KR20220056234A - 맞춤형 치과용 오브젝트의 즉각적인 자동화 설계를 위한 방법, 시스템 및 디바이스 - Google Patents

Abstract

본 발명의 실시형태는, 환자 고유의 치료 솔루션의 유효성 및 실행의 즉각적인 확인을 가능하게 하기 위해, 맞춤형의 임상적으로 관련된 설계, 예를 들면, 적어도 단일의 치아 대체 치료를 위한 치료 계획/솔루션을 필요에 따라 실시간으로 제공하는 방법, 시스템, 디바이스 및 소프트웨어를 제공한다. 머신 러닝 알고리즘은 자동 복원물 설계의 컴퓨터 구현을 위한 방법 또는 시스템에서 사용된다. 복원물 설계는 크라운 및 지대주와 같은 복원용 엘리먼트의 설계를 포함한다. 디지털 프로세서 상에서 실행될 때 방법을 실행하기 위한 소프트웨어가 제공된다. 복원용 엘리먼트의 제조가 또한 포함된다.

Description

맞춤형 치과용 오브젝트의 즉각적인 자동화 설계를 위한 방법, 시스템 및 디바이스

본 발명은 자동 복원물 설계를 위한 컴퓨터 구현 방법 또는 시스템에 관한 것이다. 본 발명은 자동 복원물 설계의 컴퓨터 구현 방법 또는 시스템을 위해 머신 러닝 알고리즘을 사용할 수 있다. 복원물 설계는 치아 뿌리(tooth stub)에 대한 크라운 또는 임플란트에 대한 지대주(abutment) 또는 크라운과 같은 복원용 치과용 오브젝트(restorative dental object)의 설계를 포함한다. 디지털 프로세서 상에서 실행될 때 방법을 실행하기 위한 소프트웨어가 제공된다. 복원용 치과용 오브젝트의 제조도 본 발명의 범위에 또한 포함된다.

임플란트 기반의 단일 치아 대체 요법을 위한 복원 및 수술 계획을 위한 설계 제안은 통상적으로 치과 기공소(dental lab) 또는 치과 진료실(dentist office)에서 데스크탑 기반의 치과 CAD/CAM 소프트웨어를 사용하여 생성된다. 계획은 치과 기공사(dental technician) 및/또는 임상의가 이 소프트웨어를 수동으로 사용하여 통상적으로 생성된다. 몇몇 경우에, 치과 기공사 및/또는 임상의는 임상의 및 환자의 치료 솔루션 기대치를 충족하는 임상적으로 관련된 설계를 달성하기 위해 계획에 대해 협력한다. 맞춤형(customized) 단일 치아 대체를 위한 계획을 생성, 재검토, 및 수락하는 이 프로세스는, 최소치로서 수 시간 내지 수 일 또는 그 이상의 경과된 클록 시간을 필요로 한다.

대안적으로, 아날로그 본(impression)(기공소 또는 중앙 집중식 제조사(centralized manufacturer)에 의해 스캐닝된 환자의 입(mouth)의 본으로부터의 캐스트 모델) 또는 디지털 본(구강 내 스캔)이 취해지고 스캔 데이터는 주문의 일부로서 중앙 집중식 설계 및 제조 센터로 전송된다. 설계 제안은 전통적인 방법에 의해 초기화되며 지대주 설계 기술자(Abutment Design Technician; ADT)에 의해 필요에 따라 통상적으로 재검토 및 조정된다. 그 다음, 설계 제안은, 다양한 이차원 및 삼차원 보기 및 편집 데스크탑 또는 웹 기반의 소프트웨어 애플리케이션을 사용하여 주문을 한 당사자와 공유될 수 있다. 고객은 계획을 승인하기 이전에 설계 제안을 재검토하고 변경할 기회를 가질 수 있다. 데스크탑 기반의 CAD/CAM 소프트웨어의 경우에서와 같이, 모델 또는 스캔 데이터의 수신으로부터 설계 제안의 수신까지의 경과된 클록 시간은 수 시간에서부터 수 일까지의 범위에 걸친다. 또한, 중앙 집중식 제조 조직에서의 현재의 워크플로우는, 치료 솔루션 제공자가, 그들의 환자 고유의 설계 제안을 획득하기 위해, 여러 가지 상이한 소프트웨어 및 시스템을 사용하는 것을 필요로 한다. 이들 전자 환경 중 일부는 완전히 통합되거나 또는 연결되지 않는데, 이것은 사용 가능성 관점에서 전체 워크플로우의 사용을 어렵게 만든다.

위에서 나열되는 어느 하나의 시나리오에서, 현재의 치아 대체 치료 솔루션 제공자는, 그들이 수집하는 입력 데이터(즉, 모델의 스캔 또는 디지털 본)와 그들이 필요로 하는 출력(즉, 환자 고유의 치료 솔루션) 사이에서 항상 상당한 지연을 조우한다.

입력과 출력 사이의 지연은 치료 솔루션 제공자의 좌절 및 가치 손실의 주요 원인이다. 몇몇 경우에, 환자가 진료실을 떠나고 수 시간 또는 수 일 이후에, 추가적인 아날로그 또는 디지털 본이 필요하다는 것이 결정된다. 이 "재작업"은, 치료 솔루션 제공자가 비용을 청구할 수 없는 추가적인 환자 방문을 필요로 한다.

현재의 치료 솔루션 제공자는, 환자 고유의 설계 제안을 생성을 생성하거나 또는 그들의 사내(in-house) 시스템 또는 그들의 중앙 집중식 제조사 중 어느 하나로부터 환자 고유의 설계 제안을 다시 수신하기 이전에, 치료 솔루션의 세부 사항을 명시해야 한다. 그러한 만큼, 대안적 치료 솔루션이 일련의 방식 또는 반복적인 방식으로만 제공된다. 몇몇 경우에, 현재의 워크플로우는, 모든 임상적, 비용적 및 다른 요건을 충족하는 환자 고유의 치료 솔루션에 도달하는 데 수 시간 또는 심지어 수 일이 걸린다.

치아 대체를 추구하는 환자는 통상적으로 이 지연 기간 동안 적어도 약간의 불쾌감 또는 불편함을 겪는다.

현재의 "1일 치아(tooth in day)" 시스템은 우수한 고도로 심미적인 환자 고유의 치아 대체 솔루션을 제공하지는 않는다.

디지털 치과학의 발전에도 불구하고, 특정한 환자의 치아에 적합할 맞춤형 치과용 복원 오브젝트(dental restoration object)(예를 들면, 치과용 지대주 및 크라운)을 완전 자동 방식으로 생성하는 것은 여전히 매우 어려운 문제로 남아 있다. 치과용 설계 소프트웨어의 대부분은 주목하는 치과용 오브젝트의 설계의 시작 포인트 및 제공된 초기 설계의 수정 또는 조정을 허용할 도구의 세트를 유저에게 제공한다. 이 수동 조정을 위한 유저의 노력을 최소화하기 위해서는, 주어진 환자의 치열(dentition) 환경에 가능한 한 최적으로 적합될 초기 설계를 제공하는 것이 중요하다. 이것은 약간의 치과적 임상 지식을 필요로 할 수도 있다. 그러한 치과용 오브젝트를 자동적으로 생성하기 위한 컴퓨터화된 알고리즘을 설계하고 구현하는 것은 매우 복잡하고 어려운 프로세스일 것이지만, 그러나, 그것의 유효성은 개발 프로세스에 투입되는 노력의 양에 따라 달라질 것이다.

설계 자동화를 위한 종래의 접근법은, 3D 스캔 데이터에 대한 치과적 피쳐(dental feature)의 중간 검출(DFD: Dental Feature Detection; 치과적 피쳐 검출)에 의존하는 것이다. 일반적으로, 각각의 소프트웨어 컴포넌트 또는 모듈은, 그것의 이전 컴포넌트의 출력에 의존하고 그것의 출력 품질은 그것의 입력 품질에 의존하며, 각각의 컴포넌트 상에서의 에러는 전체 프로세스 전반에 걸쳐 쉽게 전파되거나 또는 누적될 수 있다. 추가적으로, 각각의 컴포넌트의 기능성(functionality)은, 발견적 지도법(heuristics) 또는 공지된 규칙 및 제약에 기초하는 특정한 알고리즘의 명시적 프로그래밍에 의해 설계되는데, 이것은 그러한 소프트웨어 모듈을 생성함에 있어서 복잡도 및 어려움을 야기할 것이다. 몇몇 특정한 한계 사례의 경우, 알고리즘에 포함되지 않았을 수도 있기 때문에, 소망되는 출력이 획득된다는 보장이 없다. 이 사슬형의 소프트웨어 컴포넌트 또는 모듈의 다른 단점은, 복잡한 알고리즘의 무거운 계산의 그 본질에 기인하여 긴 실행 시간이 될 것이다. 전체 자동화 파이프라인은, 예를 들면, 원시(raw) 입력으로부터 시작하여 최종 복원물 설계를 획득하는 데 통상적으로 5-10 분이 걸릴 것이다.

참조문헌:

- Choicemaker Technologies Inc의 US 6523019B1에서 설명되는 바와 같은 "Probabilistic record linkage model derived from training data".

- Glidewell Dental Ceramics의 US2015056576A에서 설명되는 바와 같은 "Computer-implemented dental restoration design".

- US2018/0028294 A1에서 설명되는 바와 같은 "Dental CAD Automation Using Deep Learning".

- US9814549B2에서 설명되는 바와 같은 "Method for creating flexible arch model of teeth for use in restorative dentistry".

- 또한 US 2017/0095319, US 9504541, US 2007/0154868, US7551760, US 7362890, US 2008/0002869 및 US 2006/0072810 모두가 참조에 의해 포함된다.

- US20160224690A1에서 설명되는 바와 같은 "System and Method for Adding Surface Detail to Digital Crown Models Created Using Statistical Techniques".

- Ronald S. Scharlack, Alexander Yarmarkovich, Bethany Grant의 국제 특허 공개 공보 WO2007081557A1 "Method and system for designing custom restorations for dental implants".

- Charles R. Qi, Hao Su, Kaichun Mo, Leonidas J. Guibas의 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation, CVPR 2017.

본 발명의 목적은 맞춤형 치과 보철물(prosthetics)의 자동화된 컴퓨터 기반의 설계를 제공하는 것이다. 바람직하게는, 본 발명의 실시형태는 종래의 방법에 대한 개선을 나타낸다.

본 발명의 실시형태는 자동 복원물 설계의 컴퓨터 구현 방법 또는 시스템을 사용할 수 있다. 본 발명의 실시형태는, 예를 들면, 자동 복원물 설계의 컴퓨터 구현 방법 또는 시스템을 위해 머신 러닝 알고리즘을 사용하는 것이 바람직하다. 복원물 설계는, 치아 뿌리 또는 임플란트에 대한 크라운 또는 임플란트에 대한 지대주와 같은 복원용 오브젝트의 설계를 포함할 수 있다.

맞춤형 지대주 및 크라운의 자동화된 설계를 위한 컴퓨터 기반의 방법 또는 시스템은 단일 치아의 뿌리에 대한 크라운 또는 임플란트 상에서의 단일 치아 복원물에 대한 것일 수 있다. 디지털 프로세서 상에서 실행될 때 방법을 실행하기 위한 소프트웨어가 제공된다. 대응하는 맞춤형 복원용 오브젝트(맞춤형 지대주 및 크라운)의 제조가 또한 포함된다.

본 발명의 실시형태는, 바람직하게는, 인공 신경망(Artificial Neural Network; ANN)을 통해 문제 도메인에서 종단간(end-to-end) 입력 및 출력을 연결하는 것, 및 공지된 데이터 세트를 사용하여 시스템을 트레이닝시켜, 어떠한 중간 형태의 데이터에도 의존하지 않고 입력과 출력 사이의 직접적인 패턴을 찾는 것에 의해, 즉, 종단간 방식으로 동작시키는 것에 의해, 치과용 설계 복원물(dental design restoration)의 문제점을 해결하는 것에 기초한다.

그러한 방법은 기저의(underlying) 파라미터 기반의 복원 모델의 특정한 예를 사용할 수 있다. 본 발명의 실시형태는 임의의 특정한 파라메트릭 복원 모델(parametric restoration model)에 적용될 수 있다.

하나의 양태에서, 본 발명의 실시형태는, 단일의 치아 뿌리 상의 크라운 또는 임플란트 상에서의 단일의 치아 복원물에 대한 맞춤형 지대주 및 크라운의 자동화된 설계를 위한 컴퓨터 기반의 방법에 관한 것으로, 그 방법은 다음의 단계를 포함한다:

1) 예를 들면, 아카이브로부터의 검색 또는 스캐닝에 의해, 환자의 입의 3D 이미지를 획득하는 것, 및

2) 컴퓨터 기반의 종단간 머신 러닝 모델을 적용하는 것.

출력은, 지대주 또는 크라운을 정의하는 파라미터의 세트와 같은 형상의 표현과 같은 자동화된 출력일 수 있다. 이들 파라미터는 파라메트릭 모델링의 일부이다. 파라메트릭 모델링 기법을 사용하여 디지털 프로세서 상에서 실행될 때 방법을 실행하기 위한 소프트웨어가 제공된다. 지대주 또는 크라운의 형상의 표현의 출력은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 획득될 수 있다. 출력은, 예를 들면, I/O 포트 또는 인터페이스를 통해 제공될 수도 있다.

대응하는 맞춤형 복원용 치과용 오브젝트(맞춤형 지대주 및 크라운)의 제조가 또한 포함된다.

본 출원의 바람직한 실시형태는, 단일의 치아 뿌리 상의 크라운에 대한 또는 임플란트 상에서의 단일의 치아 복원물에 대한 맞춤형 지대주 및 크라운의 ML 기반의(머신 러닝 기반의) 자동 설계를 포함한다. 다음의 내용은 반드시 본 발명의 일부가 아니며 바람직하게는 본 발명의 실시형태의 일부가 아니다:

- 자동화된 수술 계획

- 스캔 데이터 등록(CBCT 및 표면 스캔 데이터) 및 치아 분리(tooth segmentation)

- 치과용 피쳐 검출

- 수술 가이드 설계

본 발명의 양태는 다음의 것을 포함한다:

- 모두 서로에 대한 턱에서의 임플란트 위치, 연조직(soft tissue), 및 치아 해부학적 구조(tooth anatomy)를 포함하는 환자의 해부학적 구조의 취해진 측정치 또는 스캔된 데이터에 기초하여 단일의 치아 뿌리에 대한 크라운 또는 임플란트에 대한 맞춤형 지대주 또는 크라운의 컴퓨터 기반의 설계. 본 발명의 실시형태는, 필요로 되는 측정치를 획득하기 위해 FLO(Feature Location Object; 피쳐 위치 오브젝트)로 칭해지는 기준 디바이스(fiduciary device)를 사용하여 임플란트 수술 이후 환자의 입의 모델을 스캐닝하는 것을 포함할 수 있다.

- 맞춤형 지대주 또는 크라운의 컴퓨터 기반의 설계는 완전히 파라메트릭적일 수 있고 기하학적 형상(geometry)은 복수의 파라미터 예컨대 수십 개의 파라미터, 20 개의 파라미터, 50 또는 60 개의 파라미터의 값에 의해 고유하게 정의될 수 있다.

- 본 발명의 실시형태는 기저의 목표 모델에 대한 파라미터의 세트를 생성하고 출력한다. 출력은, 예를 들면, I/O 포트 또는 인터페이스를 통해 제공될 수도 있다.

본 발명의 실시형태는 컴퓨터 기반의 기술 플랫폼에 통합될 수 있다. 본 발명의 실시형태에서의 인공 지능 및 머신 러닝의 사용은, 전통적인 방법을 사용하여 해결하기에 매우 어려웠던 소정의 문제를 해결하는 데 매우 효과적인 것으로 입증되었다. 본 발명의 실시형태는 자동 임플란트 기반의 복원물 설계 및/또는 치료 계획의 결정의 문제의 공식화, 및 이 문제를 해결하는 것에 관련될 수 있다. 복원용 치과용 오브젝트는 지대주 및 크라운을 포함한다. 본 발명의 실시형태는 컴퓨터 구현 인공 신경망(ANN)을 사용할 수 있다. 본 발명의 실시형태는 ANN을 효과적으로 트레이닝시키는 것 및 입력 데이터로부터 설계 파라미터의 소망되는 세트를 예측하는 것을 포함할 수 있고, 그에 의해, 출력은 파라미터 값 또는 주목하는 치과용 오브젝트의 3D 형상 및 파라미터 값이 유도될 수 있는 표현을 포함한다. 이들 파라미터 값 또는 그 표현은 높은 정확도를 가지고 출력될 수 있다. 이들 파라미터 값 또는 그 표현은 매우 빠른 방식으로(예를 들면, 데이터 스캔의 수신 이후 5 분 미만 이내에, 1 분 미만 이내에 또는 30 초까지) 출력될 수 있으며 전문가 인간 설계자에 의해 생성되는 품질에 필적하는 품질로 귀결될 수 있다. 본 발명의 실시형태는 종단간 방식으로 ANN을 트레이닝시키는 것을 포함한다. 그들은 또한, 환자의 입의 3D 이미지를 (예를 들면, I/O 포트 또는 인터페이스를 통해) 입력하는 것, 이들을 컴퓨터 기반의 ANN에서 프로세싱하는 것, 및 파라미터 값 또는 표현 - 이들로부터 주목하는 치과용 오브젝트의 3D 형상 및 파라미터 값이 종단간 방식으로 유도될 수 있음 - 을 (예를 들면, I/O 포트 또는 인터페이스를 통해) 출력하는 것을 포함하는 동작 모드에서 트레이닝된 컴퓨터 기반의 ANN을 실행시키는 것을 포함할 수 있다.

본 발명의 실시형태는 3D 컨볼루션 신경망(Convolutional Neural Network; CNN)에 기초하여 컴퓨터 구현 ANN을 생성하는 방법을 포함한다. 본 발명의 실시형태는 회귀(regression) 문제를 분류 문제로 변환하기 위한 효과적인 방법을 포함한다. 본 발명의 실시형태는 또한, 각각의 설계 파라미터가 표현되는 상이한 좌표 시스템을 반영하기 위한 양호한 또는 최적의 방식에서 입력 데이터를 어떻게 생성할 수 있는지의 특정한 방법을 포함할 수 있다. 또한, 신경망을 트레이닝시키기 위한 계층 구조가 제공될 수 있고, 그에 의해, 개개의 파라미터, 또는 파라미터의 그룹이 트레이닝을 위해 사용될 수도 있다. 최종 설계에 더 큰 영향을 끼치는 파라미터는 덜 중요한 파라미터의 트레이닝 또는 예측을 위해 사용될 수 있다. 따라서, 계층 구조는 동일한 파라메트릭 모델의 다른 파라미터에 대한 하나 이상의 파라미터(이들은 복원용 치과용 오브젝트와 같은 구조물의 전체 형상을 정의하기 위해 사용됨)의 중요도의 랭킹을 지칭한다. 계층 내의 레벨과 관계없이, 모든 파라미터는 전체 지대주, 전체 크라운, 등등에 관련된다.

