KR20210020867A

KR20210020867A - 치과 부품을 구성하기 위한 방법

Info

Publication number: KR20210020867A
Application number: KR1020207030481A
Authority: KR
Inventors: 사샤 슈나이더; 프랑크 틸
Original assignee: 시로나 덴탈 시스템스 게엠베하; 덴츠플라이 시로나 인코포레이티드
Priority date: 2018-06-22
Filing date: 2019-06-17
Publication date: 2021-02-24
Also published as: CN112118804A; AU2019289452B2; EP3618758B1; AU2019289452A1; EP3618758B2; US20210251729A1; DK3618758T4; CA3098404C; WO2019243241A1; EP3618758A1; DK3618758T3; CN112118804B; JP2021515684A; US11903780B2; JP6922106B2; DE102018210258A1; CA3098404A1

Abstract

본 발명은 치과 부품(1, 2, 4, 5), 즉 수복물(2, 4, 5), 교합 트레이 또는 인상 트레이를 구성하기 위한 방법에 관한 것으로서, 치아 상황(7)이 치과용 카메라(6)에 의해 측정되고, 치아 상황(7)의 3D 모델(10)이 생성된다. 머신 러닝(machine learning)을 위한 컨볼루션 신경망(Convolutional Neural Network)(CNN)이 치아 상황(7)의 3D 모델(10)에 적용되고, 부품(1, 2, 4, 5), 즉 수복물(2, 4, 5), 교합 트레이 또는 인상 트레이의 3D 모델(21, 23, 25)이 자동으로 생성된다.

Description

치과 부품을 구성하기 위한 방법

본 발명은 치과 부품, 즉 수복물, 교합 트레이 또는 인상 트레이를 구성하기 위한 방법에 관한 것으로서, 치과용 카메라 또는 실험실 스캐너에 의해 치아 상황이 측정되고, 치아 상황의 3D 모델이 생성된다.

종래 기술로부터, 치과 부품을 구성하기 위한 복수의 방법이 공지되어 있다.

DE 11 2014 003 898 T5호는 치아 수복물을 설계하기 위한 컴퓨터 구현 방법을 개시하고, 여기서 프렙(preparation) 경계는 가상 3차원 표현에서 결정되고, 가상 치아 라이브러리의 아치 형태가 배치되고, 가상 치아 라이브러리에서 얻은 치아 디자인을 기반으로 초기 수복물이 제안된다.

이러한 방법의 단점은, 가상 치아 라이브러리를 기반으로 수복물이 제안되고, 이를 통해 각각의 치아 상황에 대해 수복물의 부정확성이 발생할 수 있다는 것이다. 결과적으로, 수복물의 제안된 3D 모델의 가상 후처리를 필요로 하게 된다.

따라서, 본 발명의 과제는 치과 부품의 적합한 3D 모델을 시간 절약적으로 제안하는 치과 부품을 구성하기 위한 방법을 제공하는 것이다.

본 발명은 치과 부품, 즉 수복물, 교합 트레이 또는 인상 트레이를 구성하기 위한 방법에 관한 것으로서, 예를 들어 치과용 카메라 또는 Labor 스캐너에 의해 치아 상황이 측정되고, 치아 상황의 3D 모델이 생성된다. 이 경우, 머신 러닝(machine learning)을 위한 컨볼루션 신경망(Convolutional Neural Network)(CNN)은 치아 상황의 3D 모델 또는 부품의 초기 3D 모델에 적용되고, 부품, 즉 수복물, 교합 트레이 또는 인상 트레이의 완성 구성된 3D 모델을 자동으로 생성한다.

따라서, 부품은 수복물, 교합 트레이 또는 인상 트레이일 수 있으며, 이들은 예를 들어 CAD/CAM 방법에 의해 생성될 수 있다.

치과용 카메라는 예를 들어 스트립 프로젝션 방법 또는 공초점 측정 방법을 기초로 하는 임의의 3차원 치과용 카메라일 수 있다.

치아 상황은 삽입될 수복물의 바로 주변 또는 삽입될 수복물 주변의 더 넓은 영역을 포함할 수 있다. 치과용 카메라에 의한 측정은 교합 방향, 설측 방향, 협측 방향 또는 순측 방향과 같은 상이한 방향으로 수행될 수 있다.

