JP7405809B2 - 推定装置、推定方法、および推定プログラム - Google Patents

Description

本開示は、矯正装置に関する矯正データを推定する推定装置、推定方法、および推定プログラムに関する。

従来、複数の歯牙のそれぞれに接する複数のブラケットをワイヤーで接続するように構成された固定式の矯正装置、または、マウスピース状のアライナーと呼ばれる矯正装置など、様々な手法の歯の矯正技術が知られている。たとえば、特許文献１は、複数の歯牙を含む歯列のデジタルモデルに基づき、矯正部材の選択および矯正部材の位置を算出する方法を開示する。

特表２０１１－５０６０１８号公報

特許文献１に開示された方法を用いることにより、歯科医師は矯正装置を設計することができるが、ある程度の矯正期間が経過した後でなければ、矯正により移動した歯牙の位置を知ることができない。このため、歯科医師は、矯正期間において、定期的に歯牙の位置を確認し、その都度、矯正装置を設計し直したり、矯正装置の位置を見直したりする必要があった。このように、従来、歯科医師は、矯正期間において自身の知見に基づき手探りで矯正装置を設計する必要があるため、矯正に手間が掛かり、また、矯正精度を高めることにも限界があった。

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、手間をかけることなく精度の良い矯正を行うことができる技術を提供することを目的とする。

本開示の一例に従えば、矯正装置に関する矯正データを推定する推定装置が提供される。推定装置は、複数の歯牙の位置に関する歯牙データと、ユーザが想定する矯正期間に関する期間データと、矯正期間が経過した場合のユーザが目標とする複数の歯牙の各々の位置に関する目標データとが入力される入力部と、歯牙データ、期間データ、および目標データと、少なくとも機械学習が可能なプログラムを含む推定モデルとに基づき、前記ユーザが想定する前記矯正期間において現在の複数の歯牙の各々の位置が前記ユーザが目標とする複数の歯牙の各々の位置になるための矯正データを推定する推定部とを備える。

本開示の一例に従えば、コンピュータによる矯正装置に関する矯正データを推定する推定方法が提供される。推定方法は、複数の歯牙の位置に関する歯牙データと、ユーザが想定する矯正期間に関する期間データと、矯正期間が経過した場合のユーザが目標とする複数の歯牙の各々の位置に関する目標データとが入力されるステップと、歯牙データ、期間データ、および目標データと、少なくとも機械学習が可能なプログラムを含む推定モデルとに基づき、前記ユーザが想定する前記矯正期間において現在の複数の歯牙の各々の位置が前記ユーザが目標とする複数の歯牙の各々の位置になるための矯正データを推定するステップとを含む。

本開示の一例に従えば、矯正装置に関する矯正データを推定する推定プログラムが提供される。推定プログラムは、コンピュータに、複数の歯牙の位置に関する歯牙データと、ユーザが想定する矯正期間に関する期間データと、矯正期間が経過した場合のユーザが目標とする複数の歯牙の各々の位置に関する目標データとが入力されるステップと、歯牙データ、期間データ、および目標データと、少なくとも機械学習が可能なプログラムを含む推定モデルとに基づき、前記ユーザが想定する前記矯正期間において現在の複数の歯牙の各々の位置が前記ユーザが目標とする複数の歯牙の各々の位置になるための矯正データを推定するステップとを実行させる。

本開示によれば、ユーザは、手間をかけることなく精度の良い矯正を行うことができる。

本実施の形態に係る推定装置の適用例を示す模式図である。 本実施の形態に係る推定装置のハードウェア構成を示すブロック図である。 本実施の形態に係る推定装置の機能構成を示すブロック図である。 歯牙のセグメント化の一例を示す図である。 歯牙データの生成の一例を示す図である。 骨密度データの生成の一例を示す図である。 本実施の形態に係る推定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推定装置が実行する推定処理の一例を説明するためのフローチャートである。 他の実施形態に係る推定装置が実行する推定処理の一例を説明するためのフローチャートである。 矯正期間における各種処理の一例を示す図である。

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を参照しながら、本実施の形態に係る推定装置１の適用例を説明する。図１は、本実施の形態に係る推定装置１の適用例を示す模式図である。

図１に示すように、推定装置１は、歯科医師および歯科助手などのユーザによって用いられ、ＡＩ（人工知能：Artificial Intelligence）を利用して、矯正装置５０に関する矯正データを推定する。

矯正データは、歯科医師などによって設計された矯正装置５０に関するデータを含む。具体的には、矯正装置５０が複数の歯牙のそれぞれに接する複数のブラケット５１をワイヤー５２で接続するように構成された固定式の矯正装置である場合、矯正データは、ブラケット５１に関するデータ、およびワイヤー５２に関するデータのうち、少なくとも１つを含む。たとえば、ブラケット５１に関するデータは、複数の歯牙の各々に接するブラケット５１の面の略中央の位置、複数の歯牙の各々に接するブラケット５１の面のワイヤー５２が接する位置、ブラケット５１の形状（断面形状など）、およびブラケット５１の材質（アルミニウム、ステンレス、チタンなど）のうち、少なくとも１つを含む。ワイヤー５２に関するデータは、ブラケット５１の面に接するワイヤー５２の位置、ワイヤー５２の形状（断面形状など）、およびワイヤー５２の締め付け具合などのトルクコントロールにおける設計値のうち、少なくとも１つを含む。また、矯正装置５０がマウスピース状のアライナーと呼ばれる矯正装置である場合、矯正データは、アライナーの形状および材質のうち、少なくとも１つを含む。このように、矯正データは、ブラケット５１に関するデータ、ワイヤー５２に関するデータ、およびアライナーに関するデータのうちの少なくとも１つを含む。

