JP2022012197A - データ処理装置、データ処理システム、データ処理方法、およびデータ処理用プログラム - Google Patents

Abstract

【課題】精度良く歯牙の種類を識別することができるデータ処理装置、データ処理システム、データ処理方法、およびデータ処理用プログラムを提供する。
【解決手段】データ処理装置１００は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力される入力部１１０２と、入力部１１０２から入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワーク１１４２を含む推定モデル１１４とに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける関連付け部１１０１と、関連付け部１１０１による関連付けの結果を出力する出力部１１０３とを備える。
【選択図】図５

Description

本開示は、データ処理装置、データ処理システム、データ処理方法、およびデータ処理用プログラムに関する。

従来から、歯科分野において、補綴物などをコンピュータ上でデジタル設計するために、歯牙の三次元形状を取得する三次元カメラを内蔵した三次元スキャナが公知である。たとえば、特許文献１には、三次元カメラを用いて歯牙を撮像することで、歯牙の形状を記録する技術が開示されている。歯科医師などの術者は、特許文献１に開示された三次元カメラを用いることで、撮像対象となった歯牙の三次元形状を記録することができ、さらに記録された歯牙の三次元形状が示された三次元画像を確認しながら、自身の知見によって当該歯牙の種類を識別することができる。

特開２０００－７４６３５号公報

このように、従来から、術者は、三次元カメラによって取得された歯牙を含む三次元画像に基づき、自身の知見によって当該歯牙の種類を識別していたが、知見のレベルは術者ごとに異なるため、術者の知見のレベルに応じて識別結果の精度がばらつくという問題があった。たとえば、中切歯と側切歯、犬歯と第一小臼歯、第一小臼歯と第二小臼歯、第二小臼歯と第一大臼歯、第一台臼歯と第二大臼歯など、形状が類似する歯牙同士では特に識別精度は高くない。

本開示は、このような問題を解決するためになされたものであり、精度良く歯牙の種類を識別することができるデータ処理装置、データ処理システム、データ処理方法、およびデータ処理用プログラムを提供することを目的とする。

本開示に従えば、歯牙の種類に関連するデータを処理するデータ処理装置が提供される。データ処理装置は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力される入力部と、入力部から入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける関連付け部と、関連付け部による関連付けの結果を出力する出力部とを備える。

本開示に従えば、歯牙の種類に関連するデータを処理するデータ処理システムが提供される。データ処理システムは、三次元カメラを用いて、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを取得する三次元スキャナと、三次元スキャナによって取得された三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるデータ処理装置とを備える。データ処理装置は、三次元スキャナによって取得された三次元データが入力される入力部と、入力部から入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける関連付け部と、関連付け部による関連付けの結果を出力する出力部とを含む。

本開示に従えば、コンピュータによる歯牙の種類に関連するデータを処理するデータ処理方法が提供される。データ処理方法は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力されるステップと、入力されるステップによって入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるステップと、関連付けるステップによる関連付けの結果を出力するステップとを含む。

本開示に従えば、歯牙の種類に関連するデータを処理するデータ処理用プログラムが提供される。データ処理用プログラムは、コンピュータに、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力されるステップと、入力されるステップによって入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるステップと、関連付けるステップによる関連付けの結果を出力するステップとを実行させる。

本開示によれば、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データに基づいて、精度良く歯牙の種類を識別することができる。

本実施の形態に係るデータ処理装置の適用例を示す模式図である。 本実施の形態に係るシステムの全体構成を示す模式図である。 本実施の形態に係るデータ処理装置のハードウェア構成を示す模式図である。 本実施の形態に係るサーバ装置のハードウェア構成を示す模式図である。 本実施の形態に係るデータ処理装置の機能構成を示す模式図である。 本実施の形態に係るデータ処理装置に入力される三次元データの内容を説明するための模式図である。 本実施の形態に係るデータ処理装置の推定対象となる歯牙の一例を示す模式図である。 本実施の形態に係る学習用データの生成を説明するための模式図である。 本実施の形態に係る学習用データセットの一例を説明するための模式図である。 本実施の形態に係る学習用データセットに基づく学習済モデルの生成を説明するための模式図である。 本実施の形態に係る関連付け結果の出力の一例を説明するための模式図である。 本実施の形態に係る関連付け結果の出力の一例を説明するための模式図である。 本実施の形態に係る出力データの一例を説明するための模式図である。 本実施の形態に係る出力データの一例を説明するための模式図である。 本実施の形態に係るデータ処理装置が実行する学習処理の一例を説明するためのフローチャートである。 本実施の形態に係るサーバ装置が実行する学習処理の一例を説明するためのフローチャートである。 本実施の形態に係るデータ処理装置が実行するサービス提供処理の一例を説明するためのフローチャートである。 変形例に係る関連付け結果の出力の一例を説明するための模式図である。 変形例に係るデータ処理装置が実行するサービス提供処理の一例を説明するためのフローチャートである。 変形例に係る学習用データセットに基づく学習済モデルの生成を説明するための模式図である。 変形例に係るデータ処理装置が実行するサービス提供処理の一例を説明するためのフローチャートである。 変形例に係る学習用データセットの一例を説明するための模式図である。 変形例に係るデータ処理装置が実行するサービス提供処理の一例を説明するためのフローチャートである。

本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。

［適用例］
図１および図２を参照しながら、本実施の形態に係るデータ処理装置１００の適用例を説明する。図１は、本実施の形態に係るデータ処理装置１００の適用例を示す模式図である。図２は、本実施の形態に係るシステムの全体構成を示す模式図である。

図１に示すように、ユーザ１は、データ処理システム１０を用いることで、対象者２の歯牙および歯肉を少なくとも含む口腔内の三次元形状のデータ（以下、「三次元データ」とも称する）を取得することができる。三次元データは、スキャンされた口腔内の歯牙および歯肉を構成する各点の位置情報を含む。なお、「ユーザ」は、歯科医師などの術者、歯科助手、歯科大学の先生または生徒、歯科技工士、メーカの技術者、製造工場の作業者など、データ処理システム１０を用いる者であればいずれであってもよい。「対象者」は、歯科医院の患者、歯科大学における被験者など、データ処理システム１０のスキャン対象となる者であればいずれであってもよい。

本実施の形態に係るデータ処理システム１０は、三次元スキャナ２００と、データ処理装置１００と、ディスプレイ３００とを備える。三次元スキャナ２００は、内蔵された三次元カメラによってスキャン対象の三次元データを取得する。具体的には、三次元スキャナ２００は、口腔内をスキャンすることで、三次元データとして、スキャン対象の歯牙および歯肉を構成する複数の点のそれぞれの位置情報（たとえば、縦方向に沿ったＸ軸，横方向に沿ったＹ軸，高さ方向に沿ったＺ軸の座標）を、光学センサなどを用いて取得する。あるいは、三次元スキャナ２００は、口腔内の印象採得によって作成された模型に対してスキャンすることで、三次元データとして、スキャン対象部分を構成する複数の点のそれぞれの位置情報（たとえば、縦方向に沿ったＸ軸，横方向に沿ったＹ軸，高さ方向に沿ったＺ軸の座標）を、光学センサなどを用いて取得する。データ処理装置１００は、三次元スキャナ２００によって取得された三次元データに基づき、任意の視点からの歯牙などの像を含む二次元画像、またはホログラムなどによる立体的な歯牙などの画像を含む三次元画像を生成し、生成した三次元画像をディスプレイ３００に表示する。三次元スキャナ２００およびデータ処理装置１００の少なくともいずれか一方は、移動可能なポータブル型のものであってもよいし、固定された据え置き型のものであってもよい。たとえば、三次元スキャナ２００およびデータ処理装置１００が据え置き型のデスクトップスキャナである場合、スキャン対象は石膏模型や義歯などの人工的に生成された歯牙であってもよい。

たとえば、ユーザ１は、対象者２の歯牙の欠損部分を補う補綴物などをコンピュータ上でデジタル設計するために、三次元スキャナ２００によって対象者２の口腔内を撮像することで、歯牙および歯肉を少なくとも含む口腔内の三次元データを取得する。三次元データは、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を少なくとも含む。ユーザ１が口腔内を撮像するたびに三次元データが順次取得され、口腔内の三次元画像がディスプレイ３００に表示される。ユーザ１は、ディスプレイ３００に表示された三次元画像を確認しながら三次元データの不足部分を重点的にスキャンしていく。

従来であれば、ユーザ１は、三次元スキャナ２００によって取得された歯牙を含む三次元データが可視化された三次元画像に基づき、自身の知見によってスキャン中またはスキャンが完了した歯牙の種類を識別する。しかし、知見のレベルはユーザ１ごとに異なるため、ユーザ１の知見に頼っていると識別結果の精度がばらつくことがあった。また、矯正歯科などにおいては、矯正用の器具を設計する際に、歯牙とその隣の歯牙とを区別しながら、また、歯牙と歯肉とを区別しながら、歯牙をその種類ごとに分類（セグメント化）することも要求される。

そこで、本実施の形態に係るデータ処理システム１０は、データ処理装置１００が有するＡＩ（人工知能：Artificial Intelligence）を利用して、三次元スキャナ２００によって取得された三次元データに基づき、当該三次元データに対応する複数の点ごとに歯牙の種類を推定し、その推定結果を含む歯牙の種類に関連する関連データを、当該三次元データに対応する複数の点のそれぞれに関連付けるように構成されている。なお、データ処理装置１００による歯牙の種類を推定する処理を「推定処理」とも称する。

なお、「歯牙の種類」は、上顎右側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯、上顎左側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯、下顎右側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯、下顎左側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯といったような各歯牙の種類を意味する。

具体的には、ユーザ１が三次元スキャナ２００を用いて対象者２の口腔内をスキャンすると、歯牙および歯肉を少なくとも含む口腔内の三次元データがデータ処理装置１００に入力される。データ処理装置１００は、入力された歯牙の特徴を含む三次元データとニューラルネットワークを含む推定モデルとに基づき、当該歯牙の種類を推定する推定処理を実行する。

「推定モデル」は、ニューラルネットワークと当該ニューラルネットワークによって用いられるパラメータとを含み、三次元データに関連付けられた歯牙の種類に対応する歯牙情報と、当該三次元データを用いた当該歯牙の種類の推定結果とに基づき学習されることで最適化（調整）される。

具体的には、推定モデルは、歯牙を含む三次元データが入力されると、当該三次元データに基づきニューラルネットワークによって当該三次元データごとに歯牙の特徴を抽出し、抽出した歯牙の特徴に基づき当該三次元データごとに歯牙の種類を推定する。そして、推定モデルは、自身が推定した歯牙の種類と、入力された三次元データに関連付けられた歯牙の種類（歯牙情報）とに基づき、両者が一致すればパラメータを更新しない一方で、両者が一致しなければ両者が一致するようにパラメータを更新することで、パラメータを最適化する。このように、推定モデルは、入力データである三次元データと、正解データである歯牙の種類（歯牙情報）とを含む教師データを利用して、パラメータが最適化されることで学習される。

なお、このような推定モデルを学習する処理を「学習処理」とも称する。また、学習処理によって最適化された推定モデルを、特に「学習済モデル」とも称する。つまり、本実施の形態においては、学習前の推定モデルおよび学習済みの推定モデルをまとめて「推定モデル」と総称する一方で、特に、学習済みの推定モデルを「学習済モデル」とも称する。

「歯牙情報」は、上顎右側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯、上顎左側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯、下顎右側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯、下顎左側の中切歯、側切歯、犬歯、第１小臼歯、第２小臼歯、第１大臼歯、第２大臼歯、および第３大臼歯といったような各歯牙の名称を含む。また、「歯牙情報」は、中切歯に割り当てられた１番、側切歯に割り当てられた２番、犬歯に割り当てられた３番、第１小臼歯に割り当てられた４番、第２小臼歯に割り当てられた５番、第１大臼歯に割り当てられた６番、第２大臼歯に割り当てられた７番、第３大臼歯に割り当てられた８番といったような各歯牙に割り当てられた番号（たとえば、歯科分野において一般的に用いられている歯牙の番号）を含む。その他、「歯牙情報」は、各歯牙に割り当てられた色の情報を含んでいてもよいし、各歯牙に割り当てられた記号の情報を含んでいてもよい。

データ処理装置１００によって学習済モデルを用いて推定処理が実行されると、その推定結果を含む歯牙の種類に関連する関連データが、当該三次元データに対応する複数の点のそれぞれに関連付けられる。このようにして得られた関連付けの結果は、ディスプレイ３００に出力される。

「関連データ」は、推定された歯牙の種類を示す色、文字、記号、および歯牙番号など、推定された歯牙の種類を示す任意のデータを含む。たとえば、ディスプレイ３００は、歯牙の種類に対応する色、文字、記号、および歯牙番号などを用いて、三次元スキャナ２００によって取得された三次元データに対応する複数の点ごとに歯牙の種類を指し示す。

