KR102227460B1

KR102227460B1 - 교정치료를 위한 치아 배열 방법 및 이를 수행하는 교정 캐드 시스템

Info

Publication number: KR102227460B1
Application number: KR1020190108942A
Authority: KR
Inventors: 진방달
Original assignee: 오스템임플란트 주식회사
Priority date: 2019-09-03
Filing date: 2019-09-03
Publication date: 2021-03-12
Also published as: KR20210027899A

Abstract

교정치료를 위한 치아 배열 방법 및 이를 수행하는 교정 캐드 시스템이 개시된다. 일 실시 예에 따른 교정치료를 위한 치아 배열 방법 및 이를 수행하는 교정 캐드 시스템은 현재 교정치료 환자를 대상으로 데이터 분석 및 인공지능 기반 비교를 통해 이전 교정사례에서 현재 교정치료 환자의 치아 데이터와 매칭하는 교정사례를 검색하여 이를 자동으로 추천한다. 이에 따라, 사용자 조작을 최소화하면서 그 정확도를 높일 수 있다.

Description

교정치료를 위한 치아 배열 방법 및 이를 수행하는 교정 캐드 시스템 {Arrangement method for orthodontic treatment and orthodontic CAD system therefor}

본 발명은 치과영상 처리 기술에 관한 것으로, 보다 상세하게는 디지털 교정진단 및 교정치료 계획 수립 기술에 관한 것이다.

치열이 바르지 않고 상하의 치아 교합이 비정상적인 상태를 부정교합이라고 한다. 이와 같은 부정교합은 저작, 발음상의 문제와 같은 기능적인 문제점과 얼굴에 대한 미적인 문제점을 발생시킬 뿐만 아니라 충치와 잇몸질환과 같은 건강상의 문제점도 발생시킬 수 있다. 따라서, 이러한 부정교합을 정상교합으로 만들기 위한 치아교정치료가 시행되어야 한다. 적합한 치료 시술 방법을 결정하기 위해서는 치아교정치료를 하기 이전에 치아 배열을 예측하는 배열(Arrangement) 작업을 통해 교정 진단 및 치료계획 수립이 선행되는 것이 바람직하다. 이러한 과정은 교정 캐드(Computer Aided Design: CAD) 프로그램을 통해 이루어진다.

교정 캐드 프로그램을 이용한 일반적인 치아 배열 작업을 진행할 때, 먼저 3차원 형태의 스캐닝 데이터를 획득하여 이로부터 개별치아를 분할하고, 분할된 개별치아의 특징을 추출 및 입력받는다. 이어서, 개별치아의 특징을 이용하여 각 개별치아의 배열이 기준에서 얼마나 어긋나 있는지 치아 배열상태를 분석한다. 그런 다음 현재 치아를 배열하기 위한 교정조건을 입력받고, 분석결과를 기반으로 입력된 조건에 맞춰서 분할된 개별치아를 배열하는 과정을 거쳐 최종적인 배열(Arrangement) 결과를 만들어낸다.

그러나 치아의 배열상태가 정확하게 일치하는 환자는 단 한 명도 없다. 교정환자마다 치아 배열상태가 모두 다르기 때문에 교정치료를 위한 계획도 다르게 수립해야 한다. 이를 위해서 치아의 특징을 추출해야 하고 기준에서 얼마나 치아의 위치 및 방향이 어긋나 있는지 등을 매번 새롭게 분석 및 계산해야 한다. 이 경우 많은 시간과 노력, 그리고 사용자의 입력작업을 필요로 하는 문제점을 가진다.

한국공개특허 10-2016-0004864 (2016년01월13일 공개)

일 실시 예에 따라, 교정치료를 위한 배열 데이터 디자인 및 교정 계획 수립 시에 자동으로 최적의 교정정보를 사용자에 추천함에 따라 사용자 조작을 최소화하고 그 정확도를 높일 수 있는 치아 배열 방법 및 이를 수행하는 교정 캐드 시스템을 제안한다.

일 실시 예에 따른 교정치료를 위한 치아 배열 방법은, 이전에 치료를 수행한 환자들의 교정사례를 데이터베이스화하는 단계와, 현재 교정치료 환자의 치아 데이터를 획득하는 단계와, 획득된 치아 데이터로부터 개별치아 분할을 포함한 데이터 가공을 수행하는 단계와, 현재 교정치료 환자의 가공된 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교하는 단계와, 비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 단계를 포함한다.

교정사례를 데이터베이스화하는 단계는, 인공지능 기반 교정사례 비교를 위해 이전 교정사례를 대상으로 개별치아의 치아 특징 및 전체치아의 배열상태를 분석하는 단계와, 분석 결과에 따라 이전 교정사례를 그룹화하여 분류하는 단계를 포함할 수 있다.

비교하는 단계는, 현재 교정치료 환자의 개별치아의 특징 및 전체치아의 배열상태를 포함하여 교정 이전 치아 데이터를 분석하는 단계와, 데이터베이스에 저장된 이전 교정사례에서 현재 교정치료 환자의 치아 특징 및 치아 배열과 매칭되는 교정사례를 검색하는 단계를 포함할 수 있다. 교정사례를 검색하는 단계에서, 데이터베이스에 저장된 이전 교정사례에서 데이터 간 거리를 이용하여 현재 교정치료 환자의 치아 특징 및 치아 배열과 유사도가 가장 높은 교정사례를 검색할 수 있다.

