CN112118804A - 用于构造牙科构件的方法 - Google Patents

Abstract

用于构造牙科构件的方法。本发明涉及一种用于构造牙科构件(1、2、4、5)的方法，所述牙科构件即为修复体(2、4、5)、咬合板或印模托盘，其中，借助于牙科相机(6)测量牙齿状况(7)并且生成牙齿状况(7)的3D模型(10)。在此，将用于机器学习的人工神经网络(英文：Convolutional Neural Network；CNN)应用于牙齿状况(7)的3D模型(10)并且自动地生成构件(1、2、4、5)的、即修复体(2、4、5)、咬合板或印模托盘的3D模型(21、23、25)。

Description

用于构造牙科构件的方法

技术领域

本发明涉及一种用于构造牙科构件(即修复体、咬合板或印模托盘)的方法，其中，借助于牙科相机或实验室扫描仪测量牙齿状况并且生成牙齿状况的3D模型。

背景技术

从现有技术中已知多种用于构造牙科构件的方法。

DE112014003898T5公开一种计算机执行的、用于设计牙齿修复体的方法，其中，在虚拟三维图示上确定预备体边界、定位虚拟牙齿库的拱形形状并且基于从虚拟牙齿库获得的牙齿设计方案提出初始修复体。

该方法的缺点在于，修复体基于虚拟牙齿库提出并且因此对于相应的牙齿状况可能会出现修复体的适配误差。因此，需要对提出的修复体3D模型进行虚拟的再处理。

发明内容

因此，本发明的任务在于，提供一种用于构造牙科构件的方法，所述方法能够省时地提出牙科构件的一种合适的3D模型。

本发明涉及一种用于构造牙科构件(即修复体、咬合板或印模托盘)的方法，其中，例如借助于牙科相机或实验室扫描仪测量牙齿状况并且生成牙齿状况的3D模型。在此，将用于机器学习的人工神经网络(英文：Convolutional Neural Network；CNN)应用于牙齿状况的3D模型或构件的初始3D模型并且自动地生成构件(即修复体、咬合板或印模托盘)的完成构造的3D模型。

所述构件可以因此是修复体、咬合板或印模托盘，其例如可借助于CAD/CAM方法制成。

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意的三维牙科相机。

牙齿状况可以包括要嵌入的修复体的直接的周围环境亦或可以包括要嵌入的修复体周围较大的区域。借助于牙科相机可以从不同方向(如咬合方向、舌方向、颊方向或唇方向)进行测量。

在借助于牙科相机进行测量之后，生成牙齿状况的3D模型。随后，将用于机器学习的神经网络应用于牙齿状况的3D模型。然后，在分析牙齿状况的3D模型之后自动地生成构件的3D模型。

用于机器学习的人工神经网络(CNN)是能够实现自动识别修复体类型的计算机算法。

神经网络(CNN)在具有链接“https://de.wikipedia.org/wiki/Convolutional Neural Network”的维基百科词条“Convolutional Neural Network(卷积神经网络)”中被详细地说明。

以下阐述一种在使用CNN情况下的方法。

卷积神经网络(CNN)——德语为“faltendes neuronales Netzwerk”——是一种前馈人工神经网络。它是受生物过程启发的机器学习的领域中的概念。卷积神经网络被广泛用于许多现代人工智能技术中、尤其是用于图像或音频数据的机器处理。

基本上，典型CNN的结构包括卷积层，随后是池化层。原则上，该单元可以任意地经常重复；在重复足够多的情况下，它们于是被称为属于深度学习领域中的深度卷积神经网络。

CNN通过如下方式进行学习：在为下一层进行计算时学习每层的卷积核的自由参数或分类器及其权重。

牙齿状况的3D模型因此被用作CNN或机器学习系统的输入，CNN或机器学习系统在使用多个不同牙齿状况的3D模型的集合的情况下进行了训练。

在进一步的步骤中，借助于机器学习系统分析牙齿状况的3D模型并且作为输出提出相应构件的3D模型。

所述机器学习系统可以包括一个或多个CNN网络。

牙齿状况的颜色信息也可以用作CNN网络的输入。然后，将颜色信息配置给牙齿状况的3D模型的表面点。

因此，分类器或特征被自动地确定并且在分析训练集的情况下被完善。牙齿状况的3D模型的自动确定的分类器可以例如是准备体的总面积或准备体边沿的轮廓或两者的组合。

CNN网络可以例如由多个层组成，其中，在第一层中自动识别简单分类器(例如边缘、平坦表面或相同亮度的区域)。在第二层中，分类器被自动完善。分类器在第二层中可以例如是所述边缘彼此之间的相对布置结构，所述布置结构是所述边缘的相对方向或所述边缘的轮廓。在进一步的层中分类器越来越得以完善并且因此越来越复杂。以这样的方式，根据牙齿状况的作为输入参数的3D模型，CNN网络自主地学习以自动生成构件的合适的3D模型。