게다가, 추가적으로 또는 대안적으로, 단일의 파라미터 값 또는 다수의 파라미터의 세트를, 예를 들면, 그들 사이의 종속성을 고려하여, 예측하기 위해 계층적 예측 구조물(hierarchical predictive structure)이 제공될 수 있다. 크라운의 치과용 피쳐 검출(DFD) 또는 2D 윤곽 이미징(즉, 전체 3D 복원물이 아님)은 본 발명에 따른 옵션 사항의 중간 입력 또는 출력이지만 그러나 그들은 환자의 턱의 다이렉트 3D 이미지(예를 들면, 포인트 클라우드)를 입력하는 것과 비교하여 덜 바람직할 뿐만 아니라, 또한 그들은 불필요하다. 그러므로, 본 발명의 실시형태에 따른 출력은, DFD 결과 또는 2D 윤곽 이미징과 같은 임의의 중간 결과에 의존할 필요가 없다.

본 발명의 실시형태는 "모델 기반의" 예측 시스템 및 방법을 제공한다. 시스템 또는 방법의 출력은 치과용 오브젝트의 3D 형상의 모델 파라미터 또는 모델 파라미터의 표현, 예를 들면, 환자에 대해 필요한 지대주 및 크라운과 같은 복원용 치과용 오브젝트를 정의하는 숫자일 수 있는 파라미터 값이다. 일단 본 발명의 실시형태에 따른 컴퓨터 기반의 ML 시스템 또는 방법에 의해 예측되면, 이들 파라미터는, 지대주 및 크라운과 같은 복원용 치과용 오브젝트의 전체 3D 형상, 포지션, 및 방위를 고유하게 정의하기 위해 사용될 수 있다. 이 형상을 계산하기 위해, 파라미터 값은 기저의 3D 파라메트릭 모델에 공급될 수 있다.

본 발명의 실시형태는, 모델 파라미터가 표현할 수 있는 값의 범위의 구획(partition)과 관련되는, 예를 들면, 모델 파라미터의 범위를 더 작은 범위를 각각 갖는 다수의 빈(bin)으로 구획하는 "확률 벡터"를 사용할 수 있다. 이것은 회귀 문제를 분류 문제로 변환하는데, 각각의 빈은 클래스이다. 본 발명의 실시형태는 입력 데이터의 사전 "분할(segmenting)", 예를 들면, 체적 이미지 데이터의 분할 또는 3D 표면을 상이한 영역으로 분할하는 것을 필요로 하지 않는다.

본 발명의 실시형태는, 치과 치료 서비스 제공자가 중앙 집중식 모델 조직과 상호 작용하는 방식을 혁신하는 컴퓨터 기반의 워크플로우를 제공하기 위한 시스템 및 방법을 포함한다. 본 발명의 실시형태는, 마이크로프로세서와 같은 프로세싱 엔진 상에서 실행될 때 본 발명의 방법 중 임의의 것을 실행하는 소프트웨어를 제공할 수 있다. 본 발명의 실시형태는 다음의 것의 중 임의의 것 또는 모두를 포함할 수 있다:

1) 바람직하게는 하나 이상의 임플란트 위치의 자동 검출을 포함하는 3D 표면 데이터를 획득하고 이 데이터를 공유하기 위해 환자의 입의 턱 또는 치아 표면의 광학 스캔을 포함하는 또는 그 광학 스캔을 입력으로서 취하는 방법. 치아 또는 턱의 현존하는 스캔이 사용될 수 있다. 스캐닝된 이미지는, 예컨대 포인트 클라우드 또는 삼각형 메쉬에서의, 2D 이미지가 아닌, 3D 이미지인 것이 바람직하다. 3D 스캐닝은 광학 스캐닝 디바이스에 의할 수 있다. 스캐닝은 X 선, MRI, CT 스캔과 같은 의료 이미지 획득 방법에 의할 수 있지만 그러나 이것은 덜 선호된다.

2) 예를 들면, 머신 러닝 방법 및 시스템을 사용하여 3D 입력 이미지의 데이터와 같은 원시 데이터 및 현존하는 과거 사례의 결과를 가지고 종단간 방식으로 트레이닝시키는 것에 의해 성공적으로 완료된 현존하는 과거 사례의 결과에 기초한 지대주 및 크라운과 같은 복원용 치과용 오브젝트의 ML 기반의 자동화된 설계; 및

3) 환자 또는 고객이 그들이 받게 될 치료의 세부 사항을 관찰할 수 있도록 또는 그 세부 사항을 제어하도록, 설계를, 예를 들면, 사용하기 쉬운 그래픽 편집기를 통해 바람직하게는 2D 또는 3D 그래픽의 형태로 환자 또는 고객에게 제시하는 방법. 이들 방법은 수 초 이내에 완료될 수 있는데, 이것은, 환자가 잠재적으로 "여전히 치과용 의자에 있는" 동안, 치료 솔루션을 환자와 공유할 가능성을 개방한다. 형상을 환자에게 제시하기 위해 사용될 수 있는 지대주 또는 크라운의 형상의 표현의 출력은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 획득될 수 있다.

본 발명의 실시형태인 워크플로우 방법은 임의의 작업 주문(work order)이 내려지기 이전에 발생할 수 있다. 본질적으로, 입력(예를 들면, 바람직하게는, 포인트 클라우드 형태의 3D 스캔 데이터인 원시 스캔 데이터)과 출력, 즉, 환자 고유의 복원물 설계 사이에서 제로의 경과된 클록 시간 지연이 존재한다.

본 발명의 실시형태에 따른 디지털 워크플로우는, 현존하는 주문 터널 및 다운스트림 "백오피스" 소프트웨어 엘리먼트로부터 완전히 분리되는 일련의 연결된 바람직하게는 클라우드 기반의 소프트웨어 서비스를 포함한다.

본 발명의 실시형태는 다음의 엘리먼트 및 기능성 중 하나 일부 또는 모두를 포함할 수 있다:

1) 환자의 입의 3D 이미지를 포함하는 스토리지로부터 복원되는 또는 측정되는 (예를 들면, 포인트 클라우드일 수 있는 3D 스캔 데이터의 형태의) 스캔 데이터 및 업로드.

2) 몇몇 보조 제품이 소정의 최소 스캔 품질을 요구하게 하는 자동화된 FLO 검출 및 스캔 품질 체크.

3) 컴퓨터 구현 ML 알고리즘에 기초한 설계 파라미터 추정. ML 알고리즘은 인간 전문가에 의해 완료된 현존하는 사례에 대해 트레이닝된다. ML 알고리즘은 유저가 만들고 있는 설계에 대한 변경 사항을 캡쳐하도록 적응될 수 있다. 이들 변경 사항은, ML 알고리즘이 "동적" 및 고객 고유의 모델로 발전하도록 트레이닝에 통합될 수 있다.

4) 환자와 같은 유저와 공유될 수 있는 설계 제안서. 이것은, 예를 들면, 웹 기반의 향상된 UX 뷰어/편집기를 사용하여 그래픽을 환자에게 제시하는 것에 의해 행해질 수 있다.

5) 옵션 사항으로, 치료 계획 제안을 환자에게 제시함에 있어서 임상의를 돕기 위해 증강 현실을 사용하는 소프트웨어 애플리케이션.

6) 간소화된(예를 들면, 단일의 클릭) 순서화 버튼 또는 아이콘이 바람직하게는 뷰어/편집기 유저 인터페이스에 직접적으로 구축된다.

7) 옵션 사항으로, 고객이 승인한 환자 고유의 설계를 중앙 집중식 제조 프로세스에 대한 입력으로 취하는 "백오피스"의 일련의 연결된 소프트웨어. 설계는 중앙 집중식 제조 조직에 의해 사용 가능하다.

8) 중앙 집중식 제조 프로세스로부터의 출력은, 실제로 생산되고, 전송되고, (옵션 사항으로 고객에 대한 요금에 기초하여 판매의 송장이 청구되는), 디지털 및 제조되는 것 둘 모두인, 다양한 맞춤형 복원용 제품을 포함할 수 있다. 이들 제품은, 예를 들면, 고객 기공소에 의해 또는 진찰 의자 옆에서(chairside) 사용되는 금속 또는 다른 제조 방법에서의 밀링과 같은 절삭 가공(subtractive machining) 또는 3D 프린팅과 같은 적층 제조(layered manufacturing)에 의해, 최종 복원물의 제조 및 다운로드에서의 사용을 위해 고객의 웹 기반의 계정 페이지에 게시되는 STL의 코어, 지대주 또는 크라운 디지털 파일 또는 다르게는 적절한 포맷을 포함한다. 또한, 제조되는 맞춤형 치과용 오브젝트는 또한 지대주, 크라운, 및 보조 맞춤형 제품을 포함하는 출력 옵션이다. 그러한 워크플로우는 "익일의(next day)" 영구적이고 우수한 고도로 심미성이 있는 환자 고유의 치아 대체 솔루션뿐만 아니라, "당일의(same day)" 환자 고유의 솔루션을 가능하게 하는데, 여기서, TiBase 스톡 솔루션 및 맞춤형 메조구조물(또는 전체 복원물)은 충분한 임상 솔루션으로서 간주된다.

요약하면, 본 발명의 실시형태는, 환자 고유의 치료 솔루션의 유효성 및 실행의 즉각적인 확인을 가능하게 하기 위해, 맞춤형의 임상적으로 관련된 설계, 예를 들면, 적어도 단일의 치아 대체 치료를 위한 치료 계획/솔루션을 필요에 따라 실시간으로 제공하는 것에 의해, 전술한 문제를 해결하기 위한 방법, 시스템, 디바이스 및 소프트웨어를 제공한다. 치료 솔루션 제공자는, 어떤 치료 솔루션이 모든 요건을 충족하는지를 아는 데 반드시 재작업 또는 지연을 경험하지 않는다. 환자에 대해서는, 불쾌감 및 불편함이 최소화되고, 동시에, 영구적인 심미적 솔루션이 제공될 수 있다. 본 발명의 실시형태는, 계산 알고리즘 및 소프트웨어 서비스를 전체적으로 높은 가치의 새로운 디지털 워크플로우에 사슬 연결할 수 있다. 개선된 결과를 달성하는 이들 엘리먼트의 조합은 이 분야의 전문가에게 완전하게 명백하지는 않다. 성공적인 접근법의 개발 및 시연은 시행착오 및 소정의 결과가 미리 공지 또는 예상되지 않은 제어된 실험을 필요로 하였다.

본 발명의 실시형태의 이점은 다음의 것 중 임의의 것, 일부 또는 모두이다:

- 즉각적인 또는 신속한 설계. 지대주 또는 크라운의 형상의 표현의 출력은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 획득될 수 있다.

- 종래의 설계 자동화 접근법에서와 같이 치과용 오브젝트의 형상을 환자 고유의 환경의 함수에서 결정하기 위해 명시적이고 수작업의 복잡한 알고리즘을 작성할 필요가 없음.

- 치과용 오브젝트의 설계에 대한 블랙박스 접근법이 없음: 형상 파라미터에 대한 제어를 연습하는 능력, 즉 그들이 임상적 의미를 가지도록 형상 파라미터를 정의하는 능력. (예를 들면, 지대주 마진의 폭, 지대주 코어의 높이, 등등) 이것은, 소망되는 경우, 자동화된 설계 이후에도 설계의 소정의 피쳐가 여전히 쉽게 수정될 수 있다는 것을 의미한다.

본 발명의 실시형태는 다음과 같이 설명될 수 있다:

조항 1. 머신 러닝 시스템을 트레이닝시키기 위한 컴퓨터 구현 방법으로서, 머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에서 설치되고, 방법은 복수의 기존 치료(preexisting treatment) 3D 데이터 세트를 사용하여 머신 러닝 시스템을 트레이닝시키는 것을 포함하고, 3D 데이터 세트는, 입력으로서 머신 러닝 시스템의 한쪽 단부 상에서 환자의 치열의 3D 이미지를 그리고 출력으로서 다른 쪽 단부 상에서 환자의 복원용 치과용 오브젝트의 표현의 3D 형상을 포함한다.

복수의 기존 치료 3D 데이터 세트를 사용한 머신 러닝 시스템의 트레이닝은 종단간 방식으로 수행될 수 있다.

조항 2. 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법으로서, 그 방법은 다음의 것을 포함한다

환자의 치열의 적어도 하나의 부분의 3D 스캔의 표현 - 3D 스캔의 표현은 적어도 하나의 임플란트 포지션을 정의하고, 머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에 설치됨 - 을 (예를 들면, I/O 디바이스 또는 인터페이스를 통해) 트레이닝된 머신 러닝 시스템에 입력하는 것, 및

트레이닝된 머신 러닝 시스템을 사용하여, 임플란트에 대한 복원용 치과용 오브젝트의 3D 형상의 표현 - 표현의 출력은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 획득될 수 있음 - 을 식별하는 것.

식별은 종단간 방식으로 수행될 수 있다.

조항 3. 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법으로서, 그 방법은 다음의 것을 포함한다:

하나 이상의 컴퓨팅 디바이스에 의해 그리고 복수의 기존 치료 3D 데이터 세트를 사용하여, 머신 러닝 시스템을 트레이닝시키는 것,

하나 이상의 컴퓨팅 디바이스에 의해, 적어도 하나의 임플란트 포지션을 정의하는 환자의 치열의 적어도 하나의 부분을 나타내는 환자의 3D 스캔 데이터를 수신하는 것, 및

트레이닝된 머신 러닝 디바이스를 사용하여, 임플란트에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 식별하는 것. 표현의 식별은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 수행될 수 있다.

복수의 기존 치료 3D 데이터 세트를 사용한 머신 러닝 시스템의 트레이닝은 종단간 방식으로 실행될 수 있다.

조항 4. 조항 3항에 따른 컴퓨터 구현 방법으로서, 식별은 종단간 방식으로 행해진다.

조항 5. 조항 1 내지 4 중 임의의 것에 따른 컴퓨터 구현 방법으로서, 컴퓨터 기반의 종단간 머신 러닝 모델을 적용하는 것을 포함한다.

조항 6. 조항 1 내지 4 중 임의의 것에 따른 컴퓨터 구현 방법으로서, 머신 러닝 시스템은 신경망이다.

조항 7. 조항의 컴퓨터 구현 방법으로서, 신경망은 CNN으로 구성된다.

조항 8. 조항 2 내지 5 중 임의의 것에 따른 컴퓨터 구현 방법으로서, 수신하는 것은 환자의 입의 스캔된 3D 이미지 또는 아카이브로부터 검색되는 환자의 입의 3D 이미지를 수신하는 것을 포함한다.

조항 9. 조항 2 내지 8 중 임의의 것의 컴퓨터 구현 방법으로서, 식별 단계는 복원용 치과용 오브젝트의 3D 형상을 생성하는 것을 포함한다.

복원용 치과용 오브젝트는 임플란트에 대한 직접 부착을 위한 것일 수 있거나 또는 하나 이상의 중개자를 통할 수 있다.

조항 10. 조항 9의 컴퓨터 구현 방법으로서, 3D 형상은 자유 형태 3D 형상이 아니라 파라미터의 세트에 의해 정의되는 파라메트릭 모델이다.

조항 11. 조항 10의 컴퓨터 구현 방법으로서, 각각의 파라미터의 값의 제1 범위는 더 작은 제2 범위의 빈의 세트 사이에서 각각 분할되고, 머신 러닝 디바이스는 특정한 파라미터가 속하는 올바른 빈을 추정하도록 적응된다.

조항 12. 조항 11의 컴퓨터 구현 방법으로서, 파라미터는 치아 표면 해부학적 구조, 치아 치열, 또는 복원물 타입의 특성에 관련되거나 또는 그 특성을 나타낸다.

조항 13. 조항 10, 11 또는 12의 컴퓨터 구현 방법으로서, 트레이닝된 머신 러닝 시스템의 출력은, 지대주 또는 크라운을 정의하는 파라미터의 세트로서 표현되는 3D 형상의 표현이다.

조항 14. 조항 13의 컴퓨터 구현 방법으로서, 파라미터의 세트는 파라메트릭 모델링의 일부이다.

조항 15. 조항 1 내지 14중 임의의 것의 컴퓨터 구현 방법으로서, 머신 러닝 시스템은 판별 ML 알고리즘(discriminative ML algorithm)을 사용하도록 적응된다.

조항 16. 조항 1 내지 15중 임의의 것의 컴퓨터 구현 방법으로서, 환자의 치열은 위턱 및/또는 아래턱, 준비된 턱(prepared jaw)과 대향하는 턱, 결손 치아, 임플란트, 및 치아 개수를 포함한다.

조항 17. 조항 1 내지 16 중 임의의 것의 컴퓨터 구현 방법으로서, 복원용 치과용 오브젝트는 임플란트에 대한 지대주, 또는 크라운이다.

조항 18. 조항 1 내지 17 중 임의의 것의 컴퓨터 구현 방법으로서, 포인트 샘플은 각각의 임상 사례에 대한 인공 신경망(ANN)으로의 입력을 위해 적응되는 턱 스캔 기하학적 형상(jaw scan geometry)의 3D 표면 상에서 추출된다.

조항 19. 조항 1 내지 18 중 임의의 것의 컴퓨터 구현 방법으로서, 파라메트릭 모델은, 입력 데이터를, 모든 기존 치료 3D 데이터 세트에 대한 ANN의 출력인 복원 치과용 오브젝트 설계 파라미터(restoration dental object design parameter)에 종단간 방식으로 매핑시키는 것에 의해 ANN을 사용하여 트레이닝된다.

조항 20. 조항 19에 따른 컴퓨터 구현 방법으로서, 트레이닝된 머신 러닝 모델은 네트워크 위치에서 컴퓨터 파일의 세트로서 저장된다.

조항 21. 조항 19 또는 20의 컴퓨터 구현 방법으로서, 3D 이미지의 입력을 갖는 새로운 임상 사례에 대한 파라메트릭 값을 결정하기 위해 빈의 분류된 파라메트릭 값을 사용하는 것을 더 포함한다.

조항 22. 조항 3항 내지 21 중 임의의 것에 따른 컴퓨터 구현 방법으로서, 임플란트 기반의 복원물의 새로운 임상 사례의 경우, 방법은 피쳐 위치 오브젝트의 3D 스캔 데이터로부터 유저 설계 선호도, 환자 턱 3D 스캔, 및 임플란트 포지션 및 방위의 입력을 수신하는 것을 포함한다.

조항 23. 조항 18 내지 22 중 임의의 것에 따른 컴퓨터 구현 방법으로서, 턱 스캔 기하학적 형상의 3D 표면 상의 샘플은 트레이닝을 위해 사용된 것과 동일한 포맷으로 추출된다.

조항 24. 조항 22 또는 23에 따른 컴퓨터 구현 방법으로서, 수신된 입력 데이터는 하나 이상의 컴퓨팅 디바이스로 전송되되, 그 컴퓨팅 디바이스는, 요청을 프로세싱하고 트레이닝된 ANN 모델을 사용하여 예측된 설계 파라미터의 세트를 반환한다.

조항 25. 조항 24에 따른 컴퓨터 구현 방법으로서, 3D 모델의 치과용 복원 오브젝트는 예측된 설계 파라미터로부터 재구성되고 유저에게 제시되도록 렌더링된다.