推定装置１は、少なくとも、複数の歯牙の位置に関する歯牙データと、矯正期間に関する期間データと、矯正期間が経過した場合の目標とする歯牙の位置に関する目標データとを取得する。

歯牙データは、後述する図５に示すように、患者の複数の歯牙の三次元形状を特定するためのデータを含む。具体的には、歯牙データは、複数の歯牙の各々の三次元の位置情報（縦方向、横方向、高さ方向の各軸の座標、たとえばＸＹＺ座標上の値）を含む。さらに、後述する図４および図５に示すように、歯牙データにおいては、歯牙の種類ごとに識別データ（たとえば、色情報）を用いて各位置情報がセグメント化されていてもよい。

ユーザは、図示しないＣＴ（Computed Tomography）スキャナまたはＸ線装置を用いて患者の歯牙データを取得することができる。ＣＴスキャナまたはＸ線装置によって取得され得る歯牙データは、三次元位置データ、具体的には、ＸＹＺ座標データを含む三次元ボクセルデータである。なお、ユーザは、三次元カメラによってスキャン対象の位置情報を取得することが可能な三次元スキャナを用いて患者の歯牙の位置情報を取得してもよい。三次元スキャナによって取得され得る歯牙データは、三次元位置データ、具体的には、ＸＹＺ座標データを含む三次元の表面を示す点群データである。歯牙データに基づいて画像を生成する場合は、歯牙データに含まれる三次元位置データに基づいて、任意の視点から見た歯牙の象を含む二次元画像を生成することになる。任意の視点は、予め設定されていてもよく、その二次元画像が表示されたディスプレイを見たユーザによって設定または変更されてもよい。

期間データは、ユーザが想定する矯正が終了する未来の時点（年月日など）、および、現時点からユーザが想定する矯正が終了する未来の時点までの期間（すなわち矯正期間）のうち、少なくとも１つを含む。

上述した期間データは、矯正装置５０の設計値に影響し得る。たとえば、矯正期間が短ければ短いほど、ワイヤー５２の締め付け具合を大きくする必要がある。このため、期間データは、矯正データを推定するための重要なデータとなり得る。

目標データは、ユーザが矯正治療を行うことによって患者の歯牙を矯正した場合において、１または複数の歯牙の目標とする位置を特定するためのデータを含む。具体的には、目標データは、１または複数の歯牙の目標とする三次元の位置情報（縦方向、横方向、高さ方向の各軸の座標）を含む。

上述した目標データは、矯正装置５０の設計値に影響し得る。たとえば、歯牙の目標とする位置が現在の位置から離れていれば離れているほど、ワイヤー５２の締め付け具合を大きくする必要がある。このため、目標データは、矯正データを推定するための重要なデータとなり得る。

推定装置１は、上述した歯牙データ、期間データ、および目標データを用いて推定モデル１２１を機械学習させることによって、矯正データを推定するように構成されている。たとえば、推定装置１は、歯牙データに基づき現在の各歯牙の位置情報を取得し、目標データに基づきユーザが目標とする歯牙の位置を取得し、期間データに基づきユーザが想定する矯正が終了する未来の時点（この例ではＸ年後）を取得し、これらのデータを推定モデル１２１に入力することによって、矯正データを推定することが可能である。このように、ユーザは、推定装置１を用いることにより、矯正期間が経過する前の現時点において、ユーザが目標とする位置まで患者の歯牙を移動させるために必要となる矯正データを推定することができる。

さらに、後述する図４および図５に示すように、歯牙データが歯牙の種類ごとに識別データ（たとえば、色情報）を用いてセグメント化されている場合、推定装置１は、セグメント化された歯牙ごとに矯正データを推定するように推定モデル１２１を機械学習させることができる。これにより、推定装置１は、矯正データの推定精度を高めることができる。

また、食事、会話、および睡眠中の歯ぎしりなどの顎運動は歯牙の移動に影響を与え得るため、顎運動データは、矯正対象となった歯牙を目標位置にまで移動させるための矯正データを推定するための重要なデータとなり得る。そこで、推定装置１は、運動する顎の位置に関する顎運動データをさらに取得し、取得した顎運動データを用いて推定モデル１２１を機械学習させてもよい。

