-
Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen von Zahncharakteristika aus einem Zahnbild.
-
Zahnpflege ist ein wichtiger Beitrag zur menschlichen Hygiene. Insbesondere die Entfernung eines Biofilms auf Zähnen gehört zur Zahnpflege. Der Biofilm ist ein Film, der bei nicht Entfernung Zahnerkrankungen, wie beispielsweise Karies erzeugen kann. Ein regelmäßiges Entfernen, mit zum Beispiel einer Zahnbürste, wird somit dringend empfohlen.
-
Damit ein Nutzer weiß, wo er besonderes Augenmerk auf das Zähneputzen legen sollte, ist das Kontrastmittel Fluorescein bekannt, dass bei Beleuchtung von zum Beispiel UV-/blauem Licht fluoresziert.
-
Nimmt eine Farbkamera im Spektrum des menschlichen Auges das vom Biofilm fluoreszierende Licht auf, ist das Signal-zu-Rausch-Verhältnis sehr gering und der Biofilm ist nur schwer erkennbar.
-
Aus der noch nicht veröffentlichen deutschen Patentanmeldung
DE 10 2022 102 045.2 geht eine Zahnschmutzdetektionseinrichtung hervor, die dieses Problem löst, indem die Kamera nur einen speziellen Farbspektrumsbereich aufnimmt. Das Signal-zu-Rausch Verhältnis wird dadurch deutlich verbessert. Ein Biofilm ist hierbei sehr gut erkennbar.
-
Nachteilig bei einer Verwendung mit einem schmalen Bandfilter ist hingegen, dass andere Zahncharakteristika, wie beispielsweise die Umrandung des Zahnes, d. h. die Abgrenzung von Zahn zu beispielsweise dem Zahnfleisch oder dem Hintergrund der Mundhöhle, nur sehr schwer beim aufgenommenen Bild zu erkennen ist.
-
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zu schaffen, einfach, zuverlässig und automatisiert Zähne zu erkennen.
-
Die Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen und bevorzugte Ausführungsformen bilden den Gegenstand der Unteransprüche.
Ein Verfahren zum Erzeugen von Zahncharakteristika umfasst das Bereitstellen eines Verarbeitungsmodells, das Aufnehmen zumindest eines Zahnbildes eines Zahns und das Berechnen der Zahncharakteristika aus den Zahnbildern mittels des Verarbeitungsmodells. Das Verarbeitungsmodell wurde anhand eines Datensatzes trainiert. Der Datensatz umfasst zumindest ein Lern-Zahnbild und eine Lern-Zahncharakteristika, welche miteinander verknüpft sind.
-
Durch die Verwendung eines Verarbeitungsmodells, welches insbesondere durch maschinelles Lernen erzeugt wurde, können auch Zahncharakteristika aus Zahnbildern erkannt werden, auch wenn kein Fachpersonal die Bilder auswertet.
-
Herkömmliche Verfahren, wie beispielsweise Schwellenwertbildung, Farbspektrumseparation oder verschiedene optische Filter unterscheiden nicht zuverlässig zwischen Zahn und Zahnfleisch bzw. dem Hintergrund. Dies kann im schlimmsten Fall zu einer Verletzung des Zahnfleisches bei der Reinigung führen.
-
Die Merkmale im Zahnbild sind derart schwach, dass sie mit dem herkömmlichen Verfahren nicht zu erkennen sind.
-
Die Merkmale sind jedoch durchaus vorhanden und sie ähneln sich von Zahnbild zu Zahnbild. Je nach Zahntyp sind die Merkmale auch an ähnlichen Stellen zu finden.
-
Aufgrund dieser gleichbleibenden Merkmale im Zahnbild eignet sich das Verfahren sehr gut für ein maschinelles Lernen.
-
Zahncharakteristika sind Daten, die bestimmte Merkmale eines Zahnes beschreiben. Im einfachsten Fall sind Zahncharakteristika eine Bilddatei mit denselben Maßen wie das Zahnbild, wobei dieses Bild lediglich binäre Daten enthält, wobei beispielsweise die 0 angibt, dass an dieser Stelle kein Zahn vorliegt und eine 1, dass hier ein Zahn vorliegt. Je nach Darstellung würde ein solches Bild als eine schwarze Konturzeichnung des Zahnes dargestellt werden.
-
Das erzeugte Bild der Zahncharakteristika korrespondiert zu dem Zahnbild.