조항 26. 조항 1 내지 25 중 임의의 것에 따른 치과용 오브젝트의 제조의 컴퓨터 구현 방법으로서, 방법은, 지대주 또는 크라운의 재구성된 형상에 따라 치과용 오브젝트를 제조한다.

조항 27. 머신 러닝 시스템을 트레이닝시키기 위한 컴퓨터 구현 시스템으로서,

머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에서 설치되고, 시스템은 복수의 기존 치료 3D 데이터 세트를 사용하여 머신 러닝 시스템을 트레이닝시키기 위한 수단을 포함하되, 3D 데이터 세트는 입력으로서 머신 러닝 시스템의 한쪽 단부 상에서 환자의 치열의 3D 이미지를 그리고 출력으로서 다른 쪽 단부 상에서 환자의 복원용 치과용 오브젝트의 표현의 3D 형상을 포함한다.

복수의 기존 치료 3D 데이터 세트를 사용한 머신 러닝 시스템의 트레이닝은 종단간 방식으로 수행될 수 있다.

조항 28. 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 시스템으로서, 그 시스템은 다음의 것을 포함한다:

환자의 치열의 적어도 하나의 부분의 3D 스캔의 표현을 (예를 들면, I/O 포트 또는 인터페이스를 통해) 입력하기 위한 수단 - 3D 스캔의 표현은 적어도 하나의 임플란트 포지션을 정의하고, 입력하는 것은 하나 이상의 컴퓨팅 디바이스 상에 설치되는 트레이닝된 머신 러닝 시스템에 대한 것임 - , 및

트레이닝된 머신 러닝 시스템을 사용하여, 임플란트에 대한 복원용 치과용 오브젝트의 3D 형상의 표현 - 표현의 출력은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 획득될 수 있음 - 을 식별하기 위한 수단.

식별은 종단간 방식으로 수행될 수 있다.

조항 29. 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 시스템으로서, 그 시스템은 다음의 것을 포함한다:

하나 이상의 컴퓨팅 디바이스에 의해 그리고 복수의 기존 치료 3D 데이터 세트를 사용하여, 머신 러닝 시스템을 트레이닝시키기 위한 수단,

하나 이상의 컴퓨팅 디바이스에 의해, 적어도 하나의 임플란트 포지션을 정의하는 환자의 치열의 적어도 하나의 부분을 나타내는 환자의 3D 스캔 데이터를 수신하기 위한 수신기, 및

트레이닝된 머신 러닝 디바이스를 사용하여, 임플란트에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 식별하기 위한 수단.

표현의 식별은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 수행될 수 있다.

복수의 기존 치료 3D 데이터 세트를 사용한 머신 러닝 시스템의 트레이닝은 종단간 방식으로 실행될 수 있다.

조항 30. 조항 29에 따른 컴퓨터 구현 시스템으로서, 식별하기 위한 수단은 종단간 방식으로 동작하도록 적응된다.

조항 31. 조항 27 내지 30 중 임의의 것에 따른 컴퓨터 구현 시스템으로서, 컴퓨터 기반의 종단간 머신 러닝 모델을 적용하기 위한 수단을 포함한다.

조항 32. 조항 27 내지 31 중 임의의 것에 따른 컴퓨터 구현 시스템으로서, 머신 러닝 시스템은 신경망이다.

조항 33. 조항 32의 컴퓨터 구현 시스템으로서, 신경망은 CNN이다.

조항 34. 조항 29 내지 33 중 임의의 것에 따른 컴퓨터 구현 시스템으로서, 수신기는 환자의 입의 스캔된 3D 이미지 또는 아카이브로부터 검색되는 환자의 입의 3D 이미지를 수신하도록 적응된다.

조항 35. 조항 27 내지 34 중 임의의 것에 따른 컴퓨터 구현 시스템으로서, 식별하기 위한 수단은 복원용 치과용 오브젝트의 3D 형상을 생성하도록 적응된다.

복원용 치과용 오브젝트는 임플란트에 대한 직접 부착을 위한 것일 수 있거나 또는 하나 이상의 중개자를 통할 수 있다.

조항 36. 조항 35의 컴퓨터 구현 시스템으로서, 3D 형상은 자유 형태 3D 형상이 아니라 파라미터의 세트에 의해 정의되는 파라메트릭 모델이다.

조항 37. 조항 36에 따른 컴퓨터 구현 시스템으로서, 각각의 파라미터의 값의 제1 범위는 더 작은 제2 범위의 빈의 세트 사이에서 각각 분할되고, 머신 러닝 디바이스는 특정한 파라미터가 속하는 올바른 빈을 추정하도록 적응된다.

조항 38. 조항 37에 따른 컴퓨터 구현 시스템으로서, 파라미터는 치아 표면 해부학적 구조, 치아 치열, 또는 복원물 타입의 특성에 관련되거나 또는 그 특성을 나타낸다.

조항 39. 조항 37 또는 38의 컴퓨터 구현 시스템으로서, 트레이닝된 머신 러닝 시스템의 출력은, 지대주 또는 크라운을 정의하는 파라미터의 세트로서 표현되는 3D 형상의 표현이다.

조항 40. 조항 39의 컴퓨터 구현 시스템으로서, 파라미터의 세트는 파라메트릭 모델링의 일부이다.

조항 41. 조항 27 내지 40 중 임의의 것에 따른 컴퓨터 구현 시스템으로서, 머신 러닝 시스템은 판별 ML 알고리즘을 사용하도록 적응된다.

조항 42. 조항 27 내지 41 중 임의의 것에 따른 컴퓨터 구현 시스템으로서, 환자의 치열은 위턱 및/또는 아래턱, 준비된 턱과 대향하는 턱, 결손 치아, 임플란트, 및 치아 개수를 포함한다.

조항 43. 조항 27 내지 42 중 임의의 것의 컴퓨터 구현 시스템으로서, 복원용 치과용 오브젝트는 임플란트에 대한 지대주, 또는 크라운이다.

조항 44. 조항 27 내지 43 임의의 것의 컴퓨터 구현 시스템으로서, 포인트 샘플은 각각의 임상 사례에 대한 인공 신경망(ANN)으로의 입력을 위해 적응되는 턱 스캔 기하학적 형상(jaw scan geometry)의 3D 표면 상에서 추출된다.

조항 45. 조항 27 내지 44 임의의 것의 컴퓨터 구현 시스템으로서, 파라메트릭 모델은, 입력 데이터를, 모든 기존 치료 3D 데이터 세트에 대한 ANN의 출력인 복원 치과용 오브젝트 설계 파라미터에 종단간 방식으로 매핑시키는 것에 의해 ANN을 사용하여 트레이닝된다.

조항 46. 조항 45의 컴퓨터 구현 시스템으로서, 트레이닝된 머신 러닝 모델은 네트워크 위치에서 컴퓨터 파일의 세트로서 저장된다.

조항 47. 조항 45 또는 46 중 임의의 것의 컴퓨터 구현 시스템으로서, 3D 이미지의 입력을 갖는 새로운 임상 사례에 대한 파라메트릭 값을 결정하기 위해 빈의 분류된 파라메트릭 값을 사용하는 것을 더 포함한다.

조항 48. 조항 28 내지 47중 임의의 것의 컴퓨터 구현 시스템으로서, 임플란트 기반의 복원물의 새로운 임상 사례의 경우, 방법은 피쳐 위치 오브젝트의 3D 스캔 데이터로부터 유저 설계 선호도, 환자 턱 3D 스캔, 및 임플란트 포지션 및 방위의 입력을 수신하는 것을 포함한다.

조항 49. 조항 44 내지 48 중 임의의 것에 따른 컴퓨터 구현 시스템으로서, 턱 스캔 기하학적 형상의 3D 표면 상의 샘플은 트레이닝을 위해 사용된 것과 동일한 포맷으로 추출된다.

조항 50. 조항 48 또는 49의 컴퓨터 구현 시스템으로서, 수신된 입력 데이터는 하나 이상의 컴퓨팅 디바이스로 전송되되, 그 컴퓨팅 디바이스는, 요청을 프로세싱하고 트레이닝된 ANN 모델을 사용하여 예측된 설계 파라미터의 세트를 반환한다.

조항 51. 조항 50의 컴퓨터 구현 시스템으로서, 3D 모델의 치과용 복원 오브젝트는 예측된 설계 파라미터로부터 재구성되고 유저에게 제시되도록 렌더링된다.

조항 52. 조항 27 내지 51 중 임의의 것의 컴퓨터 구현 시스템으로서, 지대주 또는 크라운의 재구성된 형상에 따라 치과용 오브젝트를 제조하도록 적응된다.

조항 53. 조항 1 내지 조항 26 중 임의의 것에 따른 파라메트릭 모델을 저장하는 또는 조항 1 내지 조항 26 중 임의의 것의 방법을 구현하도록 프로세서를 제어하기 위한 프로세서 구현 가능 명령어를 저장하는 저장 매체.

조항 54. 조항 1 내지 26 중 임의의 것의 방법을 구현하도록 프로세서를 제어하기 위한 프로세서 구현 가능 명령어.

조항 55. 파라메트릭 모델링 기술을 사용하여 디지털 프로세서에서 실행될 때, 조항 1 내지 26의 방법 중 임의의 것을 실행하기 위한 소프트웨어를 포함하는 컴퓨터 제품.

조항 56. 조항 1 내지 26의 방법 중 임의의 것에 의해 생성되는 설계로부터 만들어지는 맞춤형 복원용 엘리먼트의 제조로서, 설계는, 옵션 사항으로, 입력에 대한 맞춤형 지대주 또는 크라운의 것이다.

도 1은 본 발명의 실시형태에 따른 자동 지대주 설계의 종단간 입력 및 출력이다. 좌측: 환자 턱의 원시 3D 광학 스캔. 우측: 주어진 임플란트 포지션 및 방위에 기초하는 지대주 설계.
도 2는 본 발명의 실시형태에 따른 네트워크이다.
도 3은 본 발명의 실시형태에 따른 머신 러닝을 사용하는 치과용 복원 오브젝트의 자동 설계를 위한 방법 및 시스템을 도시한다.
도 4는 본 발명의 실시형태에 따른, 설계된 복원 오브젝트의 관련된 회전 값을 가지고 임플란트 좌표 시스템으로 변환되는 입력 스캔의 예이다.
도 5는 본 발명의 실시형태에 따른, 3D 점유 그리드를 사용하는 임플란트 좌표 시스템에서의 입력 스캔의 샘플링 표면 포인트이다.
도 6은 본 발명의 실시형태에 따른 3D 점유 그리드와 결합되는 3D CNN 및 보조 입력을 사용하는 신경망 아키텍쳐이다.
도 7은 본 발명의 실시형태에 따른 신경망 구조에서의 Softmax(소프트맥스) 연산 및 그것의 일반적인 배치이다.
도 8은 본 발명의 실시형태에 따른 ANN 모델을 트레이닝시키고(좌측) 트레이닝된 모델을 사용하여 설계를 예측하는(우측) 프로세스이다.
도 9는 트레이닝된 복원물 설계 모델이 엔드 유저의 요청에 따라 클라우드 서버로부터 직접적으로 서빙될 수 있는 본 발명의 실시형태에 따른 클라이언트-서버 시스템이다.
도 10은 5 번 치아의 17632 개의 샘플로 트레이닝시킨 이후의 776 개의 유효성 확인 세트에 대한 x 도의 회전 파라미터 내에서의 측정된 정확도를, 다른 방법과 비교하여, 도시한다. 제1 열: x 도 이내의 정확도; 0 = 정확한 매치. 제2 열: 새로운 방법(3D CNN 기반)을 사용하여 획득되는 정확도 및 주어진 정확도 내에서의 사례의 수. 제3 열: 비선형 다차원 수치 최적화에 기초하여 본 발명의 방법을 사용하여 획득되는 정확도. 제4 열: 12 명의 상이한 인간 설계자에 의해 각각 설계된 25 개의 상이한 사례에 대해 측정된 정확도(총 300 개의 샘플).
도 11은, 0.5 mm(제1 열) 및 1.0 mm(제2 열) 내에서의 선택된 지대주 형상 파라미터의 측정 정확도를 각각 도시한다. 결과는 본 발명의 실시형태에 따른 상부 좌측 후방(2, 3, 4, 5 번 치아)의 ~ 70,000 개의 트레이닝 샘플 및 ~ 7000 개의 유효성 확인 샘플에 기초한다.
도 12는 상위 행에서: 인간 설계자에 의해 생성되는 지대주 설계를 도시한다. 하위 행: 본 발명의 실시형태에 따른 머신 러닝 모델에 의해 예측되는 지대주 설계.
도 13은 상위 행에서: 인간 설계자에 의해 생성되는 크라운 설계를 도시한다. 하위 행은 본 발명의 실시형태에 따른 머신 러닝 모델에 의해 예측되는 크라운 설계를 도시한다.
도 14는 본 발명의 실시형태에 따른 ML 기반의 방법과 종래의 최적화 방법 사이의 지대주 설계의 수락 비율 비교(acceptance rate comparison)를 도시한다. 다섯 명의 상이한 전문가 인간 설계자가, 각각의 설계를 생성한 방법의 지식 없이, 두 가지 상이한 방법에 의해 생성된 100 개의 사례를 검사하였다.

정의

"확률 벡터" 확률 벡터는 모델 파라미터의 값의 범위의 구획과 관련된다. 예를 들면, 단일의 파라미터 값의 가능한 범위는, 파라미터의 추정된 값이 특정한 빈이 나타내는 하위 범위에 속하는 확률과 각각 관련되는 빈으로 분할될 수도 있다. 따라서, 파라미터의 정확한 값은 필요하지 않으며, 단지, 계산된 파라미터 값이 하나의 빈의 범위 내에 놓이는 확률이 있을 뿐이다. 그러므로, 파라미터 값은 분류되며 회귀되지 않는다.

"복원용 오브젝트"는 임플란트에 대한 지대주 및 단일의 임플란트 또는 단일의 치아 뿌리에 대한 크라운을 포함한다.

"종단간 모델": 머신 러닝, 일반적으로, "딥 러닝" 셋업에서, 종단간 모델은, 원래의 입력(x)과 최종 출력(y) 사이에서 발생할 수 있는 모든 피쳐를 학습한다. 이 경우, x는 환자의 입의 3D 이미지를 지칭하고, 반면 y는 파라미터 값을 지칭한다.

본 설명에서 사용되는 바와 같은 용어 "종단간"은, 트레이닝된 이후, 소프트웨어 컴포넌트의 전통적인 파이프라인에서 일반적으로 발생하는 중간 단계를 우회하면서, 입력 데이터를 출력 예측으로 직접적으로 변환할 수 있는 머신 러닝 모델을 갖는 본 발명의 실시형태에 따른 방법 및 시스템을 지칭한다. 본 발명의 실시형태에 따른 방법 및 시스템은, 태스크의 전체 시퀀스를 핸들링할 수 있다. 데이터 수집 또는 보조 프로세스와 같은 추가적인 단계는, 모델이 주어진 데이터를 가지고 중간 프로세스를 학습할 수 없는 한, 종단간 모델의 일부가 아니다.

"종단간 입력 및 출력" 본 출원에서, 인공 신경망(ANN)의 트레이닝은, 시작에서 입력으로서 환자의 입의 3D 이미지를 그리고 출력으로서 최종 치료 계획을 포함하는 많은 예를 가지고 행해진다. ANN은 한쪽 단부 상의 입력(예를 들면, 포인트 클라우드로서의 3D의 원시 스캔 데이터)과 다른 쪽 단부 상의 출력, 예를 들면, 지대주 또는 크라운 파라미터 사이의 관계를 찾는다. ANN은 많은 수의 그러한 예, 예를 들면, 그러한 입력 및 출력의 50만 개보다 더 많은 다양한 예를 사용하여 트레이닝된다.

"신경망의 트레이닝" 신경망의 기저의 엘리먼트는 퍼셉트론(perceptron) 또는 인공 뉴런으로 칭해진다. 퍼셉트론은 일련의 입력을 취하고, 그들 입력에 대해 함수를 수행하고, 다른 뉴런에 전달될 수 있는 출력을 생성한다. 예를 들면, 함수는 가중된(weighted) 입력의 합일 수 있다. 신경망은 많은 인터커넥트된 뉴런이다. 뉴런은 "레이어"에서 그룹화되고 연결된다. 하나의 레이어의 출력은, 일반적으로 활성화 함수(activation function)에 의해 다음 번 레이어에 연결된다. Sigmoid, TanH 또는 ReLU 함수가 일반적이다. 신경망은, 일반적으로 "은닉 레이어"로 지칭되는 추가적인 레이어를 추가하는 것에 의해 복잡도가 증가될 수 있다.

네트워크를 트레이닝시키고 더 나은 또는 최적의 가중치를 찾기 위해 순방향 및 역방향 전파가 사용된다. 가중치를 초기화한 이후, 공지된 결과를 갖는 입력 데이터는 네트워크를 통해 "순방향으로" 푸시되어 출력 예측을 야기한다. 예측이 예상된 결과로부터 얼마나 멀리 떨어져 있는지를 계산하기 위해 비용 또는 손실 함수가 사용된다.

그 다음, 에러 또는 비용은 낮은 레벨로 또는 가능한 가장 낮은 포인트로, 즉, 전역적 최소치로 감소된다. 이것은, 예를 들면, 경사 하강법(gradient decent method)을 사용하는 것에 의해 달성될 수 있다. 경사 하강 알고리즘(gradient descent algorithm)의 목표는, 각각의 가중치에 대한 비용 함수의 편도함수를 찾는 것이다. 비용 함수의 방향(+/-) 및 기울기는, 낮은 또는 제로 비용을 얻기 위해 가중치를 얼마나 많이 그리고 어느 방향으로 조정할 것인지를 결정하기 위해 사용된다. 기울기가 0이면, 최소치가 도달된다. 출력 레이어에서 시작하여, 경사 하강 알고리즘은 다음 번 레이어까지 그리고 더 멀리 입력까지 "뒤로(back)" 전파된다. 그 제로 비용 또는 낮은 비용에 더 가까워지기 위해 가중치가 얼마나 많이 변경될 필요가 있는지가 신경망의 각각의 노드에 대해 계산된다.

신경망의 추가적인 트레이닝은, 에러가 최소화될 때까지 순방향 및 역방향 전파를 포함한다. 이 프로시져는, 본 발명의 실시형태에서의 사용을 위해 신경망의 가중치를 종단간 방식으로 조정하기 위해 사용될 수 있다.

"회귀" 및 "분류" 파라미터 추정은 통상적으로 회귀 문제이다. 예를 들면, 그것은 "클래스" 대신 "숫자"를 추정하는 것을 포함한다. 분류에서, 값, 예를 들면, 숫자의 제1 범위는, 제2 더 작은 범위(이것은 "클래스"로 칭해질 수 있음)를 각각 갖는 더 작은 빈으로 분할될 수 있고, ANN을 포함하는 머신 러닝 시스템으로 하여금 특정한 파라미터가 속하는 올바른 빈을 추정하게 할 수 있다.