비교하는 단계는, 데이터베이스에 저장된 이전 교정사례에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제1 정보와 매칭되는 그룹을 1차 검색하는 단계와, 검색된 그룹 내에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제2 정보와 매칭되는 교정사례를 2차 검색하는 단계를 포함할 수 있다. 제1 정보는 전체치아의 배열정보이고, 제2 정보는 개별치아의 특징정보며, 제1 정보는 제2 정보보다 교정에 미치는 영향이 더 클 수 있다.

교정치료를 위한 치아 배열 방법은, 사용자에 추천한 교정정보 이외의 새로운 교정정보 추천을 요청받는 단계와, 인공지능을 통해서 새로운 교정사례를 검색하고 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 재 추천하는 단계를 더 포함할 수 있다.

교정치료를 위한 치아 배열 방법은, 사용자가 최종 선택한 교정정보를 다시 데이터베이스에 추가해서 학습 데이터로 저장하는 단계를 더 포함할 수 있다.

교정사례는 환자들의 교정 이전 치아 데이터, 교정 정보 및 교정 이후 치아 데이터를 포함하고, 교정정보의 교정 조건은 치아 배열을 위한 기준이 되는 것으로, 기본 교정조건과 추가 교정조건을 포함하며, 추가 교정조건은 발치 여부 및 심미 조건을 포함할 수 있다.

다른 실시 예에 따른 교정 캐드 시스템은, 이전에 치료를 수행한 환자들의 교정사례가 저장되는 데이터베이스와, 이전 교정사례를 데이터베이스에 데이터베이스화하고, 현재 교정치료 환자의 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교한 후 비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 제어부를 포함한다.

제어부는, 인공지능 기반 교정사례 비교를 위해 이전 교정사례를 대상으로 개별치아의 치아 특징 및 전체치아의 배열상태를 분석하고 분석 결과에 따라 이전 교정사례를 그룹화하여 분류하고, 현재 교정치료 환자의 개별치아의 특징 및 전체치아의 배열상태를 포함하여 교정 이전 치아 데이터를 분석하며, 그룹화하여 분류된 이전 교정사례에서 현재 교정치료 환자의 치아 특징 및 치아 배열과 매칭되는 교정사례를 검색할 수 있다.

제어부는, 데이터베이스에 저장된 이전 교정사례에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제1 정보와 매칭되는 그룹을 1차 검색하고, 검색된 그룹 내에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제2 정보와 매칭되는 교정사례를 2차 검색할 수 있다. 제1 정보는 전체치아의 배열정보이고, 제2 정보는 개별치아의 특징정보며, 제1 정보는 제2 정보보다 교정에 미치는 영향이 더 클 수 있다.

제어부는 사용자에 추천한 교정정보 이외의 새로운 교정정보 추천을 요청받으면 인공지능을 통해서 새로운 교정사례를 검색하고, 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 재 추천할 수 있다. 제어부는 사용자가 최종 선택한 교정정보를 다시 데이터베이스에 추가해서 학습 데이터로 저장할 수 있다.

일 실시 예에 따른 교정치료를 위한 치아 배열 방법 및 이를 수행하는 교정 캐드 시스템에 의하면, 이전 환자의 교정사례를 데이터베이스화한 후에, 교정치료 환자의 치아 데이터와 가장 유사한 교정사례를 인공지능(Artificial Intelligence: AI) 알고리즘에 기반하여 검색하고 검색 결과에 따라 교정정보를 추천함으로써 사용자는 쉽고 빠르게 교정 계획을 수립할 수 있다.

예를 들어, 기존의 교정사례가 충분히 축적된 상태에서 교정치료 환자의 다양한 치아 배열상태에 대해 사용자가 일일이 특징정보들을 정의하는 복잡한 작업을 최소화 하면서 인공지능이 제안하는 교정조건을 직접 적용하는 방법을 통해 사용자의 노력과 시간을 절약하고 최적의 치아배열을 위한 교정조건을 쉽고 빠르게 설정할 수 있다.

이전 교정사례에 계속해서 새로운 교정사례가 추가되면 시간이 지날수록 사용자가 참조할 수 있는 이전 교정사례에 대한 데이터가 더 많아지고 인공지능의 정밀도가 더 높아질 수 있다.

도 1은 교정치료를 위한 치아 배열 프로세스를 도시한 도면,
도 2는 본 발명의 일 실시 예에 따른 교정치료를 위한 인공지능 기반 치아 배열 프로세스를 도시한 도면,
도 3은 본 발명의 일 실시 예에 따른 데이터베이스에 구축되는 교정사례 데이터를 도시한 도면,
도 4는 본 발명의 일 실시 예에 따른 스캐닝 데이터의 치아분할 예를 도시한 도면,
도 5는 본 발명의 일 실시 예에 따른 개별치아의 위치, 방향, 특징점 정보 분석의 예를 도시한 도면,
도 6은 본 발명의 일 실시 예에 따른 전체치아의 배열상태를 확인하기 위한 기준면 정보 분석의 예를 도시한 도면,
도 7은 본 발명의 일 실시 예에 따른 전체치아의 배열상태를 확인하기 위한 기준선 정보 분석의 예를 도시한 도면,
도 8은 본 발명의 일 실시 예에 따른 교정사례를 그룹화하는 예를 도시한 도면,
도 9는 본 발명의 일 실시 예에 따른 이전 교정사례 내 치아의 특징 및 배열상태 정보와 교정치료 환자의 치아 특징 및 배열상태 정보를 비교하는 예를 도시한 도면,
도 10은 본 발명의 일 실시 예에 따른 이전 교정사례에서 교정환자의 치아 배열과 가장 유사한 교정사례를 1차 검색하는 예를 도시한 도면,
도 11은 본 발명의 일 실시 예에 따른 이전 교정사례에서 교정환자의 치아 배열과 가장 유사한 교정사례를 2차 검색하는 예를 도시한 도면,
도 12는 본 발명의 일 실시 예에 따른 교정정보 추천 프로세스를 도시한 도면,
도 13은 본 발명의 일 실시 예에 따른 교정 캐드 시스템의 구성을 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장치를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.