所述修复体可以例如是嵌体、牙冠、牙桥、基台、桥体或贴面。

牙冠可以例如是全冠或部分冠。种植体支承的全冠与基台连接，其中，全冠的内表面具有用于基台的粘合面。

牙桥可以例如在使用种植体和基台的情况下固定在颌骨上或在相邻的健康的牙齿的牙桩上。牙桥可以是固定的或可移去的。牙桥也可以是基桥，所述基桥由金属合金制成的基部和由陶瓷或塑料制成的结构组成。

基台是支撑柱，其用作在牙齿种植体与修复体(例如牙冠)之间的连接件。基台可以可拆卸地或固定地固定在种植体上。可以根据制造方式对种植体基台进行分类。在此，在预制的、可浇注的或者说可压铸的与CAD/CAM种植体基台之间进行区分。预制的基台以不同的尺寸、形状和角度以及作为可磨的或不可磨的变型提供。一件式的种植体具有整合的基台。借助于CAD/CAM方法制造的基台既可以在轴向倾斜度又可以在形状设计方面独立地适配于所给出的牙齿状况。牙齿着色的基台用于美学修复体、尤其是在前牙的区域中，从而要尽可能模仿天然牙齿的视觉上的印象。基台通常由钛或陶瓷制造。

贴面是由薄的透光的陶瓷壳体制成的镶面壳体，尤其是对于前牙。

嵌体是嵌入到牙齿的预备体中的嵌体填充物。与借助于塑形辅助剂以软的稠度引入到牙齿中并且随后硬化的塑性填充材料不同，嵌体是粘合到牙齿的预备体中的精确匹配的工件。

桥体是牙桥的牙桥元件。

咬合板可以例如是引导式的咬合板或非引导式的咬合板。

引导式的咬合板用于磨牙和颅下颌功能障碍的牙科的和颌骨正畸的治疗。

引导式的咬合板可以例如是密歇根夹板，其用于避免肌肉疼痛和关节疼痛以及不可靠的最终咬合位置。密歇根夹板尤其是用作放松夹板。下颌在咬合板上的引导通常在犬齿区域中实施。

因此，引导式的咬合板可以用作放松夹板，以便消除咬合功能失调并且放松咀嚼肌(降低肌肉张力)。引导式的咬合板还要防止由于磨牙而引起的硬齿物质损坏。

咬合板的引导件通常设置在前牙区域中和/或在犬齿区域中并且相对于咬合板的插入轴线可以具有一定的在20度至40度之间的倾斜角度。

引导式的咬合板可用于治疗不同的咬合不正位置、如具有向后倾斜的下颌咬合不正或具有向前突出的下颌咬合不正。颌骨异常可能是先天性的或后天性的。咬合不正的程度仅在颌关闭的情况下才变得明显并且例如通过张开的咬合或通过上颌齿在下颌齿后方咬合而显现出来，而不是反过来。颌彼此之间以及相对于颅骨的位置对面部轮廓具有决定性的影响。根据是过度发育还是发育不足位于上颌和/或下颌中，并行于咬合不正而言导致不同的面部轮廓。

印模托盘可以是单独的印模托盘，其根据牙齿状况的3D模型适配于相应的患者。印模托盘用于在具有牙齿或没有牙齿的颌上制造印模。

CNN网络的优点在于，在训练集的分析时也学习内部卷积滤波器的参数值和滤波器输出的进一步处理，并且因此不需要进一步的用户指定。

该方法的另一个优点在于，借助于CNN网络可以完全自动地构造构件。因此，可以在光学测量后直接完全自动地构造构件，并且在由牙医检查之后，可以借助于CAD/CAM设备完全自动地制造该构件，从而可以在一次治疗内使用该构件。