推定装置１は、歯牙データ、期間データ、および目標データに加えて、顎運動データを推定モデル１２１に入力することによって、矯正データを精度よく推定することができる。

さらに、顎骨の骨密度が小さければ小さいほど矯正によって歯牙の位置が移動し易く、顎骨の骨密度が大きければ大きいほど矯正によって歯牙の位置が移動し難い。さらに、各歯牙が位置する骨の骨の部分ごとに骨密度が異なる場合は、矯正によって各歯牙の移動に与える影響が異なる。このため、骨密度データは、矯正対象となった歯牙を目標位置にまで移動させるための矯正データを推定するための重要なデータとなり得る。そこで、推定装置１は、顎骨（上顎骨、下顎骨）の骨密度に関する骨密度データをさらに取得し、取得した骨密度データを用いて推定モデル１２１を機械学習させてもよい。骨密度データは、上顎骨の骨密度の平均値、下顎骨の骨密度の平均値、上顎に位置する各歯牙の周辺の骨密度の平均値、および下顎に位置する各歯牙の周辺の骨密度の平均値のうち、少なくとも１つを含む。

推定装置１は、歯牙データ、期間データ、および目標データに加えて、骨密度データを推定モデル１２１に入力することによって、矯正データを精度よく推定することができる。

なお、推定装置１は、歯牙データ、期間データ、および目標データに加えて、顎運動データおよび骨密度データの両方を推定モデル１２１に入力することによって、矯正データを推定してもよい。すなわち、推定装置１は、歯牙データ、期間データ、および目標データに加えて、顎運動データおよび骨密度データの少なくとも１つを推定モデル１２１に入力することによって、矯正データを推定してもよい。

［推定装置のハードウェア構成］
図２を参照しながら、本実施の形態に係る推定装置１のハードウェア構成の一例を説明する。図２は、本実施の形態に係る推定装置１のハードウェア構成を示すブロック図である。

図２に示すように、推定装置１は、主なハードウェア要素として、演算装置１１と、記憶装置１２と、メディア読取装置１３と、通信装置１４と、ディスプレイインターフェース１５と、周辺機器インターフェース１６とを備える。

演算装置１１は、各種のプログラムを実行することで、推定モデル１２１の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１１は、たとえば、ＣＰＵ（Central Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、およびＧＰＵ（Graphics Processing Unit）などで構成される。なお、演算装置１１は、ＣＰＵ、ＦＰＧＡ、およびＧＰＵの少なくとも１つで構成されてもよいし、ＣＰＵとＦＰＧＡ、ＦＰＧＡとＧＰＵ、ＣＰＵとＧＰＵ、あるいはＣＰＵ、ＦＰＧＡ、およびＧＰＵの全てから構成されてもよい。また、演算装置１１は、演算回路（processing circuitry）で構成されてもよい。

記憶装置１２は、演算装置１１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揮発性の記憶領域（たとえば、ワーキングエリア）を含む。たとえば、記憶装置１２は、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。さらに、記憶装置１２は、不揮発性の記憶領域を含む。たとえば、記憶装置１２は、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。

なお、本実施の形態においては、揮発性の記憶領域と不揮発性の記憶領域とが同一の記憶装置１２に含まれる例を示したが、揮発性の記憶領域と不揮発性の記憶領域とが互いに異なる記憶装置に含まれていてもよい。たとえば、演算装置１１が揮発性の記憶領域を含み、記憶装置１２が不揮発性の記憶領域を含んでいてもよい。推定装置１は、演算装置１１と、記憶装置１２とを含むマイクロコンピュータを備えていてもよい。

記憶装置１２は、推定モデル１２１と、推定プログラム１２２とを格納する。推定モデル１２１は、ニューラルネットワーク１２１１（図１参照）と、ニューラルネットワークにおける処理で用いられるパラメータ１２１２（図１参照）とを含む。パラメータ１２１２は、ニューラルネットワーク１２１１による計算に用いられる重み付け係数と、推定の判定に用いられる判定値とを含む。ニューラルネットワーク１２１１は、畳み込みニューラルネットワーク（ＣＮＮ：Convolution Neural Network）など、少なくとも、歯牙データ、期間データ、および目標データに基づき、矯正データを推定することができるニューラルネットワークであれば、いずれのニューラルネットワークであってもよい。

推定モデル１２１は、少なくとも機械学習が可能なプログラムを含み、学習用データ（教師データ）に基づき機械学習を行うことで最適化（調整）される。学習用データは、入力データと、正解データとを含む。入力データは、少なくとも、歯牙データ、期間データ、および目標データを含む。なお、入力データは、歯牙データ、期間データ、および目標データに加えて、顎運動データおよび骨密度データの少なくとも１つを含んでいてもよい。正解データは、入力データを用いて実際に矯正装置５０を設計した場合の矯正データを含む。すなわち、正解データに含まれる矯正データを用いて矯正装置５０を設計した場合、期間データに含まれる矯正期間の経過後に歯牙の位置が目標データの位置になり得る。

推定モデル１２１は、歯牙データ、期間データ、および目標データなどの入力データが入力されると、当該入力データに基づきニューラルネットワーク１２１１によって、矯正データを推定する。そして、推定モデル１２１は、自身が推定した矯正データと、正解データに含まれる矯正データとを比較して、両者の一致度が所定範囲内であればパラメータ１２１２を更新しない一方で、両者の一致度が所定範囲外であれば両者の一致度が所定範囲内になるようにパラメータ１２１２を更新することで、パラメータ１２１２を最適化する。このように、推定モデル１２１は、入力データである歯牙データ、期間データ、および目標データと、正解データである矯正データとを含む学習用データを利用して、パラメータ１２１２を最適化することで機械学習を行う。