이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.

도 1은 교정치료를 위한 치아 배열 프로세스를 도시한 도면이다.

도 1을 참조하면, 교정치료 이전에 교정 캐드 시스템을 이용하여 치아배열을 디자인하는 방법 중 하나는 현재 교정치료 환자의 치아 데이터(예를 들어 3차원 스캐닝 데이터)를 획득하는 단계(S110), 획득된 치아 데이터로부터 개별치아를 분할하는 단계(S120), 분할된 개별치아를 대상으로 치아의 특징점 추출을 통한 치아 배열상태를 분석하는 단계(S130), 현재의 치아를 배열하기 위한 교정조건을 사용자로부터 입력받는 단계(S140), 분석결과를 기반으로 입력된 교정조건에 맞춰서 분할된 개별치아를 배열하는 단계(S150)를 포함한다.

도 1에 도시된 바와 같은 배열 프로세스를 수행하는 경우, 환자의 치아 배열상태를 분석하기 위해서는 개별치아 각각에 대한 많은 분량의 특징정보가 필요하다. 특징정보는 예를 들어, 치축, 교합점, 치아 방향, 주변치아와의 컨택 포인트(Contact Point), FACC(Facial Axis of the Clinical Crown), FA 포인트(Facial Axis Point) 등이 있다. FA 포인트는 FACC의 중점이다. 대부분의 교정 캐드 프로그램에서는 자동화된 특징정보 추출 기능을 제공하지만, 모든 경우에 대해서 정확하고 완벽한 특징정보들을 추출해 내는 것은 어렵다. 따라서, 이와 함께 사용자가 직접 수작업을 이용해 하나씩 특징정보를 입력할 수 있는 기능을 제공하는 것이 일반적이다. 하지만 개별치아의 특징정보를 직접 입력할 경우 많은 노력과 시간을 필요로 하기 때문에 사용자에게 불편을 주는 문제점을 가지게 된다.

본 발명은 이러한 문제점을 해결하기 위해서 미리 축적된 교정사례와 현재 교정을 진행하고자 하는 환자의 치아 데이터를 비교한 후에, 그 결과를 기반으로 교정을 위한 교정정보를 추천하는 인공지능 기반 교정 캐드 시스템을 제안한다.

도 2는 본 발명의 일 실시 예에 따른 교정치료를 위한 인공지능 기반 치아 배열 프로세스를 도시한 도면이다.

도 2를 참조하면, 교정 캐드 시스템은 이전에 치료를 수행한 환자들의 교정사례를 데이터베이스화한다(S200). 교정사례 데이터베이스화에 대해서는 도 3을 참조로 하여 후술한다.

한편, 교정 캐드 시스템은 현재 교정치료 환자의 치아 데이터를 획득(S210)하고, 획득된 치아 데이터를 가공한다(S220). 획득된 치아 데이터는 3차원 스캐닝 데이터일 수 있다. 데이터 가공(S220)은 치아 데이터로부터 개별치아를 분할하는 과정을 포함할 수 있다.

이어서, 교정 캐드 시스템은 가공된 현재 교정치료 환자의 치아 데이터를 인공지능을 이용하여 데이터베이스에 저장된 교정사례와 비교한 후 매칭되는 교정사례를 검색한다(S230). 인공지능 기반 데이터 비교(S230) 이전에, 이전 교정사례의 교정 치료 이전 데이터와 현재 교정치료 환자의 교정 치료 이전 데이터에 대한 분석 과정이 추가로 수반될 수 있다.

이어서, 교정 캐드 시스템은 검색한 교정사례에 적용한 치아 배열의 교정조건 또는 교정조건에 따라 설계된 배열 데이터를 포함한 교정정보를 사용자에게 추천한다(S240). 사용자는 추천된 배열 데이터를 직접 사용하거나 교정조건을 참조하여 치아 배열 작업을 진행할 수 있다. 나아가, 교정조건을 조정하거나 학습(S250)할 수 있으며, 이 경우 조정된 교정조건이 데이터베이스에 누적된다.

전술한 프로세스에 의하면, 기존의 교정사례가 충분히 축적된 상태에서 교정치료 환자의 다양한 치아 배열상태에 대해 사용자가 일일이 특징정보들을 정의하는 복잡한 작업을 최소화 하면서 인공지능이 제안하는 교정조건을 직접 적용하는 방법을 통해 사용자의 노력과 시간을 절약하고 최적의 치아배열 조건을 쉽고 빠르게 설정할 수 있다.

본 발명은 치아 데이터에 대한 분석 기술과 인공지능 기술을 결합해서 데이터베이스에 저장된 이전 교정사례 중에서 교정치료를 위해 입력된 현재 치아 모델과 가장 유사한 교정사례를 검색하여 이를 추천하는 것을 목표로 한다. 입력된 새로운 환자의 교정사례가 과거 교정사례와 일정 수치 값 이상으로 유사한 경우(예를 들면, 75% 이상)를 검색할 수 있다면 과거 교정사례의 결과를 이용하여 좀 더 쉽고 빠르게 치료계획을 수립할 수 있다.