치과용 카메라에 의한 측정 후, 치아 상황의 3D 모델이 생성된다. 그런 다음, 머신 러닝을 위한 신경망이 치아 상황의 3D 모델에 적용된다. 치아 상황의 3D 모델을 분석한 후, 부품의 3D 모델이 자동으로 생성된다.

머신 러닝을 위한 컨볼루션 신경망(CNN)은 수복물 유형을 자동으로 감지할 수 있는 컴퓨터 알고리즘이다.

신경망(CNN)은 https ://de. wikipedia . org / wiki / Convolutional Neural Network 링크가 있는 위키피디아 기사 "Convolutional Neural Network"에 자세히 설명되어 있다.

이하에서는 CNN을 사용하는 방법이 설명된다.

컨볼루션 신경망(CNN)은 독일어로 "폴딩 신경망"으로, 피드 포워드(feed forward) 컨볼루션 신경망이다. 머신 러닝 분야에서 생물학적 과정으로부터 영감을 받은 개념이다. 컨볼루션 신경망은 주로 이미지 또는 오디오 데이터를 기계적으로 처리할 때, 인공 지능의 수많은 현대 기술들에 사용된다.

기본적으로 고전적인 CNN의 구조는 컨볼루션 레이어(Convolutional Layer) 및 후속하는 풀링 레이어(Pooling Layer)로 구성된다. 원칙적으로, 이러한 유닛은 임의로 종종 반복될 수 있고, 충분히 반복되면 딥 러닝(Deep Learning) 분야에 속하는 딥 컨볼루션 신경망(Deep Convolutional Neural Network)으로 불린다.

CNN은 다음 레이어를 계산할 때, 레이어 당 컨볼루션 커널의 자유 파라미터 또는 분류자 및 가중치가 학습됨으로써 학습된다.

따라서, 치아 상황의 3D 모델은 상이한 치아 상황의 복수의 3D 모델의 모음을 사용하여 훈련된 CNN 또는 머신 러닝 시스템의 입력으로서 사용된다.

다음 단계에서는, 머신 러닝 시스템에 의해 치아 상황의 3D 모델이 분석되고, 각각의 부품의 3D 모델이 출력으로서 제안된다.

머신 러닝 시스템은 하나 이상의 CNN 네트워크로 구성될 수 있다.

CNN 네트워크에 대한 입력으로서, 치아 상황의 색상 정보도 또한 사용될 수 있다. 이 경우, 색상 정보는 치아 상황의 3D 모델의 표면 포인트에 할당된다.

따라서, 분류자 또는 특성은 자동으로 정의되고, 훈련 세트의 분석 시 세분화된다. 자동으로 결정된 치아 상황의 3D 모델의 분류자는 예를 들어 프렙의 전체 면적 또는 프렙 경계의 프로파일 또는 이 둘의 조합일 수 있다.

CNN 네트워크는 예를 들어 복수의 레이어로 구성될 수 있으며, 제1 레이어에서 에지, 편평한 표면 또는 동일한 밝기 영역과 같은 단순한 분류자가 자동으로 식별된다. 제2 레이어에서는 분류자가 자동으로 세분화된다. 제2 레이어의 분류자는 예를 들어 에지의 서로에 대한 상대적인 배열, 에지의 상대적인 방향 또는 에지의 프로파일일 수 있다. 추가의 레이어에서는 분류자가 점점 더 세분화되고, 이에 따라 점점 더 복잡해진다. 이러한 방식으로, CNN 네트워크는 입력 파라미터로서 치아 상황의 3D 모델에 기초하여 부품의 적합한 3D 모델을 자동으로 생성하는 방법을 스스로 학습한다.

수복물은 예를 들어 인레이(inlay), 크라운(crown), 브릿지(bridge), 지대치(abutment), 폰틱(pontic) 또는 베니어(veneer)일 수 있다.

크라운은 예를 들어 전체 크라운 또는 부분 크라운일 수 있다. 임플란트 지지 전체 크라운은 지대치에 연결되고, 전체 크라운의 내부 표면은 지대치용 접착 표면을 포함한다.

브릿지는 예를 들어 임플란트와 지대치를 사용하여 턱 뼈에 고정될 수 있거나, 또는 인접한 건강한 치아의 그루터기 부분에 고정될 수 있다. 브릿지는 고정되거나 또는 제거될 수 있다. 브릿지는 또한 금속 합금으로 이루어진 베이스 및 세라믹 또는 플라스틱으로 이루어진 구조물로 구성된 베이스 브릿지일 수도 있다.