データ処理装置１００による推定結果は、推定処理時に用いられた三次元データとともに、スキャン情報として歯科技工所および管理センターに配置されたサーバ装置５００に出力される。

たとえば、図２に示すように、データ処理システム１０は、複数のローカルＡ～Ｃのそれぞれに配置されている。たとえば、ローカルＡおよびローカルＢは歯科医院であり、当該歯科医院の院内において、ユーザ１である術者や歯科助手は、データ処理システム１０を利用して対象者２である患者の歯牙および歯肉を少なくとも含む口腔内の三次元データを取得する。また、ローカルＣは歯科大学であり、当該歯科大学において、ユーザ１である先生や生徒は、対象者２である被験者の口腔内の三次元データを取得する。ローカルＡ～Ｃのそれぞれで取得されたスキャン情報（三次元データ，推定結果）は、ネットワーク５を介して、ローカルＤである歯科技工所および管理センターに配置されたサーバ装置５００に出力される。

歯科技工所においては、歯科技工士などが、ローカルＡ～Ｃのそれぞれから取得したスキャン情報に基づき、対象者２の歯牙の欠損部分を補う補綴物などを作成する。管理センターにおいては、サーバ装置５００が、ローカルＡ～Ｃのそれぞれから取得したスキャン情報を蓄積して記憶し、ビッグデータとして保持する。

なお、サーバ装置５００は、歯科医院にローカルとは異なる管理センターに配置されるものに限らず、ローカル内に配置されてもよい。たとえば、ローカルＡ～Ｃのうちのいずれかのローカル内にサーバ装置５００が配置されてもよい。また、１つのローカル内に複数のデータ処理装置１００が配置されてもよく、さらに、当該１つのローカル内に当該複数のデータ処理装置１００と通信可能なサーバ装置５００が配置されてもよい。また、サーバ装置５００は、クラウドサービスの形態で実現されてもよい。

歯科技工所においては、ローカルＡ～Ｃのように、様々な所からスキャン情報が集約される。このため、歯科技工所で保持されているスキャン情報は、ネットワーク５を介して管理センターに送信されてもよいし、あるいは、ＣＤ（Compact Disc）およびＵＳＢ（Universal Serial Bus）メモリなどのリムーバブルディスク５５０を介して管理センターに送られてもよい。

なお、ネットワーク５を介さずに、ローカルＡ～Ｃのそれぞれからも、リムーバブルディスク５５０を介してスキャン情報が管理センターに送られてもよい。また、ローカルＡ～Ｃのそれぞれの間においても、ネットワーク５またはリムーバブルディスク５５０を介してスキャン情報を互いに送り合ってもよい。

各ローカルＡ～Ｃのデータ処理装置１００は、各自で推定モデルを保持しており、推定処理時に各自が保持する推定モデルを使用して歯牙の種類を推定する。各ローカルＡ～Ｃのデータ処理装置１００は、各自の学習処理によって各自の推定モデルを学習することで、学習済モデルを生成する。さらに、本実施の形態においては、サーバ装置５００も推定モデルを保持している。サーバ装置５００は、各ローカルＡ～Ｃのデータ処理装置１００および歯科技工所から取得したスキャン情報を用いた学習処理によって推定モデルを学習することで、学習済モデルを生成し、各ローカルＡ～Ｃのデータ処理装置１００に当該学習済モデルを配布する。

なお、本実施の形態においては、各ローカルＡ～Ｃのデータ処理装置１００およびサーバ装置５００のいずれも学習処理を実行する形態であるが、各ローカルＡ～Ｃのデータ処理装置１００のみが学習処理を実行する形態、あるいはサーバ装置５００のみが学習処理を実行する形態であってもよい。なお、サーバ装置５００のみが学習処理を実行する形態である場合、各ローカルＡ～Ｃのデータ処理装置１００が保持する推定モデル（学習済モデル）は、各ローカルＡ～Ｃのデータ処理装置１００間で共通化される。

また、サーバ装置５００がデータ処理装置１００における推定処理の機能を有していてもよい。たとえば、各ローカルＡ～Ｃは、取得した三次元データをサーバ装置５００に送信し、サーバ装置５００は、各ローカルＡ～Ｃから受信したそれぞれの三次元データに基づき、それぞれにおける歯牙の種類の推定結果を算出してもよい。そして、サーバ装置５００は、それぞれの推定結果を各ローカルＡ～Ｃに送信し、各ローカルＡ～Ｃは、サーバ装置５００から受信した推定結果をディスプレイなどに出力してもよい。このように、各ローカルＡ～Ｃとサーバ装置５００とがクラウドサービスの形態で構成されてもよい。このようにすれば、サーバ装置５００が推定モデル（学習済モデル）を保持してさえいれば、各ローカルＡ～Ｃは、推定モデル（学習済モデル）を保持することなく推定結果を得ることができる。

このように、本実施の形態に係るデータ処理システム１０によれば、データ処理装置１００が有するＡＩを利用して、三次元スキャナ２００によって取得された三次元データに基づき歯牙の種類が推定される。そして、その推定結果に基づき、三次元スキャナ２００によって取得された三次元データに対応する複数の点のそれぞれに対して、歯牙の種類に関連する関連データが関連付けられ、その関連付けの結果がディスプレイ３００などに出力される。このように、ＡＩを利用することで、ユーザ１が抽出できる歯牙の特徴に限らずユーザ１では抽出できない歯牙の特徴をも見出すこともでき、見出された歯牙の特徴に基づき三次元データに対応する複数の点ごとに歯牙の種類が識別されるため、ユーザ１は、自身の知見に頼ることなく、精度良く歯牙の種類を識別することができる。

［データ処理装置のハードウェア構成］
図３を参照しながら、本実施の形態に係るデータ処理装置１００のハードウェア構成の一例を説明する。図３は、本実施の形態に係るデータ処理装置１００のハードウェア構成を示す模式図である。データ処理装置１００は、たとえば、汎用コンピュータで実現されてもよいし、データ処理システム１０専用のコンピュータで実現されてもよい。

図３に示すように、データ処理装置１００は、主なハードウェア要素として、スキャナインターフェース１０２と、ディスプレイインターフェース１０３と、周辺機器インターフェース１０５と、ネットワークコントローラ１０６と、メディア読取装置１０７と、ＰＣディスプレイ１０８と、メモリ１０９と、ストレージ１１０と、演算装置１３０とを備える。

スキャナインターフェース１０２は、三次元スキャナ２００を接続するためのインターフェースであり、データ処理装置１００と三次元スキャナ２００との間のデータの入出力を実現する。

ディスプレイインターフェース１０３は、ディスプレイ３００を接続するためのインターフェースであり、データ処理装置１００とディスプレイ３００との間のデータの入出力を実現する。ディスプレイ３００は、たとえば、ＬＣＤ（Liquid Crystal Display）または有機ＥＬＤ（Electroluminescence）ディスプレイなどで構成される。

周辺機器インターフェース１０５は、キーボード６０１およびマウス６０２などの周辺機器を接続するためのインターフェースであり、データ処理装置１００と周辺機器との間のデータの入出力を実現する。

ネットワークコントローラ１０６は、ネットワーク５を介して、歯科技工所に配置された装置、管理センターに配置されたサーバ装置５００、および他のローカルに配置された他のデータ処理装置１００のそれぞれとの間でデータを送受信する。ネットワークコントローラ１０６は、たとえば、イーサネット（登録商標）、無線ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの任意の通信方式に対応する。

メディア読取装置１０７は、記憶媒体であるリムーバブルディスク５５０に格納されているスキャン情報などの各種データを読み出す。

ＰＣディスプレイ１０８は、データ処理装置１００専用のディスプレイである。ＰＣディスプレイ１０８は、たとえば、ＬＣＤまたは有機ＥＬディスプレイなどで構成される。なお、本実施の形態においては、ＰＣディスプレイ１０８は、ディスプレイ３００と別体であるが、ディスプレイ３００と共通化されてもよい。

メモリ１０９は、演算装置１３０が任意のプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供する。メモリ１０９は、たとえば、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）などの揮発性メモリデバイスで構成される。

ストレージ１１０は、推定処理および学習処理などに必要な各種のデータを格納する記憶領域を提供する。ストレージ１１０は、たとえば、ハードディスクまたはＳＳＤ（Solid State Drive）などの不揮発性メモリデバイスで構成される。

ストレージ１１０は、スキャン情報１１２と、推定モデル１１４（学習済モデル）と、学習用データセット１１６と、色分類データ１１８と、プロファイルデータ１１９と、データ処理用プログラム１２０と、学習用プログラム１２１と、ＯＳ（Operating System）１２７とを格納する。

スキャン情報１１２は、三次元スキャナ２００によって取得された三次元データ１２２と、当該三次元データ１２２に基づき実行された推定処理による推定結果１２４とを含む。推定結果１２４は、推定処理に用いられた三次元データ１２２に関連付けられてストレージ１１０に格納される。学習用データセット１１６は、推定モデル１１４の学習処理に用いられる一群の学習用データである。色分類データ１１８は、学習用データセット１１６の生成および学習処理に用いられるデータである。プロファイルデータ１１９は、対象者２に関する属性情報であって、当該対象者２の年齢、性別、人種、身長、体重、および居住地などのプロファイルがまとめられたデータ（たとえば、カルテの情報）である。データ処理用プログラム１２０は、歯牙を構成する複数の点のそれぞれに対して関連データを関連付けてその関連付けの結果を出力するといった処理を実行するためのプログラムであり、その一部には推定処理を実行するためのプログラムも含まれる。学習用プログラム１２１は、推定モデル１１４の学習処理を実行するためのプログラムであり、その一部には推定処理を実行するためのプログラムも含まれる。

演算装置１３０は、各種のプログラムを実行することで、推定処理および学習処理などの各種の処理を実行する演算主体であり、コンピュータの一例である。演算装置１３０は、たとえば、ＣＰＵ（Central Processing Unit）１３２、ＦＰＧＡ（Field-Programmable Gate Array）１３４、およびＧＰＵ（Graphics Processing Unit）１３６などで構成される。

なお、演算装置１３０は、ＣＰＵ１３２、ＦＰＧＡ１３４、およびＧＰＵ１３６のうちの少なくともいずれか１つで構成されてもよいし、ＣＰＵ１３２とＦＰＧＡ１３４、ＦＰＧＡ１３４とＧＰＵ１３６、ＣＰＵ１３２とＧＰＵ１３６、あるいはＣＰＵ１３２、ＦＰＧＡ１３４、およびＧＰＵ１３６から構成されてもよい。また、演算装置１３０は、演算回路（processing circuitry）と称されてもよい。

［サーバ装置のハードウェア構成］
図４を参照しながら、本実施の形態に係るサーバ装置５００のハードウェア構成の一例を説明する。図４は、本実施の形態に係るサーバ装置５００のハードウェア構成を示す模式図である。サーバ装置５００は、たとえば、汎用コンピュータで実現されてもよいし、データ処理システム１０専用のコンピュータで実現されてもよい。

図４に示すように、サーバ装置５００は、主なハードウェア要素として、ディスプレイインターフェース５０３と、周辺機器インターフェース５０５と、ネットワークコントローラ５０６と、メディア読取装置５０７と、メモリ５０９と、ストレージ５１０と、演算装置５３０とを備える。

ディスプレイインターフェース５０３は、ディスプレイ３５０を接続するためのインターフェースであり、サーバ装置５００とディスプレイ３５０との間のデータの入出力を実現する。ディスプレイ３５０は、たとえば、ＬＣＤまたは有機ＥＬＤディスプレイなどで構成される。

周辺機器インターフェース５０５は、キーボード６５１およびマウス６５２などの周辺機器を接続するためのインターフェースであり、サーバ装置５００と周辺機器との間のデータの入出力を実現する。

ネットワークコントローラ５０６は、ネットワーク５を介して、ローカルに配置されたデータ処理装置１００、および歯科技工所に配置された装置のそれぞれとの間でデータを送受信する。ネットワークコントローラ５０６は、たとえば、イーサネット（登録商標）、無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの任意の通信方式に対応してもよい。

メディア読取装置５０７は、リムーバブルディスク５５０に格納されているスキャン情報などの各種データを読み出す。

メモリ５０９は、演算装置５３０が任意のプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供する。メモリ５０９は、たとえば、ＤＲＡＭまたはＳＲＡＭなどの揮発性メモリデバイスで構成される。

ストレージ５１０は、学習処理などに必要な各種のデータを格納する記憶領域を提供する。ストレージ５１０は、たとえば、ハードディスクまたはＳＳＤなどの不揮発性メモリデバイスで構成される。

