两个侧凹47，从而在将由弹性塑料制成的钻孔样板1安放到臼齿46上时，建立钻孔样板1与牙齿46的机械锚固。

图4示出图1中的钻孔样板1的完成构造的3D模型30的草图，其中，从钻孔样板的3D模型的通过虚线示出的初始建议50出发，用户借助光标22通过手动改变已经改变或调整了所述初始建议50，以便获得完成构造的3D模型30。所述初始建议50在此具有外部尺寸51，如通过箭头52示出的那样，用户放大了所述外部尺寸，以便获得3D模型30的外部尺寸。所述初始建议50具有初始的第一引导钻孔53，以便实施初始的第一种植体钻孔54。用户已经改变了初始的引导钻孔53的位置和止挡，以便获得完成构造的第一引导钻孔31，其中，通过改变所述位置，种植体钻孔的位置也改变了，并且通过更小的止挡，种植体钻孔的长度放大了。在对所述种植体钻孔进行钻孔时，止挡在引导钻孔中用于限定种植体钻头，从而通过所述止挡确定种植体钻孔的长度。因此，实施所述改变，以便获得完成构造的种植体钻孔24。相应地，其余的初始的引导钻孔55和56也由用户手动调整，以便获得完成构造的引导钻孔32和34，其中，也在位置和长度方面调整初始的种植体钻孔57和58，以便获得完成构造的种植体钻孔26和28。因此，神经网络的训练数据集可以包括相应的用户的这样的手动改变，以便相应地训练所述神经网络。

附图标记列表

1 钻孔样板

2 牙科摄像机

3 牙齿状况

4 牙齿

5 3D表面模型

6 CT-X射线设备

7 体积

8 齿根

9 齿神经

10 颌骨

11 体积模型

12 计算机

13 显示装置

14 键盘

15 鼠标

16 种植体支撑的全冠

17 种植体

18 种植体支撑的桥部

19 种植体

20 箭头

21 箭头

22 光标

23 第一位置

24 第一种植体钻孔

25 第二位置

26 第二种植体钻孔

27 第三种植体钻孔

28 第四种植体钻孔

29 选择菜单

30 3D模型

31 引导钻孔

32 引导钻孔

33 引导钻孔

34 引导钻孔

35 支承面

36 支承面

40 支承面

41 相邻牙齿

42 螺钉

43 颌

44 钻孔套筒

45 中轴线

46 臼齿

47 侧凹

50 初始建议

51 外部尺寸

52 箭头

53 初始的引导钻孔

54 初始的种植体钻孔

55 初始的引导钻孔

56 初始的引导钻孔

57 初始的种植体钻孔

58 初始的种植体钻孔

Claims (19)

1.用于构造钻孔样板(1)的方法，其中，借助3D表面测量设备测量牙齿状况(3)并且产生所述牙齿状况(3)的3D表面模型(5)和/或借助X射线设备(6)或MRT设备测量牙齿状况(3)并且产生所述牙齿状况(3)的体积模型(11)，其特征在于，将用于机器学习的人工神经网络(英语Convolutional Neural Network；CNN)应用到牙齿状况(3)的3D表面模型(5)上和/或牙齿状况(3)的体积模型(11)上和/或应用到钻孔样板(1)的初始的3D模型(50)上并且自动产生钻孔样板(1)的完成构造的3D模型(30)。

2.按照权利要求1所述的方法，其特征在于，借助训练数据集来训练所述神经网络，所述训练数据集包含对至少一个用户的钻孔样板(1)的多个初始的3D模型(50)的手动的改变(52)，在构造相应的钻孔样板(1)的3D模型(30)时通过用户实施所述手动的改变(52)。

3.按照权利要求1所述的方法，其特征在于，借助训练数据集来训练所述神经网络，其中，所述训练数据集包含至少一个用户的牙齿状况(3)的多个3D表面模型(5)和/或体积模型(11)以及完成构造的钻孔样板(1)的相应的3D模型(30)。

4.按照权利要求1所述的方法，其特征在于，借助训练数据集来训练所述神经网络，其中，所述训练数据集包含至少一个用户的钻孔样板(1)的多个初始的3D模型(50)和钻孔样板(1)的相应的完成构造的3D模型(30)。

5.按照权利要求2至4之一所述的方法，其特征在于，所述训练数据集仅包含一个用户或一组有经验的用户的数据。

6.按照权利要求2至5之一所述的方法，其特征在于，所述神经网络在借助训练数据集训练之后保持不变。

7.按照权利要求2至5之一所述的方法，其特征在于，给所述训练数据集添加新的数据，从而借助所扩展的训练数据集进一步训练所述神经网络。

8.按照权利要求6或7所述的方法，其特征在于，所述牙齿状况(3)的3D表面模型(5)具有至少一个包括要装入的种植体(17、19)的种植体治疗区域、至少一个相邻牙齿(4)和/或种植体支撑的中间结构、如基牙。

9.按照权利要求1至8之一所述的方法，其特征在于，用于要制造的钻孔样板(1)的神经网络自动确认材料、加工方法和/或装入方法。

10.按照权利要求2至9之一所述的方法，其特征在于，所述训练数据集附加地包含钻孔样板(1)的材料、钻孔样板(1)的加工方法和/或装入方法。

11.按照权利要求2至10所述的方法，其特征在于，在构造包括钻孔套筒(44)的钻孔样板(1)时，所述训练数据集附加地包含所述钻孔套筒(44)的位置、形状和/或类型。

12.按照权利要求2至11之一所述的方法，其特征在于，所述训练数据集附加地包含要制造的钻孔样板(1)的至少一个支撑结构或保持结构的形状和/或位置。

13.按照权利要求2至12之一所述的方法，其特征在于，所述训练数据集附加地包含用于要制造的钻孔样板(1)的锚固结构的形状和/或位置。

14.按照权利要求2至13之一所述的方法，其特征在于，所述训练数据集附加地包含用于锚固钻孔样板(1)的侧凹(47)和/或包含具有用于固定钻孔样板(1)的螺钉(42)的附加的孔。

15.按照权利要求2至14之一所述的方法，其特征在于，所述训练数据集附加地包含钻孔样板(1)的用于要制造的种植体钻孔(24、26、27、28)的至少一个引导钻孔(31、32、33、34)和/或用于支撑或固定钻孔样板(1)的支承区域(35、36、40)和/或用于固定钻孔样板(1)的螺钉(42)。

16.按照权利要求2至15之一所述的方法，其特征在于，所述训练数据集附加地包含在体积模型(11)中的解剖结构、即颌骨(10)、齿根(8)和/或齿神经(9)，在构造种植体钻孔(24、26、27、28)时考虑所述解剖结构。

17.用于数据处理的装置，所述装置包括用于实施按照权利要求1至16之一所述的方法的器件。

18.计算机程序，包括指令，所述指令在通过计算机执行所述计算机程序时促使所述计算机执行按照权利要求1至16之一所述的方法。

19.计算机可读的存储介质，包括指令，所述指令在通过计算机执行时促使所述计算机执行按照权利要求1至16之一所述的方法。

Images