전술한 프로세스를 수행하기 위해 이전 교정사례에 대한 데이터베이스 구축 또는 이전 교정사례에 새로 작업한 교정사례를 추가하는 프로세스가 선행되어야 한다. 데이터베이스에 저장되는 교정사례의 예는 도 3을 참조로 하여 후술한다.

도 3은 본 발명의 일 실시 예에 따른 데이터베이스에 구축되는 교정사례 데이터를 도시한 도면이다.

도 3을 참조하면, 데이터베이스에는 이전 치료를 받았던 환자들의 교정사례가 저장된다. 교정사례는 환자들의 교정 이전 치아 데이터, 교정 정보, 그리고 교정 이후 치아 데이터를 포함한다. 치아 데이터는 교정 전후의 스캐닝 데이터일 수 있다. 스캐닝 데이터는 환자의 손상된 치아를 포함한 실제 치아들의 정보를 가진 모델 데이터로서, 3D 형태일 수 있다. 스캐닝 데이터는 환자의 구강을 본떠 생성한 석고 모형을 3D 스캐너(3D Scanner)로 스캐닝하여 획득될 수 있다. 다른 예로서, 구강 내 3D 스캐너(3D Intra-oral scanner)를 이용하여 환자의 구강 내부를 스캐닝하여 획득될 수 있다. 획득된 스캐닝 데이터는 데이터베이스에 저장된다. 교정 정보는 치아 배열을 위한 교정 조건과 교정 조건에 따라 배열된 데이터를 포함한다. 교정 조건은 치아 배열을 위한 교정기준이 되는 것으로, 기본 교정조건과 추가 교정조건을 포함할 수 있다. 추가 교정조건은 발치 여부, 심미 조건 등이 있다. 배열 데이터는 교정 조건에 맞춰서 치아 데이터를 배열한 것으로, 치아 배열을 장치로 제작한 후 이를 환자가 착용함으로써 치아 교정을 진행할 수 있다.

교정사례 데이터베이스가 구축되고 교정치료 하고자 하는 환자의 스캐닝 데이터가 입력되면, 교정 캐드 시스템은 데이터베이스에 저장된 교정사례와 환자의 현재 스캐닝 데이터의 치아 특징을 분석하고, 분석한 치아 특징을 인공지능에 기반하여 비교함에 따라 사용자에게 최적의 교정정보를 추천한다. 이하, 도 4를 참조로 하여 치아 특징 분석을 위한 개별치아 분할의 실시 예를 후술하고, 도 5 내지 도 7은 치아 특징 분석의 실시 예를 후술하고, 도 8 내지 도 11은 인공지능 기반 교정정보 추천의 실시 예를 후술하고자 한다.

도 4는 본 발명의 일 실시 예에 따른 스캐닝 데이터의 치아분할 예를 도시한 도면이다.

도 4를 참조하면, 교정 캐드 시스템은 환자의 스캐닝 데이터를 대상으로 특징을 분석한다. 교정치료 과정에서 치아의 특징 분석은 개별치아의 특징정보 분석과 전체치아의 배열상태 분석을 포함할 수 있다. 개별치아의 특징 분석을 위해 도 4에 도시된 바와 같이 개별치아 분할(Segmentation) 작업을 수행한다.

도 5는 본 발명의 일 실시 예에 따른 개별치아의 위치, 방향, 특징점 정보 분석의 예를 도시한 도면이다.

도 5를 참조하면, 교정 캐드 시스템은 분할된 각 개별치아의 위치와 방향 정보(Orientation)와 특징점 정보를 분석한다. 개별치아의 방향정보는 치아 축(Tooth axis), 교합 방향(Occlusion direction), 협측 방향(Buccal direction), 근심면 방향(Mesial direction) 등을 포함한다. 특징점 정보는 FA 포인트(Facial Axis Point), 교두정(Cusp Tip), 절단연(Incisal Edge) 등을 포함한다.

도 6은 본 발명의 일 실시 예에 따른 전체치아의 배열상태를 확인하기 위한 기준면 정보 분석의 예를 도시한 도면이고, 도 7은 본 발명의 일 실시 예에 따른 전체치아의 배열상태를 확인하기 위한 기준선 정보 분석의 예를 도시한 도면이다.

도 6 및 도 7을 참조하면, 교정 캐드 시스템은 기준면 및 기준선을 찾고 이렇게 구해진 정보를 종합적으로 비교 및 분석함으로써 기준면이나 기준선에 대한 전체치아의 배열상태를 확인하고 정의할 수 있게 된다. 기준면의 예로는 교합면(Occlusal Plane)이 있고, 기준선의 예로는 치궁(Arch Line)(700)이 있다.

도 8은 본 발명의 일 실시 예에 따른 교정사례를 그룹화하는 예를 도시한 도면이다.

