KR20240068667A - 치아 수복 작업 흐름에서 자동화된 치아 관리 - Google Patents

치아 수복 작업 흐름에서 자동화된 치아 관리 Download PDF

Info

Publication number
KR20240068667A
KR20240068667A KR1020247010601A KR20247010601A KR20240068667A KR 20240068667 A KR20240068667 A KR 20240068667A KR 1020247010601 A KR1020247010601 A KR 1020247010601A KR 20247010601 A KR20247010601 A KR 20247010601A KR 20240068667 A KR20240068667 A KR 20240068667A
Authority
KR
South Korea
Prior art keywords
tooth
module
tooth number
interdental
jaw
Prior art date
Application number
KR1020247010601A
Other languages
English (en)
Inventor
다니엘 빌서
산드로 뢰시호른
에브게니 데르자프
슈테펜 보에른
마리나 와스작
필리프 비드머
Original Assignee
덴츠플라이 시로나 인코포레이티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 덴츠플라이 시로나 인코포레이티드 filed Critical 덴츠플라이 시로나 인코포레이티드
Publication of KR20240068667A publication Critical patent/KR20240068667A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C13/00—Dental prostheses; Making same
    • A61C13/0003—Making bridge-work, inlays, implants or the like
    • A61C13/0004—Computer-assisted sizing or machining of dental prostheses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
    • A61C7/002—Orthodontic computer assisted systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
    • A61C7/002—Orthodontic computer assisted systems
    • A61C2007/004—Automatic construction of a set of axes for a tooth or a plurality of teeth
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2004—Aligning objects, relative positioning of parts

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)

Abstract

턱을 따라 스플라인을 형성하는 단계, 잠재적인 치간 간극들을 제안하는 단계, 잠재적인 치간 간격들을 가중하여 하나 이상의 구분자를 획득하는 단계, 치아 번호 확률들을 자동으로 제안하는 단계, 및 최적합 치아 번호 분포를 계산하여 환자 특정 수복물을 생성하는 단계를 포함하는 관리 및 수복물 생성 프로세스를 자동화하는 방법 및 시스템.

Description

치아 수복 작업 흐름에서 자동화된 치아 관리
관련 출원들에 대한 상호 참조
본 특허 출원은 모든 목적들을 위해 참조에 의해 본 명세서에 포함되는, 2021년 9월 17일에 출원된 미국 출원 번호 제17/477,755호의 이익 및 그에 대한 우선권을 주장한다.
기술 분야
본 발명은 일반적으로 치과 작업 흐름에서 자동화된 치아 관리를 위한 방법, 시스템, 및 컴퓨터 프로그램 제품에 관한 것이다. 더 상세하게는, 본 발명은 자동화된 관리 단계를 포함하는 자동화 프로세스를 통해 치아 수복물을 생성하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품에 관한 것이다.
현재, 치과 전문가를 위해 치아 수복물을 제안하는 기술이 존재한다. 예를 들어, 수복 작업 흐름에서, 구강내 카메라를 사용하여 스캔 동안 환자의 치열의 3D 이미지가 촬영된다. 작업 흐름의 설계 단계에서, 3D 모델에서 하나 이상의 수복물에 대한 치아 번호가 입력되고 하나 이상의 프렙 부위(preparation site)의 위치가 지정되는 수동 관리 프로세스가 수행된다. 설계 단계에서, 스캔이 또한 분석되어 수복물 제안을 생성한다.
설계 단계에 이어, 생성된 수복물 제안이 절삭(subtractive) 또는 적층(additive) 제조에 의해 생성되는 제조 단계가 시작된다. 예를 들어, 밀링 또는 연삭 유닛은 수복물의 실제 사본을 생성하는 데 사용된다. 마지막으로, 수복물이 소결되고 광택 처리되어 수복물에 경도, 강도, 온도 전도성과 같은 그의 최종적인 재료 및 심미적 특성을 부여할 수 있다.
예시적인 실시예들은 방법, 시스템 및 컴퓨터 프로그램 제품을 제공한다. 하나는, 스플라인 형성 모듈을 사용하여, 턱을 따라 스플라인을 형성하는 단계를 포함하는 방법에 관한 것이다. 이 방법은 단면 모듈을 사용하여 치아 단면을 분석하고, 치간 유두 검출 모듈을 사용하여 치간 유두를 검출하며, 분류 모듈을 사용하여 치아 간격들을 분류하는 치간 간극 검출 단계들 중 하나 이상을 수행하는 것에 의해, 치간 간극 제안 모듈을 사용하여, 잠재적인 치간 간극들을 제안하는 단계를 더 포함한다. 이어서 상기 잠재적인 치간 간극들이 상기 치간 간극 검출 단계들 중 하나 이상에 기초하여 가중되어 하나 이상의 구분자를 획득한다. 게다가, 정렬 모듈을 사용하여, 적어도 한 쌍의 고정된 구분자 사이의 하나 이상의 가능한 치아 정렬 각각에 대해, 치아 번호 확률들이 자동으로 제안되고; 상기 자동 제안 단계에 응답하여, 적어도 상기 제안된 치아 번호 확률들을 사용하여 상기 하나 이상의 가능한 치아 정렬로부터 최적합 치아 번호 분포가 결정된다. 상기 정렬 모듈은 머신 러닝 엔진이다.
일부 구현들에서, 상기 계산된 최적합 치아 번호 분포에 기초하여 환자 특정 수복물이 생성된다.
일부 구현들에서, 치간 간극 검출 단계들은 모두 수행되고 병렬로 수행된다.
다른 양태는 동적 프로그래밍에 의해, 상기 최적합 치아 번호 분포의 상기 계산을 가속화하는 전역 최적화 모듈을 사용하여, 상기 최적합 치아 번호 분포를 계산하는 것에 관한 것이다. 상기 전역 최적화 모듈은 위턱과 아래턱 사이의 관련성(correspondence), 치아 크기, 가중 단계로부터의 가중치, 및 상기 머신 러닝 엔진의 출력으로 구성된 목록으로부터 선택되는 하나 이상의 인자를 입력으로서 사용한다. 상기 최적합 치아 번호 분포는 또한 상기 적어도 한 쌍의 고정된 구분자 주위에서 모든 가능한 치아 정렬을 반복하는 것에 의해, 반복 모듈을 사용하여, 계산될 수 있다.
일부 구현들에서, 위턱과 아래턱을 포함하는 전체 치아 구강(full dental cavity)에 대해 상기 최적합 치아 번호 분포가 계산된다. 복수의 구분자들이 획득되고, 위턱과 아래턱 둘 모두에 대해 상기 적어도 한 쌍의 고정된 구분자 사이의 복수의 가능한 치아 정렬들이 결정된다. 상기 복수의 가능한 치아 정렬들에 대한 치아 번호 확률들이 자동으로 제안될 수 있으며, 이로부터 상기 전체 치아 구강에 대한 상기 최적합 치아 번호 분포가 계산된다. 상기 최적합 치아 번호 분포는 최적합 위턱 치아 번호 분포와 최적합 아래턱 치아 번호 분포 둘 모두를 포함한다.
일부 구현들에서, 상기 계산 단계에서, 하나의 턱에 대한 상기 최적합 치아 번호 분포가 계산되고, 상기 계산된 최적합 치아 번호 분포에 기초하여 반대편 턱에 대한 다른 최적합 치아 번호 분포가 추론된다.
일부 구현들에서, 상기 계산 단계에서, 하나의 턱의 일 부분, 예를 들면, 최소 3-4개의 치아에 대한 상기 최적합 치아 번호 분포가 계산된다. 상기 계산된 최적합 치아 번호 분포에 기초하여 상기 턱의 반대편 부분 또는 반대편 턱의 반대편 부분에 대한 다른 최적합 치아 번호 분포가 추론될 수 있다. 하나의 턱의 상기 부분은 상기 턱의 제1 사분면의 8개의 가능한 치아를 포함할 수 있다.
일부 구현들에서, 상기 형성 단계가 자동이다.
일부 구현들에서, 상기 하나 이상의 구분자는 그 각자의 가중치들에 기초한 잠재적인 및/또는 고정된 구분자이다.
일부 구현들에서, 상기 적어도 한 쌍의 고정된 구분자 사이의 적어도 하나의 치아 프렙 유형 확률(tooth preparation type probability)이 제안된다.
일부 구현들에서, 하나 이상의 구분자 중 적어도 하나는 하나 이상의 결손 치아를 나타내는 공간을 나타낸다.
일부 구현들에서, 임계 거리를 초과하여 떨어져 있는 2개의 구분자 사이의 공간은 하나 이상의 가능한 치아를 나타낸다. 일부 구현들에서, 임계 거리 미만으로 떨어져 있는 2개의 인접한 구분자 사이의 공간은 치간 간극을 나타낸다.
일부 구현들에서, 상기 자동 제안 단계는 상기 공간 내부에 맞는 상기 하나 이상의 가능한 치아의 치아 번호를 예측한다.
일부 구현들에서, 상기 하나 이상의 구분자 중 적어도 하나는 인접한 치아들 사이의 경계를 나타낸다.
일부 구현들에서, 상기 치아 번호 확률들은 백분율 또는 0과 1 사이의 값이다.
일부 구현들에서, 상기 치아 번호 확률들은 우도 평가 또는 분류이다.
일부 구현들에서, 상기 머신 러닝 엔진은 CNN(Convolutional Neural Network), PointCNN(Point Convolutional Neural Network), PointNet, PointNet++ 등과 같은 3D 표면 기반 신경 네트워크를 기반으로 하는 모델을 갖는다. CNN은 이미지(또는 2.5D 어레이)에 대해 작동하는 반면 PointNet은 3D 표면에 대해 작동한다.
다른 양태에서, 상기 하나 이상의 가능한 치아 정렬 각각에 대해, 현재 가능한 치아 정렬을 나타내는 추정된 모델을 구축하는 것에 의해 전처리 단계가 수행된다. 상기 구축된 추정된 모델이 상기 머신 러닝 모델에 입력으로서 제공되고 상기 치아 번호가 출력으로서 획득된다. 상기 추정된 모델은 모델의 복수의 표면 지점들의 (교합면과 평행한 평면을 기준으로 한) 높이들에 대응하는 높이 값들의 2D 어레이(2.5D 이미지)로서 표현된다. 상기 구축된 추정된 모델은 대안적으로 3D 모델일 수 있다. 상기 머신 러닝 모델은 입력 트레이닝 모델들 및 대응하는 출력 트레이닝 치아 번호를 포함하는 트레이닝 데이터 세트를 사용하여 트레이닝될 수 있다. 입력 트레이닝 모델에서의 공간은 하나 이상의 동일하거나 별개의 치아 번호에 제각기 대응하는 하나 이상의 결손 치아에 대응하는 것으로 해석될 수 있다.
다른 양태에서, 컴퓨팅 시스템이 개시된다. 상기 컴퓨팅 시스템은 프로세서 및 명령어들을 저장한 메모리를 포함하며, 상기 명령어들은, 상기 프로세서에 의해 실행될 때, 상기 시스템을, 스플라인 형성 모듈을 사용하여, 턱을 따라 스플라인을 형성하도록 구성한다. 단면 모듈을 사용하여 치아 단면을 분석하고, 치간 유두 검출 모듈을 사용하여 치간 유두를 검출하며, 분류 모듈을 사용하여 치아 간격들을 분류하는 치간 간극 검출 단계들 중 하나 이상을 수행하는 것에 의해, 치간 간극 제안 모듈을 사용하여, 잠재적인 치간 간극들이 또한 제안된다. 상기 시스템은, 상기 치간 간극 검출 단계들 중 하나 이상에 기초하여, 상기 잠재적인 치간 간극들을 가중하여 하나 이상의 구분자를 획득한다. 상기 시스템은 정렬 모듈을 사용하여, 적어도 한 쌍의 고정된 구분자 사이의 하나 이상의 가능한 치아 정렬 각각에 대해, 치아 번호 확률들을 자동으로 제안하고, 상기 시스템은 상기 자동 제안 단계에 응답하여, 적어도 상기 제안된 치아 번호 확률들을 사용하여, 상기 하나 이상의 가능한 치아 정렬로부터 최적합 치아 번호 분포를 계산한다. 상기 정렬 모듈은 머신 러닝 엔진이다. 상기 계산된 최적합 치아 번호 분포에 기초하여 환자 특정 수복물이 생성될 수 있다. 상기 머신 러닝 엔진은 CNN(Convolutional Neural Network) 또는 PointCNN(Point Convolutional Neural Network)을 기반으로 하는 모델을 갖는다.