-
Es ist aber auch denkbar, dass die Zahncharakteristika Positionsdaten sind oder Vektorlinien, die die Begrenzung des Zahnes entlanglaufen.
-
Biofilm, Plaque, Zahnbelag und Zahnschmutz sind im Umfang dieser Anmeldung gleichbedeutend. Sie beschreiben eine Substanz, welche an den Zähnen anhaften und üblicherweise Speichel, Bakterien und Nahrungsresten aufweist.
-
Vorzugsweise sind die Zahnbilder binäre Bilder.
-
Vorzugsweise werden die Zahnbilder vor der Eingabe in das Verarbeitungsmodell rekonstruiert. Die Rekonstruktion kann zumindest eine der folgenden Merkmale umfassen:
- - Encodierung des Bild,
- - Farberstellung nach dem Bayer Pattern,
- - Farbsignalverstärkung,
- - Helligkeitsanpassung und/oder
- - Gammaanpassung.
-
Vorzugsweise stellen die Zahncharakteristika Begrenzungen des Zahnes im Zahnbild, insbesondere gegenüber dem Zahnfleisch und/oder der Zunge dar.
-
Begrenzungen von Zähnen zeigen über mehrere Zahnbilder hinweg eine ähnliche Darstellung im Zahnbild. Hierdurch eignet sie sich besonders gut für das maschinelle Lernen.
-
Das trainierte Verarbeitungsmodel hat beim Training gelernt, wo typischerweise die Begrenzungen der Zähne im Bild angeordnet sind. Hierbei kann sich das Verarbeitungsmodell an bestimmten Markern, wie z.B. einzelnen mit stärkerem Kontrast im ursprünglichen Zahnbild sichtbaren Zähnen, im Bild orientieren. In den Bereichen, in welchen typischerweise eine Begrenzung vorliegen sollte, werden feinste Helligkeitsunterschiede in den Graustufen durch das Verarbeitungsmodell als Begrenzung ausgewertet, sofern sie in die gesamte Begrenzungskontur der Zähne passen. Es ist jedoch auch denkbar, Helligkeitsunterschiede in Farbbildern, wie RGB-Bildern auszuwerten.
-
Hierdurch kann die Zahnkontur sehr zuverlässig und präzise festgestellt werden, auch wenn die Lichtverhältnisse systembedingt nicht optimal sind.
-
Die Begrenzungen von Zähnen, insbesondere gleicher Zahnarten, ähnelt sich über mehrere Zahnbilder hinweg. So ist ein Schneidezahn von der Begrenzung her ähnlich zu einem Schneidezahn eines anderen Nutzers. Die jeweiligen Unterschiede können dann sehr einfach durch das Verarbeitungsmodell des maschinellen Lernens erkannt werden.
-
Die Erkennung von Zahncharakteristika kann ein Verfahren zum Abgleich und oder zur Klassifizierung bzw. Kategorisierung von Farbhilfsprogrammen aufweisen.
-
Gemäß einer bevorzugten Weiterbildung wird bei der Erkennung der Zahncharakteristika durch einem Algorithmus zum maschinellen Lernen insbesondere ein Segmentierungsmodell für die Bereichserkennung des Zahns verwendet.
-
Alternativ oder zusätzlich kann ein Modell zur Objekterkennung verwendet werden. Dieses umfasst ein Begrenzungsrahmenmodell und/oder ein Model zur Zahnkoordinatenerkennung.
-
Des weiteren ist es denkbar, dass ein Algorithmus zur Schwellenwert Festlegung, insbesondere einer HSV-, RGB-, YCBCR-, LAB-Schwellenwertfestlegung verwendet wird. Hierbei können Bildabschnitte durch unterschiedliche Farben hervorgehoben werden.
-
Das zuvor erwähnte Segmentierungsmodell könnte auch verwendet werden, um Merkmale bzw. Charakteristika Bereichen zuzuordnen. Hierbei wird eine Bereichserkennung durchgeführt. Dies ist beispielsweise dann interessant, wenn die Merkmale klar definierte Grenzen aufweist, wie es zum Beispiel bei Karies ist.
-
Als Weiterbildung ist es denkbar, dass bei der Begrenzung zwischen einer Begrenzung von Zahn zu Zahnfleisch und von Zahn zu Hintergrund unterschieden wird.