"인간 설계자의 특정한 규칙" 이들 규칙은 복원용 치과용 오브젝트를 설계하기 위해 치과 기공사에 의해 통상적으로 사용되는 것들이다. 규칙은, 지대주 베이스가 주변 연조직에 얼마나 많은 압력을 가할 수 있는지, 자신의 인접하는 및 대향하는 치아와 비교하여 지대주가 얼마나 클 수 있는지, 등등...을 포함할 수 있다.

"기저의 복원 모델"(예를 들면, 지대주 또는 크라운)은 자유 형태의 3D 형상이 아니라, 파라미터(= 숫자)의 세트에 의해 정의될 수 있는 파라메트릭 모델이다. 예를 들면, 지대주 또는 크라운 모델의 형상은 파라미터(지대주의 경우 ~ 60 개의 숫자)의 세트에 의해 완전히 결정될 수 있는데, 이것은, 그러한 모델의 형상이 많은 수의 포인트 및 그들을 연결하기 위한 삼각형에 의해 정의되어야 하는 자유 형태의 모델(즉, 일반 3D 오브젝트를 나타내기 위한 포맷)보다 훨씬 더 소형이고 제어 가능하다.

본 출원에서 사용되는 바와 같은 "치과용 오브젝트의 설계"는 다음의 것을 의미한다:

a) 치과용 오브젝트가 제조될 수 있도록 하는 치과용 오브젝트의 3D 기하학적 형상의 머신 판독 가능 포맷의 설명 또는

b) 치과용 오브젝트의 3D 기하학적 형상이 제조될 수 있는 머신 판독 가능 포맷의 표현.

치과용 오브젝트의 설계는, 바람직하게는, 현존하는 구강 내 상황의 환자 고유의 특성, 즉, 남아 있는 치열, 잇몸, 등등의 함수에서 행해진다.

맞춤형 치과용 오브젝트의 설계를 자동화하는 것은 다음의 엘리먼트를 종단간 연결하는 것에 의해 행해진다:

사이에 있는 어떠한 중간 형태의 데이터에도 의존하지 않으면서 프로세스의 한쪽 단부에서의 입력(즉, 포인트 클라우드일 수 있는 원시 3D 스캔 데이터를 수신하기 위한 입력)과 프로세스의 다른 쪽 단부에서의 출력 사이의 직접적인 패턴을 찾도록 인공 신경망을 트레이닝시킴.

예를 들면, 데이터가 입력되는 한쪽 단부 상의 입력은 입력 원시 스캔 데이터를 수신하도록 적응된다. 이 데이터는, 포인트 클라우드의 형태의 3D 디지털 표현, 삼각 측량된 표면 표현 또는 등등과 같은 (예를 들면, 구강 내) 환경의 디지털 표현일 수 있다. 그것은 포인트 클라우드의 형태의 3D 스캔 데이터인 것이 바람직하다.

인공 신경망의 출력은, 고려 하에 있는 치과용 오브젝트의 머신 판독 가능 표현 또는 치과용 오브젝트의 머신 판독 가능 설명이다.

"주 성분 분석(Principal Component Analysis; PCA)"은, 오브젝트의 더 낮은 차원의 공간으로의 더 높은 차원 공간의 투영의 클래스에 속한다. 가능한 한 많은 정보가 보존되는 것이 바람직하다. 수학적으로, 이것은 공분산 매트릭스의 고유 벡터(eigenvector)를 계산하는 것에 의해 달성될 수 있다. 이들로부터, n 차원 공간으로 투영하기 위해, 가장 큰 고유값(eigenvalue)을 갖는 n 개의 고유벡터가 사용될 수 있다. 이들 n 개의 고유 벡터를 사용하면, 고려 하에 있는 오브젝트의 클래스에 속하는 임의의 오브젝트를 예측, 또는 재구성하는 것이 가능하다.

"근사된 형상"은, 파라메트릭 모델과 관련하여, 모델의 실제 형상과 제안된 형상 사이의 임의의 차이가, 제안된 형상과 실제 형상 사이의 차이를 정량화하기 위해 사용되는 에러 항이 최소화되도록 하는 파라미터 값의 세트를 찾는 것을 포함한다는 것을 의미한다. 치과용 오브젝트를 그들의 (구강 내) 환경에서 포함하는 대표적인 트레이닝 세트의 모든 컴포넌트에 대해, 파라메트릭 모델에 적용될 때, 그 치과용 오브젝트의 형상(또는 근사된 형상)을 산출하는 파라미터 값이 결정된다.

"알고리즘"은 소망되는 결과로 이어지는 일관성 있는 시퀀스의 단계로서 이해되어야 한다. 이들 단계는, 예를 들면, 저장, 전송, 결합, 비교 또는 다르게는 조작될 수 있는 전기 또는 자기 신호의 형태의 물리량의 물리적 조작을 필요로 한다.

예시적인 실시형태의 설명

도면 및 다음의 설명은 단지 예시를 통해 소정의 실시형태를 설명한다. 기술 분야에서 숙련된 자는, 본원에서 설명되는 원리로부터 벗어나지 않으면서 본원에서 예시되는 구조물 및 방법의 대안적인 실시형태가 활용될 수도 있다는 것을 다음의 설명으로부터 용이하게 인식할 것이다. 이제, 그 예가 첨부의 도면에서 예시되는 몇몇 실시형태에 대한 참조가 상세하게 이루어질 것이다. 유사한 또는 같은 기능성을 나타내기 위해, 실행 가능한 곳이면 어디에서나 유사한 또는 같은 참조 번호가 도면에서 사용될 수도 있다는 것을 유의한다. 본 발명은 다양한 방식으로 실시될 수 있다는 것이 기술 분야에서 숙련된 자에게는 명백할 것이다.

본 발명의 실시형태는 자동 복원물 설계의 컴퓨터 구현 방법 또는 시스템을 위해 머신 러닝 알고리즘을 사용한다. 복원물 설계는, 임플란트, 예를 들면, 단일의 임플란트에 대한 지대주 또는 크라운 또는 치아 뿌리에 대한 크라운과 같은 복원용 치과용 오브젝트의 설계를 포함한다. 임플란트에 대한 지대주 또는 크라운과 같은 복원용 치과용 오브젝트의 형상을 식별하는 것은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 수행될 수 있다.

디지털 프로세서 상에서 실행될 때 방법을 실행하기 위한 소프트웨어가 제공된다. 복원용 치과용 오브젝트의 제조가 또한 포함된다.

본 발명의 실시형태는 신경망에 대한 입력으로서 환자의 치열의 3D 스캔 데이터를 사용한다. 스캔 데이터는 3D 이미지의 포인트 클라우드의 형태일 수 있다. 본 발명의 실시형태에 따른 방법 및 시스템은, 휘발성 및 불휘발성 메모리와 같은 컴퓨터 메모리에 액세스할 수 있는 컴퓨터의 마이크로프로세서와 같은 프로세싱 디바이스 상에서 실행되는 ML 알고리즘을 사용한다.

본 발명의 실시형태는 또한, 자동 복원물 설계를 위해 머신 러닝 알고리즘을 사용하도록 적응되는 컴퓨터 구현 시스템에 관한 것이다. 컴퓨터 프로그램을 포함하는 컴퓨터 구현 시스템은 요구되는 목적을 위해 특별히 프로그래밍되는 또는 구성되는 것이 바람직하다. 이들은 컴퓨터 사용 가능 또는 컴퓨터 판독 가능 저장 매체에 저장될 수 있다.

더구나, 본 발명은 비일시적 머신 판독 가능 저장 매체 상에 저장될 수 있는 컴퓨터 프로그램 제품의 형태를 취할 수도 있다. 비일시적 머신 판독 가능 저장 매체는, 전자, 자기, 광학, 전자기, 적외선, 또는 반도체 시스템(또는 장치 또는 디바이스) 또는 전파 매체일 수 있다. 비일시적 머신 판독 가능 저장 매체의 예는, 반도체 또는 솔리드 스테이트 메모리, 자기 테이프, 착탈식 컴퓨터 디스켓, 랜덤 액세스 메모리(random access memory; RAM), 리드 온리 메모리(read-only memory; ROM), 강성의 자기 디스크(rigid magnetic disk), 광학 디스크, EPROM, EEPROM, 자기 카드 또는 광학 카드, 또는 데이터, 이미지 또는 전자적 명령어를 저장하는 데 적절하며, 각각이 컴퓨터 시스템에 커플링되는 임의의 타입의 컴퓨터 판독 가능 저장 매체를 포함하지만, 그러나 이들로 제한되지는 않으며, 각각은 컴퓨터 시스템 버스에 커플링된다. 광학 디스크의 예는, 컴팩트 디스크-리드 온리 메모리(compact disk-read only memory; CD-ROM), 컴팩트 디스크-리드/라이트(compact disk-read/write; CD-R/W) 및 디지털 비디오 디스크(digital video disc; DVD)를 포함한다.

메모리를 갖는 마이크로프로세서와 같은 프로세싱 디바이스는 프로그램 코드를 저장 및/또는 실행하도록 적응되며, 예를 들면, 시스템 버스를 통해, 메모리에 직접적으로 또는 간접적으로 커플링되는 적어도 하나의 마이크로프로세서를 포함한다. 메모리는 프로그램 코드의 실행 동안 활용되는 임의의 로컬 메모리를 포함할 수도 있다. 컴퓨터 시스템은, 키보드, 디스플레이, 포인팅 디바이스 또는 직접적으로 또는 개재하는 I/O 컨트롤러를 통해 시스템에 커플링되는 데이터를 수신하도록 또는 데이터를 제시하도록 구성되는 다른 디바이스와 같은 입력/출력(input/output; I/O) 디바이스를 포함할 수 있다.

개재하는 사설 또는 공공 네트워크를 통한 다른 데이터 프로세싱 시스템 또는 원격 프린터 또는 스토리지 디바이스에 대한 커플링을 허용하기 위해, 네트워크 어댑터가 또한 프로세싱 디바이스에 커플링될 수도 있다. 모뎀, 케이블 모뎀 및 네트워크 카드는 네트워크 어댑터의 현재 이용 가능한 타입의 예이다.

본 발명의 실시형태는 자동 복원물 설계를 위한 방법, 시스템 및 소프트웨어를 포함한다. 복원물 설계는, 머신 러닝을 사용하여, 예를 들면, 신경망을 사용하여, 환자의 치열의 스캔 데이터로부터 유도되는 복원용 치과용 오브젝트를 포함한다. 환자의 치열 데이터 세트는, 환자의 턱뼈의 하나 이상의 부분의 스캔과 같은 환자의 신체의 다른 부분과 함께 또는 그 다른 부분 없이 환자의 입의 모두의 또는 일부의 다수의 하나 이상의 스캔으로부터의 환자의 스캔 데이터의 하나 이상을 포함할 수 있다. 자동 복원물 설계의 컴퓨터 구현 방법은, 설계 프로세스에 대한 시작 포인트로서 환자의 입의 적어도 일부의 3D 전자 이미지를 사용한다. 몇몇 실시형태에서, 전자 이미지는 환자의 치아의 직접 스캔에 의해 획득된다. 본 발명의 실시형태는, 치과 의사 또는 치과 기공사에 의한 3D 이미지의 캡쳐를 허용하거나 또는 환자의 치아의 하나 이상의 본을 스캐닝하는 것에 의해 획득될 수 있다. 본 발명의 실시형태는 치과용 의자에서의 사용에 대해 적합하다.

본 발명의 실시형태는, 치과 기공사와 같은 인간 오퍼레이터에 의해 설계되는 치료 계획 및 결과의 많은 현존하는 관련 예를 (예를 들면, I/O 포트 또는 인터페이스를 통해) 입력하고 사용하는 것에 의해 머신 러닝 시스템 또는 방법을 트레이닝시키는 것에 의해, 설계가 생성되는 입력 데이터와 맞춤형 치과용 오브젝트의 설계 사이의 관계가 학습될 수 있다는 관찰에 기초한다. 이것은 감독 학습(Supervised Learning)의 통상적인 문제로서 간주될 수 있다. 그러한 알고리즘은, 입력 데이터가 1) 공지된 임플란트 타입, 포지션 및 방위, 2) (예를 들면, 포인트 클라우드로서의) 환자 턱의 3D 스캔 데이터, 및 3) 특정한 치과용 오브젝트가 어떻게 설계될 필요가 있는지에 대한 추가적인 옵션(또는 고객 선호도)인 문제 도메인에 관련된다. 이 정보는 인간 설계자가 맞춤형 크라운 및 지대주 형상과 같은 복원용 치과용 오브젝트의 형상을 생성하기에 충분하고 완전하다. 주어진 입력 데이터에 기초하여 최적의 방식으로 결손 치아 주변의 치열에 꼭 맞을 지대주 또는 크라운을 설계하기 위해, 인간 설계자는 그들의 치과적 지식 및 특정한 규칙을 적용한다. 출력은 전체 복원물 설계인데, 이것은 지대주 또는 크라운의 형상, 포지션 및 방위를 고유하게 정의할 파라미터의 세트에 의해 추가로 정의될 수 있다. 본 발명은 자유로운 형태의 3D 형상이 아니라 파라미터(예를 들면, 숫자)의 세트에 의해 정의될 수 있는 파라메트릭 모델인 (예를 들면, 지대주 또는 크라운의) 기저의 복원 모델에 의존한다.

본 발명의 실시형태는 ML 시스템 또는 방법에 대한 입력으로서 전체 3D 데이터(예를 들면, 점유 그리드, 포인트 클라우드)를 사용한다. 3D 데이터를 직접적으로 사용하는 것의 기술적 어려움은 본 발명의 실시형태에서 이것에 의해, 뿐만 아니라 예를 들면, 컨볼루션 신경망(CNN) 상에서 구현되는 머신 러닝 시스템 또는 방법에 의해 적용되는 3D 컨볼루션 연산에 의해 해결되었다.

본 발명의 실시형태의 경우, 입력 데이터는, 바람직하게는, 예를 들면, 환자의 입의 구강 내 스캐닝 또는 물리적 본으로부터 생성되는 석고 모델의 스캐닝 중 어느 하나에 의해 획득되는 포인트 클라우드로서, 환자 턱(도 1의 좌측 이미지에 도시됨)의 3D 광학 스캔의 형태이다. 임플란트 포지션 및 방위는 임플란트 상에 배치되는 스캔 본체 또는 피쳐 위치 오브젝트(FLO)의 검출을 사용하는 별개의 프로세스를 사용하는 것에 의해 통상적으로 공지된다. 원시 3D 스캔 데이터 및 임플란트 포지션 및 방위 둘 모두는, 임의의 타입의 임플란트 기반의 복원물 설계가 자동으로 행해지든 또는 수동으로 행해지든 간에 그것을 위해 필요로 될 최소의 입력 정보이다.

입력이 주어지면, 소망되는 출력은, 설계로부터 최종 물리적 제품을 생성하기 위해 변경을 필요하지 않을 또는 최소의 변경을 필요로 할 타겟 복원 오브젝트(예를 들면, 지대주 또는 크라운)의 설계이다. 최종 복원물 설계(예를 들면, 지대주 또는 크라운 중 어느 하나)는 다음의 것 중 어느 하나에 의해 표현될 수 있다:

1) 일반 3D 오브젝트 포맷(예를 들면, 오브젝트 표면의 조밀한 포인트를 연결하는 삼각형 메쉬) 또는

2) 특정한 타입의 3D 오브젝트(예를 들면, 지대주 모델 또는 크라운 모델)를 위해 설계된 기저의 모델의 형상을 정의하는 파라미터의 세트. 도 1의 우측 이미지는 임플란트 포지션 상에 배치되는 지대주 모델의 한 예이다.

임플란트에 대한 지대주 또는 크라운과 같은 복원용 치과용 오브젝트의 형상을 식별하는 것은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 수행될 수 있다.

환자의 치과 해부학적 구조(dental anatomy)에서 결손 치아를 재구성하기 위한 트레이닝 세트에서 다수의 실제 치열궁(dental arch)의 변화를 캡쳐하고 파라미터화하기 위해 플렉시블 아치 모델(flexible arch model; FAM)이 계산될 수 있다는 것이, 특허 US 9814549(참조에 의해 포함됨)로부터 공지되어 있다. FAM을 구축하는 것은, 올바른 상대적 포지션에 한 쌍의 상악(maxillary)(상위) 및 하악(mandibular)(하위) 턱을 갖는 디지털화된 치열궁의 다수의 세트를 획득하는 것 및 다수의 샘플에 걸쳐 동일한 순서 및 동일한 대응하는 포지션에서 각각의 궁(arch)의 교합 표면 상의 랜드마크 포인트의 사전 정의된 세트를 모두 수집하는 것을 포함한다. 랜드마크 포인트의 수집된 벡터는 통계적 모델링(예를 들면, 주 성분 분석)을 수행하여 프로시져 동안 발견되는 주성분(PCA가 사용되는 경우)을 기초로 하여 피쳐 포인트의 선형 하위 공간을 생성하기 위해 사용된다. 한 쌍의 상위 및 하위 궁 상의 랜드마크 포인트의 임의적인 세트가, 주요 성분의 선형 조합에 의해, 트레이닝 샘플로부터 캡쳐되는 변동의 합리적인 범위 내에서 재구성될 수 있다.

컴퓨터 구현 방법이 치과용 복원 컴포넌트를 설계하기 위해 사용될 수 있다는 것이, US 2017/0095319(참조에 의해 포함됨)로부터 공지되어 있다. 방법은 다음의 것을 포함한다: 치과용 복원 컴포넌트에 대해 충족되어야만 하는 설계 차원 제약의 세트를 수신하는 것; 치과용 복원 컴포넌트에 대한 설계 파라미터의 세트를 수신하는 것; 상기 설계 파라미터의 적어도 하나보다 더 많은 것을 고려하는 그리고 상기 파라미터 중 임의의 것의 값이 제약을 위반할 때 제약이 도달되는 것을 시그널링하는 페널티 함수(penalty function)에 대한 정의를 수신하는 것; 및 패널티 함수를 사용하여, 상기 컴포넌트에 대한 제약과 일치하는 값을, 치과용 복원 컴포넌트에 대한 상기 설계 파라미터 각각에 할당하는 것.

치과용 복원 컴포넌트를 설계하기 위해 한 방법이 사용될 수 있다는 것이, US 9504541 또는 US 2007/0154868(이들 모두는 참조에 의해 포함됨)로부터 공지되어 있다. 치과용 복원 컴포넌트에 대해 충족되어야만 하는 설계 차원 제약의 세트가 정의된다. 치과용 복원 컴포넌트에 대한 설계 파라미터의 세트도 또한 정의된다. 적어도 부분적으로 페널티 함수를 사용하여, 상기 컴포넌트에 대한 제약과 일치하는 값이 치과용 복원 컴포넌트에 대한 상기 설계 파라미터 각각에 할당되는데, 상기 페널티 함수는 상기 설계 파라미터의 적어도 하나보다 더 많은 것을 고려하고 상기 파라미터 중 임의의 것의 값이 제약을 위반할 때 제약이 도달되는 것을 시그널링한다.