또 다른 양태에서, 비일시적 컴퓨터 판독 가능 저장 매체가 개시된다. 상기 비일시적 컴퓨터 판독 가능 저장 매체는, 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금, 스플라인 형성 모듈을 사용하여, 턱을 따라 스플라인을 형성하게 하고; 단면 모듈을 사용하여 치아 단면을 분석하고, 치간 유두 검출 모듈을 사용하여 치간 유두를 검출하며, 분류 모듈을 사용하여 치아 간격들을 분류하는 치간 간극 검출 단계들 중 하나 이상을 수행하는 것에 의해, 치간 간극 제안 모듈을 사용하여, 잠재적인 치간 간극들을 제안하게 하며; 상기 치간 간극 검출 단계들 중 하나 이상에 기초하여, 상기 잠재적인 치간 간극들을 가중하여 하나 이상의 구분자를 획득하게 하고; 정렬 모듈을 사용하여, 적어도 한 쌍의 고정된 구분자 사이의 하나 이상의 가능한 치아 정렬 각각에 대해, 치아 번호 확률들을 자동으로 제안하게 하며; 적어도 상기 제안된 치아 번호 확률들을 사용하여, 상기 하나 이상의 가능한 치아 정렬로부터, 최적합 치아 번호 분포를 계산하게 하는 명령어들을 포함한다. 상기 정렬 모듈은 머신 러닝 엔진이다.
본 기술의 이들 및 다른 특징들 및 특성들은 물론, 관련 구조 요소들의 작동 방법들 및 기능들 및 부품들의 조합 및 제조 경제성은 첨부된 도면을 참조하여 이하의 설명과 첨부된 청구항들 - 이들 모두는 본 명세서의 일부를 형성함 - 을 고려하면 더욱 명백해질 것이며, 여기서 유사한 참조 번호는 다양한 도면들에서 대응하는 부분들을 가리킨다. 그렇지만, 도면들은 단지 예시 및 설명을 위한 것이며 본 발명의 한계를 정의하려는 의도가 아니라는 것이 명확히 이해되어야 한다. 명세서 및 청구항들에서 사용된 바와 같이, 문맥이 명확하게 달리 지시하지 않는 한, 단수 형태 한('a', 'an') 및 그('the')는 복수 지시 대상(plural referent)을 포함한다.
본 발명의 특징으로 여겨지는 특정 신규 특징들은 첨부된 청구항들에 제시되어 있다. 그렇지만, 본 발명 자체는 물론, 바람직한 사용 모드, 그의 추가 목적들 및 장점들은 첨부 도면과 함께 읽을 때 예시적인 실시예들에 대한 이하의 상세한 설명을 참조하여 가장 잘 이해될 것이다.
도 1은 예시적인 실시예들이 구현될 수 있는 데이터 처리 시스템들의 네트워크의 블록 다이어그램을 묘사한다.
도 2는 예시적인 실시예들이 구현될 수 있는 데이터 처리 시스템의 블록 다이어그램을 묘사한다.
도 3은 예시적인 실시예에 따른 자동화된 치아 관리를 위한 수복 시스템의 블록 다이어그램을 묘사한다.
도 4는 하나 이상의 예시적인 실시예에 따른, 자동화된 치아 관리 방법을 묘사한다.
도 5는 하나 이상의 예시적인 실시예에 따른 3D 모델을 묘사한다.
도 6은 하나 이상의 예시적인 실시예에 따른 3D 모델을 묘사한다.
도 7a는 하나 이상의 예시적인 실시예에 따른 3D 모델을 묘사한다.
도 7b는 하나 이상의 예시적인 실시예에 따른 턱의 2D 표현을 묘사한다.
도 8a는 하나 이상의 예시적인 실시예에 따른 3D 모델을 묘사한다.
도 8b는 하나 이상의 예시적인 실시예에 따른 턱의 2D 표현을 묘사한다.
도 8c는 하나 이상의 예시적인 실시예에 따른 턱의 2D 표현을 묘사한다.
도 9a는 하나 이상의 예시적인 실시예에 따른 턱의 2D 표현을 묘사한다.
도 9b는 하나 이상의 예시적인 실시예에 따른 턱의 2D 표현을 묘사한다.
도 10a는 하나 이상의 예시적인 실시예에 따른 분할 프로세스를 묘사한다.
도 10b는 하나 이상의 예시적인 실시예에 따른 턱의 단면을 묘사한다.
도 11은 하나 이상의 예시적인 실시예에 따른 3D 모델을 묘사한다.
도 12는 하나 이상의 예시적인 실시예에 따른 프로세스를 묘사한다.
도 13은 하나 이상의 예시적인 실시예에 따른 정렬 모듈을 묘사한다.
도 14는 하나 이상의 예시적인 실시예에 따른 턱의 2D 표현을 묘사한다.
도 15는 하나 이상의 예시적인 실시예에 따른 프로세스를 묘사한다.
도 16은 하나 이상의 예시적인 실시예에 따른 프로세스를 묘사한다.
도 17은 하나 이상의 예시적인 실시예에 따른 프로세스를 묘사한다.
도 18은 하나 이상의 예시적인 실시예에 따른 트레이닝 아키텍처를 묘사한다.
도 19는 하나 이상의 예시적인 실시예에 따른 프로세스를 묘사한다.
도 20a는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
도 20b는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
도 20c는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
도 20d는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
도 21a는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
도 21b는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
도 21c는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
도 21d는 하나 이상의 예시적인 실시예에 따른 수복물을 갖는 3D 모델을 묘사한다.
예시적인 실시예들은 수복물 생성을 위한 임의의 CAD(Computer-aided design) 소프트웨어의 사용자가 수복 작업 흐름에서 두 가지 경우에, 즉 한 번은 작업 흐름에서의 설계 단계의 시작 부분에서 치아 다이어그램(tooth diagram) 또는 치아 체계(tooth scheme)(예를 들면, 2차원(2D) 치아 다이어그램)를 사용한 치아 번호 및 치아 표시를 정의하는 것에 의해, 그리고 이어서 3D 턱의 스캔된 영역을 사용하는 것에 의한 3차원(3D) 모델 생성 후에 수복물의 위치를 입력 또는 선택하는 것(전형적으로 프렙 마진(preparation margin)을 정의하는 것에 의해 수행됨)을 통해 수복물의 수동 배치 또는 수복물 유형의 선택을 불필요하게 처리한다는 것을 인식한다. 예시적인 실시예들은 이것이 시간 소모적일 뿐만 아니라, 특히 새로운 치과 전문가의 경우, 오류가 발생하기 쉽다는 것을 인식한다. 예시적인 실시예들은 이것이 해결하기가 특히 어려운 문제이고, 현재 이용 가능한 해결책들에서는 해결될 수 없는 것으로 알려진 문제임을 인식한다. 예시적인 실시예들은 종래의 소프트웨어에서, 3D 모델의 프렙된 치아(prepared teeth)의 치아 번호는 물론 프렙된 부위(prepared site)의 위치도 지정되어야 한다는 것을 인식한다. 게다가, 사용자가 이러한 입력을 교정하는 것도 동일한 방식으로 이루어져야 한다. 이는 상당한 사용자 상호 작용을 요구하고 따라서 오류가 발생할 가능성이 더 높아진다. 제안된 수복물의 정확성을 제공하고 향상시키기 위해 수복 프로세스의 이 단계 및 다른 단계들을 자동화할 필요성이 존재한다. 치아 제안의 생성을 돕기 위해 치아 모델 상의 프렙된 영역(prepared area)이 자동으로 인식 및 분류될 수 있도록 턱이 스캔된 후 또는 턱 모델이 임포트된 후 사용자 상호 작용 없이 수복 설계를 가능하게 하는 완전 자동 인식 및 계산의 필요성이 존재한다. 간단한 드래그 앤 드롭 동작을 사용하여 3D 모델에서 직접 구강(cavity)을 직관적으로 조정하고 잘못된 수복물 배치를 교정하기 위한 교정 도구를 사용자에게 제공하는 사용자 친화적인 도구의 필요성이 추가로 존재한다. 본 발명을 설명하는 데 사용된 예시적인 실시예들은 일반적으로 수복 작업 흐름의 모든 치아 수동 관리 프로세스와 같은 치아 관리 단계를 자동화하고 따라서 수복 작업 흐름의 전체 또는 상당 부분(예를 들어, 치아 스캔 프로세스는 제외함)을 자동화하는 것에 의해 위에서 설명된 문제 및 다른 관련 문제를 다루고 해결한다.
실시예는 모델 상에 수복물 표시, 치아 번호 또는 치아 위치를 사전에 수동으로 입력하지 않고 자동으로 수복물을 생성한다. 실시예는 생성된 수복물을 3D 모델 상에 디스플레이한다. 실시예는 완전히 정확하지는 않은 구강 영역(cavity region)의 미세 조정을 위한 도구를 제공한다. 실시예는 필요한 경우 수복물 위치를 조정하기 위한 도구를 제공한다.
예시적인 실시예들은 단지 예로서 특정 유형의 데이터, 함수, 알고리즘, 방정식, 모델 구성, 실시예의 위치, 추가적인 데이터, 디바이스, 데이터 처리 시스템, 환경, 컴포넌트, 및 애플리케이션과 관련하여 설명된다. 이들 및 다른 유사한 아티팩트의 임의의 특정 구현형(manifestation)은 본 발명을 제한하려는 의도가 아니다. 이들 및 다른 유사한 아티팩트의 임의의 적합한 구현형이 예시적인 실시예들의 범위 내에서 선택될 수 있다.
게다가, 예시적인 실시예들은 임의의 유형의 데이터, 데이터 소스, 또는 데이터 네트워크를 통한 데이터 소스에 대한 액세스와 관련하여 구현될 수 있다. 임의의 유형의 데이터 저장 디바이스는 본 발명의 범위 내에서, 데이터 처리 시스템에서 로컬로 또는 데이터 네트워크를 통해, 본 발명의 실시예에 데이터를 제공할 수 있다. 실시예가 모바일 디바이스를 사용하여 설명되는 경우, 모바일 디바이스와 함께 사용하기에 적합한 임의의 유형의 데이터 저장 디바이스는 예시적인 실시예들의 범위 내에서, 모바일 디바이스에서 로컬로 또는 데이터 네트워크를 통해, 이러한 실시예에 데이터를 제공할 수 있다.
예시적인 실시예들은 단지 예로서 특정 코드, 설계, 아키텍처, 프로토콜, 레이아웃, 회로도, 및 도구를 사용하여 설명되었으며 예시적인 실시예들로 제한되지는 않는다. 게다가, 예시적인 실시예들은 일부 경우에 설명의 명확성을 위해 단지 예로서 특정 소프트웨어, 도구 및 데이터 처리 환경을 사용하여 설명된다. 예시적인 실시예들은 다른 비슷하거나 유사한 목적의 구조, 시스템, 애플리케이션 또는 아키텍처와 함께 사용될 수 있다. 예를 들어, 그에 대한 다른 유사한 디바이스, 구조, 시스템, 애플리케이션 또는 아키텍처가 본 발명의 범위 내에서 본 발명의 이러한 실시예와 함께 사용될 수 있다. 예시적인 실시예는 하드웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수 있다.
본 개시에서의 예들은 설명의 명확성을 위해서만 사용되며 예시적인 실시예들로 제한되지 않는다. 추가적인 데이터, 동작, 액션, 작업, 활동, 및 조작이 본 개시로부터 구상될 수 있으며, 이는 예시적인 실시예들의 범위 내에서 고려된다.
본 명세서에 나열된 임의의 장점들은 예일뿐이며 예시적인 실시예로 제한하려는 의도가 아니다. 특정 예시적인 실시예들에 의해 추가적인 또는 상이한 장점들이 실현될 수 있다. 게다가, 특정 예시적인 실시예는 위에 나열된 장점들 중 일부, 전부를 갖거나 전혀 갖지 않을 수 있다.
도면들을 참조하면, 특히 도 1 및 도 2를 참조하면, 이들 도면은 예시적인 실시예들이 구현될 수 있는 데이터 처리 환경의 예시적인 다이어그램이다. 도 1 및 도 2는 예일뿐이며 상이한 실시예들이 구현될 수 있는 환경과 관련하여 어떠한 제한도 주장하거나 암시하려는 의도가 아니다. 특정 구현은 이하의 설명에 기초하여 묘사된 환경에 많은 수정을 가할 수 있다.