-
Es ist aber auch denkbar, dass die Zahncharakteristika Merkmale der Zähne umfassen, wie bspw. Zahnverfärbungen, Implantate, de-mineralisierte Stellen, Karies, usw.
-
Die Zahncharakteristika können dazu genutzt werden, um in Kombination mit dem Zahnbild, welches Zahnbelag darstellt, eine Karte des Zahnes zu erstellen, in dem nicht nur der Zahnbelag, sondern auch die Begrenzungen der Zähne dargestellt sind. Hierdurch kann der Zahnbelag sehr präzise auf den einzelnen Zähnen lokalisiert werden und ein Reinigungsvorgang dementsprechend gesteuert werden.
-
Eine solche Zahnkarte mit der Begrenzung und dem Zahnbelag kann beispielsweise dafür genutzt werden, um eine Zahnreinigungseinrichtung, wie sie beispielsweise in der deutschen Patentanmeldung
DE 10 2022 102 045.2 beschrieben ist, zum Reinigen der Zähne entsprechend zu steuern.
-
In einem bevorzugten Weiterbildungsverfahren wird das Zahnbild mit einer Zahnschmutzdetektionseinrichtung erzeugt.
-
Werden Zähne mit UV-/blauem (-405 nm) Licht beleuchtet, kann man die Zähne auf frühe Karies, Risse im Zahn und Sekundärkaries überprüfen. Das Kontrastmittel Fluorescein hat eine Fluoreszenz mit der stärksten Intensität bei 520 bis 530 nm, wenn es mit Licht mit einer Wellenlänge 465 bis 500 nm angeregt wird. Das sehr eng zusammenliegende Wellenlängenspektrum des anregenden und emittierten Lichts führt bei standardmäßigen intraoralen Kameraeinheiten einer Zahnschmutzdetektionseinrichtung zu einem zu geringen Signal-to-Noise Verhältnis, um ein sicheres Detektieren zu gewährleisten. Auftretende Reflexionen durch fokussierte Beleuchtungslösungen und unscharfe Bilder der Kameraeinheit werden bei am Markt befindlichen interoralen Kameras zurzeit nur durch eine größere Distanz von Zahn zu Sensoreinheit kompensiert.
-
Vorzugsweise weist die Zahnschmutzdetektionseinrichtung einen Lichtfilter auf, um Licht mit den Wellenlängen zwischen 480 nm bis 530 nm passieren zu lassen.
-
Um ein gutes Signal-to-Noise Ratio zu gewährleisten, ist vorzugsweise direkt vor der Kamera der Zahnschmutzdetektionseinrichtung ein optischer Langpassfilter platziert, der im Idealfall eine Grenzwellenlänge von 480 nm bis 530 nm und insbesondere etwa 510 nm hat und Signale darunter abschneidet. Zusätzlich kann ein Bandpass- oder Kurzpassfilter vor den LEDs, welche den zu erfassenden Bereich beleuchten, platziert werden, um das Wellenlängenspektrum der LEDs zu begrenzen/fokussieren.
-
Als Alternative zu dem Langpassfilter kann auch ein Circular Polarizer verwendet werden.
-
Gemäß einer Weiterbildung kann zur Bestimmung der Zahncharakteristika ein Zusatz-Parameter berücksichtigt werden.
-
Hierbei kann die Genauigkeit bei der Bestimmung der Zahncharakteristika erhöht werden.
-
So kann das Verarbeitungsmodell bessere Zahncharakteristika erzeugen, wenn zum Beispiel der Zahntyp (wie Schneidezahn) bekannt ist. Ein Schneidezahn unterscheidet sich in der Form von zum Beispiel einem Backenzahn. Vorzugsweise umfassen die Zusatzparameter zumindest einen der folgenden Parameter:
- - Zahnprothesen,
- - Zahnerkrankungen,
- - Position von de-mineralisierten Bereichen,
- - Position von Karies,
- - Position von Füllungen,
- - Position von Zahnstein,
- - Position von Verfärbungen,
- - Position von rauen Stellen,
- - Weißheitsgrad des Zahns,
- - Fehlstellung des Zahns,
- - Zahnpositionen, und/oder
- - Zahntyp.
-
Hierdurch können, neben einer genaueren Erkennung, auch Fehler vermieden werden. So kann beispielsweise ein Bereich mit dem generalisierten Zahnstein im Zahnbild ähnliche Merkmale aufweisen, wie der Hintergrund. Ist ein solcher Bereich bekannt, kann die Positionder Zahnbegrenzung besser berechnet werden.