통계적 방법(예컨대, k 평균 클러스터링(k-means clustering), 주 성분 분석(PCA), 또는 유사한 통계 방법)을 사용하여 크라운 모델을 생성하기 위한 3D 통계적 분석이 US2016/0224690(참조에 의해 포함됨)로부터 공지되어 있다. 이것은, 통계 기법의 임계치 아래에서 선예도(sharpness) 세부 사항이 누락되는 크라운 모델을 초래할 수 있다. 단일의 완전한 피쳐를 갖춘 예를 통계 모델을 생성하는 알고리즘에 결합하는 것에 의해 결과적으로 나타나는 모델에 다시 선예도를 추가하기 위한 방법이 제공된다. 최종 결과는, 실시간으로 생성하고 조작하기에 상대적으로 간단한, 그러나 자연 치아의 해부학적 구조의 선예도를 유지하는 크라운 모델이다.

치과학 및 관련된 의료적(및 적절한 비의료적) 애플리케이션에 대한 설계를 행하기 위해 삼차원 기반의 모델링 방법 및 시스템이 사용될 수 있다는 것이, US 7551760 또는 US 7362890 또는 US 2008/0002869 또는 US 2006/0072810(이들 모두는 참조에 의해 포함됨)으로부터 공지되어 있다. 데이터 캡쳐 수단은 오브젝트(예를 들면, 치열궁)의 3 차원 표면을 나타내는 포인트 클라우드를 생성한다. 인접하고 중첩하는 이미지의 고도로 정확한 결합(또는 "스티칭")을 가능하게 하기에 충분한 포지션, 각도, 및 방위 정보를 갖는 삼차원 이미지 프로세싱 소프트웨어를 제공하기 위해, 특히, 낮은 이미지 정의를 갖는 이미지 필드 내의 그들 영역 내에서, 그리고, 특히, 적어도 두 개의 이미지의 중첩하는 부분에서 나타나는 이들 영역 중 그러한 것 내에서, 삼차원 인식 오브젝트가 제공된다. 상악 궁 및 하악 궁과 같은, 정렬되는 관련된 오브젝트 또는 그 모델의 정렬 및 생성이 용이하게 된다.

치과 산업에서의 하나의 공지된 지대주 모델은, 특정한 환자의 치열에 적합될 수 있는 60 개보다 더 많은 설계 파라미터에 기초하는 광범위한 맞춤형 지대주 형상을 나타낸다. 또한, 광범위한 실제 치아 샘플의 통계적 분석에 의해 생성되는 파라메트릭 모델이 공지되어 있다. 이들 방법은 파라미터 기반의 기저의 복원 모델의 특정한 예이다.

환자 턱의 3D 스캔 및 결손 치아 부위 상에서의 임플란트 포지션 및 방위가 주어지면, 본 발명의 실시형태는 시스템 또는 방법, 예를 들면, 완전한 복원물 설계 제안, 예를 들면, CAD/CAM 포맷의, 예를 들면, 지대주 또는 크라운과 같은 복원용 치과용 오브젝트의 3D 모델을 엔드 유저에게 아주 빠른 방식으로, 예를 들면, 수 초 이하 내에 그리고 완전 자동 방식으로 제시할 수 있는 컴퓨터 기반의 시스템 또는 방법의 생성을 가능하게 한다. 본 발명의 실시형태는 머신 러닝(Machine Learning; ML) 및 인공 지능(Artificial Intelligence; AI)의 최근 발전을 활용하며, 시스템으로 하여금 많은 실제 예의 입력과 출력 사이의, 즉, 종단간 방식으로, 기저의 패턴을 학습하게 하는 것은 본 발명의 실시형태의 양태 중 하나이다. 본 발명의 실시형태는, 시작 포지션, 예를 들면, 결손 치아가 공지되어 있고 최종 치료 계획, 치료 및 결과, 즉, 복원용 치과용 오브젝트의 설계가 공지되어 있는 임플란트 기반의 복원물에 대한 복원용 치과용 오브젝트의 많은 실제 치과적 임상 사례의 존재로부터 시작한다. 시작 포지션, 예를 들면, 결손 치아는 프로세스의 한쪽 단부를 지칭하고, 반면, 최종 치료 계획, 치료 및 결과, 즉 복원용 치과용 오브젝트의 설계는 다른 쪽 단부이다. 따라서, 본 발명의 실시형태에 따른 방법은, 원시 데이터 및 최종 결과만을 사용하여 CNN과 같은 신경망을 트레이닝시키고, 따라서, 종단간 머신 러닝을 실행한다. 현존하는 임상 사례의 문서에서의 이용 가능한 정보에 기초하는 전통적인 종단간 머신 러닝은 사용되지 않았다. 예를 들면, US2018/0028294 A1에서 설명되는 바와 같은 "Dental CAD Automation Using Deep Learning"은, 시스템으로 하여금 결손 치아의 치열 주변의 정확한 치과적 피쳐를 분류하게 하기 위해 머신 러닝을 주로 활용하는데, 그 치열은 생성적 ML 알고리즘(generative ML algorithm)을 사용하여 크라운 복원물을 추정하기 위해 추가로 사용된다.

이 종래 기술 개시와는 대조적으로, 본 발명의 몇몇 실시형태에 따른 복원물 설계의 문제점은 시스템으로 하여금, 예를 들면, 임의의 사전 프로세싱 또는 중간 피쳐 검출 프로세스 또는 프로세스들을 필요로 하지 않으면서, 모델 파라미터의 형태로, 종단간 입력과 출력 사이의 패턴을 학습하게 하는 것 - 이것은 입력이 원시 턱 스캔이고, 출력이 최종 복원물 설계이다는 것을 의미함 - 에 의해 해결되는데, 이것은, 엔드 유저에 대한 예측 프로세스를 매우 빠르게 만들고 또한 동시에 매우 신뢰성 있게 만든다.

본 발명의 실시형태에서, 환자의 입의 하나 이상의 스캔이 수행된다. 이들 스캔은 교합, 설측(lingual) 또는 협측(buccal) 스캔의 일부, 임의의 것 또는 전체를 포함할 수 있다. 이웃하는 치아의 접촉 영역도 또한 스캐닝될 수 있다. 복수의 스캔은 임플란트를 포함하는 기저의 3D 디지털 모델로 결합될 수 있다. 기저의 3D 디지털 모델은 치과용 복원물(예를 들면, 크라운 또는 지대주)을 설계하기 위해 사용된다. 본 발명의 실시형태에서, 복원물 설계 프로그램은 트레이닝된 머신 러닝 시스템에 의해 제공되고 복원물은 그래픽 인터페이스를 통해 환자 및/또는 치과 의사 및/또는 치과 기공사가 볼 수 있다. 인터페이스는 치과 기공사 또는 치과 의사가 제안된 복원물을 개선할 수 있도록 적응될 수도 있다.

본 발명의 실시형태에서, CNN이 하나의 예인 신경망과 같은 머신 러닝 시스템은, 원시 이미지 데이터 및 최종 치료 계획 및/또는 복원용 치과용 오브젝트만을 포함하는 많은 트레이닝 데이터 세트를 사용하여 트레이닝된다.

본 발명의 실시형태는, 임플란트에 대한 지대주, 또는 크라운와 같은 적절한 치과용 복원물을 결정하기 위해 판별 머신 러닝 알고리즘을 활용할 수도 있다. 판별 머신 러닝 알고리즘은 크라운 또는 지대주의 3D 표현 또는 모델을 출력하도록 트레이닝될 수 있다. 트레이닝 세트는 동일한 타입의 복원물을 갖는 그들 사례로 제한되는 것이 바람직하며, 예를 들면, 트레이닝 데이터 세트는 크라운 또는 지대주를 수반하는 것들일 수 있다. 임플란트에 대한 지대주 또는 크라운과 같은 복원용 치과용 오브젝트의 형상의 표현을 출력하는 것은, 환자의 스캔 데이터의 수신으로부터 5 분 이내에, 대안적으로 스캔 데이터를 수신하는 것으로부터 1 분 이내에, 그리고 더욱 바람직하게는 환자의 스캔 데이터를 수신하는 것으로부터 30 초 미만 내에 수행될 수 있다.

도 2는 머신 러닝 알고리즘을 위해 적응되는 본 발명의 실시형태에 따른 컴퓨터 구현 시스템(10)의 블록도이다. 컴퓨터 구현 시스템은 본 발명의 실시형태에 따른 자동 복원물 설계 방법을 실행하도록 적응된다. 복원물 설계는 본 발명의 실시형태에 따른 임플란트에 대한 지대주 또는 크라운과 같은 복원용 치과용 오브젝트의 설계를 포함한다. 시스템(10)은 네트워크(15)에서 ML 서버(11)를 포함할 수 있고, 그에 의해, ML 서버(11)는 웹서버(12), 모델 서버(13) 및 트레이닝된 모델(14)을 포함한다. 스캐너(19)는 옵션 사항이거나 또는 상이한 구내(premises)에 위치될 수 있다.

네트워크(15)는 네트워크 상의 다른 디바이스와의 통신을 가능하게 하고 표준 원격 통신 프로토콜(standard telecommunications protocol)을 사용할 수 있다. 예를 들면, 네트워크(15)는, 예를 들면, 스캐너(19)로부터 3D 이미지를 수신하기 위한 네트워크 디바이스(18)를 포함할 수도 있다. 네트워크(15)는 근거리 통신망(LAN), 광역 통신망(WAN)과 같은 종래의 유선 또는 무선 네트워크일 수도 있다. 네트워크(15)는 클라우드 컴퓨팅 기술을 사용하는 클라우드 네트워크를 포함할 수 있다. 모델 서버(13)는 본 발명의 실시형태에 따른 ML 알고리즘을 실행하도록 적응된다. 웹서버(12)는, 예를 들면, 스캐너(19)에 의해 생성되는 스캔된 3D 이미지를 비롯하여, 예를 들면, 네트워크 디바이스(18)로부터 환자의 3D 이미지를 수신하도록 적응될 수 있다. 모델 서버(13)가 이들 이미지에 기초하여 복원용 설계를 준비한 이후, 웹서버(12)는 완전한 복원물 설계를, 예를 들면, 네트워크 디바이스(18)에 액세스할 수 있는 치과 기공사 또는 치과 의사에게 전송하도록 적응될 수 있다. 완전한 복원물 설계는 파라미터 값의 형태일 수 있다.

모델 서버(13) 및 모델(14)은, 기존의 3D 치과용 이미지를 사용한 복원용 치과용 오브젝트의 자동 설계를 위해 그리고 이들 이미지로부터 인간 전문가에 의한 복원용 치과용 오브젝트 설계를 위해 트레이닝될 수 있다. 모델 서버(13)는 CNN과 같은 신경망을 동작시키도록 적응될 수도 있다. 구체적으로 크라운 또는 지대주에 대한 트레이닝 데이터 세트의 그룹을 형성하기 위해, 하나 이상의 크라운 또는 지대주를 갖는 실제 치과 환자로부터의 많은 트레이닝 데이터 세트가 선택될 수 있다. ML 서버(11)는 기존의 3D 치과용 이미지 및 인간에 의해 설계되는 복원용 치과용 오브젝트의 데이터베이스를 저장하는 데이터 서버(17)와 통신할 수도 있다.

본 발명의 실시형태에서, CNN의 노드의 가중치는 에러를 최소화하도록 트레이닝될 수 있다. 본 발명의 실시형태에 따른 CNN 네트워크 아키텍쳐는, 옵션 사항으로 정규화 레이어, 추가적인 컨볼루션 레이어 및 또한 완전히 연결된 레이어를 비롯한 다수의 레이어로 구성되는, 또는 다수의 레이어를 포함하는 CNN을 포함한다.

CNN의 제1 레이어는 옵션 사항으로 이미지 정규화를 수행할 수 있다. 정규화기(normalizer)는 하드 코딩될 수 있고 학습 프로세스에서 변경될 필요가 없다. CNN에서 정규화를 수행하는 것은, 정규화 스킴이 CNN 아키텍쳐와 함께 변경되는 것 및 GPU 프로세싱을 통해 가속화되는 것을 허용한다.

컨볼루션 레이어는 피쳐 추출을 수행할 필요가 없다. 컨볼루션 레이어 다음에는, 출력 파라미터 값으로 이어지는 완전히 연결된 레이어가 있다. CNN을 트레이닝시키는 것은 기존 치료 데이터를 사용하여 종단간에서 행해진다.

본 발명의 실시형태는 머신 러닝에 기초하고 감독 학습을 위한 인공 신경망 프레임워크(ANN)를 사용할 수 있다. 본 발명의 실시형태에 따른 방법 또는 시스템은 복원용 치과용 오브젝트의 설계인 입력 및 출력의 많은 수의 예의 공지된 세트를 사용하는 것에 기초한다. 트레이닝은 기존의 3D 치과용 이미지 및 이들 이미지로부터 인간 전문가에 의해 설계되는 복원용 치과용 오브젝트를 가지고 행해진다. 신경망은 트레이닝 또는 동작 상태에 있을 수 있다.

도 3을 참조하면, 트레이닝을 위한 입력은 환자로부터 수신되는 과거 임상 사례의 매우 많은 수의 원시 광학 3D 스캔(20)이고, 출력은 인간에 의해 생성되는 지대주 및 크라운의 대응하는 설계(22)이다. 설계(22)는 모델 파라미터에 의해 정의되는 것이 바람직하고 인간 복원물 설계 기술자에 의해 생성되어 데이터베이스에 저장될 수 있다. 이 트레이닝 단계(24)는 계산적으로 무거울 수 있고 고성능 GPU(Graphics Processing Unit; 그래픽 프로세싱 유닛)에 의해 오프라인에서 실행되는 것이 바람직하다. 트레이닝 단계(24)는 모든 과거의 현존하는 데이터세트를 사용하여 오프라인에서 단지 한 번만 실행될 수 있고, 그러므로, 트레이닝을 위한 시간 압박이 있을 필요가 없다. 이 트레이닝 단계(24) 동안, ANN은 암시적 패턴(26) 및/또는 모든 입력 트레이닝 데이터를 대응하는 출력 트레이닝 데이터와 관련시키는 규칙을 학습할 것이다. 일단 모델이 트레이닝되고 생성되면, 신경망은 동작 상태 또는 온라인 모드에 놓일 수 있고 학습된 패턴(26)은 새로운 입력(28)이 시스템에 주어질 때 즉시 사용될 수 있다. 또한, 새로운 입력(28)으로부터의 출력 설계(29)의 예측은 종단간 온라인 모드에서 ANN을 사용하여 즉시 생성될 수 있다. 즉각적인 예측 시간에 추가하여, 본 발명의 실시형태의 다른 이점은 다음의 것 중 하나 이상 또는 모두를 포함할 수 있다:

1) 입력과 출력을 중개하는 규칙 및 패턴을 통합하기 위해 명시적인 수작업의 복잡한 알고리즘을 작성할 필요가 없음,

2) 트레이닝 단계(24)는 인간에 의해 또는 다른 전통적인 계산 접근법에 의해 찾기 어려울 양호한 또는 최적의 방식으로 규칙 및 패턴(26)을 찾을 것임, 및

3) 출력(29)은 임의의 중간 검출 프로세스 또는 다른 하위 컴포넌트의 품질에 민감하지 않을 것임.

계층적 트레이닝 및 예측

본 발명의 실시형태는, 중요한 개개의 파라미터를 트레이닝시키는 것 및/또는 나머지 설계 파라미터를, 그들의 값이 해석되는 좌표 시스템의 관점에서 그들의 상대적 종속성에 따라 상이한 그룹으로 분할하는 것을 포함하는 계층적 트레이닝 접근법을 포함한다. 따라서, 계층적 트레이닝 접근법은 동일한 파라메트릭 모델의 다른 파라미터에 대한 하나 이상의 파라미터(이들은 복원용 치과용 오브젝트와 같은 구조물의 전체 형상을 정의하기 위해 사용됨)의 중요도의 랭킹을 지칭한다. 계층 내의 레벨과 관계없이, 모든 파라미터는 전체 지대주, 전체 크라운, 등등에 관련된다. 회전 파라미터는 가장 중요한 파라미터인데, 이것은 임플란트 좌표 시스템의 입력 스캔을 사용하여 먼저 트레이닝될 수 있다. 그 다음, 각도 및 포지션 파라미터가, 공지된 회전 각도에 의해 정규화되는 입력 스캔에 기초하여 (예를 들면, 각각의 파라미터 자체적으로 또는 그룹 내에서) 트레이닝될 수 있다. 그 다음, 나머지 형상 파라미터의 (예를 들면, 각각의 파라미터 자체적으로 또는 그룹 내에서의) 트레이닝은, 공지된 포지션 및 다른 각도에 의해 정규화되는 입력 스캔에 기초하여 행해질 수 있다. 실험 결과에 기초하여, 이 계층적 트레이닝 접근법은, 하나의 단일의 좌표 시스템에서 입력 스캔을 사용하여 모든 파라미터를 트레이닝시키는 것과 비교하여 훨씬 더 나은 정확도 결과를 제공할 수 있다.

상응하여, 예측 단계 동안 동일한 계층적 접근법이 후속될 수 있다. 새로운 입력 스캔 및 FLO 검출이 주어지면, 먼저, 입력 스캔은 임플란트 좌표 시스템(FLO 검출로부터 공지됨)으로 변환되고, 가장 중요한 파라미터의 파라미터 값은 그러한 입력 스캔을 사용하여 예측된다. 그 다음, 입력 스캔은 이 파라미터 값 및 다른 예측된 파라미터 값에 기초하여 추가로 변환되고, 이들 추가적인 파라미터는 그러한 입력 스캔을 사용하여 예측된다. 마지막으로, 입력 스캔은 이전에 예측되는 파라미터에 기초하여 추가로 변환되고, 파라미터의 나머지는 그러한 입력 스캔을 사용하여 예측된다. 그러므로, 본 발명의 실시형태는 중요한 개개의 파라미터를 예측하는 것 및/또는 나머지 설계 파라미터를, 그들의 값이 해석되는 좌표 시스템의 관점에서 그들의 상대적 종속성에 따라 상이한 그룹으로 분할하는 것을 포함하는 계층적 파라미터 예측 접근법을 옵션 사항으로 포함할 수 있다. 그 다음, 예측이 시작되는데, 예측은 별개로 그리고 개별적으로 오로지 가장 중요한 파라미터 각각에 대한 것이다. 그후, 덜 중요한 파라미터가 그룹 단위로 예측될 수도 있다. 따라서, 계층적 트레이닝 및 계층적 예측은 동일한 파라메트릭 모델의 다른 파라미터에 대한 하나 이상의 파라미터(이들은 복원용 치과용 오브젝트와 같은 구조물의 전체 형상을 정의하기 위해 사용됨)의 중요도의 랭킹을 지칭한다. 계층 내의 레벨과 관계없이, 모든 파라미터는 전체 지대주, 전체 크라운, 등등에 관련된다.