なお、上述したような推定モデル１２１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１２１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１２１および学習済みの推定モデル１２１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１２１を「学習済モデル」とも称する。

推定プログラム１２２は、演算装置１１が推定処理および学習処理を実行するためのプログラムである。本実施の形態においては、画像に特化した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、MarrNet、VoxelNet、およびVoteNetなどが推定プログラム１２２に用いられるが、リカレント型ニューラルネットワークなど、その他のプログラムが用いられてもよい。

メディア読取装置１３は、リムーバブルディスク１３０などの記憶媒体を受け入れ、リムーバブルディスク１３０に格納されているデータを取得する。

通信装置１４は、有線通信または無線通信を介して、図示しない外部装置との間でデータを送受信する。

ディスプレイインターフェース１５は、ディスプレイ１５０を接続するためのインターフェースであり、推定装置１とディスプレイ１５０との間のデータの入出力を実現する。

周辺機器インターフェース１６は、キーボード１６１およびマウス１６２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、推定装置１と周辺機器との間のデータの入出力を実現する。

［推定装置の機能構成］
図３を参照しながら、本実施の形態に係る推定装置１の機能構成の一例を説明する。図３は、本実施の形態に係る推定装置１の機能構成を示すブロック図である。

図３に示すように、推定装置１は、主な機能部として、入力部１１０１と、推定部１１０２と、記憶部１１０３と、出力部１１０４とを備える。

入力部１１０１は、メディア読取装置１３、通信装置１４、および周辺機器インターフェース１６のうち、少なくとも１つの機能部であり、入力データが入力される。上述したように、入力データは、少なくとも、歯牙データ、期間データ、および目標データを含むが、顎運動データおよび骨密度データの少なくとも１つをさらに含んでいてもよい。

たとえば、入力部１１０１がメディア読取装置１３の機能部である場合、メディア読取装置１３は、リムーバブルディスク１３０などの記憶媒体に記憶された入力データを取得する。入力部１１０１が通信装置１４の機能部である場合、通信装置１４は、有線通信または無線通信を介して、外部装置から入力データを取得する。なお、外部装置は、歯科医院に設置されたサーバ装置であってもよいし、歯科医院とは別の場所に設置されたクラウド型のサーバ装置であってもよい。入力部１１０１が周辺機器インターフェース１６の機能部である場合、周辺機器インターフェース１６は、キーボード１６１およびマウス１６２を用いてユーザによって入力された入力データを取得する。

推定部１１０２は、演算装置１１の機能部であり、入力部１１０１から入力された入力データと、ニューラルネットワーク１２１１を含む推定モデル１２１とに基づき、矯正データを推定する。

記憶部１１０３は、記憶装置１２の機能部であり、ニューラルネットワーク１２１１およびパラメータ１２１２を含む推定モデル１２１を記憶する。

出力部１１０４は、メディア読取装置１３、通信装置１４、およびディスプレイインターフェース１５のうち、少なくとも１つの機能部であり、推定部１１０２によって推定された矯正データを外部に出力する。

たとえば、出力部１１０４がメディア読取装置１３の機能部である場合、メディア読取装置１３は、リムーバブルディスク１３０などの記憶媒体に矯正データを出力する。出力部１１０４が通信装置１４の機能部である場合、通信装置１４は、有線通信または無線通信を介して、矯正データを外部装置に出力する。出力部１１０４がディスプレイインターフェース１５の機能部である場合、ディスプレイインターフェース１５は、矯正データをディスプレイ１５０に出力する。この場合、ディスプレイ１５０は、矯正データに対応する画像を表示する。

推定装置１は、図２および図３に示すような構成を備えることにより、歯牙データ、期間データ、および目標データと、推定モデル１２１とに基づき、矯正データを推定し、矯正データを出力することができる。さらに、推定装置１は、歯牙データ、期間データ、および目標データに加えて、顎運動データおよび骨密度データのうちの少なくとも１つに基づき、矯正データを推定し、矯正データを出力することができる。

［歯牙データの生成の一例］
図４および図５を参照しながら、歯牙データの生成の一例を説明する。図４は、歯牙のセグメント化の一例を示す図である。図５は、歯牙データの生成の一例を示す図である。

図４（Ａ）に示すように、ＣＴスキャナなどによって患者の顔を撮影することによって、上顎骨、下顎骨、および複数の歯牙を含む患者の顔の三次元データが取得される。図４（Ｂ）に示すように、三次元データに含まれる各部位ごとに複数の位置情報の各々がセグメント化される。具体的には、上顎骨、下顎骨、および複数の歯牙の各々に対して識別データが対応付けられることによって、上顎骨、下顎骨、および複数の歯牙の各々における位置情報が区別される。なお、図４（Ｂ）に示す例では、セグメント化された上顎骨は、前頭骨または鼻骨などと一緒になっているが、三次元データは、少なくとも上顎骨を含み、かつ、上顎骨が下顎骨と歯牙とから区別されていればよい。また、三次元データに基づいて、任意の視点から見た患者の顔の像を含む２次元画像が生成可能である。