-
Vorzugsweise ist das maschinelle Lernen ein überwachtes maschinelles Lernen.
-
Beim überwachten Lernen wird das Verarbeitungsmodell erlernt aus gegebenen Paaren von Ein- und Ausgaben. Diese Ein- und Ausgaben stellen vorgefertigte Zahnbilder und Zahncharakteristika dar. Die korrekten Funktionen werden durch die Zahnbilder manuell bei der Eingabe bereitgestellt. Hierbei werden nach mehreren Durchgängen mit unterschiedlichen Ein- und Ausgaben die Fähigkeiten trainiert, Assoziation herzustellen.
-
Gemäß einer Weiterbildung wird in der Anwendungsphase das Verarbeitungsmodell durch selbständiges maschinelles Lernen verbessert, indem ein Anwender die durch das Verarbeitungsmodell erzeugten Zahncharakteristika manuell anpasst. Das Verarbeitungsmodell wird anhand eines Datensatzes bestehend aus dem Zahnbild und den angepassten Zahncharakteristika zusätzlich trainiert.
-
Hierdurch wird das Verarbeitungsmodell kontinuierlich verbessert. Je mehr Trainingsdaten, also auch die neu hinzugekommenen, genutzt wurden, um das Verarbeitungsmodell zu erzeugen, desto genauer kann mit dem Verarbeitungsmodell Zahncharakteristika aus einem Zahnbild bestimmt werden.
-
Bei einem Verfahren zum Erzeugen eines Verarbeitungsmodells wird das Verarbeitungsmodell anhand eines Datensatzes durch einen Algorithmus zum maschinellen Lernen trainiert. Der Datensatz umfasst zumindest ein Lern-Zahnbild und zumindest ein Lern-Zahncharakteristika, welche miteinander verknüpft sind. Das Verarbeitungsmodell wird verbessert, indem das Verarbeitungsmodell eine Lern-Zahnbild Ziel-Zahncharakteristika erzeugt und dann durch einen Ziel-Algorithmus ein Maß bestimmt wird, wie sehr sich die Ziel-Zahncharakteristika und die Lern-Zahncharakteristika unterscheiden. Anhand des bestimmten Maßes wird das Verarbeitungsmodell angepasst.
-
Ein Computerprogrammprodukt umfasst Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das oben beschriebene Verfahren auszuführen.
-
Der Computer ist eine Recheneinheit. Die Recheneinheit, bzw. der Computer kann aber auch ein digitales Benutzergerät sein, wie ein Smartphone, ein Server, ein Mikrocontroller, ein Laptop, einen Tablett-Computer, ein ein PDA oder ein anderes intelligentes System, wie auch ein Cloud-basiertes System.
-
Die Erfindung wird nachfolgend beispielhaft anhand den in den Zeichnungen dargestellten Beispielen näher erläutert. Die Zeichnungen zeigen schematisch:
- 1 Schematische Darstellung von Zahnbildern und Zahncharakteristika,
- 2 Blockschaltbild eines Systems zur Bestimmung von Zahncharakteristika aus einem Zahnbild,
- 3a Blockschaltbild eines Systems zum Bilden eines Verarbeitungsmodells,
- 3b Blockschaltbild eines Systems zum Nutzen eines Verarbeitungsmodells, und
- 4 ein Flussdiagramm eines Verfahrens zur Bestimmung von Zahncharakteristika aus einem Zahnbild.
-
Ausführungsbeispiele
-
Vorrichtungsbeschreibung
-
Ein System 1 zum Bestimmen von Zahncharakteristika umfasst eine Lerneinheit 2, eine Ausführungseinheit 3 und eine Zahnschmutzdetektionseinrichtung 4 zum Aufnehmen von Zahnbildern 5.
-
Die Lerneinheit 2 umfasst ein Modul zum maschinellen Lernen 6, welches ausgebildet ist, Zuordnungen 7 von Zahnbildern 5 zu Lern-Zahncharakteristika 8 zu nutzen, um daraus ein Verarbeitungsmodell 9 zu erzeugen.
-
Die Anwendungseinheit 3 umfasst ein Anwendungsmodul 10, welches das Verarbeitungsmodell 9 nutzt, um aus Zahnbilder 5 automatisch Zahncharakteristika 11 zu bestimmen.