ストレージ５１０は、スキャン情報５１２と、推定モデル５１４（学習済モデル）と、学習用データセット５１６と、色分類データ５１８と、プロファイルデータ５１９と、学習用プログラム５２１と、ＯＳ５２７とを格納する。

スキャン情報５１２は、ネットワーク５を介してローカルに配置されたデータ処理装置１００および歯科技工所から取得した三次元データ５２２と、当該三次元データ５２２に基づき実行された推定処理による推定結果５２４とを含む。推定結果５２４は、推定処理に用いられた三次元データ５２２に関連付けられてストレージ５１０に格納される。学習用データセット５１６は、推定モデル５１４の学習処理に用いられる一群の学習用データである。色分類データ５１８は、学習用データセット５１６の生成および学習処理に用いられるデータである。プロファイルデータ５１９は、対象者２に関する属性情報であって、対象者２の年齢、性別、人種、身長、体重、および居住地などのプロファイルがまとめられたデータ（たとえば、カルテの情報）である。学習用プログラム５２１は、推定モデル５１４の学習処理を実行するためのプログラムであり、その一部には推定処理を実行するためのプログラムも含まれる。

なお、推定モデル５１４（学習済モデル）は、ローカルのデータ処理装置１００に送信されることで、データ処理装置１００によって、推定モデル１１４（学習済モデル）として保持される。

演算装置５３０は、各種のプログラムを実行することで、学習処理などの各種の処理を実行する演算主体であり、コンピュータの一例である。演算装置５３０は、たとえば、ＣＰＵ５３２、ＦＰＧＡ５３４、およびＧＰＵ５３６などで構成される。

なお、演算装置５３０は、ＣＰＵ５３２、ＦＰＧＡ５３４、およびＧＰＵ５３６のうちの少なくともいずれか１つで構成されてもよいし、ＣＰＵ５３２とＦＰＧＡ５３４、ＦＰＧＡ５３４とＧＰＵ５３６、ＣＰＵ５３２とＧＰＵ５３６、あるいはＣＰＵ５３２、ＦＰＧＡ５３４、およびＧＰＵ５３６から構成されてもよい。また、演算装置５３０は、演算回路（processing circuitry）と称されてもよい。

［データ処理装置による処理］
図５を参照しながら、本実施の形態に係るデータ処理装置１００による推定処理の一例を説明する。図５は、本実施の形態に係るデータ処理装置１００の機能構成を示す模式図である。図６は、本実施の形態に係るデータ処理装置１００に入力される三次元データの内容を説明するための模式図である。図７は、本実施の形態に係るデータ処理装置１００の推定対象となる歯牙の一例を示す模式図である。なお、図７においては、三次元スキャナ２００のスキャン対象となる歯牙が線図によって表されている。

図５に示すように、データ処理装置１００は、データ処理に係る機能部として、入力部１１０２と、プロファイル取得部１１１９と、推定部１１３０と、関連付け部１１０１と、出力部１１０３とを有する。これらの各機能は、データ処理装置１００の演算装置１３０がＯＳ１２７およびデータ処理用プログラム１２０を実行することで実現される。

入力部１１０２には、三次元スキャナ２００によって取得された三次元データが入力される。プロファイル取得部１１１９は、対象者２のプロファイルデータ１１９を取得する。推定部１１３０は、入力部１１０２に入力された三次元データと、プロファイル取得部１１１９によって取得された対象者２のプロファイルデータ１１９とに基づき、推定モデル１１４（学習済モデル）を用いて歯牙の種類を推定する推定処理を実行する。

推定モデル１１４は、ニューラルネットワーク１１４２と、当該ニューラルネットワーク１１４２によって用いられるパラメータ１１４４とを含む。パラメータ１１４４は、ニューラルネットワーク１１４２による計算に用いられる重み付け係数と、識別の判定に用いられる判定値とを含む。関連付け部１１０１は、推定部１１３０による歯牙の種類の推定結果に基づき、入力部１１０２から入力された三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける。出力部１１０３は、関連付け部１１０１による関連付けの結果を、ディスプレイ３００およびサーバ装置５００などの出力装置に出力する。

ここで、図６に示すように、入力部１１０２に入力される三次元データには、歯牙の各点における三次元の位置情報と、歯牙の各点における色情報とが含まれる。位置情報は、予め定められた位置を基準とした三次元における絶対位置の座標を含む。たとえば、位置情報は、歯牙の各点における中心位置を原点として、Ｘ軸（たとえば、歯牙の横方向に沿った軸）、Ｙ軸（たとえば、歯牙の縦方向に沿った軸）、およびＺ軸（たとえば、歯牙の高さ方向に沿った軸）の各軸における絶対位置の座標を含む。なお、位置情報は、予め定められた位置を原点とした三次元における絶対位置の座標に限らず、たとえば、隣接する点からの距離および方向（ベクトル）を示す三次元における相対位置の座標を含んでいてもよい。

ここで、図７に示すように、三次元スキャナ２００のスキャン対象となる歯牙が上顎の切歯である場合、得られる三次元画像が、上唇側の部位、口蓋側の部位、および切縁側の部位の画像を少なくとも含むように、ユーザ１によって対象者２の口腔内がスキャンされる。また、三次元スキャナ２００のスキャン対象となる歯牙が上顎の犬歯および臼歯である場合、得られる三次元画像が、頬側の部位、口蓋側の部位、および咬合する部位の画像を少なくとも含むように、ユーザ１によって対象者２の口腔内がスキャンされる。三次元スキャナ２００のスキャン対象となる歯牙が下顎の切歯である場合、得られる三次元画像が、下唇側の部位、舌側の部位、および切縁側の部位の画像を少なくとも含むように、ユーザ１によって対象者２の口腔内がスキャンされる。三次元スキャナ２００のスキャン対象となる歯牙が下顎の犬歯および臼歯である場合、得られる三次元画像が、頬側の部位、舌側の部位、および咬合する部位の画像を少なくとも含むように、ユーザ１によって対象者２の口腔内がスキャンされる。

一般的に、対象者２の歯牙は、その種類によって形状および大きさが異なる。たとえば、上顎の切歯の場合、上唇側の面は一般的にＵ字形であるのに対して、上顎の犬歯の場合、頬側の面は一般的に五角形である。各歯牙は、形状および大きさがその種類に応じて特徴的であり、推定部１１３０は、これらの特徴的な形状および大きさが数値化された三次元データに基づき、推定モデル１１４を用いて当該三次元データに対応する歯牙の種類を推定する。

図５に示すように、推定モデル１１４は、ニューラルネットワーク１１４２を含む。ニューラルネットワーク１１４２においては、入力部１１０２に入力された三次元データに含まれる位置情報の値が入力層に入力される。そして、ニューラルネットワーク１１４２においては、たとえば、中間層によって、入力された位置情報の値に対して重み付け係数が乗算されたり所定のバイアスが加算されたりするとともに所定の関数による計算が行われ、その計算結果が判定値と比較される。そして、ニューラルネットワーク１１４２においては、その計算および判定の結果が推定結果として出力層から出力される。なお、ニューラルネットワーク１１４２による計算および判定については、三次元データに基づき歯牙を推定できるものであれば、いずれの手法が用いられてもよい。

推定モデル１１４のニューラルネットワーク１１４２においては、中間層が多層構造になることで、ディープラーニングによる処理が行われる。本実施の形態においては、３次元画像に特化した推定処理を行うプログラムとして、たとえば、VoxNet、3D ShapeNets、Multi-View CNN、RotationNet、OctNet、FusionNet、PointNet、PointNet++、SSCNet、およびMarrNetなどが用いられるが、その他のプログラムが用いられてもよい。また、ニューラルネットワーク１１４２の仕組みには既存のものが適用されてもよい。

このような構成において、データ処理装置１００は、歯牙を構成する複数の点に対応する三次元データが入力されると、当該複数の点における位置情報などに基づき、当該歯牙の特徴を推定モデル１１４のニューラルネットワーク１１４２を用いて抽出し、抽出した特徴に基づき、当該複数の点のそれぞれに対応する歯牙の種類を推定することができる。さらに、データ処理装置１００は、複数の点のそれぞれに対応する歯牙の種類の推定結果に基づき、当該複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けることができる。また、図５に示すように、推定対象となる歯牙に限らず、隣接する歯牙を含む三次元データについてもデータ処理装置１００に入力されることで、推定モデル１１４のニューラルネットワーク１１４２は、隣接する複数の歯牙を構成する複数の点における位置情報などを考慮して歯牙の特徴を抽出することができる。データ処理装置１００は、ユーザ１などによって一般的に認識されている歯牙の特徴に限らず、一般的に認識されていない歯牙の特徴についても抽出することができ、それによって精度良く歯牙の種類を識別することができる。

なお、サーバ装置５００が保持する推定モデル５１４に含まれるニューラルネットワークは、図５に示した推定モデル１１４に含まれるニューラルネットワーク１１４２と同様の構成を有する。

［学習用データの生成］
図８および図９を参照しながら、学習用データセット１１６の生成の一例を説明する。図８は、本実施の形態に係る学習用データの生成を説明するための模式図である。図９は、本実施の形態に係る学習用データセット１１６の一例を説明するための模式図である。

図８に示すように、まず、三次元スキャナ２００によって三次元データが取得される（ＳＴＥＰ１）。三次元スキャナ２００によって取得された三次元データは、当該三次元データに対応する歯牙および歯肉の各点における三次元の位置情報と、歯牙および歯肉の各点における色情報（ＲＧＢ値）とを含む。三次元スキャナ２００によって取得された三次元データに基づき三次元画像が生成されると、図８（ａ）に示すように実際の色が付された歯牙および歯肉を含む三次元画像が生成される。

次に、後述する各歯牙の色分け処理の準備として、ノイズ除去処理が行われる。たとえば、本実施の形態においては、三次元データに対応する３次元画像がグレースケール化される（ＳＴＥＰ２）。３次元画像のグレースケール化は、ユーザ１（この場合、学習用データを生成するメーカの技術者または製造工場の作業者、歯科医師、歯科技工士などの歯科の知識を有する者など）によって行われる。三次元画像がグレースケール化されると、図８（ｂ）に示すようにグレースケール化された歯牙および歯肉を含む三次元画像が生成される。また、三次元画像のグレースケール化に応じて、三次元データに対応する歯牙および歯肉の各点における色情報（ＲＧＢ値）がグレースケールに対応する値（たとえば、１９２１９２１９２）に変更される。

次に、三次元データに対応する三次元画像に含まれる各歯牙に対して予め定められた色が塗布されることで各歯牙が色分けされる（ＳＴＥＰ３）。たとえば、図９に示すように、データ処理装置１００が保持する色分類データ１１８は、下顎左側、下顎右側、上顎左側、および上顎右側といったように口腔内の各部位ごとに設けられている。図９においては、下顎左側に対応する色分類データ１１８が示されている。各色分類データ１１８においては、歯牙の種類ごとに、歯科分野において一般的に用いられている歯牙の番号と、予め定められた色情報とが割り当てられている。

たとえば、第二大臼歯は、歯牙の番号として７番が割り当てられ、色情報として色ａが割り当てられている。第一大臼歯は、歯牙の番号として６番が割り当てられ、色情報として色ｂが割り当てられている。第二小臼歯は、歯牙の番号として５番が割り当てられ、色情報として色ｃが割り当てられている。このように、各色分類データ１１８においては、各歯牙の種類に対して歯牙の番号および色情報が予め割り当てられている。

各歯牙に対する色の塗布は、ユーザ１（特に、歯科医師、歯科技工士などの歯科の知識を有する者など）によって行われる。具体的には、ユーザ１は、自身の知見に基づき三次元画像に含まれる各歯牙の種類を識別し、識別した歯牙の種類に対応する色を、色分類データ１１８を参照しながら特定し、特定した色を当該歯牙の画像に塗布する。

たとえば、ユーザ１は、三次元画像に含まれる歯牙が第二大臼歯であると識別すると、当該歯牙の画像に色ａを塗布する。また、三次元画像に含まれる歯牙が第一大臼歯であると識別すると、当該歯牙の画像に色ｂを塗布する。三次元画像に含まれる各歯牙に対して予め定められた色が塗布されると、図８（ｃ）および図９（ｄ）に示すように各歯牙に対して予め定められた色が塗布された三次元画像が生成される。なお、分かり易いように、図面上では各歯牙の色分けがハッチングで表されているが、実際には歯牙を構成する複数の点ごとに各歯牙が色分けされている。