따라서, 계층적 방식으로 컴퓨터를 사용하는 트레이닝 및/또는 예측은, 먼저 또는 트레이닝 또는 예측 프로세스에서 초기에, 더 중요한 파라미터 또는 파라미터 그룹을 트레이닝 및/또는 예측하는 것을 포함한다. 이들 중요한 파라미터는 치과용 오브젝트의, 즉, 전체 지대주, 전체 크라운, 등등의 기저의 파라메트릭 모델에 의해 정의되는 바와 같은 치과용 오브젝트 형상에 관련된다. 따라서, 계층적 트레이닝 및/또는 계층적 예측은 동일한 파라메트릭 모델의 다른 파라미터에 대한 하나 이상의 파라미터(이들은 복원용 치과용 오브젝트와 같은 구조물의 전체 형상을 정의하기 위해 사용됨)의 중요도의 랭킹을 지칭한다. 계층 내의 레벨과 관계없이, 모든 파라미터는 전체 지대주, 전체 크라운, 등등에 관련된다.

다음에서, 지대주 또는 크라운에 대해 중요한 것으로 나타내어진 소정의 파라미터의 지시(indication)가 주어지지만, 그러나 이들은 예로서 주어지며 상이한 애플리케이션에 대해 우선 순위는 상이할 수도 있다. 이들 상이한 우선 순위 및 상이한 애플리케이션은 본 발명의 범위 내에 포함된다.

회전 파라미터 추정

치과용 복원물 설계에서 올바르게 추정하기 위한 중요한 설계 파라미터의 하나의 예는 회전 파라미터이다. 특히, 복원 오브젝트의 올바른 안면 측(facial side) 또는 협측(buccal side)을 결정하는 회전 파라미터가 가장 중요한 것으로 밝혀졌다. 예를 들면, 심지어 회전의 약간의 잘못된 배치도 인간 눈에 의해 쉽게 검출될 수 있으며 그것은 수평 각도의 다른 파라미터 또는 다른 형상 파라미터의 결정에도 또한 영향을 끼칠 것이다. 회전 값은 임플란트의 잠금 피쳐의 방향(도 5에서의 f 벡터)으로부터 상대적으로 결정될 수 있다. FLO 검출 프로세스는 이 수평 임플란트 방향을 제공할 것이고 이것은 올바른 회전 값을 결정하기 위한 필요한 입력 정보일 것이다. 이 수평 임플란트 방위(도 5의 f 벡터) 및 수직 임플란트 방위(도 5의 u 벡터)가 공지되기 때문에, 원시 스캔이 이 임플란트 좌표 시스템으로 변환되는 경우 이 정보는 원시 스캔에 임베딩될 수 있다. 이러한 방식에서, 변환된 원시 스캔 외에 임플란트 방위에 대한 별개의 입력이 필요로 되지 않을 것이다. 도 4는 상이한 관련된 회전 값을 갖는 변환된 입력 스캔(예를 들면, 재샘플링된 표면 포인트)의 몇몇 예를 도시한다. 유사한 회전 값을 갖는 변환된 입력 스캔은 개개의 스캔의 형상의 작은 차이에도 불구하고 유사한 전역적 포인트 분포를 나타낼 것이다는 것을 유의한다. 이 전역적 포인트 분포는, 올바른 회전 값의 예측을 위한 강력한 지시일 것이며 3D 컨볼루션 신경망(CNN)에 의한 트레이닝 단계는 이 패턴을 찾는 데 매우 능숙한 것으로 밝혀졌다.

코어 각도 파라미터 추정

협설 각도(bucco-lingual angle): 이 파라미터는, 복원 부품(restoration part)이 수직 임플란트 축에 대해 협설 방향에서(bucco-lingually) 얼마나 기울어져 있는지를 결정한다.

근심-원심(mesio-distal) 각도: 이 파라미터는, 복원 부품이 수직 임플란트 축에 대해 협설 방향에서 얼마나 기울어져 있는지를 결정한다.

이들 두 개의 복원물 각도 파라미터(일명 코어 각도)는 회전 각도에 대한 다음으로 중요한 파라미터이며, 또한, 복원물 형상 파라미터의 나머지에 대해 전역적인 영향을 끼친다. 그러나, 회전 각도와는 달리, 이들 코어 각도는 임플란트의 회전 양태(도 5의 f 벡터)에 의해 지배되는 것이 아니라, 임플란트의 수직 방위(도 5의 u 벡터)에 의해서만 지배될 것이다. 추정에 불필요한 자유도를 제거하기 위해, 각각의 데이터 샘플의 공지된 회전 값(즉, 공지된 회전 값의 양만큼 수직 임플란트 축을 따라 회전함)에 기초하여 입력 스캔을 다시 변환하여 이들 두 파라미터를 트레이닝시키는데, 이것은 임플란트 좌표 시스템으로부터 그들을 트레이닝시키는 것보다 더 효과적인 것으로 입증되었다.

복원물 포지션 파라미터

협설 오프셋: 이 파라미터는 임플란트의 중심에 대해 복원 부품이 협설 방향에서 배치되는 곳을 결정한다.

근심-원심 오프셋: 이 파라미터는, 임플란트의 중심에 대해 복원 부품이 근심-원심 방향으로(mesio-distally) 배치되는 곳을 결정한다.

이들 두 파라미터는, 일단 회전 값이 설정되면 그들이 복원 부품의 위치(즉, 임플란트의 중심으로부터 그것이 얼마나 멀리 시프트되는지)를 결정한다는 의미에서 두 개의 코어 각도 파라미터에 동등하게 중요하다. 따라서, 공지된 회전 값만큼 변환되는 입력 샘플을 사용하여(즉, 회전 변동을 제거한 이후 정규화된 입력 샘플 사용하여) 이들 두 파라미터를 트레이닝시키는 것이 중요하다.

지대주 형상 파라미터

상기에서 설명되는 다섯 가지 전역적 각도 및 포지션 파라미터를 제외한 (지대주 또는 크라운 중 어느 하나의) 설계 파라미터의 나머지는 대부분 복원 부품의 로컬 사이즈 또는 형상을 지배한다. 그러한 지대주 설계 파라미터의 몇몇 예는, 안면측 치아 교두 높이(facial cusp height), 마진의 근심-원심 폭, 어깨 폭, 얼굴측 마진 높이(faical margin height), 및 특정한 기저의 모델에 의존하는 더 많은 것을 포함한다. 전문가 설계 지대주 모델은, 광범위한 기하학적 형상 변동에서 지대주의 고유의 형상을 정의할 50 개보다 더 많은 그러한 파라미터를 가질 수 있다. 도 12는 파라미터의 몇몇 상이한 세트에 의해 생성되는 지대주의 몇몇 예를 도시한다. 이들 지대주 형상 파라미터는 모두, "코어 좌표 시스템"으로 칭하는 다섯 개의 전역적 파라미터에 의해 결정될 수 있는 좌표 시스템에서 정의된다. 이것은, 그들 전역적 파라미터의 변동을 제거하는 것에 의해 파라미터의 나머지를 트레이닝시키기 위해, 원래의 입력 스캔을 이 코어 좌표 시스템으로 변환하는 것이 유리할 것이다는 것을 의미한다.

크라운 측정 파라미터

지대주와는 달리, 크라운 복원 부품은, 생물학적 형상을 갖는 자연치(natural tooth)처럼 보일 필요가 있고 그것의 완전한 해부학적 구조 형상은, 어떤 직접적인 기하학적 형상 의미와 관련되는 적은 수의 파라미터를 가지고 설명하기는 어렵다. 이 제한 사항을 이해하지만 그러나 (전체적인 해부학적 구조의 세부 사항 없이) 어떤 전체 사이즈 및 형상을 사용하여 크라운 모델을 여전히 트레이닝시킬 수 있기 위해서, 인간 설계자에 의해 생성되는 3D 해부학적 구조 크라운의 각각의 샘플을, 다음의 다섯 가지 파라미터에 대해 측정한다: 안면 치아 교두 높이, 설측 치아 교두 높이(lingual cusp height), 근심-원심 폭, 협설 폭, 치아 교두 각도(cusp angle). 그 다음, 지대주 형상 파라미터에 대해 사용하는 것과 동일한 "코어 좌표 시스템"에서 이들 측정 파라미터에 대해 트레이닝한다.

크라운 설계는 자율 머신 러닝(Unsupervised Machine Learning) 기술 중 하나로서 간주되는 주 성분 분석(PCA)으로 칭해지는 통계적 방법에 기초하여 구축될 수 있다. 이 방법을 통해, 크라운의 전체 해부학적 구조 형상이, 예컨대 "PCA 파라미터"로 칭해지는 파라미터의 작은 세트를 사용하여 컴팩트한 표현을 가지고 표현될 수 있는데, 이것은, 크라운의 평균 형상과 결합되는, 광범위한 변동의 크라운의 전체 해부학적 구조 형상을 생성하는 방식을 제공한다. 이들 PCA 파라미터는 종단간 방식으로 트레이닝될 수 있고 시스템은 상기에서 설명되는 머신 러닝 프레임워크를 사용하여 전체 해부학적 구조 세부 사항을 다루기 위해 주어진 입력 스캔과 PCA 파라미터 사이의 패턴을 학습할 수 있다. 이 방법의 경우, 많은 수의 현실 세계 임상 크라운 샘플이 필요로 된다.

트레이닝을 포함하는 1 회성 준비

이 실시형태는 다음의 단계를 갖는다:

단계 1: 설계될 치과용 오브젝트의 파라메트릭(수학적) 모델을 생성하거나 또는 획득하고, 또한 그것의 변동 모드를 캡쳐함.

바람직한 실시형태에서, 이 파라메트릭 모델은 (예시적인 또는 기준) 치과용 오브젝트의 트레이닝 세트에 대해 주 성분 분석을 적용하는 것에 의해 생성되는 액티브 형상 모델(Active Shape Model; ASM)이다. 모델은 실제 형상 변동뿐만 아니라 포지션 및 스케일링 변화를 캡쳐할 수도 있다.

다른 실시형태에 따르면, 파라메트릭 모델은 경험적 또는 전문가 정의 규칙에 기초하여 특정한 타입의 컴포넌트에 대해 개발된다. 상기 파라메트릭 모델은 정의된 좌표 시스템에 대한 치과용 오브젝트의 포지션 변동을 캡쳐할 수도 있거나 또는 캡쳐하지 않을 수도 있다.

단계 2: 치과용 오브젝트를 그들의 (구강 내) 환경에서 포함하는 대표적인 트레이닝 세트의 모든 치과용 오브젝트에 대해, 파라메트릭 모델에 적용될 때, 그 치과용 오브젝트의 형상(또는 근사된 형상)을 산출하는 파라미터 값을 결정함.

파라메트릭 모델이 ASM인 경우, 오브젝트의 대표적인 트레이닝 세트는 상기 ASM을 생성하기 위해 사용되는 트레이닝 세트일 수 있다. 결정될 파라미터 값은 고유벡터 각각에 대한 가중화 계수(weighting factor)이며, 이들의 선형 조합은 치과용 오브젝트의 형상을 결정한다. 파라미터 값을 결정하기 위해, 반복 검색 알고리즘이 사용되어 통계 성분 모델(statistical component model; ASM)을 트레이닝 세트의 치과용 오브젝트에 적합시킬 수 있다.

몇몇 경우에, 대표적인 트레이닝 세트에 대한 파라미터 값은 이미 공지되어 있을 수도 있다. 이것은, 예를 들면, 대응하는 구강내 환경에 대한 파라메트릭 모델을 사용하여 원래 설계되었던 치과용 오브젝트를 상기 트레이닝 세트가 포함하는 경우일 수 있다.

단계 3: 파라메트릭 모델의 모든 파라미터에 대해, 트레이닝의 계층 구조(hierarchy)(즉, 어떤 파라미터 또는 파라미터의 그룹을 먼저 트레이닝시킬지)를 명시함.

하나의 실시형태에 따르면, 계층 구조는 모든 파라미터에 대해, 예를 들면, 생성된 파라메트릭 모델에 대해, 자신의 포지션/스케일링 변화에 대한 치과용 오브젝트의 형상 변동의 종속성이 없을 때, 동일하다.

다른 실시형태에 따르면, 자신의 환경에 대한 치과용 오브젝트의 포지션을 결정하는 모델의 파라미터의 트레이닝이 먼저 행해진다.

단계 4: 파라메트릭 모델의 모든 파라미터(단독으로, 즉 각각의 파라미터를 자체적으로 또는 파라미터의 그룹에서 트레이닝시킴)에 대해, 모든 트레이닝 입력 데이터 세트(즉, 트레이닝 세트의 (구강 내) 환경의 모든 디지털 표현)와 대응하는 출력 데이터(즉, 트레이닝 세트의 모든 치과용 오브젝트에 대해 결정되는 것과 동일한 파라미터에 대한 모든 파라미터 값) 사이의 암시적 패턴을 학습하도록 인공 신경망을 트레이닝시킴. 입력 3D 스캔 데이터는 포인트 클라우드 형태일 수 있다. 트레이닝은 단계 3에서 명시되는 계층 구조에 따라 행해진다. 이것은, 각각의 파라미터 또는 파라미터의 그룹이 다른 파라미터 또는 파라미터의 그룹과는 별개로 트레이닝된다는 것을 의미한다. 모든 파라미터를 함께 트레이닝시키려고 시도하는 것은 양호한 결과로 이어지지 않는다는 것이 밝혀졌다.

바람직한 실시형태에 따르면, 각각의 파라미터의 트레이닝은, 이전 파라미터(중 하나 이상)에 의한 정규화 이후 입력에 기초하여 행해진다.

동작 모드(설계 자동화)

단계 1: 환자 고유의 (구강 내) 환경의 디지털 표현을, 상기에서 설명되는 바와 같은 학습된 패턴에 기초하여, 치과용 오브젝트의 파라메트릭 모델에 대한 파라미터 값을 산출하도록 이전에 트레이닝되었던 인공 신경망에 제공함. 입력 데이터는 포인트 클라우드 형태일 수 있는 3D 스캔 데이터일 수 있다.

단계 2: 소망되는 환자 고유의 치과용 오브젝트의 기하학적 형상 설명을 확립하기 위해 또는 치과용 오브젝트가 제조될 수 있는 소망되는 환자 고유의 치과용 오브젝트의 기하학적 형상 설명의 표현을 확립하기 위해 파라미터 값을 파라메트릭 모델에 적용함. 이것은, 예를 들면, 단일의 파라미터를 그리고 그 다음 파라미터의 그룹을 예측하는 것에 의해 계층적 방식으로 행해질 수 있다.

단계 3: (필요로 되는 경우) 치과용 오브젝트의 기하학적 형상 설명을, 치과용 오브젝트를 제조할 것을 제조 디바이스(예를 들면, 밀링 유닛, 3D 프린터, 방전 가공(spark-erosion) 디바이스 또는 등등)에게 지시하기 위해 사용될 수 있는 치과용 오브젝트의 머신 판독 가능 설명으로 변환함. 대안적으로, (필요로 되는 경우) 소망되는 환자 고유의 치과용 오브젝트의 기하학적 형상 설명의 표현을, 치과용 오브젝트를 제조하기 위해 제조 디바이스(예를 들면, 밀링 유닛, 3D 프린터, 방전 가공 디바이스 또는 등등)로 제공될 커맨드를 유도하기 위해 사용될 수 있는 치과용 오브젝트의 머신 판독 가능 설명으로 변환함.

입력 데이터 생성

본 발명의 실시형태는 트레이닝 및 예측을 위한 입력 스캔 데이터를 공식화한다. 다른 공지된 시스템은, 트레이닝 입력의 소스로서 전체 3D 데이터세트를 채택함에 있어서 경험되는 몇몇 기술적 어려움에 기인하여, 그들의 신경망 입력에 대해 2D 데이터 또는 2.5D 데이터(예를 들면, 소정의 방향에 대한 깊이 정보를 갖는 2D 이미지)를 사용한다. 분명히, 그들 2D 및 2.5D 데이터세트는 3D 입력 스캔 데이터가 표현할 수 있는 전체 정보의 일부를 상실한다.

3D 점유 그리드

본 발명의 실시형태는 전체 3D 입력 스캔 데이터를 사용한다. 본 발명의 실시형태에서 사용될 수 있는 3D 입력 데이터의 표현을 위한 하나의 옵션은, "3D 점유 그리드"(도 5)로 칭해지는 표현이다. 임플란트 포지션 및 방위(도 5에서의 b, f, u)가 주어지면, 입력 스캔은, 먼저, 이 임플란트 좌표 시스템으로 변환된다. 그 다음, 각각의 축 상에서 특정한 기하학적 형상 길이를 커버할 수 있는 N×N×N 3D 그리드가 정의된다. 그 다음, 그리드 상의 각각의 복셀은, 스캔의 표면이 복셀과 중첩되는 경우 1로 채워지고, 그렇지 않으면 0으로 채워질 수 있다. 이러한 방식으로, N×N×N 3D 이진 데이터를 갖는 입력 스캔 상의 표면의 존재가 표현된다. 예를 들면, N = 40 및 각각의 축 상의 1 인치 커버리지, 및 이 40×40×40 이진 데이터는 8 GB GPU 메모리의 제한을 가지고 쾌적하게 그들의 트레이닝을 허용한다. 도 5에서 도시되지는 않지만, 동일한 점유 그리드에서 (그러한 스캔이 존재할 때마다) 임플란트가 존재하는 캐스트 스캔 및 그것의 대향하는 캐스트 스캔 둘 모두를 함께 포함하는 것이 바람직하다.

점유 그리드의 커버리지를 선택하는 것은, GPU 메모리의 제한에 의해 설정되는 점유 그리드의 주어진 해상도를 가지고 시작된다. 점유 그리드는, 표면 데이터를 덜 조밀하게 샘플링하는 것에 의해 더 넓은 범위의 스캔을 커버할 수 있는데, 표면 상의 몇몇 세부 사항을 손실하는 절충을 갖는다. 주요 목표가 입력 스캔 데이터와 임플란트에 대한 최종 복원물 설계 사이의 종단간 패턴을 찾는 것이기 때문에, 입력 스캔에 대한 가장 관련성이 있는 정보는 바로 이웃하는 치아와 반대쪽 치아를 포함하는 임플란트 위치 근처에 존재한다. 다수의 실험에 기초하여, 각각의 축 상의 약 1 인치 커버리지가 주어진 그리드 해상도를 갖는 가장 정확한 결과를 제공할 것이다는 것이 밝혀졌다.

보조 입력

스캔 데이터, 임플란트 포지션 및 방위의 입력 외에도, 트레이닝 동안 최종 복원물 설계에 대한 더 많은 단서를 제공할 수 있는 다른 입력 정보가 획득될 수 있다. 그러한 보조 데이터는, 동일한 정보가 예측 시간에도 역시 이용 가능한 경우에만 트레이닝에 포함되는 것이 바람직하다. 추가적인 정보는 치아 번호, 설계 선호도, 임플란트 타입 및 대응하는 명세일 수 있다. 그들 중, 치아 번호는 트레이닝 및 예측의 정확도를 증가시키는 것을 돕는 데 유용하다. 그 다음, 고객이 주문을 할 때 그들이 제공하는 소정의 옵션 사항의 설계 선호도 정보가 있는데, 그 정보를 사용하여, 옵션(예를 들면, 지대주 마진의 잇몸 아래(sub-gingival) 깊이가 얼마나 많이 있을 필요가 있는지)에 기초하여 어떤 특정한 설계를 생성하는 것이 유용할 것이다.