-
Die Lerneinheit 2 und die Ausführungseinheiten 3 sind typischerweise Recheneinheiten, wie beispielsweise Computer. Das Modul zum maschinellen Lernen 6 und das Anwendungsmodul 10 sind Software-Applikationen, welche auf diesen Computern ausführbar sind.
-
In diesem Ausführungsbeispiel sind die Lerneinheit 2 und die Ausführungseinheit 3 zwei unterschiedliche Computer, die über ein Computernetzwerk miteinander verbunden sind, um das Verarbeitungsmodell 9 auszutauschen.
-
In anderen Ausführungsbeispielen ist es denkbar, dass die Lerneinheit 2 und die Ausführungseinheit 3 durch denselben Computer abgebildet werden.
-
Die Zahnschmutzdetektionseinrichtung 4 kommuniziert vorzugsweise drahtlos mit der Ausführungseinheit 3, beispielsweise über WLAN. Eine drahtgestützte Kommunikation ist jedoch auch denkbar.
-
Zahnschmutzdetektionseinrichtung 4 ist in der nicht veröffentlichten deutschen Patentanmeldung
DE 10 2022 102 045.2 ausführlich beschrieben und auf diese Patentanmeldung wird vollumfänglich Bezug genommen.
-
Grundsätzlich ist die Zahnschmutzdetektionseinrichtung 4 derart ausgebildet, dass ein U-förmiger Abschnitt der Zahnschmutzdetektionseinrichtung 4 in den Mundraum eines Nutzers eingeführt wird. Der U-förmige Abschnitt der Zahnschmutzdetektionseinrichtung 4 weist eine Sensoranordnung auf.
-
Der U-förmige Abschnitt wird auf die Zähne gestülpt, sodass alle Zahnoberflächen von einem Sensor erfasst werden können.
-
Damit ein Biofilm besser sichtbar ist, wird vor dem Detektionsvorgang eine Detektionsflüssigkeit in den Mundraum eingebracht. Die Detektionsflüssigkeit interagiert mit dem Biofilm und lässt den Biofilm unter Einfluss eines Lichtes mit einer vorbestimmten Wellenlänge in einer anderen vorbestimmten Wellenlänge leuchten.
-
Die Detektionsflüssigkeit ist in einer Detektionskapsel angeordnet, die in die Zahnschmutzdetektionseinrichtung 4 einsetzbar ist. Die Detektionsvorrichtung entnimmt dann die Detektionsflüssigkeit und pumpt sie auf die Zähne.
-
Hierzu besteht die Zahnschmutzdetektionseinrichtung 4 aus einem Handstück, welches an der anwenderabgewandten Seite ein Display aufweisen kann. Auf der anwenderzugewandten Seite befindet sich ein Mundstück, das in die Mundhöhle eingeführt wird und die Sensoreinheit über die Zähne führt.
-
Das Mundstück weist zumindest eine Kameraeinheit mit einer Kamera auf.
-
Die Kameraeinheit allein hat beispielsweise die Dimensionen 1x1x2,7 mm und die gesamte Sensoreinheit, inklusive eines Schutzglases, PCB (printed circuit board), Filter und Kamerahalter, einen Durchmesser von 8 mm und eine Höhe von 3,8 mm. Mit diesen Abmessungen ist die Einheit in einen Mundraum gut führbar.
-
Um ein gutes Signal-Rausch-Verhältnis zu gewährleisten, ist vorzugsweise direkt vor der Kamera ein optischer Langpassfilter platziert, der im Idealfall eine Grenzwellenlänge von etwa 510 nm hat und Signale darunter abschneidet. Zusätzlich kann ein Bandpass- oder Kurzpassfilter vor den LEDs, welche den zu erfassenden Bereich beleuchten, platziert werden, um das Wellenlängenspektrum der LEDs zu begrenzen.
-
Verfahrensbeschreibung
-
Nachfolgend wird ein Verfahren zum Bestimmen von Zahncharakteristika 11 erläutert.
-
Das Verfahren beginnt mit Schritt S1 (4).
-
Im nächsten Schritt (S2) werden Zahnbilder 5 zu Zahncharakteristika 11 manuell zugeordnet.