また、各歯牙の色分けに応じて、三次元データに対応する歯牙の各点における色情報（ＲＧＢ値）が各歯牙に塗布された色に対応する値に変更される。たとえば、色ａ（赤色）に塗布された第二大臼歯の各位置座標に対しては、色情報（ＲＧＢ値）が“２５５００００００”となり、色ｂ（緑色）に塗布された第一大臼歯の各位置座標に対しては、色情報（ＲＧＢ値）が“０００２５５０００”となり、色ｃ（青色）に塗布された第二小臼歯の各位置座標に対しては、色情報（ＲＧＢ値）が“０００００２５５”となる。つまり、三次元データに対応する歯牙の各点に対して、予め定められた色情報（ＲＧＢ値）が関連付けられる。

各歯牙に対して予め定められた色情報が関連付けられると、三次元データには、位置情報と、塗布された色に対応する色情報とが含まれるようになり、このような三次元データが学習用データとして採用される。つまり、本実施の形態に係る学習用データにおいては、推定処理で参照される位置情報に対して、歯牙の種類に対応する色情報が関連付けられる（ラベリングされる）。さらに、三次元データに対応する複数の歯牙のそれぞれの範囲を特定可能に当該三次元データに色情報が関連付けられる。具体的には、各歯牙に対応する位置情報ごとに、同じ色情報が関連付けられる。このような学習用データの集まりが学習用データセット１１６として、データ処理装置１００に保持される。

このように、学習用データを生成する際に、ユーザ１が三次元画像に含まれる各歯牙に色を塗布して正解データをラベリングすることにおいては、多くの利点がある。たとえば、単なる文字または記号を用いてラベリングした場合、ユーザ１は、各歯牙の範囲を認識し難いが、色分けによってラベリングした場合、ユーザ１は、ラベリング対象である歯牙と当該歯牙に隣接する歯牙との間の境界、およびラベリング対象である歯牙と歯肉との間の境界を色の塗布によって容易に認識することができる。また、ユーザ１は、ラベリング時に様々な角度から三次元画像を確認しながら色を塗布するが、視点の角度を変更した場合でも、ラベリング作業中の歯牙に対してどの範囲まで塗布が完了したのかを認識し易くなる。

なお、本実施の形態においては、ユーザ１が自身の知見に基づき手作業で三次元画像に含まれる各歯牙に色を塗布しているが、一部の作業をソフトウェアで補うことも可能である。たとえば、ラベリング対象である歯牙と当該歯牙に隣接する歯牙との間の境界、およびラベリング対象である歯牙と歯肉との間の境界を、エッジ検出によって特定してもよく、このようにすれば、ラベリング対象である歯牙のみを抽出することができる。

なお、図８および図９に示す学習用データセット１１６の生成は、サーバ装置５００が保持する学習用データセット５１６の生成についても適用可能である。たとえば、図９に示す学習用データセット１１６を、サーバ装置５００が保持する学習用データセット５１６に適用してもよいし、図９に示す色分類データ１１８を、サーバ装置５００が保持する色分類データ５１８に適用してもよい。

［学習済モデルの生成］
図１０を参照しながら、学習済モデルの生成の一例を説明する。図１０は、本実施の形態に係る学習用データセット１１６に基づく学習済モデルの生成を説明するための模式図である。

図１０に示すように、学習用データセット１１６は、当該学習用データセット１１６を生成する際にスキャン対象となった対象者２のプロファイルに基づきカテゴリごとに分類することができる。たとえば、年齢（未成年者，現役世代，高齢者）、性別（男性，女性）、人種（アジア人，欧米人，アフリカ系）、身長（１５０ｃｍ未満，１５０以上）、体重（５０ｋｇ未満，５０ｋｇ以上）、および居住地（日本在住，日本以外に在住）のそれぞれに対して、該当する対象者２の歯牙を含む三次元データから生成された学習用データセットを割り当てることができる。なお、各カテゴリの層別は、適宜設定可能である。たとえば、年齢に関しては、所定の年齢差ごと（この場合は３歳ごと）、具体的には、０歳～３歳、４歳～６歳、７歳～９歳、…といったように、より詳細に層別することができる。

データ処理装置１００は、カテゴリごとに分類することができる複数の学習用データセット１１６ａ～１１６ｏを用いて推定モデル１１４を学習させることで、学習済モデルを生成する。なお、学習用データは、カテゴリの分類の仕方によっては重複することがあるが、学習用データが重複する場合には、いずれかの学習用データのみを用いて推定モデル１１４を学習させればよい。

一般的に歯牙の形状は、年齢、性別、人種、身長、体重、および居住地など、遺伝または生活環境などに依存してその特徴が異なる。たとえば、一般的に、大人の永久歯は、子供の乳歯よりも大きく、両者でその形状が異なる。また、一般的に、男性の歯牙は、女性の歯牙よりも大きく、両者でその形状が異なる。また、一般的に、欧米人の歯牙は、硬い肉やパンを噛み切り易いように先端が尖る傾向があるのに対して、日本人の歯牙は、柔らかい米や野菜をすり潰し易いように先端が滑らかになる傾向がある。このため、本実施の形態のように、プロファイルデータに基づき学習処理を実行すれば、遺伝または生活環境などを考慮して歯牙の種類を識別することができる学習済モデルを生成することができる。

なお、図１０に示す学習済モデルの生成は、サーバ装置５００が保持する学習済モデルの生成についても適用可能である。たとえば、図１０に示す学習用データセット１１６ａ～１１６ｏを、サーバ装置５００が保持する学習用データセット５１６に適用してもよいし、図１０に示す推定モデル１１４を、サーバ装置５００が保持する推定モデル５１４に適用してもよい。

［関連付け結果の出力の一例］
図１１～図１４を参照しながら、歯牙および歯肉を構成する各点に対して関連付けられた関連付け結果の出力の一例を説明する。図１１および図１２は、本実施の形態に係る関連付け結果の出力の一例を説明するための模式図である。図１３および図１４は、本実施の形態に係る出力データの一例を説明するための模式図である。

図１１（ａ）に示すように、三次元スキャナ２００による口腔内のスキャンが開始した当初においては、得られた三次元データの数が少ないため、データ処理装置１００は、各三次元データに対応する各点に対して歯牙の種類を推定することができない。また、データ処理装置１００は、各点に対して歯牙を推定することができないため、歯牙と歯肉とを区別することもできない。よって、データ処理装置１００は、各点に対して、歯牙の種類に関連する関連データとして色情報を関連付けることもできないため、ディスプレイ３００の画面上には、関連データが関連付けされていない状態で、スキャンによって得られた三次元データに対応する各点が表示される。

図１３（ａ）は、図１１（ａ）に示すディスプレイ３００による画像表示に用いられる出力データの一例を示している。図１３（ａ）に示すように、出力データは、スキャンによって得られた各点の位置情報と、当該位置情報に関連付けられた色情報（関連データ）とを含むが、未だ各点に対して歯牙の種類が推定されていないため、各点の位置情報には、色情報（関連データ）としてグレースケールに対応する値（１９２１９２１９２）が関連付けられている。なお、色情報としてグレースケールに対応する値が各点に関連付けられた場合、図１１（ａ）に示すように、当該各点が四角で表されるが、実際は、ディスプレイ３００の画面上の各点がグレー色で表される。

図１１（ｂ）に示すように、三次元スキャナ２００による口腔内のスキャンがある程度進むと、得られた三次元データの数が増えてくる。ある一の点に注目すると、当該一の点の周りに位置する他の点の三次元データがデータ処理装置１００に入力され、その入力される他の点の三次元データの数が次第に増える。データ処理装置１００は、推定モデル１１４を用いた推定処理において、当該一の点と他の点との間の関係（たとえば、両者の間の距離，一の点から他の点に向かうベクトル）に基づき、当該一の点における歯牙の種類を推定する。このため、データ処理装置１００に入力される三次元データの数が増えることによって、データ処理装置１００は、各点に対応する歯牙の種類を次第に推定することができるようになり、歯牙と歯肉とを区別することもできるようになる。よって、データ処理装置１００は、各点に対して関連データ（色情報）を関連付けることもでき、ディスプレイ３００の画面上には、関連データが関連付けされた状態で、スキャンによって得られた三次元データに対応する各点が表示される。

ここで、データ処理装置１００に入力される三次元データの数が増えたとしても、周りの点に対応する三次元データの数が不十分だと、データ処理装置１００は、歯牙の種類を推定することができないこともある。たとえば、図１１（ｂ）に示すように、一部の点については、歯牙の種類を推定することが未だできていないため、当該一部の点に対して関連データ（色情報）を関連付けることもできない。後述するが、このような関連データが関連付けできない一部の点についても、データ処理装置１００は、入力される三次元データの数が増えることによって、次第に関連データを関連付けることができるようになる。

図１３（ｂ）は、図１１（ｂ）に示すディスプレイ３００による画像表示に用いられる出力データの一例を示している。図１３（ｂ）に示すように、歯牙の種類が推定された点については、色情報（関連データ）として歯牙の種類に対応する色ａの値（２５５００００００）が関連付けられ、歯牙の種類が推定されていない点については、色情報（関連データ）としてグレースケールに対応する値が関連付けられている。なお、色情報として歯牙の種類に対応する色ａの値が各点に関連付けられた場合、図１１（ｂ）に示すように、当該各点が丸で表されるが、実際は、ディスプレイ３００の画面上の各点が色ａ（たとえば、赤色）で表される。

このように、データ処理装置１００は、入力された一の三次元データについて、当該一の三次元データの特定範囲内に含まれる他の三次元データとの関係（距離，ベクトル）に基づき、当該一の三次元データに対応する点における歯牙の種類を推定する。

より具体的に例示すると、データ処理装置１００は、情報量が少ないために任意の一の点（一の三次元データに対応する注目点）について歯牙の種類を推定できなかった場合、または誤って推定してしまった場合でも、その後、当該一の点（注目点）を中心に任意の半径で球を描いた範囲内（特定範囲内）に存在する他の点（他の三次元データに対応する点）について歯牙の種類を推定できた場合には、当該特定範囲内に最も多い割合で存在する点に対応する歯牙の種類を、当該一の点（注目点）に対応する歯牙の種類とする。このように、データ処理装置１００は、一の点に注目して、当該一の点（注目点）の特定範囲内に存在する他の点についての歯牙の種類の推定結果を考慮して、当該一の点（注目点）についての歯牙の種類を推定する。なお、本実施の形態においては、歯牙を構成する各点が三次元データで表されるため、「特定範囲内」を一の点（注目点）を中心に任意の半径で球を描いた範囲内としたが、「特定範囲内」は球を描いた範囲内に限らず、一の点（注目点）を取り囲む直方体や立方体の範囲内であってもよい。あるいは、他の点のうち、一の点（注目点）から三次元的な距離で一番近い他の点から、近い順番に任意の数を選び出してもよい。「特定範囲内」は、一の点（注目点）を取り囲む範囲内であって、かつ当該一の点（注目点）についての歯牙の種類の推定結果に影響を与える可能性のある点が存在する範囲内であればいずれの範囲内であってもよい。

そして、データ処理装置１００は、その推定結果に基づき、入力された三次元データに対応する複数の点のそれぞれに対して、推定した歯牙の種類に対応する色ａの関連データを関連付ける。これにより、データ処理装置１００は、色ａの色情報を含む関連データを用いて、スキャン対象となった歯牙を識別することができる。さらに、データ処理装置１００は、色ａによって歯牙を識別することで、隣り合う複数の歯牙の各々を区別することができ、歯牙とその隣の歯牙との境界を色によって表すことができる。また、データ処理装置１００は、色ａによって歯牙を識別することで、歯牙と歯肉とを区別することができ、歯牙と歯肉との境界を色によって表すことができる。

図１１（ｃ）に示すように、三次元スキャナ２００による口腔内のスキャンがさらに進むと、得られた三次元データの数がさらに増えてくる。そうすると、データ処理装置１００は、歯牙の種類を推定できていなかった一部の点についても、歯牙の種類を推定することができる。このようにして、歯牙１本分の関連付けが完了する。

図１３（ｃ）は、図１１（ｃ）に示すディスプレイ３００による画像表示に用いられる出力データの一例を示している。図１３（ｃ）に示すように、歯牙の種類が推定された点については、色情報（関連データ）として歯牙の種類に対応する色ａの値が関連付けられる。さらに、歯牙の種類を推定できていなかった一部の点についても、歯牙の種類が推定されたため、関連付けられる関連データがグレースケールに対応する値から歯牙の種類に対応する色ａの値に変更される。

このように、データ処理装置１００は、入力された一の三次元データに対応する点に対してグレースケールに対応する値の関連データを関連付けた後、当該一の三次元データの特定範囲内に含まれる他の三次元データに対応する点に対して関連付けた歯牙の種類に対応する色ａの関連データに基づき、当該一の三次元データに対応する点に対して関連付けたグレースケールに対応する値の関連データを、歯牙の種類に対応する色ａの関連データに変更する。