도 1은 예시적인 실시예들이 구현될 수 있는 데이터 처리 시스템들의 네트워크의 블록 다이어그램을 묘사한다. 데이터 처리 환경(100)은 예시적인 실시예들이 구현될 수 있는 컴퓨터들의 네트워크이다. 데이터 처리 환경(100)은 네트워크/통신 인프라스트럭처(102)를 포함한다. 네트워크/통신 인프라스트럭처(102)는 데이터 처리 환경(100) 내에서 함께 연결된 다양한 디바이스, 데이터베이스 및 컴퓨터 사이의 통신 링크를 제공하는 데 사용되는 매체이다. 네트워크/통신 인프라스트럭처(102)는, 유선, 무선 통신 링크, 또는 광섬유 케이블과 같은 연결을 포함할 수 있다.
클라이언트 또는 서버는 네트워크/통신 인프라스트럭처(102)에 연결된 특정 데이터 처리 시스템의 예시적인 역할일 뿐이며 이러한 데이터 처리 시스템에 대한 다른 구성 또는 역할을 배제하려는 의도가 아니다. 서버(104)와 서버(106)는 저장 유닛(108)과 함께 네트워크/통신 인프라스트럭처(102)에 결합된다. 소프트웨어 애플리케이션은 데이터 처리 환경(100) 내의 임의의 컴퓨터에서 실행될 수 있다. 클라이언트(110), 클라이언트(112), 클라이언트(114)가 또한 네트워크/통신 인프라스트럭처(102)에 결합된다. 클라이언트(110)는 디스플레이를 갖춘 치과 획득 유닛(dental acquisition unit)일 수 있다. 서버(104) 또는 서버(106) 또는 클라이언트들(클라이언트(110), 클라이언트(112), 클라이언트(114))과 같은, 데이터 처리 시스템은 데이터를 포함할 수 있고 그에서 실행되는 소프트웨어 애플리케이션 또는 소프트웨어 도구를 가질 수 있다.
단지 예로서, 이러한 아키텍처에 대한 어떠한 제한도 암시하지 않고, 도 1은 실시예의 예시적인 구현에서 사용 가능한 특정 컴포넌트들을 묘사한다. 예를 들어, 서버와 클라이언트는 예일뿐이며 클라이언트-서버 아키텍처에 대한 제한을 암시하지는 않는다. 다른 예로서, 실시예는 도시된 바와 같이 여러 데이터 처리 시스템 및 데이터 네트워크에 걸쳐 분산될 수 있는 반면, 다른 실시예는 예시적인 실시예들의 범위 내에서 단일 데이터 처리 시스템에서 구현될 수 있다. 데이터 처리 시스템들(서버(104), 서버(106), 클라이언트(110), 클라이언트(112), 클라이언트(114))은 또한 클러스터, 파티션 및 실시예를 구현하는 데 적합한 다른 구성에서의 예시적인 노드들을 나타낸다.
치아 스캐너(122)는 사람의 구강(oral cavity)을 매핑하는 투영을 통해 복수의 이미지들을 획득하는 것에 의해 치아를 측정하는 하나 이상의 센서를 포함한다. 예에서, 치아 스캐너(122)는 초당 수백 또는 수천 번 데이터 포인트를 캡처하여, 각각의 치아의 크기와 형상을 자동으로 등록한다. 치아 스캐너(122)는 이 데이터를 연결된 컴퓨터의 소프트웨어로 지속적으로 전송하고, 이 소프트웨어는 이를 환자의 구강의 3D 인상(3D impression)으로 구축한다.
가장 널리 사용되는 디지털 포맷은 STL(Standard Tessellation Language) 포맷이지만 다른 포맷도 사용될 수 있다. 이 포맷은 각각의 삼각형이 3개의 점과 하나의 법선 표면에 의해 정의되는 일련의 삼각분할 표면(triangulated surface)을 설명한다. STL 파일은 색상, 질감 또는 다른 CAD 모델 속성을 표현하지 않고 3차원 객체의 표면 지오메트리(surface geometry)만을 설명할 수 있다. 그렇지만, 치아 조직의 색상, 투명도 또는 질감을 기록하기 위해 다른 파일 포맷(예컨대, PLY(Polygon File Format) 파일)이 개발되었다. 이용된 이미징 기술의 유형에 관계없이, 스캐너 또는 카메라는 광을 투사하고, 이 광은 이어서 개별 이미지로서 기록되며 POI(points of interest, 관심 지점)를 인식한 후 소프트웨어에 의해 편집된다. 예를 들어, 각각의 지점의 2개의 좌표(x 및 y)는 이미지에서 평가되고, 세 번째 좌표(z)는 스캐너로부터의 거리에 따라 계산된다.
클라이언트 애플리케이션(120) 또는 임의의 다른 애플리케이션(116)은 본 명세서에 설명된 실시예를 구현한다. 클라이언트 애플리케이션(120)은 치아 스캐너(122)에 의해 촬영된 단일 프레임 이미지들을 사용하여 3D 모델을 생성 또는 렌더링하기 위해 치아 스캐너(122)로부터의 데이터를 사용할 수 있다. 클라이언트 애플리케이션(120)은 또한 렌더링 또는 특성화를 위해 저장 유닛(108)으로부터 데이터를 획득할 수 있다. 클라이언트 애플리케이션(120)은 또한 서버(104) 내의 클라이언트 애플리케이션(116)과 같은, 데이터 처리 시스템들(서버(104) 또는 서버(106), 클라이언트(110), 클라이언트(112), 클라이언트(114)) 중 임의의 것에서 실행될 수 있으며 클라이언트(110)와 동일한 시스템에서 실행될 필요는 없다.
서버(104), 서버(106), 저장 유닛(108), 클라이언트(110), 클라이언트(112), 클라이언트(114)는 유선 연결, 무선 통신 프로토콜, 또는 다른 적합한 데이터 연결을 사용하여 네트워크/통신 인프라스트럭처(102)에 결합될 수 있다. 클라이언트(110), 클라이언트(112) 및 클라이언트(114)는, 예를 들어, 개인용 컴퓨터 또는 네트워크 컴퓨터일 수 있다.
묘사된 예에서, 서버(104)는 부트 파일, 운영 체제 이미지 및 애플리케이션과 같은 데이터를 클라이언트(110), 클라이언트(112) 및 클라이언트(114)에 제공할 수 있다. 이 예에서 클라이언트(110), 클라이언트(112) 및 클라이언트(114)는 서버(104)에 대한 클라이언트일 수 있다. 클라이언트(110), 클라이언트(112) 및 클라이언트(114) 또는 이들의 어떤 조합은 자체 데이터, 부트 파일, 운영 체제 이미지 및 애플리케이션을 포함할 수 있다. 데이터 처리 환경(100)은 추가적인 서버, 클라이언트, 및 도시되지 않은 다른 디바이스를 포함할 수 있다. 서버(104)는 하나 이상의 실시예에 따라 라이브 제어 뷰(live control view)를 디스플레이하기 위해 본 명세서에 설명된 기능들 중 하나 이상을 구현하도록 구성될 수 있는 애플리케이션(116)을 포함한다.
서버(106)는 다양한 실시예들과 관련하여 본 명세서에 설명된 바와 같이 조작자로부터의 요청에 응답하여 치과 진료를 위한 환자의 이미지 및 3D 모델과 같은 저장된 파일을 탐색하거나 검색하도록 구성된 탐색 엔진을 포함할 수 있다.
묘사된 예에서, 데이터 처리 환경(100)은 인터넷일 수 있다. 네트워크/통신 인프라스트럭처(102)는 서로 통신하기 위해 TCP/IP(Transmission Control Protocol/Internet Protocol) 및 다른 프로토콜을 사용하는 네트워크 및 게이트웨이의 집합체를 나타낼 수 있다. 인터넷의 중심에는 데이터와 메시지를 라우팅하는 수천 개의 상업, 정부, 교육 및 다른 컴퓨터 시스템을 포함하여 주요 노드들 또는 호스트 컴퓨터들 사이의 데이터 통신 링크들의 백본이 있다. 물론, 데이터 처리 환경(100)은 또한, 예를 들어, 인트라넷, LAN(local area network) 또는 WAN(wide area network)과 같은, 다수의 상이한 유형의 네트워크들로서 구현될 수 있다. 도 1은 예로서 의도된 것이며, 상이한 예시적인 실시예들에 대한 구조적 제한으로서 의도된 것이 아니다.
용도들 중에서도 특히, 데이터 처리 환경(100)은 예시적인 실시예들이 구현될 수 있는 클라이언트-서버 환경을 구현하는 데 사용될 수 있다. 클라이언트-서버 환경은 클라이언트 데이터 처리 시스템과 서버 데이터 처리 시스템 간의 상호 작용을 사용하여 애플리케이션이 기능하도록 소프트웨어 애플리케이션 및 데이터가 네트워크에 걸쳐 분산될 수 있게 한다. 데이터 처리 환경(100)은 또한 네트워크에 걸쳐 분산된 상호 운용 가능한 소프트웨어 컴포넌트들이 일관된 비즈니스 애플리케이션으로서 함께 패키징될 수 있는 서비스 지향 아키텍처(service oriented architecture)를 이용할 수 있다. 데이터 처리 환경(100)은 또한 클라우드의 형태를 취할 수 있으며, 최소한의 관리 노력 또는 서비스의 제공업체와의 상호 작용을 통해 신속하게 프로비저닝 및 릴리스될 수 있는 구성 가능한 컴퓨팅 자원들(예를 들면, 네트워크, 네트워크 대역폭, 서버, 처리, 메모리, 저장소, 애플리케이션, 가상 머신, 및 서비스)의 공유 풀에 대한 편리한 온디맨드 네트워크 액세스를 가능하게 하기 위한 클라우드 컴퓨팅 서비스 전달 모델을 이용할 수 있다.
도 2를 참조하면, 이 도면은 예시적인 실시예들이 구현될 수 있는 데이터 처리 시스템의 블록 다이어그램을 묘사한다. 데이터 처리 시스템(200)은, 도 1에서의 클라이언트(110), 클라이언트(112), 클라이언트(114) 또는 서버(104), 서버(106), 또는 예시적인 실시예들에 대한 프로세스들을 구현하는 컴퓨터 사용 가능 프로그램 코드 또는 명령어들이 위치할 수 있는 다른 유형의 디바이스와 같은, 컴퓨터의 예이다.
데이터 처리 시스템(200)은 이에 제한되지는 않고 단지 예로서 컴퓨터로서 설명된다. 도 1에서의 다른 디바이스 형태의 구현은, 예컨대, 터치 인터페이스를 추가하는 것에 의해 데이터 처리 시스템(200)을 수정할 수 있으며, 심지어 본 명세서에 설명된 데이터 처리 시스템(200)의 동작 및 기능에 대한 일반적인 설명에서 벗어나지 않으면서 데이터 처리 시스템(200)으로부터 특정 묘사된 컴포넌트들을 제거할 수 있다.
묘사된 예에서, 데이터 처리 시스템(200)은 노스브리지(North Bridge) 및 메모리 컨트롤러 허브(NB/MCH)(202)와 사우스브리지 및 입출력(I/O) 컨트롤러 허브(SB/ICH)(204)를 포함하는 허브 아키텍처를 이용한다. 처리 유닛(206), 메인 메모리(208) 및 그래픽 프로세서(210)는 노스 브리지 및 메모리 컨트롤러 허브(NB/MCH)(202)에 결합된다. 처리 유닛(206)은 하나 이상의 프로세서를 포함할 수 있으며 하나 이상의 이기종 프로세서 시스템을 사용하여 구현될 수 있다. 처리 유닛(206)은 멀티 코어 프로세서일 수 있다. 그래픽 프로세서(210)는 특정 구현들에서 가속 그래픽 포트(AGP)를 통해 노스 브리지 및 메모리 컨트롤러 허브(NB/MCH)(202)에 결합될 수 있다.