도 8을 참조하면, 교정 캐드 시스템은 데이터베이스에 구축된 교정사례에서 현재 입력으로 들어온 치아 데이터의 특징 및 배열상태와 가장 유사한 특징 및 배열상태를 가진 교정사례를 인공지능을 이용하여 검색한다. 이를 위해, 트레이닝 데이터 셋(Training Data Set)을 생성하고 생성된 트레이닝 데이터 셋에 기계학습(Machine learning)을 적용하여 정확도를 높임에 따라 임의의 데이터가 들어올 때 최적의 교정사례를 추천할 수 있도록 훈련하는 과정이 선행될 수 있다. 기계학습 방식은 인공지능의 한 분야로, 음성과 영상 등에서 사용되고 있으며, 특히 이미지 분류 및 대조, 비교 분석 등에 많이 사용되고 있다. 대상 데이터가 이미지일 경우 처리 방식은 이미지 라이브러리 등을 확보하고 이를 카테고리화 한 후 콘볼루션 신경망(Convolutional Neural Network: CNN)과 같은 인공신경망으로 특징을 추출하고 이를 학습시킴으로써 정확도를 높여가는 방식을 사용한다.

인공지능 기반 교정사례 비교 분석을 위해 이전 교정사례에 대한 그룹화(Grouping)가 필요하다. 데이터베이스에 포함된 스캐닝 데이터를 치궁(Arch Line)의 형태와, 개별치아의 위치 및 방향 정보, 특징점 정보, 기준면과 기준선에 대한 배열특징들을 그룹화하고, 이를 이용해서 각각의 교정사례를 도 8에 도시된 바와 같이 N개의 교정 그룹으로 구분한다. 도 8에서는 이전 교정사례를 치궁(Arch Line)의 형태에 따라 x축과 y축을 가진 그래프 내에서 4개의 그룹(그룹 A, 그룹 B, 그룹 C, 그룹 D)으로 그룹화한 것을 도시하고 있다.

그룹화는 정보 간 유사도가 높은 정보들끼리 군집화하는 것이다. 유사도는 데이터 간 거리를 의미하는 것으로, 그 값이 높을수록 사용자 간 학습패턴의 유사도가 높다고 할 수 있다. 유사도 계산을 위해 사용되는 통계적 방법으로 Pearson correlation, Average log-likelihood ratio, Pearson chi-square test, Sum of squared distance, Mutual information, Information correlation, Euclidean distance, Sandelin-wasserman similarity 등이 있다. 계산된 유사도에 따라 데이터를 군집화하여 교정사례를 분류한다. 군집화 알고리즘은 예를 들어, Hierarchical clustering, k-means clustering, Partitioning around medoids 등이 있다.

도 9는 본 발명의 일 실시 예에 따른 이전 교정사례 내 치아의 특징 및 배열상태 정보와 교정치료 환자의 치아 특징 및 배열상태 정보를 비교하는 예를 도시한 도면이고, 도 10은 본 발명의 일 실시 예에 따른 이전 교정사례에서 교정환자의 치아 배열과 가장 유사한 교정사례를 1차 검색하는 예를 도시한 도면이다.

도 9 및 도 10을 참조하면, 교정 캐드 시스템은 교정치료 환자의 치아에 대한 스캐닝 데이터가 입력되면 개별치아 분할, 위치 및 방향 정보 분석, 특징점 분석, 기준면과 기준선 분석 등의 데이터 분석을 진행 한 후에, 이전 교정사례에서 교정치료 환자의 치아 특징 및 치아 배열과 가장 유사한 그룹(1000)을 검색한다. 가장 유사한 그룹(1000)의 검색을 위해 K-최근접 이웃(K-Nearest Neighbors: KNN, 이하 'KNN'이라 칭함) 알고리즘을 이용할 수 있다. KNN 알고리즘을 이용해서 도 9에 도시된 바와 같이 데이터 간 거리를 측정하고 도 10에 도시된 바와 같이 데이터 간 거리가 짧은 거리 순위로 교정사례 그룹(1000)을 검색할 수 있다.

도 11은 본 발명의 일 실시 예에 따른 이전 교정사례에서 교정환자의 치아 배열과 가장 유사한 교정사례를 2차 검색하는 예를 도시한 도면이다.

도 11을 참조하면, 이전 교정사례에서 교정환자의 치아 배열과 가장 유사한 그룹 검색 이후 검색된 그룹 내에서 가장 유사한 교정사례를 검색한다. 유사한 그룹 내에서 다시 한 번 개별치아 특징 비교 알고리즘을 통해서 도 11에 도시된 바와 같이 해당 유사 그룹 내에서 가장 유사한 교정사례(1100)를 최종적으로 검색한다.

처음부터 직접 가장 유사한 기존의 교정사례를 검색하지 않고, 큰 그룹에서 유사한 사례를 검색한 이후, 검색한 그룹 내에서 다시 가장 유사한 교정사례를 검색하는 방식으로 총 2번의 과정을 거치는 이유는 다음과 같다. 교정에서는 치아의 배열형태 뿐만 아니라 각 치아의 특징 및 상태(치아 손실, 교합 상태 등) 등 교정계획에 영향을 미치는 많은 요소들이 있을 수 있다. 따라서 교정에 가장 큰 영향을 주는 요소들(예를 들어, 전체치아의 배열)을 이용해 1차적으로 유사한 교정사례를 검색하고, 그 그룹 안에서 다시 한 번 다른 요소들(예를 들어, 개별치아의 특징)을 이용하여 2차적으로 유사한 교정사례를 검색하여 최종적인 교정사례(1100)를 결정할 수 있도록 한다.

도 12는 본 발명의 일 실시 예에 따른 교정정보 추천 프로세스를 도시한 도면이다.