より具体的に例示すると、データ処理装置１００は、情報量が少ないために任意の一の点（一の三次元データに対応する注目点）について歯牙の種類を推定できずに一旦グレースケールに対応する値を関連付けた場合でも、その後、当該一の点（注目点）を中心に任意の半径で球を描いた範囲内（特定範囲内）に存在する他の点（他の三次元データに対応する点）について歯牙の種類を推定できた場合には、当該特定範囲内に最も多い割合で存在する点に対応する歯牙の種類を、当該一の点（注目点）に対応する歯牙の種類とする。このように、データ処理装置１００は、一の点に注目して、当該一の点（注目点）の特定範囲内に存在する点についての歯牙の種類の推定結果を考慮して、当該一の点（注目点）についての歯牙の種類を推定する。

図１２（ｄ）に示すように、次の歯牙のスキャンが開始した当初においては、得られた三次元データの数が少ないため、データ処理装置１００は、各三次元データに対応する各点に対して歯牙の種類を推定することができない。また、データ処理装置１００は、各点に対して歯牙を推定することができないため、歯牙と歯肉とを区別することもできない。よって、データ処理装置１００は、各点に対して歯牙の種類に関連する関連データとして色情報を関連付けることもできないため、ディスプレイ３００の画面上には、関連データが関連付けされていない状態で、スキャンによって得られた三次元データに対応する各点が表示される。

図１４（ｄ）は、図１２（ｄ）に示すディスプレイ３００による画像表示に用いられる出力データの一例を示している。図１４（ｄ）に示すように、未だ各点に対して歯牙の種類が推定されていないため、各点の位置情報には、色情報（関連データ）としてグレースケールに対応する値が関連付けられている。

図１２（ｅ）に示すように、三次元スキャナ２００による口腔内のスキャンがある程度進むと、得られた三次元データの数が増えてくる。そうすると、ある一の点に注目すると、当該一の点の周りに位置する他の点の三次元データがデータ処理装置１００に入力され、その入力される他の点の三次元データの数が増えてくる。このため、データ処理装置１００に入力される三次元データの数が増えることによって、データ処理装置１００は、各点に対応する歯牙の種類を推定することができるようになり、歯牙と歯肉とを区別することもできるようになる。よって、データ処理装置１００は、各点に対して関連データ（色情報）を関連付けることもでき、ディスプレイ３００の画面上には、関連データが関連付けされた状態で、スキャンによって得られた三次元データに対応する各点が表示される。

ここで、データ処理装置１００に入力される三次元データの数が増えたとしても、周りの点に対応する三次元データによっては、データ処理装置１００は、歯牙の種類を誤って推定することもある。たとえば、図１２（ｅ）に示すように、一部の点については、歯牙の種類を誤って推定しているため、当該一部の点に対して誤った値の関連データ（色情報）を関連付けしている。後述するが、このように誤った関連データが関連付けられた一部の点についても、データ処理装置１００は、入力される三次元データの数が増えることによって、次第に正しい関連データを関連付けることができるようになる。

図１４（ｅ）は、図１２（ｅ）に示すディスプレイ３００による画像表示に用いられる出力データの一例を示している。図１４（ｅ）に示すように、正しく歯牙の種類が推定された点については、色情報（関連データ）として正しい歯牙の種類に対応する色ｂの値（０００２５５０００）が関連付けられ、誤って歯牙の種類が推定された点については、色情報（関連データ）として誤った歯牙の種類に対応する色ａの値が関連付けられている。なお、色情報として歯牙の種類に対応する色ｂの値が各点に関連付けられた場合、図１２（ｅ）に示すように、当該各点が×で表されるが、実際は、ディスプレイ３００の画面上の各点が色ｂ（たとえば、緑色）で表される。

このように、データ処理装置１００は、入力された一の三次元データについて、当該一の三次元データの特定範囲内に含まれる他の三次元データとの関係（距離，ベクトル）に基づき、当該一の三次元データに対応する点における歯牙の種類を推定する。そして、データ処理装置１００は、その推定結果に基づき、入力された三次元データに対応する複数の点のそれぞれに対して、推定した歯牙の種類に対応する色ｂの関連データを関連付ける。これにより、データ処理装置１００は、色ｂの色情報を含む関連データを用いて、スキャン対象となった歯牙を識別することができる。さらに、データ処理装置１００は、色ｂによって歯牙を識別することで、歯牙と歯肉とを区別することができ、歯牙と歯肉との境界を色によって表すことができる。

図１２（ｆ）に示すように、三次元スキャナ２００による口腔内のスキャンがさらに進むと、得られた三次元データの数がさらに増えてくる。そうすると、データ処理装置１００は、誤って歯牙の種類を推定していた一部の点についても、正しく歯牙の種類を推定することができる。

図１４（ｆ）は、図１２（ｆ）に示すディスプレイ３００による画像表示に用いられる出力データの一例を示している。図１４（ｆ）に示すように、歯牙の種類が推定された点については、色情報（関連データ）として歯牙の種類に対応する色ｂの値が関連付けられる。さらに、誤って歯牙の種類を推定していた一部の点についても、正しく歯牙の種類が推定されたため、関連付けられる関連データが誤った歯牙の種類に対応する色ａの値から正しい歯牙の種類に対応する色ｂの値に変更される。

このように、データ処理装置１００は、入力された一の三次元データに対応する点に対して誤った歯牙の種類に対応する色ａの関連データを関連付けた後、当該一の三次元データの特定範囲内に含まれる他の三次元データに対応する点に対して関連付けた正しい歯牙の種類に対応する色ｂの関連データに基づき、当該一の三次元データに対応する点に対して関連付けた色ａの関連データを、色ｂの関連データに変更する。

より具体的に例示すると、データ処理装置１００は、任意の一の点（一の三次元データに対応する点）について歯牙の種類がＡ（たとえば、色ａに対応する歯牙）であると一旦推定した後、当該一の点（注目点）を中心に任意の半径で球を描いた範囲内（特定範囲内）に存在する他の点（他の三次元データに対応する点）について歯牙の種類を推定する。そして、一の点（注目点）の特定範囲内に存在する点の中に、歯牙の種類がＢ（たとえば、色ｂに対応する歯牙）であると推定した点が歯牙の種類がＡであると推定した点よりも多く存在し、かつ最も多い割合で存在する場合、データ処理装置１００は、当該一の点（注目点）についての歯牙の種類をＡからＢに変更する。このように、データ処理装置１００は、一の点に注目して、当該一の点（注目点）の特定範囲内に存在する点についての歯牙の種類の推定結果を考慮して、当該一の点（注目点）についての歯牙の種類の推定結果を補正（変更）し、当該一の点（注目点）に対応する三次元データ関連付けられた関連データを変更する。

なお、一旦、一の点（注目点）について歯牙の種類を誤って推定して、当該一の点（注目点）に対応する三次元データに誤った関連データを関連付けた後、当該一の点（注目点）の特定範囲内に存在する点についての推定結果を考慮して当該一の点（注目点）についての推定結果を補正する場合、データ処理装置１００は、当該一の点（注目点）に対応する三次元データに関連付けた関連データを、いずれのタイミングで変更してもよい。たとえば、データ処理装置１００は、一の点（注目点）の特定範囲内に存在する点についての推定結果を考慮して当該一の点（注目点）についての推定結果を補正すると判断したタイミングで、当該一の点（注目点）に対応する三次元データに関連付けた関連データを正しい関連データに変更してもよい。あるいは、データ処理装置１００は、一の点（注目点）の特定範囲内に存在する点についての推定結果を考慮して当該一の点（注目点）についての推定結果を補正すると判断した後、所定時間が経過したタイミング、または所定量の三次元データが追加で取得されたタイミング、あるいは三次元スキャナ２００によるスキャンが終了したタイミングなどで、当該一の点（注目点）に対応する三次元データに関連付けた関連データを正しい関連データに変更してもよい。

このように、データ処理装置１００は、入力された三次元データに対応する複数の点が集まった点群を表示することによって、色情報を含む関連データを用いて歯牙をその種類ごとに分類（セグメント化）することができる。また、データ処理装置１００は、色情報を含む関連データを用いて点ごとに歯牙を識別することで、歯牙と歯肉とを区別することができ、歯牙と歯肉との境界を色によって表すことができる。さらに、データ処理装置１００は、色情報を含む関連データを用いて点ごとに歯牙を識別することで、入力された三次元データを２次元のイラスト画像で表示して作業する際に利用し易くなる。これにより、データ処理装置１００は、矯正歯科において矯正用の器具のデジタル設計を容易にさせることができる。

さらに、データ処理装置１００は、口腔内において隣接する複数の歯牙および歯肉を構成する各点に対して歯牙の種類を推定することができるため、隣接する歯牙の形状との関係も考慮してニューラルネットワーク１１４２を含む推定モデル１１４によって歯牙の特徴を抽出させることができるため、精度良く歯牙の種類を推定することができる。

［データ処理装置の学習処理］
図１５を参照しながら、データ処理装置１００が実行する学習処理について説明する。図１１は、本実施の形態に係るデータ処理装置１００が実行する学習処理の一例を説明するためのフローチャートである。本実施の形態において、データ処理装置１００は、学習用データを用いた教師あり学習によって推定モデル１１４を学習させる。図１５に示す各ステップは、データ処理装置１００の演算装置１３０がＯＳ１２７および学習用プログラム１２１を実行することで実現される。

図１５に示すように、データ処理装置１００は、学習用データセット１１６の中から、学習に用いる学習用データを選択する（Ｓ１）。具体的には、データ処理装置１００は、図１０に示す学習用データセット群に含まれる学習用データセット１１６の中から、一または複数の学習用データを選択する。なお、データ処理装置１００は、学習用データを自動で選択するものに限らず、ユーザ１が選択した学習用データを学習処理に用いてもよい。

データ処理装置１００は、選択した学習用データに含まれる三次元データおよび当該学習用データを生成する際にスキャン対象となった対象者２のプロファイルデータを推定モデル１１４に入力する（Ｓ２）。このとき、データ処理装置１００には、三次元データにラベリングされた正解データは入力されない。データ処理装置１００は、三次元データに対応する歯牙の特徴に基づき、推定モデル１１４を用いて当該歯牙の種類を推定する推定処理を実行する（Ｓ３）。推定処理において、データ処理装置１００は、三次元データに加えてプロファイルデータに基づき、推定モデル１１４を用いて当該歯牙の種類を推定する。このとき、データ処理装置１００は、スキャンによって入力された三次元データに対応する複数の点ごとに、推定モデル１１４を用いて歯牙の種類を推定する。

データ処理装置１００は、推定処理によって推定した各点における歯牙の種類の推定結果と、学習処理に用いた学習用データに対応する各点における正解データとの誤差に基づき、推定モデル１１４のパラメータ１１４４を更新する（Ｓ４）。

たとえば、データ処理装置１００は、特定の歯牙を構成する複数の点に対応する三次元データに基づき、当該特定の歯牙の種類に対応する色情報を複数の点ごとに推定する。データ処理装置１００は、学習用データに含まれる当該特定の歯牙に対応する複数の点ごとの色情報（正解データ）と、自身が推定した複数の点ごとの色情報とを比較し、一致する点に関しては推定モデル１１４のパラメータ１１４４を維持する一方で、一致しない点に関しては両者が一致するように推定モデル１１４のパラメータ１１４４を更新する。

あるいは、データ処理装置１００は、特定の歯牙を構成する複数の点に対応する三次元データに基づき、当該特定の歯牙の種類に対応する色情報を複数の点ごとに推定し、色分類データ１１８に基づき当該色情報に対応する歯牙の種類や歯牙の番号（正解データ）を複数の点ごとに特定する。データ処理装置１００は、学習用データに含まれる当該特定の歯牙に対応する複数の点ごとの色情報に割り当てられた歯牙の種類や歯牙の番号（正解データ）と、自身が推定した複数の点ごとの歯牙の種類や歯牙の番号とを比較し、一致する点に関しては推定モデル１１４のパラメータ１１４４を維持する一方で、一致しない点に関しては両者が一致するように推定モデル１１４のパラメータ１１４４を更新する。

次に、データ処理装置１００は、全ての学習用データに基づき学習したか否かを判定する（Ｓ５）。データ処理装置１００は、全ての学習用データに基づき学習していない場合（Ｓ５でＮＯ）、Ｓ１の処理に戻る。

一方、データ処理装置１００は、全ての学習用データに基づき学習した場合（Ｓ５でＹＥＳ）、学習済みの推定モデル１１４を学習済モデルとして記憶し（Ｓ６）、本処理を終了する。

このように、データ処理装置１００は、学習用データに含まれる三次元データに関連付けられた歯牙の種類に対応する歯牙情報（色情報、歯牙の名称、または歯牙の番号など）を正解データとして、推定処理による当該三次元データを用いた当該歯牙の種類の推定結果に基づき、推定モデル１１４を学習させることで、学習済モデルを生成することができる。