묘사된 예에서, LAN(local area network) 어댑터(212)는 사우스 브리지 및 입출력(I/O) 컨트롤러 허브(SB/ICH)(204)에 결합된다. 오디오 어댑터(216), 키보드 및 마우스 어댑터(220), 모뎀(222), ROM(read only memory)(224), USB(universal serial bus) 및 다른 포트들(232), 및 PCI/PCIe 디바이스들(234)은 버스(218)를 통해 사우스 브리지 및 입출력(I/O) 컨트롤러 허브(SB/ICH)(204)에 결합된다. HDD(hard disk drive) 또는 SSD(solid-state drive)(226a) 및 CD-ROM(230)은 버스(228)를 통해 사우스 브리지 및 입출력(I/O) 컨트롤러 허브(SB/ICH)(204)에 결합된다. PCI/PCIe 디바이스들(234)은, 예를 들어, 노트북 컴퓨터를 위한 이더넷 어댑터, 애드인 카드(add-in card), 및 PC 카드를 포함할 수 있다. PCI는 카드 버스 컨트롤러를 사용하지만, PCIe는 그렇지 않다. ROM(read only memory)(224)은, 예를 들어, 플래시 BIOS(binary input/output system)일 수 있다. HDD(hard disk drive) 또는 SSD(solid-state drive)(226a) 및 CD-ROM(230)은, 예를 들어, IDE(integrated drive electronics), SATA(serial advanced technology attachment) 인터페이스, 또는 eSATA(external-SATA) 및 mSATA(micro-SATA)와 같은 변형을 사용할 수 있다. SIO(super I/O) 디바이스(236)는 버스(218)를 통해 사우스 브리지 및 입출력(I/O) 컨트롤러 허브(SB/ICH)(204)에 결합될 수 있다.
메인 메모리(208), ROM(read only memory)(224) 또는 플래시 메모리(도시되지 않음)와 같은 메모리는 컴퓨터 사용 가능 저장 디바이스들의 일부 예들이다. HDD(hard disk drive) 또는 SSD(solid-state drive)(226a), CD-ROM(230), 및 다른 유사하게 사용 가능한 디바이스는 컴퓨터 사용 가능 저장 매체를 포함하는 컴퓨터 사용 가능 저장 디바이스들의 일부 예들이다.
운영 체제는 처리 유닛(206)에서 실행된다. 운영 체제는 도 2에서의 데이터 처리 시스템(200) 내의 다양한 컴포넌트들을 조율하고 제어한다. 운영 체제는, 서버 시스템, 개인용 컴퓨터 및 모바일 디바이스를 포함하지만 이에 제한되지는 않는, 임의의 유형의 컴퓨팅 플랫폼에 대한 상업적으로 이용 가능한 운영 체제일 수 있다. 객체 지향 또는 다른 유형의 프로그래밍 시스템은 운영 체제와 함께 작동할 수 있으며 데이터 처리 시스템(200)에서 실행되는 프로그램들 또는 애플리케이션들로부터의 운영 체제에 대한 호출을 제공할 수 있다.
운영 체제, 객체 지향 프로그래밍 시스템, 및 도 1에서의 애플리케이션(116) 및 클라이언트 애플리케이션(120)과 같은 애플리케이션 또는 프로그램에 대한 명령어들은 저장 디바이스에, 예컨대, HDD(hard disk drive) 또는 SSD(solid-state drive)(226a)에 코드(226b) 형태로 위치하며, 처리 유닛(206)에 의한 실행을 위해, 메인 메모리(208)와 같은, 하나 이상의 메모리 중 적어도 하나에 로딩될 수 있다. 예시적인 실시예들의 프로세스들은, 예를 들어, 메인 메모리(208), ROM(read only memory)(224)과 같은, 메모리에, 또는 하나 이상의 주변 디바이스에 위치할 수 있는 컴퓨터로 구현되는(computer implemented) 명령어들을 사용하여 처리 유닛(206)에 의해 수행될 수 있다.
게다가, 하나의 경우에, 코드(226b)는 원격 시스템(214b)으로부터 네트워크(214a)를 통해 다운로드될 수 있으며, 여기서 유사한 코드(214c)는 저장 디바이스(214d)에 저장되며, 다른 경우에, 코드(226b)는 네트워크(214a)를 통해 원격 시스템(214b)으로 다운로드될 수 있으며, 여기서 다운로드된 코드(214c)는 저장 디바이스(214d)에 저장된다.
도 1과 도 2에서의 하드웨어는 구현에 따라 달라질 수 있다. 플래시 메모리, 동등한 비휘발성 메모리, 또는 광학 디스크 드라이브 등과 같은, 다른 내부 하드웨어 또는 주변 디바이스는 도 1 및 도 2에 묘사된 하드웨어에 추가로 또는 그 대신 사용될 수 있다. 추가적으로, 예시적인 실시예들의 프로세스들은 멀티프로세서 데이터 처리 시스템에 적용될 수 있다.
일부 예시적인 예들에서, 데이터 처리 시스템(200)은, 운영 체제 파일 및/또는 사용자가 생성한 데이터(user-generated data)를 저장하기 위한 비휘발성 메모리를 제공하기 위해 일반적으로 플래시 메모리로 구성되는, PDA(personal digital assistant)일 수 있다. 버스 시스템은, 시스템 버스, I/O 버스 및 PCI 버스와 같은, 하나 이상의 버스를 포함할 수 있다. 물론, 버스 시스템은 패브릭 또는 아키텍처에 부착된 상이한 컴포넌트들 또는 디바이스들 간의 데이터 전송을 제공하는 임의의 유형의 통신 패브릭 또는 아키텍처를 사용하여 구현될 수 있다.
통신 유닛은, 모뎀 또는 네트워크 어댑터와 같은, 데이터를 송신하고 수신하는 데 사용되는 하나 이상의 디바이스를 포함할 수 있다. 메모리는, 예를 들어, 메인 메모리(208) 또는, 노스브리지 및 메모리 컨트롤러 허브(NB/MCH)(202)에 있는 캐시와 같은, 캐시일 수 있다. 처리 유닛은 하나 이상의 프로세서 또는 CPU를 포함할 수 있다.
도 1 및 도 2에 묘사된 예 및 위에 설명된 예는 아키텍처 제한을 암시하려는 것이 아니다. 예를 들어, 데이터 처리 시스템(200)은 또한 모바일 또는 웨어러블 디바이스의 형태를 취하는 것 외에도 태블릿 컴퓨터, 랩톱 컴퓨터 또는 전화 디바이스일 수 있다.
컴퓨터 또는 데이터 처리 시스템이 가상 머신, 가상 디바이스 또는 가상 컴포넌트로서 설명되는 경우, 가상 머신, 가상 디바이스 또는 가상 컴포넌트는 데이터 처리 시스템(200)에 묘사된 일부 또는 모든 컴포넌트들의 가상화된 구현형(virtualized manifestation)을 사용하여 데이터 처리 시스템(200)의 방식으로 작동한다. 예를 들어, 가상 머신, 가상 디바이스 또는 가상 컴포넌트에서, 처리 유닛(206)은 호스트 데이터 처리 시스템에서 이용 가능한 하드웨어 처리 유닛들(206)의 전부 또는 일부의 가상화된 인스턴스로서 나타나고, 메인 메모리(208)는 호스트 데이터 처리 시스템에서 이용 가능할 수 있는 메인 메모리(208)의 전부 또는 일부의 가상화된 인스턴스로서 나타나며, HDD(hard disk drive) 또는 SSD(solid-state drive)(226a)는 호스트 데이터 처리 시스템에서 이용 가능할 수 있는 HDD(hard disk drive) 또는 SSD(solid-state drive)(226a)의 전부 또는 일부의 가상화된 인스턴스로서 나타난다. 이러한 경우에 호스트 데이터 처리 시스템은 데이터 처리 시스템(200)으로 표현된다.
도 3은 예시적인 실시예들에 따른, 수복 프로세스를 자동화하도록 구성된 수복 시스템(300)을 예시한다. 일부 실시예들에서, 수복 시스템(300)은 하나 이상의 컴퓨팅 플랫폼(들)(304)을 포함할 수 있다. 컴퓨팅 플랫폼(들)(304)은 클라이언트/서버 아키텍처, 피어 투 피어 아키텍처, 및/또는 다른 아키텍처들에 따라 하나 이상의 원격 플랫폼(들)(306)과 통신하도록 구성될 수 있다. 원격 플랫폼(들)(306)은 컴퓨팅 플랫폼(들)(304)을 통해 및/또는 클라이언트/서버 아키텍처, 피어 투 피어 아키텍처, 및/또는 다른 아키텍처들에 따라 다른 원격 플랫폼들과 통신하도록 구성될 수 있다. 사용자는 원격 플랫폼(들)(104)을 통해 수복 시스템(300)에 액세스할 수 있다.
컴퓨팅 플랫폼(들)(304)은 머신 판독 가능 명령어들(308)에 의해 구성될 수 있다. 머신 판독 가능 명령어들(308)은 하나 이상의 명령어 모듈을 포함할 수 있다. 명령어 모듈은 스플라인 형성 모듈(332), 치간 간극 제안 모듈(310), 단면 모듈(302), 치간 유두 검출 모듈(312), 분류 모듈(314), 가중 모듈(316), 정렬 모듈(318), 전처리 모듈(320), 트레이닝 모듈(322), 최적합 계산 모듈(324), 전역 최적화 모듈(326), 반복 모듈(328), 및/또는 다른 명령어 모듈들 중 하나 이상을 포함할 수 있다. 원격 플랫폼(들)(306) 및 외부 자원들(330)은 데이터 처리 환경(100)의 서버들 및 클라이언트 애플리케이션들에 대응할 수 있다. 예시적인 실시예에서, 컴퓨팅 플랫폼(들)(304)은 도 4, 도 15, 도 16, 도 19, 도 12 및 도 17의 프로세스들과 같은 본 명세서에 설명된 방법들 또는 프로세스들을 실행할 수 있다. 종래의 작업 흐름과 비교하여, 수복물이 명시적으로 정의될 필요가 없고, 치아 번호가 표시될 필요가 없으며, 프렙 유형(preparation type)이 표시될 필요가 없고, 수복물이 사용자 상호 작용 없이 디스플레이 상의 3D 장면에서 직접 제안되며, 턱 모델이 수동으로 위치될 필요가 없고, 삽입 축이 수동으로 입력될 필요가 없으며, 프렙 마진의 초기 입력이 필요하지 않고, 스캔 보디(scan body)(어버트먼트(abutment))가 마킹될 필요가 없으며, 구성 축(어버트먼트)가 입력될 필요가 없고, 필요한 경우, 이미 수복된 상태에서 구강의 직관적인 조정이 수행될 수 있으며, 필요한 경우, 3D 장면에서 드래그 앤 드롭에 의해 잘못된 치아 배치가 교정될 수 있도록 프로세스들이 실행될 수 있다.
이제 도 4를 참조하여, 도 3의 컴퓨팅 플랫폼(들)(304)에 의해 수행되는 프로세스(400)가 설명될 것이다. 프로세스는 단계(402)에서 시작된다. 단계(402)에서, 프로세스(400)는, 스플라인 형성 모듈(332)을 사용하여, 턱을 따라 스플라인을 형성한다. 단계(404)에서, 프로세스(400)는 (a) 단면 모듈(302)을 사용하여 치아 단면을 분석하고, (b) 치간 유두 검출 모듈(312)을 사용하여 치간 유두를 검출하며, (c) 분류 모듈(314)을 사용하여 치아 간격들을 분류하는 치간 간극 검출 단계들 중 하나 이상을 수행하는 것에 의해, 치간 간극 제안 모듈을 사용하여, 잠재적인 치간 간극들을 제안한다. 예시적인 실시예에서, 3개의 단계 모두가 병렬로 함께 수행된다. 다른 실시예에서, 단계들의 임의의 조합이 직렬 또는 병렬로 수행된다. 단계(406)에서, 프로세스(400)는 가중 모듈(316)을 사용하여 잠재적인 치간 간극들을 가중하여 - 이 가중은 치간 간극 검출 단계들 중 하나 이상에 기초하여 수행됨 -, 하나 이상의 구분자를 획득한다. 예시적인 실시예에서, 사용자는 적어도 3개를 스캔할 수 있지만, 스캔이 필요한 것보다 훨씬 짧고 2개의 치아의 전이(transition)만을 포함하는 경우, 하나의 구분자만이 획득될 수 있다. 게다가, 한쪽 턱에서 적어도 3개의 치아를 스캔하는 것으로 충분할 수 있다. 특히, 드릴링 템플릿(drilling template)은 대부분 아래턱 또는 위턱에만 구성되어 있으며 따라서 턱의 한쪽만이 스캔될 수 있다.