该方法的另一个优点是，在CNN的训练数据集中使用通过用户生成的完成构造的构件并且因此改进构件初步建议的接受率和构造的自动化程度。

下面阐述一种可行的用于训练或参数化由一个或多个CNN网络组成的机器学习系统的方法。在第一步骤中，分析多个(大量)已知的牙齿状况3D模型。在此，生成可行的输入数据。所述输入数据以如下方式产生，即在所述输入数据中存在所有可行的自由度。这在使用数据扩充的情况下实现。为此，牙齿状况的3D模型围绕确定的自由度旋转和/或沿该自由度缩放。

然后，将各个CNN网络应用于牙齿状况的各个3D模型的各个3D数据，以便训练CNN网络。

有利地，可以根据训练数据集来训练神经网络，其中，该训练数据集包含构件的初始3D模型和至少一个用户的对这些初始3D模型的手动改变。可以在构造相应的构件的3D模型时由用户在使用CAD工具的情况下手动实施所述手动改变。

因此，CNN网络学习：将特定用户的手动改变应用于构件的3D模型的初始建议，以便完成构件的构造。可以例如在使用构件的多个3D模型的库的情况下选择构件的3D模型的初始建议。在将如此训练的CNN网络应用于牙齿状况的未知3D模型的情况下，然后自动地实施对于相应用户常见的初始建议改变。例如在种植体支承的全冠的情况下，对构件的初始3D模型的手动改变可以是通过裂隙和/或凸起改变来使全冠的外部尺寸适配于相邻牙齿和对应牙齿、使内表面适配于所使用的基台和/或对牙龈边沿进行适配。在咬合板的情况下，手动改变可以是由于去除局部凸起引起的变平整，并且在印模托盘的情况下，手动改变可以是缩短印模托盘的长度。

有利地，可以根据训练数据集来训练神经网络，其中，所述训练数据集包含构件的初始3D模型并且包含至少一个用户的完成构造的构件的对应的3D模型。

因此，CNN网络从在构件的初始3D模型与完成构造的3D模型之间的比较数据中学习。

有利地，神经网络可以根据训练数据集训练，其中，所述训练数据集包含牙齿状况的多个3D模型并且包含至少一个用户的完成构造的构件的对应的3D模型。

因此，CNN网络可以通过不同用户的训练数据集训练。用于训练数据集的用户可以根据不同的标准(例如工作经验)挑选。对于训练数据集可以例如仅使用如下用户的数据，这些用户至少具有3年工作经验或在相应的构件的构造中已实施至少100次案例。

这些实施方式中，所述训练数据集因此仅包含牙齿状况的3D模型和构件的对应完成构造的3D模型。CNN网络因此根据牙齿状况的3D模型的训练数据集生成相应的构件的合适的3D模型。用户可以预先确定构件的类型和要嵌入的构件的位置。

因此，对于每种类型的构件针对每个用户都存在一个特有的训练数据集。

有利地，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，改善训练数据集和因此经训练的CNN网络的质量。

有利地，所述神经网络可以在根据所述训练数据集训练之后保持不变，或者可以将新的数据添加至所述训练数据集，从而根据经扩展的训练数据集进一步训练该神经网络。

尤其是对于没有经验的用户在开始时有利的是，不改变经训练的CNN网络。对于有经验的用户更为有利的是，将他们自己的对构件进行构造的数据添加至所述训练数据集，从而持续地进一步训练该CNN网络，并且随着时间的推移更好地满足相应用户的需求。因此，进一步的训练数据将被添加至经扩展的训练数据集。

有利地，所述构件是修复体，其中，所述修复体可以是嵌体、牙冠、冠架、牙桥、桥架、基台、桥体或贴面。

用户可以例如手动选择修复体的类型并大致确定要嵌入的修复体的位置。利用相应的训练数据集训练的CNN网络然后从牙齿状况的3D模型出发生成相应的修复体的3D模型。

有利地，牙齿状况的3D模型具有用于将修复体嵌入的至少一个牙齿、至少一个预备体、剩余牙齿、至少一个相邻牙齿、用于将要制造的修复体嵌入的基台、牙齿状况的颜色信息和/或牙齿状况的颜色变化(Farbverlauf)。

因此与结构(所述结构在牙齿状况的3D模型中获得)有关地自动地通过CNN网络构造相应的构件的3D模型。牙齿状况的颜色变化和颜色信息也可被使用，以便自动地设计例如全冠的颜色。