신경망 아키텍쳐

3D 컨볼루션 신경망

컨볼루션 신경망(CNN)은 본 발명의 실시형태에서의 사용을 위한 바람직한 네트워크 구조이다. CNN은 샘플링된 입력 스캔 데이터(예를 들면, 점유 그리드)와 최종 설계 파라미터 사이의 패턴을 종단간 방식으로 찾기 위해 사용된다. CNN은 공지된 일반적인 신경망 구조이다. 본 발명의 실시형태에서, 그것은 라벨(즉, 공지된 출력)을 구별하는 것에 관련이 있는 입력 데이터에서 기하학적 형상의 피쳐(2D 또는 3D)을 찾기 위해 사용될 수 있다. 입력이 3D, 예를 들면, 3D 점유 그리드이기 때문에, 3D 컨볼루션 필터를 사용하여 성능을 향상시키거나 또는 최대화하는 것이 편리하다. 2D 컨볼루션 필터의 사용이 트레이닝 단계를 더 빠르게 만들 수 있다고 숙련된 사람이 생각할 수도 있지만, 실험 결과는 3D 동작을 사용하는 것이 항상 더 나은 결과를 제공한다는 것을 나타낸다. 도 6은, 다수의 풀링 레이어(34) 및 다수의 컨볼루션 레이어(35)와 같은 다수의 레이어를 구비하는 신경망(30)을 갖는 전용 신경망 아키텍쳐(40)를 포함하는 본 발명의 실시형태를 도시한다. 풀링 레이어(34)의 수는 최대로 3 개일 수 있고, 컨볼루션 레이어(35)의 수는 다섯 개일 수 있다. 대안적으로, 사전 구축된 네트워크 또는 사전 트레이닝된 모델이 사용할 수 있다. 도 6에서 도시되는 이 특정한 아키텍쳐는 본 발명의 실시형태에 따른 치과용 복원물 설계를 위한 머신 러닝 공식화(Machine Learning formulation)를 구현할 수 있는 하나의 예에 불과하다는 것을 유의한다. 본 발명의 실시형태에서 포함되는 ML은, 그러한 네트워크가 입력과 출력 사이의 관계 또는 패턴을 종단간 방식으로 효과적으로 찾을 수 있는 한, 다른 신경망 아키텍쳐를 가지고 구현될 수 있다. 예를 들면, "PointNet"으로 칭해지는 신경망 구조가 본 발명의 실시형태에서 사용될 수 있다 - 예를 들면, 『Charles R. Qi, Hao Su, Kaichun Mo, Leonidas J. Guibas, PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation, CVPR 2017』 참조.

보조 입력의 핸들링

도 6의 블록도에서 도시되는 바와 같이, 기하학적 형상 입력(예를 들면, 점유 그리드)(31)은 3D CNN(30)에 공급되고 보조 입력(32)(예를 들면, 치아 번호, 설계 선호도, 등등)은, 레이어(37)에서 3D CNN(30)의 출력의 조밀한 레이어(36)와 결국 병합되는 개별적으로 조밀하게 연결된 레이어(41)에 공급된다. 병합 레이어(37)에서의 병합 이후, 그 레이어의 출력은, 파라미터 값 또는 파라미터 값들(39)을 출력하는 최종 판독 레이어(final read-out layer; 38)(예를 들면, 소프트맥스 레이어)에 연결된다. 이들 파라미터 값은, 이들 파라미터를 기저의 파라메트릭 모델에 입력하는 것에 의해 복원용 치과용 오브젝트의 형상 및 포지션을 정의하기 위해 사용된다. 3D 스캔 데이터(31)와는 별도로 보조 입력(32)을 핸들링하는 이 구조는, 3D 입력 데이터(31)만을 사용하는 것 또는 그들을 CNN에 대한 결합된 입력으로서 취급하는 것보다 전체 성능을 훨씬 더 좋게 만드는 데 매우 효과적이다.

분류 문제로의 회귀 문제의 변환

트레이닝 및 예측의 높은 정확도를 달성하는 데 도움이 되는 옵션 사항의 피쳐는, 회귀 문제(즉, 파라미터의 값 숫자를 추정하는 것)를 분류 문제(즉, 클래스의 다수의 선택 중에서 클래스를 추정하는 것)로 다시 공식화하는 것이다. 파라미터(즉, 숫자)의 추정은 본질적으로 회귀 문제이다. 회귀 문제를 해결하기 위한 네트워크를 구축하는 것은 어렵지 않으며 이것은 본 발명의 실시형태로서 포함된다. 그러나, 각각의 설계에서 절대적으로 정확한 단일의 파라메트릭 설계 값이 없기 때문에, 정확한 또는 고도로 정밀한 파라미터 값을 추정하는 것은 덜 관련이 있다는 것이 밝혀졌다. 대신, 각각의 파라미터에 대한 몇몇 허용 가능한 값의 범위가 존재한다. 따라서, 예측 값이 공지된(목표) 파라미터 값으로부터 소정의 범위 내에 있으면 충분하다. 이러한 관찰에 기초하여, 본 발명의 실시형태에서, 숫자의 범위는 더 작은 빈("클래스")을 정의한다. 도 6의 신경망(40)은 특정한 파라미터가 속하는 올바른 빈을 추정하기 위해 사용된다. 이것은, 파라미터의 정확한 또는 고도로 정밀한 값을 추정하도록 시스템을 트레이닝시키는 것보다 훨씬 더 효과적이며 훨씬 더 나은 결과를 제공하였다.

원 핫(One-Hot) 인코딩의 소프트맥스 및 가우시안 소프너(Gaussian Softner)

소프트맥스는, 분류 문제(도 7 참조)를 해결하기 위해 사용되는 도 6에서 도시되는 바와 같은 신경망 아키텍쳐(40)의 출력 레이어(38)의 표준 형태이다. 범위로의 이러한 비닝(binning)은 종종 "확률 벡터"로서 해석되는데, 그 이유는, 이 소프트맥스 연산을 적용한 이후 각각의 클래스(빈)에 하나의 확률 숫자(0과 1 사이)를 제공받기 때문이다. 트레이닝 프로세스 동안, 이 소프트맥스 출력(또는 확률 벡터)은 각각의 입력 샘플(31)에 대해 신경망(30)에 의해 생성되고 "원 핫 인코딩" 포맷에 의해 표현되는 공지된 정확한 값(라벨)에 비교된다. 예를 들면, 다섯 개의 클래스가 있는 경우, 소프트맥스 출력은 다섯 개의 확률 값 [0.1, 0.2, 0.5, 0.1, 0.1]의 벡터일 것이고 "원 핫 인코딩"의 형태의 정확한 답변(제3 클래스라고 함)은 [0, 0, 1, 0, 0]일 것이다. 그 다음, 이들 두 벡터는 비교도고 트레이닝 알고리즘은 그들의 유사성에 기초하여 네트워크에 의해 추정되는 답변에 페널티를 부여할 것이다. 그러나, 본 발명의 실시형태에서, 제1 및 제5 클래스와 동일한 방식으로 제2 및 제4 클래스에 페널티를 부여하는 것은 부적절하거나 또는 균형이 맞지 않는 것으로 생각되는데, 그 이유는, 제2 및 제4 클래스가 정확한 (제3) 클래스에 더 가깝기 때문이다. 이 관찰에 기초하여, 본 발명의 실시형태에서는, 네트워크 생성 소프트맥스 출력 [0.1, 0.2, 0.5, 0.1, 0.1]]과 비교될 때 제2 및 제4 클래스가 제1 및 제5 클래스보다 더 적게 페널티를 받는 것으로 귀결되는 원 핫 인코딩된 벡터 [0, 0, 1, 0, 0]에 대한 이산 가우시안 필터의 추가적인 동작이 존재한다. 실제 실험에 따르면, 원시 라벨에 대해 가우시안 소프너의 이 피쳐를 구현하는 것은 파라미터의 소정의 세트에 대한 정확도에서 어떤 상당한 개선을 초래할 수 있다.

구축 시스템

일단 모델이 각각의 설계 파라미터에 대해 트레이닝되었다면, 모든 트레이닝된 모델은 서버와 같은 머신 러닝 컴퓨팅 디바이스 상에서 배치될 수 있고 그들은 새로운 입력 데이터에 대한 파라미터 값의 예측을 위해 사용될 수 있다. 도 8은 본 발명의 실시형태에 따라 그러한 시스템이 사용하고 있는 두 개의 상보적 프로세스를 설명한다. 하나의 방법(100)은 오프라인 트레이닝 프로세스를 위한 것이고 다른 방법(200)은 엔드 유저에 대한 온라인 예측 시스템을 위한 것이다. 방법(100)에서, 임플란트 기반의 복원물의 각각의 과거 임상 사례에 대한 임플란트 포지션, 방위, 설계 선호도, 및 (예를 들면, 포인트 클라우드로서의) 3D 턱 기하학적 형상 스캔 중 일부 임의의 것 또는 모두를 비롯한, 트레이닝을 위한 입력 데이터가 단계(102)에서 수집된다. 단계(104)에서, 포인트 샘플은 각각의 임상 사례에 대한 인공 신경망(ANN)으로의 입력을 위한 적적한 형태의 턱 스캔 기하학적 형상의 3D 표면 상에서 추출된다. 단계(106)에서, 모델은 입력 데이터를 모든 수집된 사례에 대한 최종 복원물 설계 파라미터(ANN의 출력)에 종단간 방식으로 매핑하는 것에 의해 ANN을 사용하여 트레이닝된다. 단계(108)에서, 출력 모델은 네트워크 위치에서 컴퓨터 파일의 세트로서 트레이닝되고 저장된다. ANN은, 이제, 오프라인 모드에서 트레이닝되며, 새로운 입력 사례에 대한 파라메트릭 값을 결정하기 위해 빈의 분류된 파라메트릭 값을 사용하기 위한 동작 모드(예를 들면, 온라인 모드)에서의 사용을 위한 준비가 되었다.

임플란트 기반의 복원물의 새로운 임상 사례에 대한 방법(200)에서, 설계 선호도의 유저 입력, 환자 턱 3D 스캔이 (예를 들면, 포인트 클라우드로서) 수집되고, 피쳐 위치 오브젝트의 3D 스캔 데이터로부터 임플란트 포지션 및 방위가 단계(202)에서 계산된다. 단계(204)에서, 턱 스캔 기하학적 형상의 3D 표면 상의 포인트 샘플은 상기에서 설명되는 트레이닝을 위해 사용되는 것과 동일한 포맷으로 추출된다. 단계(206)에서, 단계 1 및 2에서의 수집된 입력 데이터는, 요청을 프로세싱하고 트레이닝된 ANN 모델을 사용하여 예측된 설계 파라미터의 세트를 반환하는, 서버와 같은 컴퓨팅 디바이스로 전송된다. 단계(208)에서, 3D 모델의 복원 엘리먼트, 예를 들면, 지대주 또는 크라운은 예측된 설계 파라미터로부터 재구성되고 유저에게 제시되도록 렌더링된다. 그 다음, 치과용 오브젝트는 지대주 또는 크라운의 형상에 따라 제조될 수 있다.

도 9는, 트레이닝된 복원물 설계 모델이 엔드 유저의 요청에 따라 클라우드 기반의 서버(52)로부터 직접적으로 서빙되는 예시적인 클라이언트-서버 시스템(50)을 묘사한다. 제시된 셋업에 기초하는 시스템 테스트는, 클라우드 기반의 머신 러닝 서버(52)로부터 엔드 유저까지의 응답 시간이, 하나의 임플란트 부위 상에서 지대주 또는 크라운을 포함하는 전체 복원물 설계의 경우 5 초만큼 빠르다는 것을 나타낸다.

도 9를 참조하면 트레이닝된 모델(54)은 환자로부터 수신되는 과거 임상 사례의 매우 많은 수의 원시 광학 3D 스캔을 사용하여 트레이닝되었으며, 지대주 및 크라운의 대응하는 설계인 출력은 서버(52) 상에 저장된다. 서버(52)는 유저와의 통신을 위한 웹 서버(56) 및 TensorFlow™ 모델 서버(55)를 포함할 수 있다. 설계는 모델 파라미터에 의해 정의되는 것이 바람직하고 인간 복원물 설계 기술자에 의해 생성되어 데이터베이스에 저장될 수 있다. 트레이닝 동안, ANN(58)은 모든 입력 데이터를 대응하는 출력 데이터와 종단간 방식으로 관련시키는 암시적 패턴 및/또는 규칙을 학습할 것이다. 모델이 이제 트레이닝되었고 생성되었기 때문에, 신경망(58)은 작동 상태에 있거나 또는 온라인 모드에 있으며, 학습된 패턴은, 새로운 입력(62)뿐만 아니라 임의의 보조 데이터(64)가 시스템에 주어질 때 즉시 사용될 수 있다. 새로운 입력(62 및 64)으로부터의 출력 설계의 예측은 종단간 온라인 모드에서 ANN(58)을 사용하여 신속하게 생성될 수 있다. 이것은 웹 서버(56)를 통해 유저에게 전송될 수 있다. 즉각적인 예측 시간에 추가하여, 본 발명의 실시형태의 다른 이점은 다음의 것 중 하나 이상 또는 모두를 포함할 수 있다:

1) 입력과 출력을 중개하는 규칙 및 패턴을 통합하기 위해 명시적인 수작업의 복잡한 알고리즘을 작성할 필요가 없음, 및

2) 출력 설계는 임의의 중간 검출 프로세스 또는 다른 하위 컴포넌트의 품질에 민감하지 않을 것임.

실험 및 결과

도 10에서는, 본 발명의 실시형태에 따른 머신 러닝 시스템에 의한 회전 파라미터 추정의 정확도에 대한 비교 실험 결과가 제시된다. 결과는, 다차원 수치 최적화 방법에 기초한 현재 시스템에 의해 획득되는 정확도보다 상당히 더 나은 본 발명의 실시형태에 따른 ML 시스템 및 방법에 의해 획득되는 정확도, 및 인간 설계자의 변동에 대한 유사한 정확도를 나타낸다.

5 번 치아의 17632 개의 샘플로 트레이닝시킨 이후의 776 개의 유효성 확인 세트에 대해 x 도의 회전 파라미터 내에서 정확도를 측정하는 것이 다른 방법에 비교된다. 제1 열: x 도 이내의 정확도; 0 = 정확한 매치. 제2 열: 본 발명에 따른 방법(3D CNN 기반)을 사용하여 획득되는 정확도 및 주어진 정확도 내에서의 사례의 수. 제3 열: 비선형 다차원 수치 최적화에 기초하여 본 방법을 사용하여 획득되는 정확도. 제4 열: 12 명의 상이한 인간 설계자에 의해 각각 설계된 25 개의 상이한 사례에 대해 측정된 정확도(총 300 개의 샘플).

도 11은, 인간 설계의 대응하는 파라미터 값으로부터 0.5 mm와 1.0 mm 범위를 갖는 몇몇 선택된 지대주 파라미터를 갖는 정확도 결과를 도시한다. 도 12 및 도 13은, 인간 설계와 비교하여 본 발명의 실시형태에 따른 ML 시스템에 의해 각각 생성되는 전체 지대주 또는 크라운 설계의 몇몇 그래픽 결과를 도시한다.

도 11은, 0.5 mm(제1 열) 및 1.0 mm(제2 열) 내에서의 선택된 지대주 형상 파라미터의 측정 정확도를 각각 도시한다. 결과는 상부 좌측 후방(2, 3, 4, 5 번 치아)의 ~ 70,000 개의 트레이닝 샘플 및 ~ 7000 개의 유효성 확인 샘플에 기초한다.

도 12는 상위 행에서: 인간 설계자에 의해 생성되는 지대주 설계를 도시한다. 하위 행은 본 발명의 실시형태에 따른 머신 러닝 모델에 의해 예측되는 지대주 설계를 도시한다.

도 13은 상위 행에서: 인간 설계자에 의해 생성되는 크라운 설계를 도시한다. 하위 행은 본 발명의 실시형태에 따른 머신 러닝 모델에 의해 예측되는 크라운 설계를 도시한다.

설계 유효성 확인

각각의 설계 파라미터에 대한 수치적 정확도에 의한 비교 외에, 지각적 설계 품질이 다수의 전문가 인간 복원물 설계자의 참가와 비교되었다. 도 14는 본 발명의 실시형태에 따른 ML 기반의 방법과 현재의 최적화 방법 사이의 지대주 설계의 수락 비율 비교를 도시한다. 다섯 명의 상이한 전문가 인간 설계자가, 각각의 설계가 생성되었던 방법의 지식 없이, 두 가지 상이한 방법에 의해 생성된 100 개의 사례를 검사하였다. 도 14는, 100 개의 사례의 동일한 세트에 대한 블라인드 테스트에 기초하는 현재의 최적화 시스템에 의해 생성되는 것들보다 훨씬 더 나은, 본 발명의 실시형태에 따라 ML 시스템에 의해 생성되는 지대주 설계의 수락 비율을 도시한다.

자동 치아 번호 추정에 대한 적용

앞선 진술에서, 치아 번호는 3D 입력 스캔 및 임플란트 포지션 및 방위 외에 가장 중요한 보조 입력 중 하나라고 언급하였다. 그러나, 별개의 실험에서, 이 치아 번호 그 자체는, 본 발명에서 제시되는 동일한 문제 공식을 사용하여 3D 입력 스캔 및 임플란트 포지션 및 방위만을 사용하여 상당히 신뢰성 있게 추정될 수 있다는 것을 입증하였다. 실험 결과는, 약 91 %의 정확도로 정확한 치아 번호를 추정할 수 있으며 99 %의 정확도로 +/-1 치아 차이를 추정할 수 있다는 것을 나타낸다. 이 결과는, 전체 설계 추정을 제공하기 이전에, 단지 원시 3D 입력 스캔 데이터에 기초하여, 유저에 대한 치아 번호를 먼저 자동적으로 추정할 수 있는 잠재적인 서브시스템의 가능성을 나타낸다.

구현예

본 발명에 따른 방법은, 독립형 디바이스로서 또는 서브시스템 또는 다른 디바이스에 임베딩되는 프로세서 또는 프로세싱 수단에 의해 수행될 수 있다. 본 발명은 기능을 실행하도록 적응되고 있는 프로세싱 엔진을 사용할 수 있다. 프로세싱 엔진은, 바람직하게는, 예컨대 하나 이상의 마이크로프로세서, FPGA, 또는 중앙 프로세싱 유닛(central processing unit; CPU) 및/또는 그래픽 프로세싱 유닛(Graphics Processing Unit; GPU)에 의해 제공되는 디지털 프로세싱 성능을 가지며, 이것은 소프트웨어, 즉 하나 이상의 컴퓨터 프로그램으로 프로그래밍되는 것에 의해 각각의 기능을 실행하도록 적응된다. 소프트웨어에 대한 언급은, 컴파일식 언어 또는 인터프리트식(interpretative) 언어 중 어느 하나를 통해, 프로세서에 의해 직접적으로 또는 간접적으로 실행 가능한 임의의 언어의 임의의 타입의 프로그램을 포괄할 수 있다. 본 발명의 방법 중 임의의 것의 구현예는, 로직 회로, 전자 하드웨어, 프로세서 또는 임의의 정도로 통합되며, 범용 프로세서, 디지털 신호, 프로세서, ASIC, FPGA, 개별 컴포넌트 또는 트랜지스터 로직 게이트 및 유사한 것으로 제한되지 않는 임의의 종류의 로직 또는 아날로그 회로부를 포함할 수 있는 회로부(circuitry)에 의해 수행될 수 있다.