また、データ処理装置１００は、歯牙を構成する複数の点のそれぞれに対応付けられた歯牙の種類と、当該複数の点のそれぞれにおける三次元の位置情報を含む三次元データを用いた当該歯牙の種類の推定結果とに基づき、推定モデル１１４を学習させることで、歯牙を構成する複数の点ごとに歯牙の種類を推定することができる。

さらに、データ処理装置１００は、学習処理において、学習用データに加えてプロファイルデータを考慮して推定モデル１１４を学習するため、対象者２のプロファイルを考慮した学習済モデルを生成することができる。

［サーバ装置の学習処理］
図１６を参照しながら、サーバ装置５００が実行する学習処理について説明する。図１６は、本実施の形態に係るサーバ装置５００が実行する学習処理の一例を説明するためのフローチャートである。本実施の形態において、サーバ装置５００は、学習用データを用いた教師あり学習によって推定モデル５１４を学習させる。図１６に示す各ステップは、サーバ装置５００の演算装置５３０がＯＳ５２７および学習用プログラム５２１を実行することで実現される。

図１６に示すように、サーバ装置５００は、学習用データセット５１６の中から、学習に用いる学習用データを選択する（Ｓ５０１）。ここで、学習用データは、サーバ装置５００によって蓄積して記憶されたビッグデータを利用して生成されたものであってもよい。たとえば、サーバ装置５００は、各ローカルＡ～Ｃのデータ処理装置１００および歯科技工所から取得したスキャン情報に含まれる三次元データを利用して学習用データを生成しておき、生成した当該学習用データを用いて学習処理を実行してもよい。なお、サーバ装置５００は、学習用データを自動で選択するものに限らず、ユーザ１が選択した学習用データを学習処理に用いてもよい。

サーバ装置５００は、選択した学習用データに含まれる三次元データおよび当該学習用データを生成する際にスキャン対象となった対象者２のプロファイルデータを推定モデル５１４に入力する（Ｓ５０２）。このとき、サーバ装置５００には、三次元データにラベリングされた正解データは入力されない。サーバ装置５００は、三次元データに対応する歯牙の特徴に基づき、推定モデル５１４を用いて当該歯牙の種類を推定する推定処理を実行する（Ｓ５０３）。推定処理において、サーバ装置５００は、三次元データに加えてプロファイルデータに基づき、推定モデル５１４を用いて当該歯牙の種類を推定する。このとき、サーバ装置５００は、スキャンによって入力された三次元データに対応する複数の点ごとに、推定モデル５１４を用いて歯牙の種類を推定する。

サーバ装置５００は、推定処理によって推定した各点における歯牙の種類の推定結果と、学習処理に用いた学習用データに対応する各点における正解データとの誤差に基づき、推定モデル５１４のパラメータを更新する（Ｓ５０４）。

たとえば、サーバ装置５００は、特定の歯牙を構成する複数の点に対応する三次元データに基づき、当該特定の歯牙に対応する色情報を複数の点ごとに推定する。サーバ装置５００は、学習用データに含まれる当該特定の歯牙に対応する複数の点ごとの色情報（正解データ）と、自身が推定した複数の点ごとの色情報とを比較し、一致する点に関しては推定モデル５１４のパラメータを維持する一方で、一致しない点に関しては両者が一致するように推定モデル５１４のパラメータを更新する。

あるいは、サーバ装置５００は、特定の歯牙を構成する複数の点に対応する三次元データに基づき、当該特定の歯牙の種類に対応する色情報を複数の点ごとに推定し、色分類データ５１８に基づき当該色情報に対応する歯牙の種類や歯牙の番号（正解データ）を複数の点ごとに特定する。サーバ装置５００は、学習用データに含まれる当該特定の歯牙に対応する複数の点ごとの色情報に割り当てられた歯牙の種類や歯牙の番号（正解データ）と、自身が推定した複数の点ごとの歯牙の種類や歯牙の番号とを比較し、一致する点に関しては推定モデル５１４のパラメータを維持する一方で、一致しない点に関しては両者が一致するように推定モデル５１４のパラメータを更新する。

次に、サーバ装置５００は、全ての学習用データに基づき学習したか否かを判定する（Ｓ５０５）。サーバ装置５００は、全ての学習用データに基づき学習していない場合（Ｓ５０５でＮＯ）、Ｓ５０１の処理に戻る。

一方、サーバ装置５００は、全ての学習用データに基づき学習した場合（Ｓ５０５でＹＥＳ）、学習済みの推定モデル５１４を学習済モデルとして記憶する（Ｓ５０６）。その後、サーバ装置５００は、生成した学習済モデルを各ローカルのデータ処理装置１００に送信し（Ｓ５０７）、本処理を終了する。

このように、サーバ装置５００は、学習用データに含まれる三次元データに関連付けられた歯牙の種類に対応する歯牙情報（色情報，歯牙の名称，歯牙の番号）を正解データとして、推定処理による当該三次元データを用いた当該歯牙の種類の推定結果に基づき、推定モデル５１４を学習させることで、学習済モデルを生成することができる。

また、サーバ装置５００は、歯牙を構成する複数の点のそれぞれに対応付けられた歯牙の種類と、当該複数の点のそれぞれにおける三次元の位置情報を含む三次元データを用いた当該歯牙の種類の推定結果とに基づき、推定モデル５１４を学習させることで、歯牙を構成する複数の点ごとに歯牙の種類を推定することができる。

また、サーバ装置５００は、学習処理において、学習用データに加えてプロファイルデータを考慮して推定モデル５１４を学習するため、対象者２のプロファイルを考慮した学習済モデルを生成することができる。

さらに、サーバ装置５００は、学習処理に用いる学習用データとして、各ローカルＡ～Ｃのデータ処理装置１００および歯科技工所から取得したスキャン情報に含まれる三次元データを利用しているため、データ処理装置１００ごとに実行される学習処理よりも、より多くの学習用データに基づいて学習処理を実行することができ、より精度良く歯牙の種類を識別することができる学習済モデルを生成することができる。

［データ処理装置のサービス提供処理］
図１７を参照しながら、データ処理装置１００が実行するサービス提供処理について説明する。図１７は、本実施の形態に係るデータ処理装置１００が実行するサービス提供処理の一例を説明するためのフローチャートである。なお、図１７、および後述する図１９、図２１、図２３に示すサービス提供処理は、「データ処理」の一実施形態である。図１７に示す各ステップは、データ処理装置１００の演算装置１３０がＯＳ１２７およびデータ処理用プログラム１２０を実行することで実現される。

図１７に示すように、データ処理装置１００は、所定の点に対応する三次元データが入力されたか否かを判定する（Ｓ４１）。データ処理装置１００は、三次元データが入力されていない場合（Ｓ４１でＮＯ）、本処理を終了する。

一方、データ処理装置１００は、三次元データが入力された場合（Ｓ４１でＹＥＳ）、ユーザ１によって対象者２のプロファイルデータが入力されているか否かを判定する（Ｓ４２）。データ処理装置１００は、プロファイルデータが入力されていない場合（Ｓ４２でＮＯ）、三次元データを学習済モデルに入力する（Ｓ４３）。一方、データ処理装置１００は、プロファイルデータが入力されている場合（Ｓ４２でＹＥＳ）、三次元データおよびプロファイルデータを学習済モデルに入力する（Ｓ４４）。なお、このとき使用する学習済モデルは、図１５に示す学習処理でデータ処理装置１００によって生成された学習済モデルに限らず、図１６に示す学習処理でサーバ装置５００によって生成された学習済モデルであってもよい。

Ｓ４３およびＳ４４の後、データ処理装置１００は、三次元データに対応する歯牙の特徴に基づき、学習済モデルを用いて当該歯牙の種類を推定する推定処理を実行する（Ｓ４５）。このとき、Ｓ４４でプロファイルデータが学習済モデルに入力されていた場合、データ処理装置１００は、三次元データに加えてプロファイルデータに基づき、学習済モデルを用いて当該歯牙の種類を推定する。この場合、三次元データのみに基づき学習済モデルを用いて歯牙の種類を推定するよりも、より精度良く歯牙の種類を推定することができる。

データ処理装置１００は、推定処理によって得られた推定結果に基づき、推定された歯牙の種類を示す関連データ（たとえば、色情報）を、Ｓ４１で入力された三次元データに関連付ける（Ｓ４６）。具体的には、図１３および図１４に示したように、三次元データに含まれる位置情報に対して、推定された歯牙の種類に対応する色情報を関連付ける。これにより、入力された三次元データに対応する点に対して、当該点に対応する歯牙の種類の推定結果として関連データ（色情報）が関連付けられる。

データ処理装置１００は、関連付けの結果を、ディスプレイ３００およびサーバ装置５００などに出力する（Ｓ４７）。具体的には、図１１および図１２に示したように、入力された三次元データに対応する点に対して、当該点に対応する歯牙の種類の推定結果として関連データ（色情報）が関連付けられ、その関連付けの結果がディスプレイ３００に表示される。その後、データ処理装置１００は、本処理を終了する。

データ処理装置１００は、歯牙を構成する複数の点ごとに、図１７に示すようなサービス提供処理を実行することで、スキャン対象となった口腔内の歯牙をその種類ごとに区別するとともに、歯牙と歯肉とを区別することもできる。

また、データ処理装置１００は、所定の点について実行したサービス提供処理によって歯牙の種類を推定することができない場合は、Ｓ４５～Ｓ４７の処理をスキップして本処理を終了する。そして、データ処理装置１００は、それ以降において他の点について実行したサービス提供処理によって歯牙の種類を推定して関連データを関連付けしたときに、当該他の点に関連付けられた関連データに基づいて、当該所定の点についても関連データを関連付ける。

さらに、データ処理装置１００は、所定の点について実行したサービス提供処理によって歯牙の種類を誤って推定して誤った関連データを関連付けた場合は、それ以降において他の点について実行したサービス提供処理によって歯牙の種類を推定して関連データを関連付けしたときに、当該他の点に関連付けられた関連データに基づいて、当該所定の点についても正しい関連データを関連付ける。

このように、データ処理装置１００は、入力された三次元データに対応する歯牙の特徴に基づき、学習済モデルを用いて当該歯牙の種類を推定するため、ユーザ自身の知見に頼って歯牙の種類を推定するよりも、精度良く歯牙の種類を推定することができる。

また、データ処理装置１００は、スキャン対象となった歯牙を構成する複数の点ごとに歯牙の種類を推定し、その推定結果を色情報に紐付けて関連データとして当該複数の点ごとに関連付けるため、より詳細な範囲で歯牙の種類の推定結果をユーザに示すことができる。データ処理装置１００は、歯牙に対して関連データを関連付けることで、歯牙と歯肉とを区別するとともに、歯牙をその種類ごとに分類（セグメント化）することもでき、矯正用の器具のデジタル設計が容易になる。

さらに、データ処理装置１００は、推定処理において、入力された三次元データに加えてプロファイルデータを考慮して歯牙の種類を識別するため、より精度良く歯牙の種類を識別することができる。

[主な開示］
以上のように、本実施の形態では以下のような開示を含む。

データ処理装置１００は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力される入力部１１０２と、入力部１１０２から入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワーク１１４２を含む推定モデル１１４とに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける関連付け部１１０１と、関連付け部１１０１による関連付けの結果を出力する出力部１１０３とを備える。

これにより、データ処理装置１００は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを、ニューラルネットワーク１１４２を含む推定モデル１１４（学習済モデル）に入力することで、三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けることができるため、歯牙を構成する複数の点ごとに歯牙を分類（セグメント化）することができ、精度良く歯牙の種類を識別することができる。

データ処理装置１００は、入力部１１０２から入力された三次元データと、推定モデル１１４とに基づき、当該三次元データに対応する複数の点ごとに歯牙の種類を推定する推定部１１３０を備え、関連付け部１１０１は、推定部１１３０による推定結果に基づき、入力部１１０２から入力された三次元データに対応する複数の点のそれぞれに対して関連データを関連付ける。

これにより、ユーザ１は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを、ニューラルネットワーク１１４２を含む推定モデル１１４（学習済モデル）に入力することで、当該歯牙の種類を推定することができるため、ユーザ自身の知見に頼って歯牙の種類を識別するよりも、精度良く歯牙の種類を識別することができる。また、ユーザ１は、歯牙を構成する複数の点ごとに歯牙の種類を推定することができるため、より詳細な範囲で歯牙の種類の推定結果を得ることができる。

推定部１１３０は、入力部１１０２から入力された一の三次元データについて、当該一の三次元データの特定範囲内に含まれる他の三次元データとの関係に基づき、当該一の三次元データに対応する点における歯牙の種類を推定する。