지대치는 치아 임플란트와 수복물 사이의 치아 크라운과 같은 연결 부분으로 사용되는 지주이다. 지대치는 임플란트에 분리 가능하게 또는 고정적으로 고정될 수 있다. 임플란트 지대치는 제조 유형에 따라 분류될 수 있다. 이 경우, 조립식, 캐스트 온 또는 프레스 가능한 임플란트 지대치 및 CAD/CAM 임플란트 지대치는 구별된다. 조립식 지대치는 다양한 크기, 형상 및 각도뿐만 아니라, 연삭 가능하거나 또는 연삭 불가능한 변형으로 제공된다. 일체형 임플란트는 지대치를 통합한다. CAD/CAM 방법에 의해 생성된 지대치는 축 경사뿐만 아니라, 형상 설계에서도 또한 제공된 치아 상황에 대해 개별적으로 조정될 수 있다. 치아 색상의 지대치는 특히 전치부에서 심미적 수복물에 사용되므로, 자연 치아의 시각적인 인상이 가능한 한 모방되어야 한다. 지대치는 일반적으로 티타늄 또는 세라믹으로 제조된다.

베니어는 특히 앞니를 위한, 얇고 반투명한 세라믹 쉘로 이루어진 박판이다.

인레이는 치아의 프렙에 사용되는 인레이 충전재이다. 몰드를 사용하여 부드러운 밀도로 치아에 도입되고, 그런 다음 경화되는 플라스틱 충전재와는 달리, 인레이는 치아의 프렙에 접착되는 정확한 피팅의 공작물이다.

폰틱은 브릿지의 브릿지 부재이다.

교합 트레이는 예를 들어 가이드 교합 트레이 또는 비-가이드 교합 트레이일 수 있다.

가이드 교합 트레이는 치아 연삭 및 두개골 하악 기능 장애의 치과 및 교정 치료에 사용된다.

가이드 교합 트레이는 예를 들어 미시간 트레이일 수 있으며, 이는 안전하지 않은 최종 교합 위치뿐만 아니라 근육 및 관절 통증도 방지하는데 사용된다. 미시간 트레이는 주로 이완 트레이로서 작용한다. 아랫턱이 교합 트레이로 가이드되는 것은 일반적으로 송곳니 부위에서 수행된다.

따라서, 가이드 교합 트레이는 교합 기능 장애를 예방하고 씹는 근육을 이완(근긴장 감소)하는 이완 트레이로서 사용된다. 가이드 교합 트레이는 또한 치아 연삭에 의해 야기되는 단단한 치아 조직의 파괴로부터 보호하기 위한 것이다.

교합 트레이의 가이드는 대부분 앞니 부위 및/또는 송곳니 부위에 배열되며, 교합 트레이의 삽입 축에 대해 20도 내지 40도 사이의 특정 경사 각도를 포함할 수 있다.

가이드 교합 트레이는 아랫턱이 뒤로 눕는 부정 교합 또는 아랫턱이 튀어나오는 부정 교합과 같은 상이한 부정 교합의 위치를 치료하는데 사용될 수 있다. 턱 이상은 선천적이거나 또는 후천적일 수 있다. 부정 교합의 정도는 턱이 닫혀있을 때에 명확해지며, 예를 들어 열린 교합에 의해 나타나거나, 또는 아랫니가 윗니 뒤로 교합되는 대신에 윗니가 아랫니 뒤로 교합됨으로써 나타난다. 턱의 서로에 대한 그리고 두개골에 대한 위치는 얼굴 프로필에 결정적인 영향을 미친다. 과다 발육 또는 발육 결핍이 윗턱 및/또는 아랫턱에 위치되어 있는지에 따라, 부정 교합과 유사하게 상이한 얼굴 프로필이 또한 생성된다.

인상 트레이는 치아 상황의 3D 모델에 따라 각각의 환자에게 조정된 개별 인상 트레이일 수 있다. 인상 트레이는 치아가 있거나 또는 치아가 없는 턱의 주조물(cast)을 만드는데 사용된다.

CNN 네트워크의 이점은 훈련 세트를 분석할 때 내부 컨볼루션 필터의 파라미터 값과 필터 출력의 추가적인 처리가 함께 학습되므로, 따라서 추가적인 사용자 정의를 필요로 하지 않는다는 것이다.