단계(408)에서, 프로세스(400)는, 이후 설명되는 정렬 모듈(318)을 사용하여, 고정된 구분자들(예를 들면, 인접한 고정된 구분자들) 사이의 하나 이상의 가능한 치아 정렬 각각에 대한 치아 번호 확률들을 자동으로 제안한다. 실시예에서, 정렬 모듈(318)은 머신 러닝 엔진이다. 단계(410)에서, 프로세스(400)는 적어도 제안된 치아 번호 확률들을 사용하여 하나 이상의 가능한 치아 정렬로부터, 최적합 계산 모듈(324)을 사용하여, 최적합 치아 번호 분포를 계산한다.
단계(402)에서, 도 5에 도시된 바와 같은 스플라인 곡선(502)은 환자의 치열을 스캐닝하는 것으로부터 획득되는 3D 모델(504)의 위턱 및 아래턱을 따라 피팅된다. 피팅에 의해 모든 추가 계산들을 위한 기준선으로 사용될 수 있는 매끄러운 선이 얻어진다. 피팅 프로세스는 치아의 표면에 피팅되는 대략적인 선(crude line)으로 시작될 수 있다. 대략적인 선의 일부는 2개의 지점으로 나누어져 세분화(refinement) 프로세스를 통해 턱에 재배치된다. 이는 턱 상의 지점들이 치아에 얼마나 중요한지(예를 들면, 열구(fissure)/절연(incisal edge)에 더 가까운지)에 기초하여 턱 상의 지점들을 가중하는 것을 포함하는 통계적 계산에 의해 수행된다. 일반적으로 지점이 높을수록, 그 지점이 가장 관련성이 있다. 통계를 위해 삼각측량의 모든 정점(vertex)들이 사용되며, 여기서 열구/절단연에 더 가까이 있는 정점들은 더 높은 가중치를 갖는다. 대안적으로, 스플라인의 일부 제어 정점(control vertex)들을 최적화하는 것에 의해 분석 스플라인이 턱에 직접 피팅되는 해결책이 가능하다. 이 경우에, 세분화가 필요하지 않다. 스플라인 곡선(502)은 어금니에서의 상부 열구(top fissure)에 및 절연과 같은 앞니의 표면에 피팅될 수 있다. 게다가, 아래턱 스플라인과 위턱 스플라인의 결합/평균 스플라인이 전체 치열에 대한 일반화된 파라미터화 곡선으로서 생성된다. 스플라인 곡선(502)은 본 명세서에 설명된 하나 이상의 계산을 위한 기준선으로 사용된다.
단계(404)에서, 다수의 치간 간극 검출 절차들을 사용하여 잠재적인 치간 간극(치아 사이의 공간)이 제안된다. 예시적인 실시예에서, 3개의 절차가 병렬로 수행되지만, 직렬로 수행될 수도 있다. 이는 (a) 단면 모듈(302)을 사용하여 치아 단면을 분석하는 것, (b) 치간 유두 검출 모듈(312)을 사용하여 치간 유두를 검출하는 것, 및 (c) 분류 모듈(314)을 사용하여 치아 간격들을 분류하는 것을 포함한다.
치아 단면을 분석하여 잠재적인 치간 간극을 찾는 단계는 예시적인 실시예에서 다음과 같이 수행될 수 있다. 도 6에 도시된 바와 같이 단면을 따른 모든 위치에 대해 단면에 사용되는 높이(606)가 구해진다. 스플라인 곡선(502), 및 치아와 치은(gingiva) 사이의 전이를 나타내는 전이 곡선(602)(스플라인 곡선(502)과 전이 곡선(602)은 이상적으로 동일한 개수의 지점을 포함함)이 주어지면, 스플라인 곡선(502) 및 전이 곡선(602) 상의 각각의 지점 쌍에 대한, 지점 쌍들 사이에 정의된 비율인, 높이를 구하는 것에 의해 단면 곡선(604)이 획득된다. 예에서, 단면 곡선(604) 상의 위치는 전이 곡선(602) 상의 대응 위치와 스플라인 곡선(502) 상의 대응 위치 사이 거리의 1/3이다. 다른 예에서, 스플라인 곡선(502)은 턱의 중앙으로 낮아지거나, 예를 들면, 교합면(608)의 관점에서/위에서 볼 때 단면 곡선(604)이 스플라인 곡선(502)에 중첩되어 나타나도록 교합면에 수직인 평면을 따라 정의된 거리만큼, 이동된다, 물론, 주어진 예는 제한하려는 의도가 아니며, 이 설명을 고려하여 본 명세서에 설명된 프로세스들에 대한 일관된 기준 프레임을 제공하는 다른 기준선/곡선 및 비율이 획득될 수 있다.
단면 곡선(604)은 프렙이 건강한 치아와 정확하게 구별될 수 있도록 프렙에 대해 동일한 레벨(단면이 스플라인 곡선(502)과 전이 곡선(602) 사이에 고정된 비율로 유지됨)로 유지된다. 더 구체적으로는, 단면 곡선(604)은 마진 프렙(marginal preparation)에 대해 작동되어야 한다, 즉, 단면을 이용한 분석은 인레이(inlay), 온레이(onlay), 부분 크라운(partial crown) 등과 같은 모든 유형의 프렙을 인식할 수 있다.
후속하여, 양측 거리 함수(bilateral distance function)가 계산된다. 계산은 도 7a 및 도 7b에 도시되어 있으며, 여기서 단면 곡선(604)은, 예를 들어, 치아(704)당 대략 100개의 샘플(예컨대, 80 내지 120개의 샘플)의 정의된 길이 분해능으로 샘플링된다. 단면 곡선(604)에 수직인 수직선(702)은 각각의 샘플을 통과하게 단면 곡선(604)의 높이에 배치된다. 이들 선의 방향도 교합면(608)에 있다. 수직선(702)은 3D 모델(504)과 교차하고 각각의 경우에서 설측 교차점(lingual intersection point)(706) 및 협측/순측 교차점(buccal/labial intersection)(708)이 결정되며, 하악궁(mandibular arch)의 반대편에 있는 잠재적인 교차점은 예시적인 실시예에서 제외되어 있다. 도 7b는 복수의 수직선들(702)이 하나의 치아(704)를 통과하는 것으로 도시되어 있는 예시적인 실시예에 따른 양측 거리 함수 계산의 2D(two dimensional) 뷰를 도시한다.
검사되는 모든 치아에 대해 복수의 설측 교차점들(706)과 협측/순측 교차점들(708)을 결정하고 이들을 연결하여 윤곽선(710)을 형성하는 것에 의해, 극소(minima)(804)(치아의 한쪽 측면에 있는 윤곽선(710) 상의 지점들과 단면 곡선(604) 상의 대응하는 지점들 사이의 거리들의 극솟값(local minimum))는 물론 간극(802)(윤곽선(710)의 시작 또는 끝을 나타내는 영역)도 획득될 수 있다. 간극(802) 및 극소(804)는 치간 간극의 후보이다, 즉 예시적인 턱의 처음 7개의 치아 - 나머지 치아는 절단됨 - 를 나타내는 도 8a, 도 8b 및 도 8c에 도시된 바와 같이 치아들 사이의 잠재적인 치간 간극/경계를 나타낸다.
도 8a는 대응하는 간극(802) 및 극소(804)와 함께 협측 윤곽선(806)을 도시한다. 도 8b에 도시된 바와 같이, 단면 곡선(604)을 직선화하는 것에 의해, 치아의 다른 쪽 측면에 도 8c의 설측 윤곽선(808)을 추가할 수 있도록 공통 기준 프레임이 획득될 수 있다. 협측 윤곽선(806)과 설측 윤곽선(808) 둘 모두에 대한 간극(802)과 극소(804)를 구하는 것에 의해, 한쪽 측면에만 프로세스를 수행하는 것에 비해 잠재적인 치간 간극의 검출이 더 안정적인 방식으로 이루어진다. 이는 단면 곡선(604)에 대해 서로 가까이 위치하는 양측으로부터의 극소(804) 및 간극(802)이 통계적으로 치아들 사이의 실제 치간 간극/실제 경계를 나타낼 가능성이 더 높다는 관찰에 기인한다. 따라서 갭(802) 및 극소(804) 또는 그 특징은 후술하는 바와 같이 가중 모듈(316)에 의한 가중 프로세스에서 가중될 수 있다.
다른 치간 간극 검출 프로세스에서, 치간 유두를 검출하는 것에 의해 치간 간극이 얻어진다. 이는 치간 유두 검출 모듈(312)을 사용하여 달성될 수 있다. 프로세스는 도 10a에 도시된 바와 같이 환자의 치아의 스캔을 분할된 치은(1002)과 분할된 치아(1004)로 분할하는 것을 포함한다. 치은 분할에 기초하여, 치간 유두가 발견될 수 있다. 치은 분할이 정확한 경우, 완전 프렙된 치아(fully prepared teeth)에서도 근위 영역이 발견될 수 있다. 이 절차는 세 단계로 수행된다.
첫 번째 단계에서, 치아와 치은 사이의 경계를 따른 공간 곡선이 분할된다. 이어서 치은의 협측과 설측을 따른 2개의 별도 공간 곡선이 결정된다.
두 번째 단계에서, 치은 경계의 경로를 설명하는 각도 함수가 턱 융기부(jaw ridge)를 따라 협측 및 설측 둘 모두에서 결정된다. 치관-치은(crown-to-gingiva) 방향의 턱의 단면을 보여주는 도 10b에 도시된 바와 같이, 교합 방향의 마진의 높이와 설측-협측 방향의 폭의 결합된 평가를 달성하기 위해, 턱(1010)의 중심에 위치한 위치들에서 보는 기준선을 따른 각도 함수가 정의된다. 단면은 본 명세서에 설명된 턱 중심선/곡선(1012)에 수직이다. 턱 중심선/곡선(1012)은 도 10b에 도시된 바와 같이 z 방향으로 연장되고, 위(크라운 방향)로부터 볼 때 형상이 스플라인 곡선(502)에 대응한다. 턱 중심선/곡선(1012)을 따라 있는 모든 샘플 위치 zi에 대해, (단면 평면 xy에서의) 설측 및 협측 치은 곡선에 대한 각도 알파-i가 계산되어 설측 및 협측 각도 함수로서 저장된다. 치아를 치은으로부터 분리하는 분할 프로세스로 인해 곡선에 대한 각도를 계산하는 것이 가능하다.
세 번째 단계는 다음과 같이 수행된다. 2개의 치은 경계 함수에 대해, 유두를 나타내는 극댓값(local maxima)이 결정된다. 구체적으로, 첫 번째 치아 또는 프렙(1006)에 대해 복수의 알파-i 각도들이 계산되고 인접한 치아 또는 프렙(1008)에 대해 다른 복수의 알파-i 각도들이 계산된다. 잠재적인 치간 유두, 및 따라서 첫 번째 치아 또는 프렙(1006)과 인접한 치아 또는 프렙(1008) 사이에 존재하는 잠재적인 치간 간극은 따라서 가장 큰 알파-i 각도들 또는 인접한 가장 큰 알파-i 각도들 사이의 영역들에 의해 결정되거나 이에 기초할 것이다. 따라서, 위에서 설명된 절차는 치간 유두와 치아가 결손된 간극에서 극댓값(maxima value)을 갖는다. 따라서, 극대(maxima) 및 간극이 추출되고, 이후 설명되는 바와 같은 가중 모듈(316)에 의해, 그들의 형상 특성들에 기초하여 가중되어, 고정된 또는 잠재적인 구분자가 생성된다.