도 12를 참조하면, 교정 캐드 시스템은 이전 치료를 받았던 환자들의 교정사례를 사전에 데이터베이스화한다. 이때, 교정사례는 교정 이전 치아 데이터, 교정 이후 치아 데이터 및 교정 시 사용한 교정정보를 포함한다. 이때, 교정사례의 교정 이전 치아 데이터를 대상으로 개별치아의 특징점을 분석하고 전체치아의 배열상태를 분석한다.

한편, 교정 캐드 시스템은 현재 교정치료 환자의 치아 데이터(예를 들어, 스캐닝 데이터)를 획득하면 획득된 치아 데이터를 가공하고 가공된 교정 이전 치아 데이터를 분석한다. 가공은 개별치아 분할 과정을 포함할 수 있다. 교정치료 환자의 교정 이전 치아 데이터 분석 예를 들면, 개별치아의 특징점을 분석하고 전체치아의 배열상태를 분석한다. 이어서, 이전 교정사례의 특징점 및 배열상태와 현재 교정치료 환자의 특징점 및 배열상태를 인공지능을 이용하여 비교한다. 이때, 인공지능 알고리즘을 통해서 이전 교정사례의 특징점 및 배열상태에서 현재 교정치료 환자의 특징점 및 배열상태와 가장 매칭되는 특징점 및 배열상태를 검색한다. 그리고 검색된 특징점 및 배열상태에 해당하는 교정사례의 교정정보를 사용자에 추천한다. 교정정보는 교정조건과 교정조건에 따라 설계된 배열 데이터를 포함한다.

사용자는 추천된 교정정보를 확인한 후에, (1) 제안된 교정정보를 그대로 사용할 수도 있고, (2) 단순히 참고용으로만 이용해서 수작업을 통해 직접 교정조건 등을 새로 만들어서 사용할 수도 있으며, (3) 제안된 교정정보를 조정하거나 수정해서 적용할 수도 있고, (4) 제안된 교정정보에 만족하지 않으면 다시 새로운 추천을 요청할 수 있다. 이 경우, 교정 캐드 시스템은 인공지능 알고리즘을 통해서 새로운 교정그룹과 유사한 교정사례를 검색하고 새로 검색된 교정사례에 대응되는 교정정보를 사용자에 재 추천한다.

교정 작업의 마지막 단계에서는, 사용자가 최종적으로 선택하고 적용한 교정정보를 다시 데이터베이스에서 추가해서 학습 데이터로 저장함으로써 데이터베이스를 지속적으로 확장하고 인공지능의 정확성을 높일 수 있도록 한다.

도 13은 본 발명의 일 실시 예에 따른 교정 캐드 시스템의 구성을 도시한 도면이다.

도 13을 참조하면, 교정 캐드 시스템(1)은 실제 치과에서 치아 교정에 도움을 주기 위해 캐드 공정을 수행한다. 교정 캐드 공정이란 환자의 3차원 치아 데이터를 획득하고, 컴퓨터 프로그램에 의한 제어를 통해 치료 전 치아 배열을 예측하고 교정 계획을 수립하는 일련의 프로세스를 의미한다. 3차원 치아 데이터는 손상된 대상 치아를 포함하는 치아들의 3차원 정보를 가진 데이터이다.

일 실시 예에 따른 교정 캐드 시스템(1)은 교정 캐드 프로그램과 같은 치과 프로그램을 실행 가능한 전자장치와, 전자장치와 네트워크를 통해 통신하는 서버로 구성될 수 있다. 전자장치는 컴퓨터, 노트북 컴퓨터, 랩탑 컴퓨터, 태블릿(Tablet) PC, 스마트폰, 휴대폰, PMP(Personal Media Player), PDA(Personal Digital Assistants) 등이 있다. 치과 프로그램은 교정 캐드 프로그램 이외에, 가이드 프로그램, 스캔 프로그램, 의료영상 처리 프로그램 등이 있다. 또한, 치과 교정 이외에 다른 일반적인 의료용 프로그램에 적용될 수 있다.

교정 캐드 시스템의 서버는 사용자의 전자장치의 요청에 따라 교정사례를 대상으로 기계학습을 수행하고 기계학습 수행 결과에 따른 교정정보를 전자장치에 제공한다. 서버의 자원은 기계학습을 수행하기 위한 중요한 것들을 포함하고, 실질적인 메모리, 처리 능력, 데이터베이스 등을 포함할 수 있다. 일 실시 예에서, 서버는 블레이드 서버와 같은 통상의 서버를 포함할 수 있고, 메인 프레임, 개인용 컴퓨터의 네트워크 또는 단순한 개인용 컴퓨터일 수 있다. 서버는 전자장치로부터 원거리에 위치할 수 있다. 서버는 데이터베이스 분석을 수행하는데, 딥 러닝(Deep learning)과 같은 기계학습을 수행할 수 있다. 딥 러닝은 높은 연산력과 많은 양의 데이터 저장용량을 요구한다. 서버는 전자장치를 원격제어할 수 있다. 이때, 전자장치의 실행 화면을 모니터링 및 제어할 수 있다.

도 13의 구성에 있어서, 모든 구성이 전자장치에 구현될 수 있고, 적어도 일부는 서버에 구현될 수 있다. 예를 들어, 데이터베이스(12)와 제어부(14)의 인공지능 알고리즘을 이용한 데이터 분석 및 추천은 서버에서 구현될 수 있다.

이하, 전술한 특징을 가지는 교정 캐드 시스템(1)의 구성에 대해 도 13을 참조로 하여 후술한다.