본 방법의 다른 이점은 부품의 구성이 CNN 네트워크에 의해 완전히 자동으로 수행된다는 것이다. 이를 통해, 광학 측정 직후에 부품이 완전 자동으로 구성될 수 있으며, 치과 의사의 확인 후에 CAD/CAM 장치에 의해 완전 자동으로 제조될 수 있으므로, 부품은 한 세션 내에 사용될 수 있다.

본 방법의 다른 이점은 사용자에 의해 생성된 완성 구성된 부품이 CNN의 훈련 데이터 세트에 사용되고, 이에 따라 부품에 대한 초기 제안의 수용률 및 구성의 자동화 수준이 향상된다는 것이다.

이하에서는 하나 이상의 CNN 네트워크로 구성된 머신 러닝 시스템을 훈련하거나 또는 파라미터화하기 위한 가능한 방법이 설명된다. 제1 단계에서는, 치아 상황의 알려진 많은 개수의 3D 모델이 분석된다. 이 경우, 가능한 입력 데이터 또는 인풋 데이터가 생성된다. 인풋 데이터는 가능한 모든 자유도가 인풋 데이터에 존재할 수 있도록 생성된다. 이것은 데이터 증대를 사용하여 달성된다. 이를 위해, 치아 상황의 3D 모델은 정의된 자유도만큼 회전되고 그리고/또는 자유도를 따라 스케일링된다.

개별 CNN 네트워크는 이 경우 치아 상황의 개별 3D 모델의 개별 3D 데이터에 적용되어, CNN 네트워크를 훈련시킬 수 있다.

유리하게는, 신경망은 훈련 데이터 세트에 기초하여 훈련될 수 있고, 여기서 훈련 데이터 세트는 부품의 초기 3D 모델 및 이러한 초기 3D 모델의 적어도 하나의 사용자의 수동 변경을 포함한다. 수동 변경은 각각의 부품의 3D 모델을 구성할 때 CAD 도구를 사용하여 사용자에 의해 수동으로 수행될 수 있다.

이를 통해, CNN 네트워크는 부품의 구성을 완료하기 위해, 부품의 3D 모델의 초기 제안에 특정 사용자의 수동 변경을 적용하는 방법을 학습한다. 부품의 3D 모델의 초기 제안은 예를 들어 부품의 복수의 3D 모델의 라이브러리를 사용하여 선택될 수 있다. 이 경우, 이렇게 훈련된 CNN 네트워크가 치아 상황의 알려지지 않은 3D 모델에 적용되면, 각각의 사용자에 대해 초기 제안의 일반적인 변경이 자동으로 수행된다. 부품의 초기 3D 모델의 수동 변경은 예를 들어 임플란트 기반 전체 크라운의 경우, 균열 및/또는 교두 변경에 의한 인접 치아 및 반대쪽 치아에 대한 전체 크라운의 외부 치수의 조정, 사용된 지대치에 대한 내부 표면의 조정 및/또는 잇몸 에지의 조정일 수 있다. 교합 트레이의 경우, 수동 변경은 국부적인 교두의 제거를 통한 평활화일 수 있고, 인상 트레이의 경우 수동 변경은 인상 트레이의 길이의 축소일 수 있다.

유리하게는, 신경망은 훈련 데이터 세트에 기초하여 훈련될 수 있고, 여기서 훈련 데이터 세트는 부품의 초기 3D 모델 및 적어도 하나의 사용자의 완성 구성된 부품의 대응하는 3D 모델을 포함한다.

즉, 결과적으로 CNN 네트워크는 초기 3D 모델과 부품의 완성 구성된 3D 모델 간의 비교 데이터로부터 학습을 수행한다.

유리하게는, 신경망은 훈련 데이터 세트에 기초하여 훈련될 수 있고, 여기서 훈련 데이터 세트는 치아 상황의 복수의 3D 모델 및 적어도 하나의 사용자의 완성 구성된 부품의 대응하는 3D 모델을 포함한다.

이를 통해, 상이한 사용자의 훈련 데이터 세트에 의해 CNN 네트워크가 훈련될 수 있다. 훈련 데이터 세트의 사용자는 예를 들어 업무 경험과 같은 다양한 기준에 따라 선발될 수 있다. 예를 들어 적어도 3년의 업무 경험이 있거나 또는 각각의 부품의 구성에서 최소 100건의 사례를 수행한 사용자의 데이터만이 훈련 데이터 세트에 사용될 수 있다.