프로세싱 수단 또는 프로세서는 메모리(예컨대, 비일시적 컴퓨터 판독 가능 매체, RAM 및/또는 ROM), 오퍼레이팅 시스템, 옵션 사항으로 고정된 포맷 디스플레이와 같은 디스플레이, 키보드와 같은 데이터 입력 디바이스에 대한 포트, "마우스"와 같은 포인터 디바이스, 다른 디바이스와 통신하기 위한 직렬 또는 병렬 포트, 네트워크 카드 및 임의의 네트워크에 대한 연결을 구비할 수도 있다.

소프트웨어는, 예를 들면, 소프트웨어가 메모리에 로딩되고 마이크로프로세서, ASIC, FPGA 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때 하기에서 아이템화되는 바와 같이, 본 발명의 방법 중 임의의 것의 기능을 실행하도록 적응되는 컴퓨터 프로그램 제품에서 구체화될 수 있다. 그러므로, 본 발명의 실시형태 중 임의의 것과 함께 사용하기 위한 프로세싱 수단 또는 프로세서는 컴퓨터 소프트웨어의 형태의 하나 이상의 컴퓨터 애플리케이션을 실행할 수 있는 컴퓨터 시스템을 통합할 수 있다.

상기에서 본 발명의 실시형태와 관련하여 설명되는 방법은, 메모리에 로딩되어 미국 Microsoft Corp(마이크로소프트사)에 의해 제공되는 Windows™, Linux(리눅스), Android(안드로이드) 또는 유사한 것과 같은 오퍼레이팅 시스템 상에서 또는 그 오퍼레이팅 시스템과 관련하여 실행되는 것에 의해 컴퓨터 시스템 상에서 실행되는 하나 이상의 컴퓨터 애플리케이션 프로그램에 의해 수행될 수 있다. 컴퓨터 시스템은, 메인 메모리, 바람직하게는 랜덤 액세스 메모리(RAM)를 포함할 수 있고, 또한, 비일시적 하드 디스크 드라이브 및/또는 착탈식 비일시적 메모리, 및/또는 비일시적 솔리드 스테이트 메모리를 포함할 수도 있다. 비일시적 착탈식 메모리는 컴팩트 디스크(CD-ROM 또는 DVD-ROM), 자기 테이프와 같은 광학 디스크일 수 있는데, 그 광학 디스크는 적절한 판독기에 의해 판독되고 기록된다. 착탈식 비일시적 메모리는 컴퓨터 소프트웨어 및/또는 데이터가 저장된 컴퓨터 판독 가능 매체일 수 있다. 불휘발성 저장 메모리는, 컴퓨터 시스템의 전력이 차단되는 경우 손실되지 않아야 하는 영구적 정보를 저장하기 위해 사용될 수 있다. 애플리케이션 프로그램은 불휘발성 메모리의 정보를 사용할 수도 있고 그것에 저장할 수도 있다.

컴퓨터 프로그램 제품에서 구체화되는 소프트웨어는, 소프트웨어가 각각의 디바이스 또는 디바이스들로 로딩되고 마이크로프로세서, ASIC, FPGA, 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 다음의 기능을 실행하도록 적응된다:

머신 러닝 시스템 - 머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에서 설치됨 - 을 트레이닝시키기 위한 컴퓨터 구현 방법을 실행하는 것,

복수의 기존 치료 3D 데이터 세트 - 3D 데이터 세트는 입력으로서 머신 러닝 시스템의 한쪽 단부 상에서 환자의 치열의 3D 이미지를 그리고 출력으로서 다른 쪽 단부 상에서 환자의 복원용 치과용 오브젝트의 표현의 3D 형상을 포함함 - 를 사용하여 머신 러닝 시스템을 종단간 방식으로 트레이닝시키는 것.

환자의 치열의 적어도 하나의 부분의 3D 스캔의 표현 - 3D 스캔의 표현은 적어도 하나의 임플란트 포지션을 정의하고, 머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에 설치됨 - 을 (예를 들면, I/O 포트 또는 인터페이스를 통해) 트레이닝된 머신 러닝 시스템에 입력하는 것, 및

트레이닝된 머신 러닝 시스템을 사용하여, 임플란트에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 종단간 방식으로 식별하는 것.

컴퓨터 프로그램 제품에서 구체화되는 소프트웨어는, 소프트웨어가 각각의 디바이스 또는 디바이스들로 로딩되고 마이크로프로세서, ASIC, FPGA, 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 다음의 기능을 실행하도록 적응된다:

하나 이상의 컴퓨팅 디바이스에 의해 그리고 복수의 기존 치료 3D 데이터 세트를 사용하여, 머신 러닝 시스템을 종단간 방식으로 트레이닝시키는 것,

하나 이상의 컴퓨팅 디바이스에 의해, 적어도 하나의 임플란트 포지션을 정의하는 환자의 치열의 적어도 하나의 부분을 나타내는 환자의 3D 스캔 데이터를 수신하는 것, 및

트레이닝된 머신 러닝 디바이스를 사용하여, 임플란트에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 식별하는 것.

식별은 종단간 방식으로 행해질 수 있음

컴퓨터 프로그램 제품에서 구체화되는 소프트웨어는, 소프트웨어가 각각의 디바이스 또는 디바이스들로 로딩되고 마이크로프로세서, ASIC, FPGA, 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 다음의 기능을 실행하도록 적응된다:

컴퓨터 기반의 종단간 머신 러닝 모델 적용시키는 것,

옵션 사항으로 머신 러닝 시스템은 신경망임,

그에 의해, 신경망은 CNN일 수 있음,

수신하는 것은 환자의 입의 스캔된 3D 이미지 또는 아카이브로부터 검색되는 환자의 입의 3D 이미지를 수신하는 것을 포함함.

컴퓨터 프로그램 제품에서 구체화되는 소프트웨어는, 소프트웨어가 각각의 디바이스 또는 디바이스들로 로딩되고 마이크로프로세서, ASIC, FPGA, 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 다음의 기능을 실행하도록 적응된다:

복원용 치과용 오브젝트의 3D 형상을 생성하는 것,

복원용 치과용 오브젝트는 임플란트에 대한 직접 부착을 위한 것일 수 있거나 또는 하나 이상의 중개자를 통할 수 있음.

그에 의해 3D 형상은 자유 형태 3D 형상이 아니라 파라미터의 세트에 의해 정의되는 파라메트릭 모델임.

각각의 파라미터의 값의 제1 범위는 더 작은 제2 범위의 빈의 세트 사이에서 각각 분할되고, 머신 러닝 디바이스는 특정한 파라미터가 속하는 올바른 빈을 추정하도록 적응됨.

그에 의해 파라미터는 치아 표면 해부학적 구조, 치아 치열, 또는 복원물 타입의 특성을 표현할 수 있음.

컴퓨터 프로그램 제품에서 구체화되는 소프트웨어는, 소프트웨어가 각각의 디바이스 또는 디바이스들로 로딩되고 마이크로프로세서, ASIC, FPGA, 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 다음의 기능을 실행하도록 적응된다:

트레이닝된 머신 러닝 시스템으로부터, 지대주 또는 크라운을 정의하는 파라미터의 세트로서 표현되는 형상의 표현을 출력하는 것,

그에 의해 파라미터의 세트는 파라메트릭 모델링의 일부임,

판별 ML 알고리즘을 사용하도록 머신 러닝 시스템을 적응시키는 것,

위턱 및/또는 아래턱, 준비된 턱과 대향하는 턱, 결손 치아, 임플란트, 및 치아 개수를 포함하는 환자의 치열을 사용하는 것.

복원용 치과용 오브젝트가 임플란트에 대한 지대주, 또는 크라운인 상태에서 방법을 수행하는 것,

각각의 임상 사례에 대한 인공 신경망(ANN)으로의 입력을 위해 적응되는 턱 스캔 기하학적 형상의 3D 표면 상에서 포인트 샘플을 추출하는 것.

컴퓨터 프로그램 제품에서 구체화되는 소프트웨어는, 소프트웨어가 각각의 디바이스 또는 디바이스들로 로딩되고 마이크로프로세서, ASIC, FPGA, 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 다음의 기능을 실행하도록 적응된다:

입력 데이터를, 모든 기존 치료 3D 데이터 세트에 대한 ANN의 출력인 복원 치과용 오브젝트 설계 파라미터에 종단간 방식으로 매핑시키는 것에 의해 ANN을 사용하여 파라메트릭 모델을 트레이닝시키는 것,

트레이닝된 파라메트릭 모델을 네트워크 위치에서 컴퓨터 파일의 세트로서 저장하는 것,

3D 이미지의 입력을 갖는 새로운 임상 사례에 대한 파라메트릭 값을 결정하기 위해 빈의 분류된 파라메트릭 값을 사용하는 것.

컴퓨터 프로그램 제품에서 구체화되는 소프트웨어는, 소프트웨어가 각각의 디바이스 또는 디바이스들로 로딩되고 마이크로프로세서, ASIC, FPGA, 등등과 같은 하나 이상의 프로세싱 엔진 상에서 실행될 때, 다음의 기능을 실행하도록 적응된다:

임플란트 기반의 복원물의 새로운 임상 사례를 사용하여, 방법은 피쳐 위치 오브젝트의 3D 스캔 데이터로부터 유저 설계 선호도, 환자 턱 3D 스캔, 임플란트 포지션 및 방위의 입력을 수신하는 것을 포함함,

트레이닝을 위해 사용된 것과 동일한 포맷으로 턱 스캔 기하학적 형상의 3D 표면 상에서 샘플을 추출하는 것,

수신된 입력 데이터를 하나 이상의 컴퓨팅 디바이스로 전송함, 그 컴퓨팅 디바이스는, 요청을 프로세싱하고 트레이닝된 ANN 모델을 사용하여 예측된 설계 파라미터의 세트를 반환함,

예측된 설계 파라미터로부터 3D 모델의 치과용 복원 오브젝트를 재구성하고 이들을 유저에게 제시되도록 렌더링함.

상기의 소프트웨어 중 임의의 것은, 네트워크의 서버 또는 노드 중 임의의 것에서 프로세싱 엔진을 위해 컴파일된 컴퓨터 프로그램 제품으로 구현될 수도 있다. 컴퓨터 프로그램 제품은, 광학 디스크(CD-ROM 또는 DVD-ROM), 디지털 자기 테이프, 자기 디스크, USB 플래시 메모리와 같은 솔리드 스테이트 메모리, ROM 등등과 같은 비일시적 신호 저장 매체 상에 저장될 수도 있다.

시스템, 방법 및 장치의 특정한 예가 예시의 목적을 위해 본원에서 설명되었다. 이들은 단지 예에 불과하다. 본원에서 제공되는 기술은 상기에서 설명되는 예시적인 시스템 이외의 시스템에 적용될 수 있다. 본 발명의 실시 내에서 많은 변경, 수정, 추가, 생략 및 치환(permutation)이 가능하다. 본 발명은, 다음의 것에 의해 획득되는 변형예를 비롯하여, 숙련된 자(skilled addressee)에게 명백할 설명된 실시형태에 대한 변형예를 포함한다: 피쳐, 엘리먼트 및/또는 액트를 등가의 피쳐, 엘리먼트 및/또는 액트로 대체하는 것; 상이한 실시형태로부터의 피쳐, 엘리먼트 및/또는 액트의 혼합 및 매칭; 본원에서 설명되는 바와 같은 실시형태로부터의 피쳐, 엘리먼트 및/또는 액트를, 다른 기술의 피쳐, 엘리먼트 및/또는 액트와 결합하는 것; 및/또는 설명된 실시형태로부터 결합하는 피쳐, 엘리먼트 및/또는 액트를 제거하는 것. 따라서, 다음의 첨부된 청구범위 및 이후 소개되는 청구범위는 합리적으로 추론될 수도 있는 모든 그러한 수정, 치환, 추가, 생략, 및 하위 조합을 포함하도록 해석되어야 한다는 것이 의도된다. 청구범위의 범위는 예에서 기술되는 바람직한 실시형태에 의해 제한되어서는 안되며, 오히려, 전체적으로 설명과 일치하는 가장 넓은 해석을 제공받아야 한다.

본 발명이 특정한 실시형태를 참조하여 본원의 상기에서 설명되었지만, 이것은 본 발명을 제한하기 위해서가 아니라 명확하게 하기 위해서 행해졌다. 숙련된 자는, 본 발명의 범위로부터 벗어나지 않으면서, 개시된 피쳐의 다양한 수정 및 상이한 조합이 가능하다는 것을 인식할 것이다.

Claims (20)

1. 환자에 대한 복원용 치과용 오브젝트(restorative dental object)의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법으로서,
   환자의 치열의 적어도 하나의 부분의 3D 스캔의 표현 - 상기 3D 스캔의 표현은 적어도 하나의 임플란트 포지션을 규정하고, 상기 머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에 설치됨 - 을 트레이닝된 머신 러닝 시스템에 입력하는 단계; 및
   상기 트레이닝된 머신 러닝 시스템을 사용하여, 상기 임플란트에 대한 상기 복원용 치과용 오브젝트의 3D 형상의 표현을 종단간 방식으로 식별하는 단계를 포함하는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
2. 제1항에 있어서,
   하나 이상의 컴퓨팅 디바이스에 의해 그리고 복수의 기존 치료 3D 데이터 세트를 사용하여, 상기 머신 러닝 시스템을 종단간 방식으로 트레이닝시키는 단계를 더 포함하는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
3. 제1항에 있어서,
   컴퓨터 기반의 종단간 머신 러닝 모델을 적용하는 단계를 포함하는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
4. 제3항에 있어서,
   상기 머신 러닝 시스템은 신경망(neural network)인 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
5. 제1항에 있어서,
   상기 식별 단계는 상기 복원용 치과용 오브젝트의 3D 형상을 생성하는 단계를 포함하는 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
6. 제5항에 있어서,
   상기 3D 형상은 파라미터의 세트에 의해 규정되는 파라메트릭 모델(parametric model)에 의해 결정되는 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
7. 제6항에 있어서,
   각각의 파라미터의 값의 범위는 제한된 범위를 각각 갖는 빈의 세트 사이에서 분할되어 소망되는 해상도를 제공하고, 상기 머신 러닝 시스템은 특정한 파라미터가 속하는 올바른 빈을 추정하도록 구성되는 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
8. 제7항에 있어서,
   파라미터는 치아 표면 해부학적 구조(tooth surface anatomy), 치아 치열, 또는 복원물 타입의 특성에 관련되는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
9. 제8항에 있어서,
   상기 트레이닝된 머신 러닝 시스템의 출력은, 지대주(abutment) 또는 크라운(crown)을 규정하는 파라미터의 세트로서 표현되는 3D 형상의 표현인 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
10. 제9항에 있어서,
    상기 파라미터의 세트는 파라메트릭 모델링의 일부인 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
11. 제1항에 있어서,
    상기 머신 러닝 시스템은 판별 ML 알고리즘(discriminative ML algorithm)을 사용하도록 구성되는 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
12. 제1항에 있어서,
    상기 복원용 치과용 오브젝트는 임플란트에 대한 지대주, 또는 크라운인 것인, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
13. 제1항에 있어서,
    각각의 임상 사례에 대한 인공 신경망(Artificial Neural Network; ANN)으로의 입력을 위해 구성되는 턱 스캔 기하학적 형상(jaw scan geometry)의 3D 표면 상에서 포인트 샘플이 추출되는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
14. 제1항에 있어서,
    임플란트 기반의 복원물의 새로운 임상 사례의 경우, 상기 방법은 피쳐 위치 오브젝트의 3D 스캔 데이터로부터 유저 설계 선호도, 환자 턱 3D 스캔, 및 임플란트 포지션 및 방위의 입력을 수신하는 단계를 포함하는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 방법.
15. 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 시스템으로서,
    환자의 치열의 적어도 하나의 부분의 3D 스캔의 표현을 입력하기 위한 수단 - 3D 스캔의 표현은 적어도 하나의 임플란트 포지션을 규정하고, 상기 입력하는 것은 하나 이상의 컴퓨팅 디바이스 상에 설치되는 트레이닝된 머신 러닝 시스템에 대한 것임 -; 및
    상기 트레이닝된 머신 러닝 시스템을 사용하여, 상기 임플란트에 대한 상기 복원용 치과용 오브젝트의 3D 형상의 표현을 종단간 방식으로 식별하기 위한 수단을 포함하는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 시스템.
16. 제15항에 있어서,
    하나 이상의 컴퓨팅 디바이스에 의해 그리고 복수의 기존 치료 3D 데이터 세트를 사용하여, 머신 러닝 시스템을 종단간 방식으로 트레이닝시키기 위한 수단을 더 포함하는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 시스템.
17. 제15항에 있어서,
    컴퓨터 기반의 종단간 머신 러닝 모델을 적용하기 위한 수단을 포함하는, 환자에 대한 복원용 치과용 오브젝트의 3D 형상의 표현을 제공하기 위한 컴퓨터 구현 시스템.
18. 머신 러닝 시스템을 트레이닝시키기 위한 컴퓨터 구현 방법으로서,
    상기 머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에서 설치되고, 상기 방법은 복수의 기존 치료 3D 데이터 세트를 사용하여 상기 머신 러닝 시스템을 종단간 방식으로 트레이닝시키는 단계를 포함하되, 상기 기존 3D 데이터 세트는 환자의 치열의 3D 이미지 및 환자의 복원용 치과용 오브젝트의 표현의 3D 형상을 포함하는 것인, 머신 러닝 시스템을 트레이닝시키기 위한 컴퓨터 구현 방법.
19. 머신 러닝 시스템을 트레이닝시키기 위한 컴퓨터 구현 시스템으로서,
    상기 머신 러닝 시스템은 하나 이상의 컴퓨팅 디바이스 상에서 설치되고, 상기 시스템은 복수의 기존 치료 3D 데이터 세트를 사용하여 상기 머신 러닝 시스템을 종단간 방식으로 트레이닝시키기 위한 수단을 포함하되, 상기 3D 데이터 세트는 입력으로서 상기 머신 러닝 시스템의 한쪽 단부 상에서 환자의 치열의 3D 이미지를 그리고 출력으로서 다른 쪽 단부 상에서 환자의 복원용 치과용 오브젝트의 표현의 3D 형상을 포함하는 것인, 머신 러닝 시스템을 트레이닝시키기 위한 컴퓨터 구현 시스템.
20. 제1항의 상기 방법에 의해 생성되는 설계로부터 제조되는 맞춤형 복원용 엘리먼트의 제조로서,
    상기 설계는 임플란트에 대한 맞춤형 지대주 또는 크라운인 것인, 맞춤형 복원용 엘리먼트의 제조.

Images