たとえば、図５に示すように、歯牙データは、複数の歯牙の各々の三次元の位置情報を含む。ＣＴスキャナによって患者の歯牙が撮影された場合、三次元データは、濃淡のある複数のボクセルによって複数の歯牙の各々が表現される。この場合、歯牙データは、複数の歯牙の各々を構成する複数のボクセルの位置情報（たとえば、ボクセルの中心位置の三次元座標）を含む。あるいは、三次元スキャナによって患者の歯牙が撮影された場合、三次元データは、複数の点（点群）によって複数の歯牙の各々が表現される。この場合、歯牙データは、複数の歯牙の各々を構成する複数の点の位置情報（各点の三次元座標）を含む。

さらに、上顎骨データ、下顎骨データ、および歯牙データは、各位置座標に対して色情報（ＲＧＢ値）が対応付けられている。たとえば、複数の歯牙は、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に、口腔内の位置および種類ごとに区別され得る。歯牙データに含まれる複数の位置座標のうち、同じ種類の歯牙を構成する位置座標に対しては同じ色情報が対応付けられる。なお、人がディスプレイ１５０に表示された三次元データに基づいて生成された画像を確認しながら歯牙の種類を識別することによって、各位置座標に対して色情報が対応付けるようにして記録されてもよいし、専用のソフトウェアを用いて自動で歯牙の種類を識別することによって、各位置座標に対して色情報が対応付けるようにして記録されてもよい。

［骨密度データの生成の一例］
図６を参照しながら、骨密度データの生成の一例を説明する。図６は、骨密度データの生成の一例を示す図である。

図６（Ａ）に示すように、三次元データに含まれる上顎骨、下顎骨、および複数の歯牙の各々ごとにセグメント化された後、図６（Ｂ）に示すように、セグメント化された三次元データに基づき、顎骨（上顎骨、下顎骨）の骨密度が推定される。具体的には、ＣＴスキャナなどによって取得された三次元データは、ＣＴ値（computed tomography value）と呼ばれるエックス線吸収値に応じて、各ボクセルの濃淡が決まる。よって、三次元データの濃淡（ＣＴ値）に基づき、顎骨（上顎骨、下顎骨）の骨密度を推定することが可能である。なお、上顎骨の骨密度は、上顎骨全体の骨密度の平均値であってもよい。また、下顎骨の骨密度は、下顎骨全体の骨密度の平均値であってもよい。

図６（Ｂ）の例では、三次元データに基づき、上顎に位置する各歯牙の歯根周辺の骨密度の平均値、および下顎に位置する各歯牙の歯根周辺の骨密度の平均値が推定されている。推定された各歯牙の骨密度は、図５に示した各歯牙の位置座標に対応付けられる。なお、歯根周辺とは、歯根の中心位置から予め定められた範囲内の部分を含む。

［学習処理］
図７を参照しながら、推定装置１の学習処理を説明する。図７は、本実施の形態に係る推定装置１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、推定装置１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１２１を学習させる。図７に示す各ステップ（以下、「Ｓ」で示す。）は、推定装置１の演算装置１１が推定プログラム１２２を実行することで実現される。

図７に示すように、まず、推定装置１は、学習用データを取得する（Ｓ１）。たとえば、推定装置１は、入力データとして、歯牙データ、期間データ、および目標データを取得するとともに、正解データとして、矯正データを取得する。さらに、推定装置１は、顎運動データまたは骨密度データに基づき機械学習を行う場合、歯牙データ、期間データ、および目標データに加えて、顎運動データおよび骨密度データの少なくとも１つを取得する。

推定装置１は、学習用データのうちの入力データに基づき、矯正データを推定する（Ｓ２）。推定装置１は、自身が推定した矯正データと、正解データに含まれる矯正データとを比較することによって、推定モデル１２１を機械学習させる（Ｓ３）。推定装置１は、推定モデル１２１が推定した矯正データと正解データに含まれる矯正データとの間の一致度合（一致／不一致）に基づいて、推定モデル１２１を機械学習させる。たとえば、推定装置１は、推定モデル１２１が推定した矯正データと正解データに含まれる矯正データとが完全に一致する場合に、両者が一致すると判定してもよい。あるいは、推定装置１は、推定モデル１２１が推定した矯正データ（たとえば、ブラケット５１の位置）と正解データに含まれる矯正データ（たとえば、ブラケット５１の位置）との差が所定距離以内である場合に、両者が一致すると判定してもよい。

推定装置１は、学習済みの推定モデル１２１（学習済モデル）を記憶装置１２に記憶させる（Ｓ４）。その後、推定装置１は、本処理を終了する。

このように、推定装置１は、少なくとも、歯牙データ、期間データ、および目標データに基づき、矯正データを推定するように推定モデル１２１を機械学習させることができる。また、推定装置１は、歯牙データ、期間データ、および目標データに加えて、顎運動データおよび骨密度データの少なくとも１つに基づき、矯正データを推定するように推定モデル１２１を機械学習させることができる。さらに、歯牙データが歯牙の種類ごとに識別データ（たとえば、色情報）を用いてセグメント化されている場合、推定装置１は、セグメント化された歯牙ごとに矯正データを推定するように推定モデル１２１を機械学習させることができる。