즉, 이러한 실시예에서, 훈련 데이터 세트는 치아 상황의 3D 모델 및 부품의 대응하는 완성 구성된 3D 모델만을 포함한다. 즉, CNN 네트워크는 훈련 데이터 세트에 기초하여 치아 상황의 3D 모델에 대해 각각의 부품의 적합한 3D 모델을 생성하는 방법을 학습한다. 사용자는 사전에 부품의 유형 및 삽입될 부품의 위치를 정의할 수 있다.

즉, 부품의 각각의 유형에 대해, 각 사용자에게 별도의 훈련 데이터 세트가 제공된다.

유리하게는, 훈련 데이터 세트는 하나의 사용자 또는 경험 있는 사용자 그룹의 데이터만을 포함할 수 있다.

이를 통해, 훈련 데이터 세트 및 이와 함께 훈련된 CNN 네트워크의 품질이 향상된다.

유리하게는, 신경망은 훈련 데이터 세트에 기초한 훈련 후에 변경되지 않은 상태로 유지될 수 있거나, 또는 훈련 데이터 세트에 새로운 데이터가 추가될 수 있으므로, 신경망은 확장된 훈련 데이터 세트에 기초하여 더 훈련된다.

특히 경험이 부족한 사용자의 경우, 처음에는 훈련된 CNN 네트워크를 변경하지 않는 것이 유리하다. 경험 있는 사용자의 경우, CNN 네트워크가 지속적으로 더 훈련되고 시간이 지남에 따라 각각의 사용자의 요구 사항을 보다 잘 충족할 수 있도록, 부품의 구성에 대한 자체 데이터를 훈련 데이터 세트에 추가하는 것이 보다 유리하다. 즉, 확장된 훈련 데이터 세트에 추가의 훈련 데이터가 추가된다.

유리하게는, 부품은 수복물일 수 있으며, 여기서 수복물은 인레이, 크라운, 크라운 프레임(crown frame), 브릿지, 브릿지 프레임(bridge frame), 지대치, 폰틱 또는 베니어이다.

사용자는 예를 들어 수복물의 유형을 수동으로 선택할 수 있고, 삽입될 수복물의 위치를 대략적으로 정의할 수 있다. 이 경우, 각각의 훈련 데이터 세트에 의해 훈련된 CNN 네트워크는 치아 상황의 3D 모델을 기반으로 각각의 수복물의 3D 모델을 생성한다.

유리하게는, 치아 상황의 3D 모델은 수복물을 삽입하기 위한 적어도 하나의 치아, 적어도 하나의 프렙, 잔여 치아, 적어도 하나의 인접 치아, 생성될 수복물을 삽입하기 위한 지대치, 치아 상황의 색상 정보 및/또는 치아 상황의 색상 구배를 포함할 수 있다.

따라서, 각각의 부품의 3D 모델은 치아 상황의 3D 모델에 포함된 구조에 따라 CNN 네트워크에 의해 자동으로 구성된다. 치아 상황의 색상 구배 및 색상 정보는 또한, 예를 들어 전체 크라운의 색상이 자동으로 설계될 수 있도록 사용될 수 있다.

유리하게는, 신경망은 치아 상황의 3D 모델, 즉 잔여 치아 및/또는 적어도 하나의 인접 치아의 색상 정보 및/또는 색상 구배를 사용하여, 삽입될 수복물에 대한 색상 및/또는 색상 구배를 자동으로 정의할 수 있다.

이를 통해, 삽입될 수복물의 색상 구배가 CNN 네트워크에 의해 자동으로 정의된다.

유리하게는, 신경망은 생성될 수복물에 대해 자동으로 재료, 제조 방법, 삽입 방법, 태핑 위치 및/또는 인접 치아에 대한 접촉 강도를 정의할 수 있다.

적합한 재료는 예를 들어 세라믹, 금속 또는 플라스틱일 수 있다. 이 경우, 예를 들어 세라믹 재료로 이루어진 적합한 블랭크가 자동 생산을 위해 CAM 생산 장치에 의해 선택될 수 있다. 제조 방법은 3D 프린터에 의한 부품의 생산일 수도 있다.