도 13을 참조하면, 일 실시 예에 따른 교정 캐드 시스템(1)은 데이터 획득부(10), 데이터베이스(12), 제어부(14), 입력부(16) 및 출력부(18)를 포함한다.

데이터 획득부(10)는 교정치료 환자로부터 치아 데이터를 획득한다. 교정치료를 위해 필요한 치아 영상 데이터는 스캐닝 데이터가 있다. 데이터 획득부(10)는 스캐닝 데이터를 교정 캐드 프로그램에서 실행하거나 웹 페이지 및 서버에 저장된 데이터를 로딩할 수 있다.

데이터베이스(12)에는 교정 캐드 시스템(1)의 동작 수행을 위해 필요한 정보와 동작 수행에 따라 생성되는 정보 등의 각종 데이터가 저장된다. 일 실시 예에 따른 데이터베이스(12)에는 이전 치료를 받았던 환자들의 교정사례가 저장된다. 데이터베이스(23)는 제어부(14)의 인공지능 기반 데이터 분석을 위해 교정사례를 제어부(14)에 제공할 수 있다.

제어부(14)는 컴퓨터 프로그램에 의한 제어를 통하여 교정 계획을 수립하면서 각 구성요소를 제어한다. 제어부(14)는 출력부(18)를 통해 화면에 보이는 화면정보를 관리하고, 치아 영상에 가상의 배열 데이터를 생성하는 시뮬레이션을 수행한다. 가상의 배열 데이터가 생성되는 치아 영상은 교정 계획 수립을 위해 생성된 환자의 치아 배열이 나타난 2차원, 3차원 등의 다차원 영상을 의미한다.

일 실시 예에 따른 제어부(14)는 이전 교정사례를 데이터베이스(12)에 데이터베이스화하고, 현재 교정치료 환자의 치아 데이터를 데이터베이스(12)에 저장된 이전 교정사례와 인공지능을 이용하여 비교한 후 비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천한다.

예를 들어, 제어부(14)는 인공지능 기반 교정사례 비교를 위해 이전 교정사례를 대상으로 개별치아의 치아 특징 및 전체치아의 배열상태를 분석하고 분석 결과에 따라 이전 교정사례를 그룹화하여 분류한다. 그리고 현재 교정치료 환자의 개별치아의 특징 및 전체치아의 배열상태를 포함하여 교정 이전 치아 데이터를 분석한다. 이어서, 그룹화하여 분류된 이전 교정사례에서 현재 교정치료 환자의 치아 특징 및 치아 배열과 매칭되는 교정사례를 검색한다.

제어부(14)는 데이터베이스(12)에 저장된 이전 교정사례에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제1 정보와 매칭되는 그룹을 1차 검색하고, 검색된 그룹 내에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제2 정보와 매칭되는 교정사례를 2차 검색할 수 있다. 이때, 제1 정보는 전체치아의 배열정보이고, 제2 정보는 개별치아의 특징정보일 수 있다. 제1 정보는 제2 정보보다 교정에 미치는 영향이 더 크다.

제어부(14)는 사용자에 추천한 교정정보 이외의 새로운 교정정보 추천을 요청받으면 인공지능을 통해서 새로운 교정사례를 검색하고, 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 재 추천할 수 있다. 제어부(14)는 사용자가 최종 선택한 교정정보를 다시 데이터베이스(12)에 추가해서 학습 데이터로 저장할 수 있다.

출력부(18)는 치아 영상 데이터와 제어부(14)를 통해 생성된 교정정보 추천결과를 화면을 표시한다. 입력부(16)는 사용자 조작신호를 입력 받는다. 예를 들어, 교정정보 추천 요청을 위한 사용자 조작을 입력 받는다.

이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 발명청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims

이전에 치료를 수행한 환자들의 교정사례를 데이터베이스화하는 단계;
현재 교정치료 환자의 치아 데이터를 획득하는 단계;
획득된 치아 데이터로부터 개별치아 분할을 포함한 데이터 가공을 수행하는 단계;
현재 교정치료 환자의 가공된 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교하는 단계; 및
비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 단계; 를 포함하며,
비교하는 단계는
교정사례를 1차 검색한 후 검색된 그룹 내에서 교정사례를 2차 검색하는 방식으로 복수의 단계를 거쳐 검색하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
제 1 항에 있어서, 교정사례를 데이터베이스화하는 단계는
인공지능 기반 교정사례 비교를 위해 이전 교정사례를 대상으로 개별치아의 치아 특징 및 전체치아의 배열상태를 분석하는 단계; 및
분석 결과에 따라 이전 교정사례를 그룹화하여 분류하는 단계;
를 포함하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
제 1 항에 있어서, 비교하는 단계는
현재 교정치료 환자의 개별치아의 특징 및 전체치아의 배열상태를 포함하여 교정 이전 치아 데이터를 분석하는 단계; 및
데이터베이스에 저장된 이전 교정사례에서 현재 교정치료 환자의 치아 특징 및 치아 배열과 매칭되는 교정사례를 검색하는 단계;
를 포함하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
이전에 치료를 수행한 환자들의 교정사례를 데이터베이스화하는 단계;
현재 교정치료 환자의 치아 데이터를 획득하는 단계;
획득된 치아 데이터로부터 개별치아 분할을 포함한 데이터 가공을 수행하는 단계;
현재 교정치료 환자의 가공된 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교하는 단계; 및
비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 단계; 를 포함하고,
비교하는 단계는
현재 교정치료 환자의 개별치아의 특징 및 전체치아의 배열상태를 포함하여 교정 이전 치아 데이터를 분석하는 단계; 및
데이터베이스에 저장된 이전 교정사례에서 현재 교정치료 환자의 치아 특징 및 치아 배열과 매칭되는 교정사례를 검색하는 단계; 를 포함하며,
교정사례를 검색하는 단계는
데이터베이스에 저장된 이전 교정사례에서 데이터 간 거리를 이용하여 현재 교정치료 환자의 치아 특징 및 치아 배열과 유사도가 가장 높은 교정사례를 검색하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
제 1 항에 있어서, 비교하는 단계는
데이터베이스에 저장된 이전 교정사례에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제1 정보와 매칭되는 그룹을 1차 검색하는 단계; 및
검색된 그룹 내에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제2 정보와 매칭되는 교정사례를 2차 검색하는 단계;
를 포함하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
제 5 항에 있어서,
제1 정보는 전체치아의 배열정보이고, 제2 정보는 개별치아의 특징정보며,
제1 정보는 제2 정보보다 교정에 미치는 영향이 더 큰 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
이전에 치료를 수행한 환자들의 교정사례를 데이터베이스화하는 단계;
현재 교정치료 환자의 치아 데이터를 획득하는 단계;
획득된 치아 데이터로부터 개별치아 분할을 포함한 데이터 가공을 수행하는 단계;
현재 교정치료 환자의 가공된 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교하는 단계;
비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 단계;
사용자에 추천한 교정정보 이외의 새로운 교정정보 추천을 요청받는 단계; 및
인공지능을 통해서 새로운 교정사례를 검색하고 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 재 추천하는 단계;
를 포함하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
제 1 항에 있어서, 교정치료를 위한 치아 배열 방법은
사용자가 최종 선택한 교정정보를 다시 데이터베이스에 추가해서 학습 데이터로 저장하는 단계;
를 더 포함하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
이전에 치료를 수행한 환자들의 교정사례를 데이터베이스화하는 단계;
현재 교정치료 환자의 치아 데이터를 획득하는 단계;
획득된 치아 데이터로부터 개별치아 분할을 포함한 데이터 가공을 수행하는 단계;
현재 교정치료 환자의 가공된 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교하는 단계; 및
비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 단계; 를 포함하고,
교정사례는 환자들의 교정 이전 치아 데이터, 교정 정보 및 교정 이후 치아 데이터를 포함하고,
교정정보의 교정 조건은 치아 배열을 위한 기준이 되는 것으로, 기본 교정조건과 추가 교정조건을 포함하며, 추가 교정조건은 발치 여부 및 심미 조건을 포함하는 것을 특징으로 하는 교정치료를 위한 치아 배열 방법.
이전에 치료를 수행한 환자들의 교정사례가 저장되는 데이터베이스; 및
이전 교정사례를 데이터베이스에 데이터베이스화하고, 현재 교정치료 환자의 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교한 후 비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 제어부; 를 포함하며,
제어부는
교정사례를 1차 검색한 후 검색된 그룹 내에서 교정사례를 2차 검색하는 방식으로 복수의 단계를 거쳐 검색하는 것을 특징으로 하는 교정 캐드 시스템.
제 10 항에 있어서, 제어부는
인공지능 기반 교정사례 비교를 위해 이전 교정사례를 대상으로 개별치아의 치아 특징 및 전체치아의 배열상태를 분석하고 분석 결과에 따라 이전 교정사례를 그룹화하여 분류하고,
현재 교정치료 환자의 개별치아의 특징 및 전체치아의 배열상태를 포함하여 교정 이전 치아 데이터를 분석하며,
그룹화하여 분류된 이전 교정사례에서 현재 교정치료 환자의 치아 특징 및 치아 배열과 매칭되는 교정사례를 검색하는 것을 특징으로 하는 교정 캐드 시스템.
제 10 항에 있어서, 제어부는
데이터베이스에 저장된 이전 교정사례에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제1 정보와 매칭되는 그룹을 1차 검색하고, 검색된 그룹 내에서 현재 교정치료 환자의 교정 이전 치아 데이터의 제2 정보와 매칭되는 교정사례를 2차 검색하는 것을 특징으로 하는 교정 캐드 시스템.
제 12 항에 있어서,
제1 정보는 전체치아의 배열정보이고, 제2 정보는 개별치아의 특징정보며,
제1 정보는 제2 정보보다 교정에 미치는 영향이 더 큰 것을 특징으로 하는 교정 캐드 시스템.
이전에 치료를 수행한 환자들의 교정사례가 저장되는 데이터베이스; 및
이전 교정사례를 데이터베이스에 데이터베이스화하고, 현재 교정치료 환자의 치아 데이터를 데이터베이스에 저장된 이전 교정사례와 인공지능을 이용하여 비교한 후 비교 시 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 추천하는 제어부; 를 포함하고,
제어부는
사용자에 추천한 교정정보 이외의 새로운 교정정보 추천을 요청받으면 인공지능을 통해서 새로운 교정사례를 검색하고, 검색된 교정사례의 교정 조건 또는 교정 조건에 따라 설계된 배열 데이터를 포함하는 교정정보를 재 추천하는 것을 특징으로 하는 교정 캐드 시스템.
제 10 항에 있어서, 제어부는
사용자가 최종 선택한 교정정보를 다시 데이터베이스에 추가해서 학습 데이터로 저장하는 것을 특징으로 하는 교정 캐드 시스템.