有利地，神经网络可以使用牙齿状况的3D模型(即剩余牙齿和/或至少一个相邻牙齿)的颜色信息和/或颜色变化，以便自动地确定用于要嵌入的修复体的颜色和/或颜色变化。

因此，借助于CNN网络自动地确定要嵌入的修复体的颜色变化。

有利地，神经网络针对要制造的修复体可以自动地确定材料、制造方法、嵌入方法、切开位置(Abstichposition)和/或与相邻牙齿的接触厚度。

合适的材料可以例如是陶瓷、金属或塑料。在此，可以例如选择合适的由陶瓷材料制成的坯料以用于借助于CAM制造设备的自动制造。所述制造方法也可以是借助于3D打印机制造构件。

所述嵌入方法可以例如是粘合、螺纹连接或胶结(Zementieren)。

所述切开位置是在借助于CAM制造设备铣出修复体之后，在经制造的修复体与坯料的保持部之间的接片的位置。

与相邻牙齿的接触厚度例如在牙桥的情况下描述牙桥的在两个相邻牙齿之间的接触面积。

有利地，训练数据集附加地包含完成构造的修复体的颜色、颜色变化、材料、制造方法、嵌入方法、切开位置和/或与相邻牙齿的接触厚度。

因此，训练数据集包含构件的进一步的重要信息，从而经训练的CNN网络可以构造合适的构件，该合适的构件对应于相应用户的需求。

有利地，所述构件可以是咬合板或印模托盘，其中，牙齿状况的3D模型包括用于安设咬合板或印模托盘的牙齿。

因此，训练数据集包含用于安设咬合板或印模托盘的牙齿。

有利地，神经网络针对要制造的咬合板或印模托盘可以自动地确定材料和/或制造方法。

因此，构造的持续时间被减少。

有利地，所述神经网络可以考虑患者的种族和/或特征类型。

因此，在构造相应的构件时可以考虑种族的特征化的解剖学特征。种族的特征化的特征可以例如是特征化的牙齿位置或者牙龈或牙齿的特定的色素沉着。

附图说明

根据附图阐述本发明。在附图中：

图1示出用于说明用于构造构件的方法的简图，

图2示出初始3D模型的简图。

具体实施方式

图1示出用于说明用于构造构件1(如种植体支承的全冠2、由准备体3支承的全冠4或种植体支承的牙桥5)的方法的简图。所述构件1也可以是咬合板或印模托盘。借助于牙科相机6测量包括牙齿8和牙龈9的牙齿状况7并且由图像数据来计算牙齿状况7的3D模型10，借助于显示装置11(如监视器)可以示出所述3D模型。所述显示装置11连接至计算机12，其中，输入装置(如键盘13或鼠标14)连接至计算机12并且能够借助于光标15在3D模型10的图形图示内对用户进行导航。牙齿状况7包括缺失的犬齿、带有准备体3的切牙并且下颌的三个缺失的臼齿。种植体支承的全冠2因此应代替所述犬齿，全冠4应安设在所述准备体3上并且要构造的牙桥5应代替所述三个缺失的臼齿，如通过箭头16、17、18示意示出的那样。在第一步骤中，用户可以借助于光标15手动地确定要构造的并且要嵌入的第一构件(即种植体支承的牙冠2)的第一位置并且在选择菜单20中选择所述构件的类型(即种植体支承的牙冠)。在第二步骤中，借助于神经CNN网络自动地生成构件(即种植体支承的全冠2)的3D模型21，该神经CNN网络已根据针对相应用户和相应构件类型的训练数据集进行了训练。对应地，手动地确定全冠4的位置22，并且在选择菜单20中选择构件1的类型(即准备体支承的全冠)。随后借助于对应的CNN网络生成全冠4的第二3D模型23。随后，确定要嵌入的牙桥5的位置24并且从选择菜单20中选择构件1的类型。在进一步的步骤中，借助于CNN网络针对种植体支承的牙桥和相应的用户自动地生成牙桥5的3D模型25。经构造的构件2、4和5可以于是例如借助于未示出的CAM制造设备在使用经构造的3D模型21、23、25的情况下由坯料自动地制造。

图2示出来自图1的牙桥5的初始3D模型30的简图，其中，用户在使用CAD工具的情况下手动适配所述初始3D模型30，以便生成以虚线示出的经适配的3D模型25，其中，切开位置31如通过箭头33示意示出的那样被移至以虚线示出的32，其中，初始3D模型30的接触厚度34和35被减小至经适配的3D模型25的接触厚度36和37。然后，可以在训练数据集中总结针对相应用户并且针对相应类型的构件(即种植体支承的牙桥)的初始3D模型30的多个这样的手动改变或适配，以便训练附属于此的CNN网络。然后，可以使用该经训练的CNN网络(其作为程序在计算机12上运行)，以便从初始3D模型30出发自动地实施所述改变或适配。