삽입 방법은 예를 들어 접착, 나사 결합 또는 접합일 수 있다.

태핑 위치는 수복물이 CAM 생산 장치에 의해 밀링된 후 생산된 수복물과 블랭크의 홀더 사이의 바의 위치이다.

인접 치아에 대한 접촉 강도는 예를 들어 브릿지에서 브릿지의 인접한 두 치아 사이의 접촉 면적을 설명한다.

유리하게는, 훈련 데이터 세트는 완성 구성된 수복물의 색상, 색상 구배, 재료, 제조 방법, 삽입 방법, 태핑 위치 및/또는 인접 치아에 대한 접촉 강도를 추가적으로 포함할 수 있다.

이를 통해, 훈련 데이터 세트는 부품에 대한 추가적인 필수 정보들을 포함하므로, 훈련된 CNN 네트워크는 각각의 사용자의 요구 사항에 대응하는 적합한 부품을 구성할 수 있다.

유리하게는, 부품은 교합 트레이 또는 인상 트레이일 수 있으며, 여기서 치아 상황의 3D 모델은 교합 트레이 또는 인상 트레이를 배치하기 위한 치아를 포함한다.

결과적으로, 훈련 데이터 세트는 교합 트레이 또는 인상 트레이를 배치하기 위한 치아를 포함한다.

유리하게는, 신경망은 생성될 교합 트레이 또는 인상 트레이에 대해 재료 및/또는 제조 방법을 자동으로 정의할 수 있다.

이를 통해, 구성의 기간이 감소된다.

유리하게는, 신경망은 환자의 인종 그룹 및/또는 특징적인 유형을 고려할 수 있다.

이를 통해, 각각의 부품의 구성 시 인종 그룹의 특징적인 해부학적 특성이 고려될 수 있다. 인종 그룹의 특징적인 특성은 예를 들어 치아의 특징적인 위치 또는 잇몸이나 치아의 특정 색소 침착일 수 있다.

본 발명은 도면을 참조하여 설명된다.

도 1은 부품을 구성하기 위한 방법을 설명하기 위한 스케치를 도시한다.
도 2는 초기 3D 모델의 스케치를 도시한다.

도 1은 임플란트 지지 전체 크라운(2), 프렙(3)에 의해 지지되는 전체 크라운(4) 또는 임플란트 지지 브릿지(5)와 같은 부품(1)을 구성하기 위한 방법을 설명하기 위한 스케치를 도시한다. 부품(1)은 또한 교합 트레이 또는 인상 트레이일 수 있다. 치과용 카메라(6)에 의해, 치아(8) 및 잇몸(9)을 포함하는 치아 상황(7)이 측정되고, 이미지 데이터로부터 치아 상황(7)의 3D 모델(10)이 계산되고, 이는 모니터와 같은 디스플레이 장치(11)에 의해 표현될 수 있다. 디스플레이 장치(11)는 컴퓨터(12)에 연결되고, 여기서 키보드(13) 또는 마우스(14)와 같은 입력 수단이 컴퓨터(12)에 연결되며, 사용자로 하여금 3D 모델(10)의 그래픽 표현 내에서 커서(15)에 의한 탐색을 가능하게 한다. 치아 상황(7)은 누락된 송곳니, 프렙(3)이 있는 앞니 및 아래턱의 3개의 누락된 어금니를 포함한다. 따라서, 임플란트 지지 전체 크라운(2)은 송곳니를 대체하기 위한 것이며, 전체 크라운(4)은 프렙(3) 상에 배치되고, 구성될 브릿지(5)는 화살표(16, 17 및 18)에 의해 표시된 바와 같이 3개의 누락된 어금니를 대체한다. 제1 단계에서, 사용자는 구성되고 삽입될 제1 부품, 즉 임플란트 지지 크라운(2)의 제1 위치를 커서(15)에 의해 수동으로 정의하고, 선택 메뉴(20)에서 부품의 유형, 즉 임플란트 지지 크라운을 선택할 수 있다. 제2 단계에서, 각각의 사용자 및 부품의 각각의 유형에 대한 훈련 데이터 세트를 기초로 훈련된 신경 CNN 네트워크에 의해, 부품의 3D 모델(21), 즉 임플란트 지지 전체 크라운(2)이 자동으로 생성된다. 이에 대응하여, 전체 크라운(4)의 위치(22)가 수동으로 정의되고, 선택 메뉴(20)에서 부품(1)의 유형, 즉 프렙에 의해 지지되는 전체 크라운이 선택된다. 그런 다음, 전체 크라운(4)의 제2 3D 모델(23)이 대응하는 CNN 네트워크에 의해 생성된다. 이어서, 삽입될 브릿지(5)의 위치(24)가 정의되고, 선택 메뉴(20)로부터 부품(1)의 유형이 선택된다. 추가의 단계에서, 임플란트 지지 브릿지 및 각각의 사용자에 대한 CNN 네트워크에 의해, 브릿지(5)의 3D 모델(25)이 자동으로 생성된다. 이 경우, 구성된 부품(2, 4 및 5)은 예를 들어 구성된 3D 모델(21, 23 및 25)을 사용하여 도시되지 않은 CAM 생산 장치에 의해 블랭크로부터 자동으로 생산될 수 있다.