これにより、ユーザ１は、歯牙を構成する複数の点のうち、一の点の特定範囲内に含まれる他の点に対応する他の三次元データを考慮して、当該一の点における歯牙の種類を推定することができるため、より精度良く各点を歯牙の種類ごとに分類することができる。

関連付け部１１０１は、入力部１１０２から入力された一の三次元データに対応する点に対して関連データを関連付けた後、当該一の三次元データの特定範囲内に含まれる他の三次元データに対応する点に対して関連付けた関連データに基づき、当該一の三次元データに対応する点に対して関連付けた関連データを変更する。

これにより、ユーザ１は、歯牙を構成する複数の点のうち、一の点の特定範囲内に含まれる他の点に対応する他の三次元データを考慮して、当該一の点に関連付けた誤った関連データを、正しい関連データに変更することができるため、より精度良く各点を歯牙の種類ごとに分類することができる。

推定モデル１１４は、歯牙を構成する複数の点のそれぞれに対応付けられた歯牙の種類と、当該複数の点のそれぞれにおける三次元の位置情報を含む三次元データを用いた当該歯牙の種類の推定結果とに基づき学習される。

これにより、ユーザ１は、歯牙を構成する複数の点ごとに推定モデル１１４を学習させることができる。

入力部１１０２から入力された三次元データは、口腔内の歯牙および歯肉を構成する複数の点のそれぞれにおける三次元の位置情報を含む。

これにより、ユーザ１は、口腔内の歯牙および歯肉の形状を考慮してニューラルネットワーク１１４２を含む推定モデル１１４によって歯牙の特徴を抽出させることができるため、精度良く歯牙の種類を識別することができる。また、ユーザ１は、歯牙と歯肉とを区別するとともに、歯牙をその種類ごとに分類（セグメント化）することもでき、矯正用の器具のデジタル設計を容易に行うことができる。

関連データは、歯牙の種類に対応する色、文字、数字、および記号の少なくともいずれか１つを含む。

これにより、ユーザ１は、色、文字、数字、および記号の少なくともいずれかを用いて、歯牙を構成する複数の点のそれぞれに対して、推定した歯牙の種類に関連する関連データを関連付けるため、より分かり易く歯牙を分類（セグメント化）することができる。また、ユーザ１は、直感的に関連付けの結果を認識することができ、利便性が向上する。

出力部１１０３は、入力部１１０２から入力された三次元データに対応する複数の点を表す点群表示によって、関連付け部１１０１による関連付けの結果を出力する。

これにより、ユーザ１は、歯牙を構成する複数の点のそれぞれに対して関連データを関連付けた結果を、点群表示によって表すことができるため、複数の点ごとにより分かり易く歯牙を分類（セグメント化）することができる。

データ処理システム１０は、三次元カメラを用いて、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを取得する三次元スキャナ２００と、三次元スキャナ２００によって取得された三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるデータ処理装置１００とを備え、データ処理装置１００は、三次元スキャナ２００によって取得された三次元データが入力される入力部１１０２と、入力部１１０２から入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワーク１１４２を含む推定モデル１１４とに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける関連付け部１１０１と、関連付け部１１０１による関連付けの結果を出力する出力部１１０３とを含む。

これにより、ユーザ１は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを、ニューラルネットワーク１１４２を含む推定モデル１１４（学習済モデル）に入力することで、三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けることができるため、歯牙を構成する複数の点ごとに歯牙を分類（セグメント化）することができ、精度良く歯牙の種類を識別することができる。

データ処理方法は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力されるステップ（Ｓ４１）と、入力されるステップ（Ｓ４１）によって入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワーク１１４２を含む推定モデル１１４とに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるステップ（Ｓ４６）と、関連付けるステップ（Ｓ４６）による関連付けの結果を出力するステップ（Ｓ４７）とを含む。

これにより、ユーザ１は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを、ニューラルネットワーク１１４２を含む推定モデル１１４（学習済モデル）に入力することで、三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けることができるため、歯牙を構成する複数の点ごとに歯牙を分類（セグメント化）することができ、精度良く歯牙の種類を識別することができる。

データ処理用プログラム１２０は、演算装置１３０に、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力されるステップ（Ｓ４１）と、入力されるステップ（Ｓ４１）によって入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワーク１１４２を含む推定モデル１１４とに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるステップ（Ｓ４６）と、関連付けるステップ（Ｓ４６）による関連付けの結果を出力するステップ（Ｓ４７）とを実行させる。

これにより、ユーザ１は、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを、ニューラルネットワーク１１４２を含む推定モデル１１４（学習済モデル）に入力することで、三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けることができるため、歯牙を構成する複数の点ごとに歯牙を分類（セグメント化）することができ、精度良く歯牙の種類を識別することができる。

［変形例］
本開示は、上記の実施例に限られず、さらに種々の変形、応用が可能である。以下、本発明に適用可能な変形例について説明する。

（関連付け結果の出力）
本実施の形態に係るデータ処理装置１００は、図１１および図１２に示すように、入力された三次元データに対応する複数の点に対する関連データの関連付けの結果を、当該複数の点が集まった点群を表示することによってユーザ１に示すものであったが、点群表示以外の手法で関連付けの結果をユーザ１に示してもよい。

たとえば、図１８は、変形例に係る関連付け結果の出力の一例を説明するための模式図である。図１８に示すように、データ処理装置１００は、入力された三次元データに対応する複数の点に対する関連データの関連付けの結果を、ポリゴンメッシュを用いてディスプレイ３００に表示してもよい。ポリゴンメッシュとは、たとえば、三角形および四角形など、ポリゴンを画面上に配置することでオブジェクトを表示する手法である。データ処理装置１００は、入力された三次元データに対応する複数の点を、ポリゴンに置き換えることで、当該複数の点に関連データが関連付けられた結果をディスプレイ３００に表示する。

たとえば、図１８（ａ），（ｂ）に示すように、データ処理装置１００は、一部の点について関連データを関連付けできない場合、その関連付けの結果を、関連データを関連付けできた場合と異なる態様で、ポリゴンメッシュを用いて表示する。また、図１８（ａ），（ｂ）に示すように、データ処理装置１００は、一部の点について誤って関連データを関連付けした場合、その関連付けの結果を、正しく関連データを関連付けできた他の点と異なる態様で、ポリゴンメッシュを用いて表示する。

このように、データ処理装置１００の出力部１１０３は、入力部１１０２から入力された三次元データに対応する複数の点によって構成される歯牙を表すポリゴンメッシュによって、関連付け部１１０１による関連付けの結果を出力してもよい。

これにより、ユーザ１は、歯牙を構成する複数の点のそれぞれに対して関連データを関連付けた結果を、ポリゴンメッシュによって表すことができるため、立体的な画像によってより分かり易く歯牙を分類（セグメント化）することができ、歯牙と歯肉とを区別することもできる。

さらに、データ処理装置１００は、入力された三次元データに対応する複数の点に対する関連データの関連付けの結果を、サーフェスモデルまたはソリッドモデルなどの３次元モデルを用いてディスプレイ３００に表示してもよい。

（サービス提供処理時学習処理）
本実施の形態に係るデータ処理装置１００は、図１７に示すように、サービス提供処理において学習処理を実行するものではないが、図１９に示すように、変形例に係るデータ処理装置１００ａは、サービス提供処理において学習処理を実行するものであってもよい。データ処理装置１００は、所謂、協調学習（Federated Learning）を行うものであってもよい。図１９は、変形例に係るデータ処理装置１００ａが実行するサービス提供処理の一例を説明するためのフローチャートである。なお、図１９に示すＳ４１～Ｓ４７の処理は、図１７に示すＳ４１～Ｓ４７の処理と同じであるため、図１９においては、Ｓ４１～Ｓ４７の処理についての詳細な説明を省略する。

図１９に示すように、データ処理装置１００ａは、Ｓ４１～Ｓ４７の処理によって推定結果に基づき関連データを関連付けた結果を出力した後、サービス提供時学習処理を実行する。具体的には、データ処理装置１００ａは、Ｓ４７の後、誤り訂正のための正解データが入力されたか否かを判定する（Ｓ６１ａ）。たとえば、データ処理装置１００ａは、Ｓ４５において推定された歯牙の種類が実際にスキャン対象であった歯牙の種類と異なる場合において、実際にスキャン対象であった歯牙の種類をユーザ１が入力することで誤りを訂正したか否かを判定する。

データ処理装置１００ａは、誤り訂正のための正解データが入力されなかった場合（Ｓ６１ａでＮＯ）、本処理を終了する。一方、データ処理装置１００ａは、誤り訂正のための正解データが入力された場合（Ｓ６１ａでＹＥＳ）、推定結果と正解データとに基づき報酬を付与する（Ｓ６２ａ）。

たとえば、推定結果と正解データとの解離度が小さければ小さいほど、付与する報酬として値の小さいマイナスポイントを与え、両者の解離度が大きければ大きいほど、付与する報酬として値の大きいマイナスポイントを与えればよい。具体的には、データ処理装置１００ａは、推定結果として出力した歯牙と、正解データとして入力された歯牙とが隣接していれば、値の小さいマイナスポイントを与え、両者が離れていれば、値の大きいマイナスポイントを与える。このように、データ処理装置１００ａは、推定結果と正解データとの解離度に応じて異なる値の報酬を付与する。なお、報酬はマイナスポイントに限らず、プラスポイントであってもよい。

データ処理装置１００ａは、付与した報酬に基づき、学習済モデルのパラメータ１１４４を更新する（Ｓ６３ａ）。たとえば、データ処理装置１００ａは、報酬として付与したマイナスポイントが０に近づくように学習済モデルのパラメータ１１４４を更新する。その後、データ処理装置１００ａは、本処理を終了する。

このように、変形例に係るデータ処理装置１００ａは、サービス提供処理においても学習処理を実行するため、ユーザ１が使用すればするほど推定処理の精度が向上し、より精度良く歯牙の種類を識別することができる。このような処理は、所謂、協調学習の一種である。

（カテゴリごとの学習済モデルの生成）
本実施の形態に係るデータ処理装置１００は、図１０に示すように、カテゴリごとに分類された複数の学習用データセット１１６ａ～１１６ｏが含まれる学習用データセット群を用いて推定モデル１１４を学習させることで、１つの学習済モデルを生成するものであったが、図２０に示すように、変形例に係るデータ処理装置１００ｂは、カテゴリごとに分類された複数の学習用データセットのそれぞれをカテゴリごとに用いて推定モデル１１４を学習させることで、カテゴリごとの学習済モデルを生成してもよい。図２０は、変形例に係る学習用データセットに基づく学習済モデルの生成を説明するための模式図である。

図２０に示すように、学習用データセット１１６は、当該学習用データセット１１６を生成する際にスキャン対象となった対象者２のプロファイルに基づきカテゴリごとに分類されて保持される。たとえば、年齢（未成年者，現役世代，高齢者）、および性別（男性，女性）に基づき、６個のカテゴリに対して、学習用データセットが割り当てられる。

変形例に係るデータ処理装置１００ｂは、カテゴリごとに分類された複数の学習用データセット１１６ｐ～１１６ｕのそれぞれをカテゴリごとに用いて推定モデル１１４を学習させることで、カテゴリごとの学習済モデル１１４ｐ～１１４ｕを生成する。

このように、変形例に係るデータ処理装置１００ｂは、カテゴリごとに分類された複数の学習済モデル１１４ｐ～１１４ｕを生成することができるため、対象者２のプロファイルに応じたより詳細な分析によって、より精度良く歯牙の種類を識別することができる。

なお、図２０に示す学習済モデル１１４ｐ～１１４ｕの生成は、サーバ装置５００が保持する学習済モデルの生成についても適用可能である。たとえば、図２０に示す学習用データセット１１６ｐ～１１６ｕを、サーバ装置５００が保持する学習用データセット５１６に適用してもよいし、図２０に示す学習済モデル１１４ｐ～１１４ｕを、サーバ装置５００が保持する学習済モデルに適用してもよい。

（カテゴリごとの学習済モデルを用いたサービス提供処理）
図２１を参照しながら、カテゴリごとの学習済モデル１１４ｐ～１１４ｕを用いてデータ処理装置１００が実行するサービス提供処理について説明する。図２１は、変形例に係るデータ処理装置１００ｂが実行するサービス提供処理の一例を説明するためのフローチャートである。なお、図２１に示すＳ４１、Ｓ４２、Ｓ４５～Ｓ４７の処理は、図１７に示すＳ４１、Ｓ４２、Ｓ４５～Ｓ４７の処理と同じであるため、図２１においては、Ｓ４１、Ｓ４２、Ｓ４５～Ｓ４７の処理についての詳細な説明を省略する。