附图标记列表

1 构件

2 种植体支承的全冠

3 准备体

4 全冠

5 种植体支承的牙桥

6 相机

7 牙齿状况

8 牙齿

9 牙龈

10 3D模型

11 显示装置

12 计算机

13 键盘

14 鼠标

15 光标

16 箭头

17 箭头

18 箭头

19 种植体支承的全冠的位置

20 选择菜单

21 种植体支承的全冠的3D模型

22 全冠的位置

23 全冠的3D模型

24 牙桥的位置

25 牙桥的3D模型

26 种植体

30 初始3D模型

31 切开位置

32 切开位置

33 箭头

34 接触厚度

35 接触厚度

36 接触厚度

37 接触厚度

Claims (16)

1.用于构造牙科构件(1、2、4、5)的方法，所述牙科构件即为修复体(2、4、5)、咬合板或印模托盘，其中，测量牙齿状况(7)并且生成牙齿状况(7)的3D模型(10)，其特征在于，将用于机器学习的人工神经网络(英文：ConvolutionalNeuralNetwork；CNN)应用于牙齿状况(7)的3D模型(10)和/或构件的初始3D模型(30)并且自动地生成所述构件(1、2、4、5)的、即修复体(2、4、5)、咬合板或印模托盘的完成构造的3D模型(21、23、25)。

2.根据权利要求1所述的方法，其特征在于，根据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构件(5)的初始3D模型(30)和在至少一个用户构造3D模型(25)时对这些初始3D模型(30)的手动改变(33)。

3.根据权利要求1所述的方法，其特征在于，根据训练数据集来训练所述神经网络，其中，所述训练集包含牙齿状况(7)的多个3D模型(10)和至少一个用户的完成构造的构件(5)的对应的3D模型(25)。

4.根据权利要求2或3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。

5.根据权利要求2-4中任一项所述的方法，其特征在于，所述神经网络在根据训练数据集进行训练之后保持不变。

6.根据权利要求2-4中任一项所述的方法，其特征在于，将新的数据添加至所述训练数据集，从而根据经扩展的训练数据集进一步训练该神经网络。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述构件是修复体(2、4、5)，其中，所述修复体是嵌体、牙冠(2、4)、冠架、牙桥(5)、桥架、基台、桥体或贴面。

8.根据权利要求7所述的方法，其特征在于，牙齿状况(7)的3D模型(10)包括用于将修复体(2、4、5)嵌入的至少一个牙齿(8)、至少一个预备体(3)、剩余牙齿、至少一个相邻牙齿、用于将要制造的修复体嵌入的基台、牙齿状况(7)的颜色信息和/或牙齿状况(7)的颜色变化。

9.根据权利要求8所述的方法，其特征在于，所述神经网络使用牙齿状况(7)的3D模型(10)的颜色信息和/或颜色变化、即所述剩余牙齿和/或所述至少一个相邻牙齿的颜色信息和/或颜色变化，以便自动地确定用于要嵌入的修复体的颜色和/或颜色变化。

10.根据权利要求7-9任一项所述的方法，其特征在于，所述神经网络针对要制造的修复体自动地确定材料、制造方法、嵌入方法、切开位置(31)和/或与相邻牙齿的接触厚度(34、35)。

11.根据权利要求7-10中任一项所述的方法，其特征在于，所述训练数据集附加地包含完成构造的修复体的颜色、颜色变化、材料、制造方法、嵌入方法、切开位置(31)和/或与相邻牙齿的接触厚度(34、35)。

12.根据权利要求1-11中任一项所述的方法，其特征在于，所述构件是咬合板或印模托盘，其中，牙齿状况的3D模型包括用于安设咬合板或印模托盘的牙齿。

13.根据权利要求12所述的方法，其特征在于，所述神经网络针对要制造的咬合板或印模托盘自动地确定材料和/或制造方法。

14.用于数据处理的设备，该设备包括用于执行根据权利要求1-13中任一项所述的方法的装置。

15.计算机程序，该计算机程序包括如下指令，所述指令在由计算机执行该计算机程序时使该计算机执行根据权利要求1-13中任一项所述的方法。

16.计算机可读的存储介质，所述存储介质包括如下指令，所述指令在由计算机执行时使该计算机执行根据权利要求1-13中任一项所述的方法。

Images