도 2는 도 1의 브릿지(5)의 초기 3D 모델(30)의 스케치를 도시하고, 여기서 사용자는 파선으로 표시된 조정된 3D 모델(25)을 생성하기 위해, CAD 도구를 사용하여 초기 3D 모델(30)을 수동으로 조정시키고, 여기서 화살표(33)에 의해 표시되는 바와 같이, 태핑 위치(31)는 파선으로 표시된 태핑 위치(32)로 이동되고, 초기 3D 모델(30)의 접촉 강도(34 및 35)는 조정된 3D 모델(25)의 접촉 강도(36 및 37)로 감소된다. 각각의 사용자 및 각각의 부품의 유형, 즉 임플란트 지지 브릿지에 대한 초기 3D 모델(30)의 다수의 이러한 수동 변경 또는 조정은 관련된 CNN 네트워크를 훈련시키기 위해 훈련 데이터 세트에 통합될 수 있다. 이 경우, 컴퓨터(12)에서 프로그램으로서 실행되는 이러한 훈련된 CNN 네트워크는 초기 3D 모델(30)을 기반으로 변경 또는 조정을 자동으로 수행하기 위해 사용될 수 있다.

1 : 부품 2 : 임플란트 지지 전체 크라운
3 : 프렙 4 : 전체 크라운
5 : 임플란트 지지 브릿지 6 : 카메라
7 : 치아 상황 8 : 치아
9 : 잇몸 10 : 3D 모델
11 : 디스플레이 장치 12 : 컴퓨터
13 : 키보드 14 : 마우스
15 : 커서 16 : 화살표
17 : 화살표 18 : 화살표
19 : 임플란트 지지 전체 크라운의 위치 20 : 선택 메뉴
21 : 임플란트 지지 전체 크라운의 3D 모델
22 : 전체 크라운의 위치 23 : 전체 크라운의 3D 모델
24 : 브릿지의 위치 25 : 브릿지의 3D 모델
26 : 임플란트 30 : 초기 3D 모델
31 : 태핑 위치 32 : 태핑 위치
33 : 화살표 34 : 접촉 강도
35 : 접촉 강도 36 : 접촉 강도
37 : 접촉 강도