図２１に示すように、データ処理装置１００ｂは、所定の点に対応する三次元データが入力され（Ｓ４１でＹＥＳ）、かつユーザ１によって対象者２のプロファイルデータが入力されている場合（Ｓ４２でＹＥＳ）、図２０に示す学習済モデル群の中からプロファイルデータに対応する学習済モデルを選択する（Ｓ６１ｂ）。たとえば、対象者２が高齢者の女性であれば、データ処理装置１００ｂは、学習済モデル１１４ｕを選択する。

その後、データ処理装置１００ｂは、三次元データを学習済モデルに入力する（Ｓ６２ｂ）。データ処理装置１００ｂは、三次元データに対応する歯牙の特徴に基づき、学習済モデルを用いて当該歯牙の種類を推定する推定処理を実行し（Ｓ４５）、推定処理によって得られた推定結果に基づき、推定された歯牙の種類を示す関連データ三次元データに関連付け（Ｓ４６）、その関連付けの結果を出力する（Ｓ４７）。

このように、変形例に係るデータ処理装置１００ｂは、対象者２のプロファイルに最も適した学習済モデルを用いて推定処理を実行することができるため、対象者２のプロファイルに応じたより詳細な分析によって、より精度良く歯牙の種類を識別することができる。

（プロファイルの出力）
本実施の形態に係るデータ処理装置１００は、推定処理によって、歯牙の種類を識別するものであった。しかし、図１０および図２２に示すように、対象者２のプロファイルを考慮した学習用データセットに基づき学習済モデルが生成されることに鑑みると、推定処理において三次元データが学習済モデルに入力されることで、当該三次元データに対応する歯牙の特徴に基づき、当該歯牙の所有者のプロファイルが推定結果として出力されてもよい。このようにすれば、災害や事件などで発見された身元不明の対象者２について、歯牙を含む三次元データからプロファイルを特定することができる。

（学習処理）
本実施の形態に係るデータ処理装置１００は、学習処理によって推定モデル１１４のパラメータ１１４４を更新するものであったが、パラメータ１１４４を更新するものに限らず、学習処理によってニューラルネットワーク１１４２が更新される（たとえば、ニューラルネットワーク１１４２のアルゴリズムが更新される）ものであってもよい。また、本実施の形態に係るサーバ装置５００は、学習処理によって推定モデル５１４のパラメータを更新するものであったが、パラメータを更新するものに限らず、学習処理によってニューラルネットワークが更新される（たとえば、ニューラルネットワークのアルゴリズムが更新される）ものであってもよい。

（法線および／または色情報を用いた識別）
図２２は、変形例に係る学習用データセットの一例を説明するための模式図である。変形例に係るデータ処理装置１００ｃは、三次元スキャナ２００によって取得された三次元データに含まれる位置情報に加えて、歯牙の実際の色情報を推定モデル１１４に入力することで、推定モデル１１４を学習してもよい。

たとえば、図９を用いて説明したように、学習用データセットには、推定モデル１１４に対する入力データである位置情報と、正解データである歯牙の種類に対応付けられた色分け後の色情報とが含まれているが、これに加えて、図２２に示すように、色分け前の歯牙の色情報が含まれてもよい。そして、学習処理においては、推定モデル１１４に対して位置情報に加えて色分け前の歯牙の色情報が入力されることで、歯牙の実際の色情報も考慮して、学習済モデルが生成されてもよい。

さらに、学習用データセットには、推定モデル１１４に対する入力データである位置情報と、正解データである歯牙の種類に対応付けられた色分け後の色情報とに加えて、図２２に示すように、位置情報に基づき算出可能な法線情報が含まれてもよい。そして、学習処理においては、推定モデル１１４に対して位置情報に加えて法線情報が入力されることで、法線情報も考慮して、学習済モデルが生成されてもよい。

法線情報は、たとえば、以下のようにして算出することができる。たとえば、歯牙を構成する複数の点のうち、一の点に注目し、その注目点の近傍の所定範囲内に属する複数の点に基づいて、注目点の法線を生成する。具体的には、注目点の法線は、注目点の近傍の所定範囲内に属する複数の点に対し、主成分分析を用いて生成することができる。主成分分析は、一般的に、分散共分散行列を計算することで実施することができる。この分散共分散行列の計算において固有ベクトルを計算し、主成分方向を注目点の法線として生成すればよい。なお、点群におけるある点に対する法線の生成方法は公知であるため、一般的に知られているその他の技術を用いてもよい。

このように、学習用データセットに法線情報を加えることで、歯牙を構成する複数の点のそれぞれにおいて、各点が構成する歯牙のどちら側が表面なのかについてもデータ処理装置が学習することができる。また、注目点の近傍の所定範囲内に属する少数の点群のみに基づいて窪みなどの形状の特徴をデータ処理装置が学習することができる。

なお、学習用データセットには、色分け前の歯牙の色情報と法線情報との両方が含まれてもよいし、一方のみが含まれてもよい。

次に、色分け前の歯牙の色情報および法線情報を含む学習用データセットに基づき学習された学習済モデルを用いて推定処理を実行するサービス提供処理について、図２３を参照しながら説明する。図２３は、変形例に係るデータ処理装置１００ｃが実行するサービス提供処理の一例を説明するためのフローチャートである。なお、図２３に示すＳ４１、Ｓ４２、Ｓ４５～Ｓ４７の処理は、図１７に示すＳ４１、Ｓ４２、Ｓ４５～Ｓ４７の処理と同じであるため、図２３においては、Ｓ４１、Ｓ４２、Ｓ４５～Ｓ４７の処理についての詳細な説明を省略する。

図２３に示すように、変形例に係るデータ処理装置１００ｃは、図１７に示したデータ処理装置１００が実行するサービス提供処理と異なり、Ｓ６１ｃの処理を追加で実行する。すなわち、データ処理装置１００ｃは、所定の点に対応する三次元データが入力された後（Ｓ４１でＹＥＳ）、入力された三次元データに含まれる位置情報に基づき、歯牙を構成する点における法線を生成する（Ｓ６１ｃ）。なお、入力された三次元データには、位置情報に加えて色分け前の歯牙の色情報が含まれている。

その後、データ処理装置１００ｃは、プロファイルデータが入力されていない場合（Ｓ４２でＮＯ）、三次元データに加えて法線情報を学習済モデルに入力する（Ｓ６２ｃ）。一方、データ処理装置１００ｃは、プロファイルデータが入力されている場合（Ｓ４２でＹＥＳ）、三次元データおよびプロファイルデータに加えて法線情報を学習済モデルに入力する（Ｓ６３ｃ）。そして、Ｓ６２ｃおよびＳ６３ｃの後、データ処理装置１００ｃは、学習済モデルを用いて歯牙の種類を推定する推定処理を実行する（Ｓ４５）。

このように、変形例に係るデータ処理装置１００ｃは、色分け前の歯牙の色情報、および三次元データに対応する歯牙を構成する複数の点のそれぞれについて生成された法線にさらに基づき、歯牙の種類を識別してもよい。なお、データ処理装置１００ｃには、色分け前の歯牙の色情報が入力される一方で、法線情報が入力されない場合であってもよい。あるいは、データ処理装置１００ｃには、法線情報が入力される一方で、色分け前の歯牙の色情報が入力されない場合であってもよい。

このように、データ処理装置１００ｃは、色分け前の歯牙の色情報、および／または複数の点のそれぞれについて生成された法線に基づき歯牙の種類を識別することができるため、より精度良く歯牙の種類を識別することができる。

今回開示された実施の形態は全ての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は上記した説明ではなく特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。なお、本実施の形態で例示された構成および変形例で例示された構成は、適宜組み合わせることができる。

１ ユーザ、２ 対象者、５ ネットワーク、１０ データ処理システム、１００，１００ａ，１００ｂ データ処理装置、１０２ スキャナインターフェース、１０３，５０３ ディスプレイインターフェース、１０５，５０５ 周辺機器インターフェース、１０６，５０６ ネットワークコントローラ、１０７，５０７ メディア読取装置、１０８ ＰＣディスプレイ、１０９，５０９ メモリ、１１０，５１０ ストレージ、１１２，５１２ スキャン情報、１１４，５１４ 推定モデル、１１４ａ，５１４ａ 学習済モデル、１１６，５１６ 学習用データセット、１１８，５１８ 色分類データ、１１９，５１９ プロファイルデータ、１２０ データ処理用プログラム、１２１，５２１ 学習用プログラム、１２２，５２２ 三次元データ、１２４，５２４ 推定結果、１２７，５２７ ＯＳ、１３０，５３０ 演算装置、２００ 三次元スキャナ、３００，３５０ ディスプレイ、５００ サーバ装置、５５０ リムーバブルディスク、６０１，６５１ キーボード、６０２，６５２ マウス、１１０２ 入力部、１１０３ 出力部、１１１９ プロファイル取得部、１１３０ 推定部、１１４２ ニューラルネットワーク、１１４４ パラメータ。

Claims (13)

1. 歯牙の種類に関連するデータを処理するデータ処理装置であって、
   歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力される入力部と、
   前記入力部から入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける関連付け部と、
   前記関連付け部による関連付けの結果を出力する出力部とを備える、データ処理装置。
2. 前記入力部から入力された三次元データと、前記推定モデルとに基づき、当該三次元データに対応する複数の点ごとに歯牙の種類を推定する推定部を備え、
   前記関連付け部は、前記推定部による推定結果に基づき、前記入力部から入力された三次元データに対応する複数の点のそれぞれに対して前記関連データを関連付ける、請求項１に記載のデータ処理装置。
3. 前記推定部は、前記入力部から入力された一の三次元データについて、当該一の三次元データの特定範囲内に含まれる他の三次元データとの関係に基づき、当該一の三次元データに対応する点における歯牙の種類を推定する、請求項２に記載のデータ処理装置。
4. 前記推定部は、前記入力部から入力された三次元データに対応する複数の点ごとに生成された法線にさらに基づき、当該複数の点ごとに歯牙の種類を推定する、請求項２または請求項３に記載のデータ処理装置。
5. 前記関連付け部は、前記入力部から入力された一の三次元データに対応する点に対して前記関連データを関連付けた後、当該一の三次元データの特定範囲内に含まれる他の三次元データに対応する点に対して関連付けた前記関連データに基づき、当該一の三次元データに対応する点に対して関連付けた前記関連データを変更する、請求項１～請求項４のいずれか１項に記載のデータ処理装置。
6. 前記推定モデルは、歯牙を構成する複数の点のそれぞれに対応付けられた歯牙の種類と、当該複数の点のそれぞれにおける三次元の位置情報を含む三次元データを用いた当該歯牙の種類の推定結果とに基づき学習されたものである、請求項１～請求項５のいずれか１項に記載のデータ処理装置。
7. 前記入力部から入力された三次元データは、口腔内の歯牙および歯肉を構成する複数の点のそれぞれにおける三次元の位置情報を含む、請求項１～請求項６のいずれか１項に記載のデータ処理装置。
8. 前記関連データは、歯牙の種類に対応する色、文字、数字、および記号の少なくともいずれか１つを含む、請求項１～請求項７のいずれか１項に記載のデータ処理装置。
9. 前記出力部は、前記入力部から入力された三次元データに対応する複数の点を表す点群表示によって、前記関連付け部による関連付けの結果を出力する、請求項１～請求項８のいずれか１項に記載のデータ処理装置。
10. 前記出力部は、前記入力部から入力された三次元データに対応する複数の点によって構成される歯牙を表すポリゴンメッシュによって、前記関連付け部による関連付けの結果を出力する、請求項１～請求項９のいずれか１項に記載のデータ処理装置。
11. 歯牙の種類に関連するデータを処理するデータ処理システムであって、
    三次元カメラを用いて、歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データを取得する三次元スキャナと、
    前記三次元スキャナによって取得された三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるデータ処理装置とを備え、
    前記データ処理装置は、
    前記三次元スキャナによって取得された三次元データが入力される入力部と、
    前記入力部から入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付ける関連付け部と、
    前記関連付け部による関連付けの結果を出力する出力部とを含む、データ処理システム。
12. コンピュータによる歯牙の種類に関連するデータを処理するデータ処理方法であって、
    歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力されるステップと、
    前記入力されるステップによって入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるステップと、
    前記関連付けるステップによる関連付けの結果を出力するステップとを含む、データ処理方法。
13. 歯牙の種類に関連するデータを処理するデータ処理用プログラムであって、
    前記データ処理用プログラムは、コンピュータに、
    歯牙を構成する複数の点のそれぞれにおける三次元の位置情報を含む三次元データが入力されるステップと、
    前記入力されるステップによって入力された三次元データと、当該三次元データに基づき歯牙の種類を推定するためのニューラルネットワークを含む推定モデルとに基づき、当該三次元データに対応する複数の点のそれぞれに対して歯牙の種類に関連する関連データを関連付けるステップと、
    前記関連付けるステップによる関連付けの結果を出力するステップとを実行させる、データ処理用プログラム。

Images