［推定処理］
図８および図９を参照しながら、推定装置１の推定処理を説明する。図８は、本実施の形態に係る推定装置１が実行する推定処理の一例を説明するためのフローチャートである。図８に示す各ステップ（以下、「Ｓ」で示す。）は、推定装置１の演算装置１１が推定プログラム１２２を実行することで実現される。

図８に示すように、まず、推定装置１は、入力データを取得する（Ｓ１１）。たとえば、推定装置１は、入力データとして、歯牙データ、期間データ、および目標データを取得する。さらに、推定装置１は、顎運動データまたは骨密度データに基づき推定モデル１２１に対して機械学習を行っている場合、歯牙データ、期間データ、および目標データに加えて、顎運動データおよび骨密度データの少なくとも１つを取得してもよい。

推定装置１は、入力データに基づき、矯正データを推定する（Ｓ１２）。推定装置１は、歯牙の位置の推定結果を出力する（Ｓ１３）。その後、推定装置１は、本処理を終了する。

図８の例では、歯牙データが歯牙の種類ごとに識別データ（たとえば、色情報）を用いて予めセグメント化されているが、図９に示すように、推定装置１は、歯牙の種類ごとに識別データを用いて歯牙データを自らセグメント化してもよい。また、図８の例では、骨密度データが予め生成されているが、図９に示すように、推定装置１は、骨密度データを自ら生成してもよい。

図９は、他の実施形態に係る推定装置１が実行する推定処理の一例を説明するためのフローチャートである。図９に示す各ステップ（以下、「Ｓ」で示す。）は、推定装置１の演算装置１１が推定プログラム１２２を実行することで実現される。

図９に示すように、推定装置１は、図４（Ａ）に示すように、任意の視点から見た患者の顔の像を含む二次元画像を生成可能な三次元データを取得する（Ｓ２１）。すなわち、図９の例では、患者の顔の像を含む二次元画像を生成可能な三次元データが入力部１１０１から入力される。

推定装置１は、図４（Ｂ）に示すように、上顎骨、下顎骨、および複数の歯牙の各々に対して識別データ（たとえば、色情報）を対応付けることによって、上顎骨、下顎骨、および複数の歯牙の各々を区別するように複数の位置情報の各々をセグメント化する（Ｓ２２）。

推定装置１は、セグメント化された複数の位置情報に基づき、各歯牙の位置を抽出する（Ｓ２３）。これにより、推定装置１は、歯牙データを生成することができる。

推定装置１は、Ｓ２１において取得した三次元データの濃淡（ＣＴ値）に基づき、顎骨（上顎骨、下顎骨）の骨密度を推定する（Ｓ２４）。具体的には、推定装置１は、三次元データに基づき、上顎に位置する各歯牙の歯根周辺の骨密度の平均値、および下顎に位置する各歯牙の歯根周辺の骨密度の平均値を推定する。これにより、推定装置１は、骨密度データを生成することができる。

推定装置１は、図示しない顎運動測定器によって測定された顎運動データを取得する（Ｓ２５）。また、推定装置１は、ユーザによって入力された目標データを取得する（Ｓ２６）。さらに、推定装置１は、ユーザによって入力された矯正期間に関する期間データを取得する（Ｓ２７）。

次に、推定装置１は、取得した歯牙データ、骨密度データ、顎運動データ、目標データ、および期間データに基づき矯正データを推定する前に、歯牙データおよび顎運動データの各々における位置情報の基準を合わせる（Ｓ２８）。すなわち、歯牙データは、ＣＴスキャナなどによって取得された三次元データに基づき生成される一方で、顎運動データは、顎運動測定器の測定値に基づき生成されるため、両者の基準を合わせることによって、推定装置１による矯正データの推定精度を向上させることができる。そこで、推定装置１は、歯牙データに含まれる位置情報と、顎運動データに含まれる位置情報とで、基準を合わせることで、両者の位置情報を変換する。

なお、図８で示した推定処理においても、推定装置１は、Ｓ１１で取得した歯牙データ、骨密度データ、顎運動データ、目標データ、および期間データに基づき矯正データを推定する前（Ｓ１２の前）に、歯牙データおよび顎運動データの各々における位置情報の基準を合わせてもよい。

推定装置１は、取得した歯牙データ、骨密度データ、顎運動データ、目標データ、および期間データに基づき矯正データを推定する（Ｓ２９）。推定装置１は、矯正データの推定結果を出力する（Ｓ３０）。その後、推定装置１は、本処理を終了する。

［矯正期間における各種処理］
図１０を参照しながら、ユーザが推定装置１を用いて矯正期間において実行する各種処理を説明する。図１０は、矯正期間における各種処理の一例を示す図である。

図１０に示すように、ユーザは、矯正治療を開始すると（Ｓ５１）、初期治療段階に移行する。ユーザは、ＣＴスキャナなどによって取得した患者の顔の三次元データに基づき、上顎骨、下顎骨、および複数の歯牙の各々を区別するように複数の位置情報の各々をセグメント化するとともに、矯正治療に関して分析、診断、および計画を実行する（Ｓ５２）。