또 다른 치간 간극 검출 프로세스에서, 치간 간극은 분류 모듈(314)에 의한 치아 간격/영역의 분류에 기초하여 결정될 수 있다. 최대 흐름 최소 절단(max-flow-min-cut) 최적화 프로세스를 사용하여, 스플라인 곡선(502)을 따라 샘플이 주어지면, 치아가 턱으로부터 분할된다. 위턱(1102)과 아래턱(1104) 둘 모두가 분석되는 실시예에서, 위턱의 스플라인 곡선(502)과 아래턱의 스플라인 곡선(502)을 평균하는 것으로부터 계산되는 수정된 스플라인 곡선(1106)이 사용될 수 있다. 최대 흐름 최소 절단 최적화 프로세스는 흐름 네트워크(flow network)를 포함하며 여기서 소스(source) 또는 시작 위치로부터 싱크(sink) 또는 종료 위치로 전달되는 최대 흐름량은, 제거되면 소스를 싱크와 연결 해제하는, 에지의 가장 작은 총 가중치(최소 절단)와 동일하다. 치아의 경우, 최대 흐름 최소 절단 최적화는 치아의 표면에서 시작 위치를 찾는 것부터 시작된다. 시작(소스)은 치아의 교합측 어딘가에 있을 수 있고, 싱크는 이 시작 위치로부터 주어진 거리에 떨어져 있는 모든 정점들로서 정의되며, 따라서 치은 또는 인접 치아 상의 어딘가에 있다. 흐름에 대한 에지 가중치는 표면의 곡률 및 가장 강한 색상 전이로부터 얻어지며, 치경부(tooth neck)에서 에지를 따라 최소 절단이 발생한다. 예에서, 치아 표면 상의 시작 위치는 수정된 스플라인 곡선(1106) 상의 제1 위치 또는 지점으로부터 치아(704) 상으로 선을 투영하는 것에 의해 발견될 수 있다. 이 프로세스는 치아 상의 시작 위치 주변 몇 밀리미터에 조직/치은이 있을 것이라고 추론한다. 따라서 치아 표면의 에지가 평가되고 여기서 가파른 에지/높은 곡률(치은과 치아 표면 사이의 전이를 나타내는, 인접 지점들 사이의 표면 법선 방향의 큰 변화 또는 큰 기울기 변화가 있는 영역)이 식별된다. 전역 최적화 프로세스에서, 가파른 에지를 따른 선이 계산된다. 치아 표면과 치경부 측의 치은 사이의 경계, 원위(distal) 측과 근심(mesial) 측의 인접 치아들 사이의 분리를 나타내는 선을 계산한 후에, 뚜렷한 치아를 보여주기 위해 선 내의 영역이 식별(예컨대, 착색)된다. 이는 수정된 스플라인 곡선(1106)으로부터의 대응하는 투영에 기초하여 여러 시작 위치에 대해 반복될 수 있다. 모든 영역에 대해, 모든 지점이 수정된 스플라인 곡선에 투영되지만 스플라인과 관련된 영역의 극댓값 지점만이 저장된다. 이러한 극대는 공통 기준선 상의 잠재적인 및/또는 고정된 구분자를 나타낸다. 예에서, 분할된 치아의 모든 정점은 기준선에 투영된다. 기준선 상의 이들 투영의 최대 확장이 검출되고 그에 대해 기준선 상의 최소 및 최대 파라미터 값을 갖는 투영이 선택된다. 이들 위치는 치아의 시작과 끝에 대응한다. 게다가, 식별된 치아 영역들 중 일부는 치은 경계(border)/경계(boundary)에서 정확하게 끝나는 반면 다른 영역들은 그렇지 않다. 치아 영역 경계를 이산화하고 회귀 분석을 수행하는 것에 의해, 잠재적인 및/또는 고정된 구분자가 도출될 수 있다.
치간 간극 검출 단계들 모두와 같은 임의의 조합이 병렬로 수행될 수 있지만, 단계들의 임의의 조합이 직렬로 수행될 수 있다는 것이 구상된다. 예를 들어, 수복 작업 흐름의 관리 단계 및 수복물 제안의 후속 생성의 실시간 또는 고속 자동화가 필요하지 않은 실시예에서, 상기 단계들의 임의의 조합이 차례로 수행될 수 있다.
치간 간극 검출 단계들의 경우, 가중 모듈(316)에 의한 가중 프로세스는, 치간 간극 검출 단계들 중 하나 이상에 기초하여, 잠재적인 치간 간극들을 가중하여 하나 이상의 구분자를 획득한다. 예를 들어, 갭(802)과 극소(804)를 찾은 후에, 그의 특징들이 특성화되고 그의 기하학적 속성들과 같은 하나 이상의 인자에 기초하여 가중치를 할당받는다. 도 9a에 도시된 바와 같이, 간극 및 극소는 고정된 치간 간극(902) 또는 잠재적인 치간 간극(904)을 나타내며, 잠재적인 치간 간극(904)은 예를 들면, 복수의 설측 및 협측 간극 또는 극소가 일치하는 것으로 인해 높은 정도의 확실성(예를 들면, 95-100% 또는 61-100%)을 갖는 고정된 치간 간극(902)보다 낮은 정도의 확실성(예를 들면, 20-60.99% 신뢰 수준)을 갖는다. 고정된 치간 간극(902) 및 잠재적인 치간 간극(904)은 본 명세서에서 고정된 구분자 및 잠재적인 구분자라고 지칭되며 이하에서 추가로 설명된다.
치간 간극 검출 단계들: 단면 모듈(302)을 사용한 단면 프로세스, 치간 유두 검출 모듈(312)을 사용한 치은 마진 프로세스 및/또는 분류 모듈(314)을 사용한 치아 간격/영역 프로세스로부터의 잠재적인 구분자 후보에 대해, 주어진 구분자 후보가 정확한 위치에 있고 따라서 실제 구분자 또는 치간 간극일 확률을 평가하는 가중치가 지원된다. 이들 구분자 후보는 서로 비교되며, 프렙을 처리하도록 구성된 일부 휴리스틱 또는 정의된 비교 알고리즘에 기초하여, 통합 구분자(unified delimiter)가 결정된다. 예를 들어, 통합 구분자는 정의된 영역 내의 구분자 또는 적어도 임계 정도의 확실성 초과의 확실성(예를 들면, > 60%)을 갖는 구분자를 나타낼 수 있다. 따라서, 고정된 구분자는 설측 및/또는 협측 소스로부터의 다양한 간극 또는 극소가 일치하는 위치를 설명할 수 있고, 잠재적인 구분자는 가중치로서 저장될 수 있는 특정 불확실성을 갖는 위치를 설명할 수 있다. 대안적으로, 고정된 구분자는 가장 높은 가중치를 가질 수 있고 잠재적인 구분자는 상대적으로 더 낮은 가중치를 가질 수 있다. 물론, 이들 예는 다른 예, 프로세스 및 알고리즘이 이 설명을 바탕으로 달성될 수 있으므로 제한하려는 의도가 아니다.
도 9b를 참조하면, 결합된 구분자 배열(900)의 2D 뷰에서 하나 이상의 구분자(906)가 공통 기준선(918)을 따라 도시되어 있다. 하나 이상의 구분자(906)는 다양한 치간 간극 검출 단계들로부터 획득되고 공통 기준선(918) 상에 결합된 구분자이다. 하나 이상의 구분자는 또한 자신과 연관된 각자의 가중치를 가질 수 있다. 스플라인 곡선(502) 또는 스플라인 곡선(502) 또는 다른 공통 곡선과 정의된 공간 관계를 갖는 곡선 또는 선과 같은, 쉽게 위치할 수 있는 기준선 또는 곡선을 각각의 치간 간극 검출 단계에서 사용하는 것에 의해, 치간 간극 검출 단계들 각각으로부터의 구분자(906)는 추가 분석을 위해 도 9b의 공통 기준선(918)에 정렬될 수 있다. 물론, 공통 기준선(918) 또는 곡선은 그 자체가 스플라인 곡선(502) 또는 직선화된 스플라인 곡선일 수 있다.
단계(408)에서, 정렬 모듈(318)을 사용하여 하나 이상의 고정된 구분자 쌍 사이의 하나 이상의 가능한 치아 정렬 각각에 대해 치아 번호 확률들이 제안된다(즉, 고정된 구분자들 사이의 각각의 가능한 간격 조합에 대해 치아 번호 확률들이 제안된다). 정렬 모듈(318)은 대규모 트레이닝 데이터 세트에 기초하여 확률들을 예측하도록 트레이닝된 머신 러닝 모델을 갖는 머신 러닝 엔진이다. 더 구체적으로, 정렬 모듈(318)을 사용하여, 인접한 고정된 구분자들 사이의 하나 이상의 가능한 치아 정렬 각각에 대해, 치아 번호 확률들이 자동으로 제안된다. 2개의 고정된 구분자 사이에는 다수의 가능한 치아가 있을 수 있다, 예를 들어, 하나 또는 2개의 치아가 2개의 인접한 고정된 구분자 사이의 공간에 맞을 수 있다. 게다가, 복수의 인접한 고정된 구분자 쌍이 있을 수 있다. 각각의 고정된 구분자 쌍 사이에는, 연관된 불확실성을 갖는 잠재적인 구분자도 있을 수 있으며, 따라서 일부 경우에는, 둘 이상의 가능한 치아/치아 정렬이 각각의 고정된 구분자 쌍 사이에 들어갈 수 있는 반면, 다른 경우에는, 하나의 가능한 치아/치아 정렬만이 상기 고정된 구분자 쌍 사이에 들어간다. 상기 2개의 구분자 사이의 공간에 전체적으로 또는 부분적으로 들어가는 각각의 가능한 치아가 치아 정렬이다. 상기 공간에 전체적으로 또는 부분적으로 들어갈 수 있는 모든 가능한 치아 정렬을 루핑 또는 순환하고, 모든 인접한 고정된 구분자 쌍에 대해 반복하는 것에 의해, 상기 치아가 치아 구강의 치아 번호들 중 임의의 것에 대응할 확률이 정렬 모듈에 의해 예측된다. 실시예에서, 정렬 모듈(318)은 머신 러닝 엔진이다. 적어도 하나의 고정된 구분자 쌍에 대한 모든 가능한 치아 정렬을 정렬 모듈에 순차적으로 제공하는 것에 의해, 각각의 가능한 치아 정렬에 대한 치아 번호 확률 세트가 예측된다. 이 세트는 모든 가능한 치아 유형을 나타낸다. 예를 들어, 성인의 치아 구강에는 32개의 치아가 있고 치아 구강은 4개의 유사한 사분면을 가지므로, 총 8개의 치아 번호가 있을 수 있다. 따라서, 실시예에서, 각각의 가능한 치아 정렬에 대해, 정렬 모듈은 8개의 치아 번호 확률(Ppta-t1, Ppta-t2, ... Ppta-t8)을 반환하고 여기서 “Ppta-tN"은 현재 가능한 치아 정렬이 치아 번호 N일 확률을 나타낸다. 물론, 이는 제한하는 것이 아닌데 그 이유는 이들 및 다른 유사한 아티팩트의 임의의 적합한 구현형이 예시적인 실시예들의 범위 내에서 선택될 수 있기 때문이다. 예를 들어, 예시적인 실시예들을 바탕으로 상이한 개수의 확률 또는 입력 데이터의 상이한 처리가 달성될 수 있다. 머신 러닝 모델의 프로세스(1200)가 도 12에 설명되어 있으며, 여기서 하나 이상의 가능한 치아 정렬 각각에 대해 다음 단계들이 수행된다. 단계(1202)에서, 2개의 고정된 구분자 사이의 현재 가능한 치아 정렬을 나타내는 추정된 모델을 구축하는 것에 의해 전처리 단계가 수행된다. 단계(1204)에서, 구축된 추정된 모델은 머신 러닝 모델에 대한 입력으로서 제공되며, 머신 러닝 모델은 트레이닝된 머신 러닝 모델이다. 단계(1206)에서, 현재 가능한 치아 정렬의 치아 번호 확률들이 출력으로서 획득된다.
도 13을 참조하면, 이 도면은 예시적인 실시예에 따른 치아 번호 확률들(1312)의 제안을 위한 예시적인 구성의 블록 다이어그램을 묘사한다. 정렬 모듈(318)은, 특정 구현에 따라, 도 1에서의 서버 애플리케이션들(116) 또는 클라이언트 애플리케이션(120) 중 임의의 것의 컴포넌트이다. 간단히 말하면, 치아 정렬의 지오메트리를 나타내는 높이 값들의 2D 어레이가 각각의 가능한 치아 번호가 이 지오메트리에 맞을 확률들을 ML에 의해 결정하는 M/L 모델에 입력된다. 이 분류는 전역 최적화와 관계없이 구분자들 사이의 모든 의미 있는 간격들 또는 정렬들에 적용된다. 일반적으로 많은 개수의 고정된 구분자로 인해, 분석될 필요가 있는 잠재적인 구분자를 나타내는 간격이 그렇게 많지 않을 수 있으며, 사이에 다른 구분자가 없는 고정된 구분자 쌍들 사이의 큰 간격(전형적으로 하나의 가능한 치아를 나타냄) 및 모호한 불확실한/잠재적인 구분자가 있는 영역(전형적으로 둘 이상의 가능한 치아를 나타냄)을 주로 남기게 된다. 그 후, 예를 들어, 지금까지 계산된 확률들을 고려하는 동적 프로그래밍 접근 방식에 의해, "복수의 가능한 치아 정렬들"이 분석되며, 여기서 모든 치아 번호에 대해, 최소, 평균 및 최대 폭에 대한 추정이 또한 고려된다.