-
Zahnbilder 5 sind Abbildungen von Zähnen, die durch eine Zahnschmutzdetektionseinrichtung 4 aufgenommen wurden. Sie zeigen typischerweise starke Signal-zu-Rausch-Verhältnisse von Zahnbelägen, aber die Abgrenzung von Zähnen, hier Zahncharakteristika 11, sind nur sehr schwer erkennbar. Fachpersonal ist jedoch in der Lage, diese Abgrenzungen manuell zu bestimmen.
-
Wurden Zahnbildern 5 Zahncharakteristika 11 zugeordnet, wird im nächsten Schritt (S3) ein Verarbeitungsmodell 9 durch maschinelles Lernen dieser manuellen Zuordnung 7 erzeugt.
-
In der Lernphase wird zunächst ein leeres Verarbeitungsmodell 9 verwendet, das hier aus einem neuronalen Netz besteht. Leer bedeutet in diesem Zusammenhang, dass das neuronale Netz noch mit keinen Daten angelernt wurde, aber die hierzu nötigen Grundlagen enthält und zum Lernen bereit ist.
-
Zum Lernen des Verarbeitungsmodells 9 werden Lern-Zahnbilder 5 in das Verarbeitungsmodell 9 eingelesen, welches daraufhin Ziel-Zahncharakteristika 11 ausgibt (3a).
-
Zur Erzeugung von Lern-Zahncharakteristika 8 wird mit einem Kameramodul einer Zahnschmutzdetektionseinrichtung 4 ein Bild der Zähne aufgenommen, wobei auf ein Kontrastmittel und gegebenenfalls auf Farbfilter verzichtet wird. Dadurch wird ein Abbild des Zahnes erzeugt, bei dem zwar ein Biofilm nicht so leicht erkennbar ist, aber die Begrenzung des Zahnes deutlich sichtbar ist. Diese Begrenzung kann durch einen Algorithmus, oder manuell aus dem Zahnbild 5, berechnet werden und die stellen dann die Lernzahncharakteristika dar.
-
Durch einen Zielalgorithmus 12 wird ein Maß bestimmt, wie sehr sich die Zielcharakteristika von den Lern-Zahnbildern 5 zugeordneten Lern-Zahncharakteristika unterscheiden.
-
Anhand des Maßes wird automatisch das Verarbeitungsmodell 9 verbessert.
-
Dieser Lernschritt wird nun mit dem gleichen Lern-Zahnbild und oder einem anderen Lern-Zahnbild wiederholt.
-
Diese Wiederholung passiert etliche Male und anhand dieser Wiederholung des Lernschrittes wird das Verarbeitungsmodell 9 aufgebaut.
-
Es folgt Schritt S4, in dem das Verarbeitungsmodell 9 von der Lerneinheit 2 zur Ausführungseinheit 3 übertragen wird.
-
In Schritt S5 werden neue Zahnbilder 5 auch von der Zahnschmutzdetektionseinrichtung 4 aufgenommen.
-
Die neuen Zahnbilder 5 werden von der Zahnschmutzdetektionseinrichtung 4 zur Ausführungseinheit 3 übertragen.
-
Anschließend wird in Schritt S6 Zahncharakteristika 11 des neuen Zahnbildes 5 anhand des Verarbeitungsmodells 9 erzeugt (3b).
-
Das Verfahren endet mit Schritt S7.
-
Gemäß einer Ausführungsform wird die für die Kamera sichtbare Zahnflächen vermessen. Hierbei kann beispielsweise die Höhen, Tiefen und Neigungswinkel zu den bestimmten Handbuch des Zahnes ermittelt werden, um daraus die Oberfläche des Zahnes zu bestimmen.
-
Gemäß einer weiteren Ausführungsform können Zähne über mehrere aufgenommenen Zahnbilder hinweg getrackt, d. h. verfolgt, werden. Hierbei werden Zähne auf verschiedenen Zahnbildern identifiziert. Des Weiteren ist es möglich, dass Zahnbewegungen ermittelt werden und die Kamerabewegung hieraus berechnet werden kann.
-
Bezugszeichenliste
-
- 1
- System zum Bestimmen von Zahncharakteristika
- 3
- Ausführungseinheit
- 4
- Zahnschmutzdetektionseinrichtung
- 5
- Zahnbildern
- 2
- Lerneinheit
- 6
- Modul zum Lernen
- 7
- Zuordnungen
- 8
- Lern-Zahncharakteristika
- 9
- Verarbeitungsmodell
- 10
- Anwendungsmodul
- 11
- Zahncharakteristika
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- DE 102022102045 [0005, 0033, 0058]