そして、ユーザは、推定装置１に歯牙データ、骨密度データ、顎運動データ、目標データ、および期間データを入力することで、矯正データを推定し、推定された矯正データに基づき矯正装置５０を設計する（Ｓ５３）。すなわち、ユーザは、実際に矯正装置５０を用いて患者の歯牙を矯正する前に、目標とする位置に歯牙を移動させるための最適な矯正データを、推定装置１によって推定することができる。ユーザは、推定された矯正データに基づき設計した矯正装置５０を用いて矯正治療を行う（Ｓ５４）。

ユーザは、矯正中の歯牙を移動させるための動的治療段階において、再び、ＣＴスキャナなどによって取得した患者の顔の三次元データに基づき、上顎骨、下顎骨、および複数の歯牙の各々を区別するように複数の位置情報の各々をセグメント化するとともに、矯正治療に関して分析、診断、および計画を実行する（Ｓ５５）。

そして、ユーザは、推定装置１に歯牙データ、骨密度データ、顎運動データ、目標データ、および期間データを入力することで、矯正データを推定し、推定された矯正データに基づき矯正装置５０を設計する（Ｓ５６）。すなわち、ユーザは、動的治療段階において、再び、推定装置１を用いて、矯正データを推定する。これにより、ユーザは、動的治療段階において、目標とする位置に歯牙を移動させるための最適な矯正データを、推定装置１によって推定することができる。ユーザは、推定された矯正データに基づき設計した矯正装置５０を用いて矯正治療を行う（Ｓ５７）。

さらに、ユーザは、矯正中の歯牙を保定するための保定段階において、再び、ＣＴスキャナなどによって取得した患者の顔の三次元データに基づき、上顎骨、下顎骨、および複数の歯牙の各々を区別するように複数の位置情報の各々をセグメント化するとともに、矯正治療に関して分析、診断、および計画を実行する（Ｓ５８）。

そして、ユーザは、推定装置１に歯牙データ、骨密度データ、顎運動データ、目標データ、および期間データを入力することで、矯正データを推定し、推定された矯正データに基づき矯正装置５０を設計する（Ｓ５９）。すなわち、ユーザは、保定段階において、再び、推定装置１を用いて、矯正データを推定する。これにより、ユーザは、保定段階において、目標とする位置に歯牙を移動させるための最適な矯正データを、推定装置１によって推定することができる。ユーザは、推定された矯正データに基づき設計した矯正装置５０を用いて矯正治療を行う（Ｓ６０）。

ユーザは、上述したような処理を繰り返しながら矯正治療を行い、矯正期間が経過すると、矯正治療を終了する（Ｓ６１）。

以上のように、歯科医師などのユーザは、推定装置１を用いて矯正データを推定することで、矯正装置５０を患者に装着させる前に、目標とする位置に歯牙を移動させるための最適な矯正データを取得することができる。これにより、ユーザは、矯正期間において自身の知見に基づき手探りで矯正装置５０を設計する必要がなく、手間をかけることなく精度の良い矯正を行うことができる。さらに、ユーザは、矯正期間を短くすることもできる。

［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、本開示に適用可能な変形例について説明する。

（セグメント化における識別データ）
推定装置１は、複数の歯牙の各々で歯牙データをセグメント化する際に、識別データとして色情報を用いていたが、識別データとしてその他の識別情報を用いてもよい。たとえば、推定装置１は、識別データとして、模様、文字、数字、および記号のうちの少なくとも１つを用いてもよい。

（推定結果に対応する矯正期間）
推定装置１は、最終的に矯正治療が終了する時点において目標とする位置に歯牙を移動させるための矯正データを推定することに限らず、矯正治療の途中段階において目標とする位置に歯牙を移動させるための矯正データを推定するように機械学習が行われてもよい。たとえば、図７に示す学習処理において、入力データは、矯正治療の途中段階における歯牙データ、期間データ、および目標データを含んでいてもよい。そして、推定装置１は、矯正治療の途中段階における入力データを用いて、矯正治療の途中段階における矯正データを推定し、推定結果と、正解データである矯正治療の途中段階における矯正データとを比較することで、推定モデル１２１を機械学習させてもよい。このようにすれば、たとえば、矯正期間が３年である矯正治療について、推定装置１は、１年目または２年目といったように矯正治療の途中段階において目標とする位置に歯牙を移動させるための矯正データを推定することができる。

（推定装置の態様）
推定装置１は、汎用コンピュータで実現され得るが、たとえば、ＰＣ（Personal Computer）またはスマートフォンなどの携帯端末であってもよい。さらに、推定装置１は、歯科医院とは別の場所に設置されたクラウド型のサーバ装置であってもよい。

（学習用データ）
推定装置１は、推定モデル１２１を機械学習させるときに、矯正対象である患者のプロファイルデータを用いてもよい。プロファイルデータは、患者に関する属性情報であって、当該患者の年齢、性別、人種、国籍、身長、体重、および居住地のうちの少なくとも１つを含む。たとえば、学習段階においては、プロファイルデータごとに学習用データ（入力データ）を予め分類しておき、分類された学習用データを用いて推定モデル１２１を機械学習させればよい。このようにすれば、実用段階においては、歯牙データ、期間データ、および目標データを含む入力データとともに、患者のプロファイルデータを推定装置１に入力することで、推定モデル１２１は、プロファイルデータによる分類に基づく機械学習を活かして、より精度よく矯正データを推定することができる。すなわち、推定装置１は、入力部１１０１から入力された歯牙データ、期間データ、目標データ、およびプロファイルデータと、推定モデル１２１とに基づき、推定部１１０２によって矯正データを推定してもよい。