더 구체적으로, 정렬 모듈(318)은 결합된 구분자 배열(900)에 기초한 복수의 가능한 치아 정렬들(1304)로부터 가능한 치아 정렬(1320)을 순차적으로 획득할 수 있다. 복수의 가능한 치아 정렬들(1304)의 2D 표현이 도 14에 도시되어 있으며, 여기서 복수의 가능한 치아 정렬들(1304) 중 가능한 치아 정렬(1320)은 구분자(906)에 의해 표현된 위치 주위에서의 치아의 가능한 배열, 더 구체적으로, 2개의 선택된 또는 인접한 고정된 구분자 사이의 공간에서의 치아의 가능한 배치를 나타낸다. 예시적인 턱의 처음 7개의 가능한 치아(1402)(도 14의 타원 내의 2번 내지 8번)를 나타내는 도 14를 참조하고, 나머지 가능한 치아는 예시 목적으로만 절단되어 있다. 6개의 가능한 정렬 배열(1326)(1번 내지 6번)은 예시 목적으로만 도시되어 있다. 사분면 내의 8개의 치아의 모든 가능한 치아 정렬 또는 구분자(906) 주위의 환자의 치아 구강의 가능한 32개 치아 모두를 고려하는 데 필요한 임의의 개수의 정렬 배열(1326)이 관리 단계 및 수복물 생성 프로세스를 자동화하기 위한 머신 러닝 모델에 의해 동시에 분석될 수 있는 것이 가능하다. 그 후, 전역 최적화 모듈은 고려될 필요가 있는 배열 개수를 줄이기 위해 동적 프로그래밍에 의해 최적의 배열을 계산할 수 있다. 도 13으로 돌아가서, 각각의 가능한 치아 정렬(1320)에 대해, (예를 들면, 일반화된 모델들의 데이터베이스로부터) 구축된 추정된 모델(1318)이, 머신 러닝 엔진(1322)에 대한 입력으로서 사용하기 위해, 전처리 모듈(320)을 사용하여 생성된다. 구축된 추정된 모델(1318)은 가능한 정렬(1320)의 2D 뷰를 사용하여 구축되거나 가능한 정렬(1320)의 2D 뷰를 나타내는 2.5D 추정된 모델일 수 있다. 2.5D 모델은 추정된 모델의 복수의 표면 지점들의 (교합면과 평행한 평면을 기준으로 한) 높이들에 대응하는 높이 값들의 2D 어레이로서 표현된다. 그렇지만, 사양에 따라, 예를 들어, 추정된 치아를 나타내는 벡터, 2D 이미지의 픽셀, 깊이 정보 및 그레이 레벨 정보를 갖는 2.5D 이미지, 추정된/일반화된 치아의 3D 이미지의 3D 포인트 등을 포함한 다른 포맷들이 사용될 수 있으므로, 이는 제한하려는 의도가 아니다. 예시적인 실시예에서, 각각의 가능한 치아(1402)에 대한 확률들이 생성될 수 있다. 따라서 예시적인 실시예들은 제한하려는 의도가 아니며, 프렙 유형의 출력 확률과 같은, 본 명세서에서의 설명을 고려하여 달성될 수 있는 변형이 포함되도록 의도된다. 따라서, 잠재적인 구분자와 고정된 구분자 사이의 모든 가능한 치아 정렬에 대해, 치아 번호 또는 프렙 유형이 이제 신경 네트워크의 도움으로 결정된다. 머신 러닝 모델(1306)을 위한 예시적인 신경 네트워크는 포인트 클라우드로부터 특징을 학습하기 위한 전형적인 CNN(Convolutional Neural Network)을 일반화한 것인 CNN 또는 PointCNN(Point Convolutional Neural Network)이다.
CNN의 경우에, 이는 고전적인 형태에서 콘볼루션 계층(convolutional layer)과 이에 뒤이은 풀링 계층(pooling layer)으로 구성된 피드포워드 인공 신경 네트워크이다. CNN은 계층별 콘볼루션 커널의 자유 파라미터 또는 분류자를 학습하고 다음 계층을 계산할 때 이를 가중하는 것에 의해 학습한다. 예시적인 실시예에 따른 머신 러닝 모델(1306)의 트레이닝이 이하에서 논의된다.
다른 실시예에서, 특징 추출/선택 컴포넌트(1314)는 모든 상이한 이용 가능한 입력들(예를 들어, 가중치들(1324))로부터의 데이터에 기초하여 제안에 대한 관련 특징들을 생성하도록 구성된다. 이 실시예에서, 특징 추출/선택 컴포넌트(1314)는 필요한 출력 유형의 식별을 적어도 포함하는 요청을 수신한다. 이 유형에 기초하여, 특징 추출/선택 컴포넌트(1314)는 필요한 요청 또는 제안과 관련된 특정 입력 데이터의 임의의 조합을 획득한다. 그렇지만, 대부분의 실시예들에서, 특징 추출은 심층 신경 네트워크 또는 머신 러닝 모델(1306)에 통합되며, 특징 선택은, 있는 경우, 머신 러닝 모델 외부에서 수행될 수 있다.
예시적인 실시예에서, 저장 모듈(1308)은 하나 이상의 가능한 치아(1402) 각각의 치아 번호의 확률 또는 우도 평가 또는 심지어 분류, 또는 가능한 치아 정렬(1320)의 확률 또는 우도 평가 또는 심지어 분류인 머신 러닝 모델(1306)의 출력을 저장한다.
예시적인 실시예에서, 출력 평가를 생성한 후에, 정렬 모듈(318) 또는 정렬 모듈(318)의 애플리케이션(120)은 자동으로 또는 요청에 응답하여 추가적인 동작을 수행할 수 있다.
게다가, 최적합 계산 모듈(324)은 적어도 제안된 치아 번호 확률들(1312) 또는 평가들을 사용하여 정의된 기준(예를 들면, 가능한 치아 정렬들(1320) 중 가장 가능성 있는 것)에 따라 최적합 치아 번호 분포 또는 배열을 계산한다. 시간을 절약하기 위해, 최적합 치아 번호 분포는 동적 프로그래밍에 의해, 최적합 치아 번호 분포의 상기 계산을 가속화하는 전역 최적화 모듈(326)을 사용하여, 도 15에 도시된 바와 같은 전역 최적화 프로세스에서 계산될 수 있다. 이는 모든 가능성들을 반복할 필요 없이 최적의 해결책에 도달하도록 보장한다. 따라서, 치간 간극 주변/사이의 치아의 전역적으로 가장 가능성 높은 시퀀스는 하위 문제 해결의 추세를 기억하는 것에 의해 재귀적 접근 방식을 사용하는 동적 프로그래밍에 의해 계산된다. 이는 전형적으로 시간 복잡성을 지수 함수(exponential)로부터 다항식(polynomial)으로 감소시킨다. 이 단계에서, 신경 네트워크에 의한 분류 및 평균 치아 폭의 이용 가능성 외에도, 최적합 치아 번호 분포를 찾는 데 반대 교합 치아(occlusal opposing teeth)의 확률 분포도 고려될 수 있다. 전역적 최적화는 턱을 각각의 치아 번호에 대한 치아 간격(1404)으로 분할하는 결과를 가져올 수 있으며, 이 치아 간격은 추가 계산에서 사용될 수 있다.
대안적으로, 최적합 치아 번호 분포가, 모든 가능한 정렬 배열(1326)에 대한 모든 가능한 치아 정렬(1320)(도 16)의 확률을 반복하는 것에 의해 전역적 최적화보다 느리더라도, 반복적으로 계산될 수 있다.
가능한 치아를 검출하는 것 외에도, 3D 모델(504)에서의 프렙도 검출될 수 있다. 본 명세서에서 머신 러닝 모델(1306)과 유사한 3D 표면 기반 신경 네트워크는 각각의 치아 간격(1404)에 대해 치아가 존재하는지 및 이 치아가 프렙되지 않은 치아(unprepared tooth)인지 프렙된 치아(prepared tooth)인지를 자동으로 검출한다. 유사한 머신 러닝 알고리즘을 사용하여 프렙으로서 분류되는 각각의 치아 간격(1404)에 대해 프렙 유형이 또한 결정될 수 있다.
게다가, 스캔 보디와 그 임플란트 축이 곡선 검출 알고리즘과 같은 별도의 알고리즘에 의해 미리 검출되어 치아 간격(1404)에 할당될 수 있다. 스캔 보디를 구성하는 개별 기본 지오메트리가 서로에 대해 어떻게 배열되어 있는지에 의해 상이한 유형의 스캔 보디가 정의된다. 먼저, 전체 3D 모델 지오메트리에서 유사한 곡선 영역이 검출되고 이어서 매칭하는 지오메트리 프리미티브(geometric primitive)가 해당 영역에 삽입된다.
게다가, 치아가 없는 치아 간격(1404) 바로 근처에서 프렙이 발견되는 경우, 브리지(bridge)에 대한 폰틱(pontic)과 크라운의 가장 가능성 있는 조합이 알려진 알고리즘을 사용하여 자동으로 제안될 수 있다.
또한, 발견된 각각의 프렙에 대해, 프렙 경계는 알려진 알고리즘에 기초하여 자동으로 계산될 수 있다. 발견된 각각의 프렙에 대해, 수복물에 대한 삽입 축을 자동으로 결정한 후 수복물 생성 알고리즘에 기초하여 환자 특정 수복물이 자동으로 계산된다. 예시적인 실시예에서, 수복물이 환자 특정적으로 설계될 수 있도록, 수복물 생성 알고리즘은, 예를 들면, 스캔된 3D 모델(504)에 기초하여, 개별 환자의 교합 및 인접 치아의 해부학적 구조를 분석한다.
머신 러닝 모델(1306)은 본 명세서에 설명된 바와 같이 트레이닝 데이터 세트를 사용하여 트레이닝될 수 있다. 도 17의 단계(1702)에서, 머신 러닝 모델은 입력 트레이닝 모델들 및 대응하는 출력 트레이닝 치아 번호 확률들을 포함하는 트레이닝 데이터 세트를 사용하여 트레이닝될 수 있다.
도 18은 머신 러닝 모델(1306)을 트레이닝시키기 위한 트레이닝 아키텍처(1802)를 도시한다. 머신 러닝 모델(1306)은 가능한 샘플 치아 정렬을 사용하여 구축되는 구축된 추정된 샘플 모델을 포함하는 다양한 유형의 트레이닝 데이터(1804)를 사용하여 트레이닝된다. 샘플은 데이터베이스로부터의 실제 환자 데이터를 기반으로 할 수 있다. 트레이닝 데이터(1804)는 구축된 추정된 모델에서의 치아 유형 또는 치아 간격의 신뢰 수준에 대응하는 구분자의 가중치를 또한 포함할 수 있다. 실시예에서, 추천을 제공하라는 요청을 수신할 시에, 애플리케이션은 치아 번호 확률들을 포함하는 어레이를 생성하기 위해 머신 러닝 모델(1306)의 입력 뉴런들에 입력되는 값들의 어레이를 생성한다. 도 18에 도시된 바와 같이, 일부 실시예들의 프로그램 코드는 레이블 L을 갖는 트레이닝 데이터 엔트리를 갖는 트레이닝 데이터(1804)로부터 다양한 특징들/속성들(1806)을 선택적으로 추출하거나 선택한다. 특징 추출의 경우에, 이는 머신 러닝 모델(1306) 자체에 통합될 수 있다. 특징들은 프로그램 코드가 머신 러닝 모델(1306)로서 활용하는 예측자 함수 H(x) 또는 가설을 개발하는 데 활용된다. 트레이닝 데이터(1804)에서 다양한 특징들/속성들을 식별할 때, 프로그램 코드는, 실시예에서 특징들을 식별하는 데 활용될 수 있는 방법의 예인, 상호 정보(mutual information)를 포함하지만 이에 제한되지 않는 다양한 기법들을 활용할 수 있다. 다른 실시예들은 특징들을 선택하기 위해, 주성분 분석(principal component analysis), 확산 매핑(diffusion mapping), 랜덤 포레스트(Random Forest) 및/또는 재귀적 특징 제거(recursive feature elimination)(특징들을 선택하는 무차별 접근 방식)를 포함하지만 이에 제한되지 않는 다양한 기법들을 활용하여 특징들을 선택할 수 있다. "P"는 획득될 수 있는 출력(예를 들면, 치아 번호 확률 또는 평가 또는 분류)이며, 이는 수신될 때 최적합 치아 번호 분포를 찾는 것과 같은 다른 단계들을 수행하도록 치아 수복 시스템(300)을 추가로 트리거할 수 있다. 프로그램 코드가 머신 러닝 모델(1306)을 구성하는 예측자 함수들에 기초하여 다양한 변경들에 우선순위를 부여할 수 있도록, 출력들에 대한 가중치들을 제공하는 것을 포함하여, 프로그램 코드는, 머신 러닝 모델(1306)을 트레이닝시키기 위해 머신 러닝 알고리즘(1810)을 활용할 수 있다. 출력은 품질 메트릭(1808)에 의해 평가될 수 있다.