Claims

치과 부품(1, 2, 4, 5), 즉 수복물(2, 4, 5), 교합 트레이 또는 인상 트레이를 구성하기 위한 방법으로서, 치아 상황(7)이 측정되고, 상기 치아 상황(7)의 3D 모델(10)이 생성되는, 상기 방법에 있어서,
머신 러닝(machine learning)을 위한 컨볼루션 신경망(Convolutional Neural Network)(CNN)이 상기 치아 상황(7)의 상기 3D 모델(10) 및/또는 상기 부품의 초기 3D 모델(30)에 적용되고, 상기 부품(1, 2, 4, 5), 즉 상기 수복물(2, 4, 5), 상기 교합 트레이 또는 상기 인상 트레이의 완성 구성된 3D 모델(21, 23, 25)이 자동으로 생성되는 것을 특징으로 하는 방법.
제1항에 있어서,
상기 신경망은 훈련 데이터 세트에 기초하여 훈련되고, 상기 훈련 데이터 세트는 적어도 하나의 사용자의 상기 3D 모델(25)을 구성할 때, 상기 부품(5)의 초기 3D 모델(30) 및 상기 초기 3D 모델(30)의 수동 변경(33)을 포함하는 것을 특징으로 하는 방법.
제1항에 있어서,
상기 신경망은 훈련 데이터 세트에 기초하여 훈련되고, 상기 훈련 데이터 세트는 상기 치아 상황(7)의 복수의 3D 모델(10) 및 적어도 하나의 사용자의 상기 완성 구성된 부품(5)의 대응하는 3D 모델(25)을 포함하는 것을 특징으로 하는 방법.
제2항 또는 제3항에 있어서,
상기 훈련 데이터 세트는 하나의 사용자 또는 경험 있는 사용자 그룹의 데이터만을 포함하는 것을 특징으로 하는 방법.
제2항 내지 제4항 중 어느 한 항에 있어서,
상기 신경망은 상기 훈련 데이터 세트에 기초한 상기 훈련 후에 변경되지 않은 상태로 유지되는 것을 특징으로 하는 방법.
제2항 내지 제4항 중 어느 한 항에 있어서,
상기 훈련 데이터 세트에 새로운 데이터가 추가되어, 상기 신경망은 상기 확장된 훈련 데이터 세트에 기초하여 더 훈련되는 것을 특징으로 하는 방법.
제1항 내지 제6항 중 어느 한 항에 있어서,
상기 부품은 상기 수복물(2, 4, 5)이고, 상기 수복물은 인레이(inlay), 크라운(crown)(2, 4), 크라운 프레임(crown frame), 브릿지(bridge)(5), 브릿지 프레임(bridge frame), 지대치(abutment), 가공치(pontic) 또는 베니어(veneer)인 것을 특징으로 하는 방법.
제7항에 있어서,
상기 치아 상황(7)의 상기 3D 모델(10)은 상기 수복물(2, 4, 5)을 삽입하기 위한 적어도 하나의 치아(8), 적어도 하나의 프렙(preparation)(3), 잔여 치아, 적어도 하나의 인접 치아, 상기 생성될 수복물을 삽입하기 위한 지대치, 상기 치아 상황(7)의 색상 정보 및/또는 상기 치아 상황(7)의 색상 구배를 포함하는 것을 특징으로 하는 방법.
제8항에 있어서,
상기 신경망은 상기 치아 상황(7)의 상기 3D 모델(10), 즉 상기 잔여 치아 및/또는 적어도 하나의 인접 치아의 색상 정보 및/또는 색상 구배를 사용하여, 상기 삽입될 수복물에 대한 색상 및/또는 색상 구배를 자동으로 정의하는 것을 특징으로 하는 방법.
제7항 내지 제9항 중 어느 한 항에 있어서,
상기 신경망은 상기 생성될 수복물에 대해 자동으로 재료, 제조 방법, 삽입 방법, 태핑 위치(31) 및/또는 상기 인접 치아에 대한 접촉 강도(34, 35)를 정의하는 것을 특징으로 하는 방법.
제7항 내지 제10항 중 어느 한 항에 있어서,
상기 훈련 데이터 세트는 상기 완성 구성된 수복물의 색상, 색상 구배, 재료, 제조 방법, 삽입 방법, 태핑 위치(31) 및/또는 상기 인접 치아에 대한 접촉 강도(34, 35)를 추가적으로 포함하는 것을 특징으로 하는 방법.
제1항 내지 제11항 중 어느 한 항에 있어서,
상기 부품은 상기 교합 트레이 또는 상기 인상 트레이이고, 상기 치아 상황의 상기 3D 모델은 상기 교합 트레이 또는 상기 인상 트레이를 배치하기 위한 치아를 포함하는 것을 특징으로 하는 방법.
제12항에 있어서,
상기 신경망은 상기 생성될 교합 트레이 또는 상기 인상 트레이에 대해 재료 및/또는 제조 방법을 자동으로 정의하는 것을 특징으로 하는 방법.
제1항 내지 제13항 중 어느 한 항에 따른 방법을 수행하기 위한 수단을 포함하는 데이터 처리 장치.
컴퓨터 프로그램이 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금 제1항 내지 제13항 중 어느 한 항에 따른 방법을 수행하게 하는 명령어를 포함하는 컴퓨터 프로그램.
컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금 제1항 내지 제13항 중 어느 한 항에 따른 방법을 수행하게 하는 명령어를 포함하는 컴퓨터 판독 가능 저장 매체.