（推定システム）
上述した推定装置１と、ＣＴスキャナ、Ｘ線装置、または三次元スキャナなどの三次元データ取得装置とを備えた、推定システムが構成されてもよい。

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 推定装置、１１ 演算装置、１２ 記憶装置、１３ 装置、１４ 通信装置、１５ ディスプレイインターフェース、１６ 周辺機器インターフェース、５０ 矯正装置、５１ ブラケット、５２ ワイヤー、１２１ 推定モデル、１２２ 推定プログラム、１３０ リムーバブルディスク、１５０ ディスプレイ、１６１ キーボード、１６２ マウス、１１０１ 入力部、１１０２ 推定部、１１０３ 記憶部、１１０４ 出力部、１２１１ ニューラルネットワーク、１２１２ パラメータ。

Claims (12)

1. 矯正装置に関する矯正データを推定する推定装置であって、
   複数の歯牙の位置に関する歯牙データと、ユーザが想定する矯正期間に関する期間データと、前記矯正期間が経過した場合のユーザが目標とする複数の歯牙の各々の位置に関する目標データとが入力される入力部と、
   前記歯牙データ、前記期間データ、および前記目標データと、少なくとも機械学習が可能なプログラムを含む推定モデルとに基づき、前記ユーザが想定する前記矯正期間において現在の複数の歯牙の各々の位置が前記ユーザが目標とする複数の歯牙の各々の位置になるための前記矯正データを推定する推定部とを備える、推定装置。
2. 前記入力部は、運動する顎の位置に関する顎運動データが入力され、
   前記推定部は、さらに前記顎運動データに基づき、前記矯正データを推定する、請求項１に記載の推定装置。
3. 前記推定部は、前記矯正データを推定する前に、前記歯牙データおよび前記顎運動データの各々における位置情報の基準を合わせる、請求項２に記載の推定装置。
4. 前記入力部は、顎骨の骨密度に関する骨密度データが入力され、
   前記推定部は、さらに前記骨密度データに基づき、前記矯正データを推定する、請求項１～請求項３のいずれか１項に記載の推定装置。
5. 前記骨密度データは、上顎骨の骨密度の平均値、下顎骨の骨密度の平均値、上顎に位置する複数の歯牙の各々の周辺の骨密度の平均値、および下顎に位置する複数の歯牙の各々の周辺の骨密度の平均値のうちの少なくとも１つを含む、請求項４に記載の推定装置。
6. 前記歯牙データは、複数の歯牙の各々を区別する識別データを含む、請求項１～請求項５のいずれか１項に記載の推定装置。
7. 前記歯牙データは、複数の歯牙の各々の三次元の位置情報を含む三次元データであり、複数の歯牙の各々の種類ごとにセグメント化されている、請求項１～請求項６のいずれか１項に記載の推定装置。
8. 前記矯正装置は、ブラケット、ワイヤー、またはアライナーを含み、
   前記矯正データは、前記ブラケットに関するデータ、前記ワイヤーに関するデータ、または前記アライナーに関するデータを含む、請求項１～請求項７のいずれか１項に記載の推定装置。
9. 前記ブラケットに関するデータは、複数の歯牙の各々に接する前記ブラケットの面の略中央の位置に関するデータ、または、複数の歯牙の各々に接する前記ブラケットの面の前記ワイヤーが接する位置に関するデータを含む、請求項８に記載の推定装置。
10. 前記ワイヤーに関するデータは、前記ブラケットの面に接するワイヤーの位置に関するデータを含む、請求項８または請求項９に記載の推定装置。
11. コンピュータによる矯正装置に関する矯正データを推定する推定方法であって、
    複数の歯牙の位置に関する歯牙データと、ユーザが想定する矯正期間に関する期間データと、前記矯正期間が経過した場合のユーザが目標とする複数の歯牙の各々の位置に関する目標データとが入力されるステップと、
    前記歯牙データ、前記期間データ、および前記目標データと、少なくとも機械学習が可能なプログラムを含む推定モデルとに基づき、前記ユーザが想定する前記矯正期間において現在の複数の歯牙の各々の位置が前記ユーザが目標とする複数の歯牙の各々の位置になるための前記矯正データを推定するステップとを含む、推定方法。
12. 矯正装置に関する矯正データを推定する推定プログラムであって、
    コンピュータに、
    複数の歯牙の位置に関する歯牙データと、ユーザが想定する矯正期間に関する期間データと、前記矯正期間が経過した場合のユーザが目標とする複数の歯牙の各々の位置に関する目標データとが入力されるステップと、
    前記歯牙データ、前記期間データ、および前記目標データと、少なくとも機械学習が可能なプログラムを含む推定モデルとに基づき、前記ユーザが想定する前記矯正期間において現在の複数の歯牙の各々の位置が前記ユーザが目標とする複数の歯牙の各々の位置になるための前記矯正データを推定するステップとを実行させる、推定プログラム。

Images