다양한 트레이닝 데이터(1804) 세트를 선택하는 것에 의해, 프로그램 코드는 환자의 치아의 다양한 속성들을 식별하고 가중하도록 머신 러닝 모델(1306)을 트레이닝시킨다. 머신 러닝 모델(1306)을 활용하기 위해, 프로그램 코드는 신경 네트워크의 입력 뉴런들에 입력할 값들의 어레이를 생성하기 위해 입력 데이터 또는 특징들을 획득(또는 도출)한다. 이들 입력에 응답하여, 신경 네트워크의 출력 뉴런들은 동시에 저장 및/또는 평가될 치아 번호 확률들(1312)을 포함하는 어레이를 생성한다.
구축된 추정된 모델(1318)은 임의 개수의 치아에 대해 구축될 수 있지만, 예시적인 모델에서, 구축된 추정된 모델(1318)은 도 19의 프로세스(1900)에 도시된 바와 같이 위턱과 아래턱의 모든 치아에 대해 구축될 수 있다. 단계(1902)에서, 프로세스(1900)는 전체 위턱에 대한 확률들을 계산하라는 명령어들을 수신한다. 단계(1904)에서, 프로세스(1900)는, 전체 치아 구강에 대해, 복수의 가능한 치아 정렬들에 대한 치아 번호 확률들을 자동으로 제안한다. 단계(1906)에서, 프로세스(1900)는 전체 치아 구강에 대한 최적합 치아 번호 분포를 계산하며, 여기서 최적합 치아 번호 분포는 최적합 위턱 치아 번호 분포와 최적합 아래턱 치아 번호 분포 둘 모두를 포함한다. 프로세스(1900)는 나중에 종료되고 다른 프로세스가 최적합 치아 번호 분포에 기초하여 수복물을 생성하기 시작할 수 있다.
수복 시스템(300)은 잘못된 치아 위치의 교정 및 치아 구강의 직관적인 미세 조정을 위한 도구를 추가로 제공할 수 있다. 도 20a 내지 도 20d에 도시된 바와 같이, 첫 번째 수복물(2002)이 잘못 배치된 드문 경우에, 드래그 앤 드롭 도구(2008)가 교정을 위해 사용된다. 드래그 앤 드롭 도구(2008)는 터치스크린을 포함한 다양한 디스플레이 유형에 대해 적응될 수 있으며, 모든 보기 방향에서 작동될 수 있다. 첫 번째 수복물(2002)과 같은 각각의 수복물은 도 20a 및 도 20b에 도시된 바와 같이 턱을 따라 이동될 수 있다. 첫 번째 수복물(2002)을 선택하고 이를 도 20c에 도시된 바와 같이 새로운 위치에 놓는 것에 의해, 새로운 위치에 대해 두 번째 수복물(2004)이 재계산될 수 있다(도 20c 참조). 재계산은 본 명세서에 설명된 프로세스들 중 하나 이상에 기초할 수 있다. 예를 들어, 높은 신뢰도가 상이한 치아 간격(1404)에 제공될 수 있거나 수복물이 알려진 알고리즘들을 사용하여 새로운 위치에서 직접 계산될 수 있다.
프렙의 위치를 두 번 클릭하거나 두 번 터치하는 것에 의해, 재계산된 첫 번째 수복물(2006)이 추가되고 간극에 정확하게 맞게 된다(도 20d 참조). 또한, 수복물을 두 번 클릭하거나 두 번 터치하는 것에 의해, 수복물이 제거될 수 있다.
수복 시스템(300)은 도 21a 내지 도 21d에 도시된 바와 같이 특정 구강 영역의 미세 조정을 위한 직관적인 도구를 추가로 제공할 수 있다. 도 21a에서, 커서(2102)가 프렙 마진 상에 위치되고, 컨트롤, 예를 들면, 왼쪽 마우스 버튼이 눌러진다. 도 21b에서, 커서는 마우스 버튼이 여전히 눌러진 상태에서 원하는 새로운 마진선(2104)을 따라 이동된다. 도 21b에 도시된 바와 같이, 뒤에 있는 영역(2106)에서 커서(2102)는 본 명세서에 설명된 자동화 알고리즘들 중 하나 이상에 의해 검출된 수복 마진의 가장 가능성 있는 대안 코스로 점프한다. 커서(2102) 앞의 영역(2108)에서, 이전 수복 마진(2112)에 대한 새로운 경계의 원활한 적응이 계산되고, 그 길이는 현재 커서 위치부터 이전 수복 마진(2112)까지의 거리에 따라 달라질 수 있다. 도 21c에 도시된 바와 같이, 컨트롤, 예를 들면, 왼쪽 마우스 버튼의 짧은 해제에 의해, 뒤에 있는 영역(2106)에서 커서(2102) 위치가 고정되고, 마우스 버튼을 오른쪽 클릭하는 것에 의해 고정이 취소될 수 있다. 수복물(2114)의 표면은 도 21d에 도시된 바와 같이 새로운 수복물 마진선(2110)에 동시에 적응된다. 교정된 선이 기존 수복물 마진과 만날 때, 수복물의 적응이 중단될 수 있다. 설명된 상호 작용은 또한 터치 제어에 의해 유사한 방식으로 수행될 수 있으며, 여기서 기존 프렙 마진 위에 있는 손가락으로 시작하여, 새로운 프렙 마진을 따라간다. 손가락이 잠시 떨어질 때, 새로운 라인의 이미 가려진 섹션들이 고정될 것이다. 기존 프렙 마진을 넘으면, 상호 작용이 중단된다. 수복물 마진의 교정을 더 간단하게 하기 위해, 수복물 내부로 커서를 이동시킬 때 수복물 표면이 특정 영역에서 투명하게 전환될 수 있다.
따라서, 수복 작업 흐름의 모든 치아 수동 관리 프로세스들 및 다른 관련된 특징들, 기능들 또는 동작들과 같은 치아 관리 단계를 자동화하기 위한 예시적인 실시예들에서 컴퓨터로 구현되는 방법, 시스템 또는 장치, 및 컴퓨터 프로그램 제품이 제공된다. 실시예 또는 그 일부가 디바이스 유형과 관련하여 설명되는 경우, 컴퓨터로 구현되는 방법, 시스템 또는 장치, 컴퓨터 프로그램 제품, 또는 그 일부는 해당 디바이스 유형의 적합하고 비슷한 구현형과 함께 사용하도록 적응되거나 구성된다.
실시예가 애플리케이션에서 구현되는 것으로 설명되는 경우, SaaS(Software as a Service) 모델로 애플리케이션을 전달하는 것이 예시적인 실시예들의 범위 내에서 고려된다. SaaS 모델에서, 실시예를 구현하는 애플리케이션의 능력이 클라우드 인프라스트럭처에서 애플리케이션을 실행하는 것에 의해 사용자에게 제공된다. 사용자는 웹 브라우저(예를 들면, 웹 기반 이메일) 또는 다른 경량 클라이언트 애플리케이션과 같은 신 클라이언트(thin client) 인터페이스를 통해 다양한 클라이언트 디바이스들을 사용하여 애플리케이션에 액세스할 수 있다. 사용자는 네트워크, 서버, 운영 체제, 또는 클라우드 인프라스트럭처의 저장소를 포함한 기본 클라우드 인프라스트럭처를 관리하거나 제어하지 않는다. 일부 경우에, 사용자가 심지어 SaaS 애플리케이션의 능력을 관리하거나 제어하지 못할 수 있다. 어떤 다른 경우에, 애플리케이션의 SaaS 구현이 제한된 사용자 특정 애플리케이션 구성 설정에 대한 가능한 예외를 허용할 수 있다.
본 발명은 임의의 가능한 기술적 세부 통합 레벨에서의 시스템, 방법 및/또는 컴퓨터 프로그램 제품일 수 있다. 컴퓨터 프로그램 제품은 프로세서로 하여금 본 발명의 양태들을 수행하게 하기 위한 컴퓨터 판독 가능 프로그램 명령어들을 갖는 컴퓨터 판독 가능 저장 매체(또는 매체들)를 포함할 수 있다.
컴퓨터 판독 가능 저장 매체는 명령어 실행 디바이스가 사용하기 위한 명령어들을 유지 및 저장할 수 있는 유형적 디바이스일 수 있다. 컴퓨터 판독 가능 저장 매체는, 예를 들어, 전자 저장 디바이스, 자기 저장 디바이스, 광학 저장 디바이스, 전자기 저장 디바이스, 반도체 저장 디바이스, 또는 전술한 것의 임의의 적합한 조합일 수 있지만, 이에 제한되지 않는다. 컴퓨터 판독 가능 저장 매체의 더 구체적인 예들의 비포괄적 목록은 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 가능 프로그래밍 가능 판독 전용 메모리(EPROM 또는 플래시 메모리), 정적 랜덤 액세스 메모리(SRAM), 휴대용 콤팩트 디스크 판독 전용 메모리(CD-ROM), 디지털 다기능 디스크(DVD), 메모리 스틱, 플로피 디스크, 명령어들이 기록되어 있는 펀치 카드 또는 그루브 내의 융기된 구조와 같은 기계적으로 인코딩된 디바이스, 및 전술한 것의 임의의 적합한 조합을 포함한다. 본 명세서에서 사용되는 바와 같은 컴퓨터 판독 가능 저장 디바이스를 포함하지만 이에 제한되지는 않는, 컴퓨터 판독 가능 저장 매체는, 전파(radio wave) 또는 다른 자유 전파하는(freely propagating) 전자기파, 도파관 또는 다른 전송 매체를 통해 전파하는 전자기파(예를 들면, 광섬유 케이블을 통과하는 광 펄스), 또는 전선(wire)을 통해 전송되는 전기 신호와 같은, 일시적 신호 그 자체인 것으로서 해석되어서는 안 된다.
본 명세서에서 설명된 컴퓨터 판독 가능 프로그램 명령어들은 컴퓨터 판독 가능 저장 매체로부터 각자의 컴퓨팅/처리 디바이스로 또는 네트워크, 예를 들어, 인터넷, 로컬 영역 네트워크, 광역 네트워크, 및/또는 무선 네트워크를 통해 외부 컴퓨터 또는 외부 저장 디바이스로 다운로드될 수 있다. 네트워크는 구리 전송 케이블, 광학 전송 섬유, 무선 전송, 라우터, 방화벽, 스위치, 게이트웨이 컴퓨터 및/또는 에지 서버를 포함할 수 있다. 각각의 컴퓨팅/처리 디바이스 내의 네트워크 어댑터 카드 또는 네트워크 인터페이스는 네트워크로부터 컴퓨터 판독 가능 프로그램 명령어들을 수신하고 각자의 컴퓨팅/처리 디바이스 내의 컴퓨터 판독 가능 저장 매체에 저장하기 위해 컴퓨터 판독 가능 프로그램 명령어들을 포워딩한다.
본 발명의 동작들을 수행하기 위한 컴퓨터 판독 가능 프로그램 명령어들은 어셈블러 명령어들, ISA(instruction-set-architecture) 명령어들, 머신 명령어들, 머신 의존적 명령어들, 마이크로코드, 펌웨어 명령어들, 상태 설정 데이터, 집적 회로에 대한 구성 데이터, 또는 Smalltalk, C++ 등과 같은 객체 지향 프로그래밍 언어, 및 "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어와 같은 절차적 프로그래밍 언어를 포함한, 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성된 소스 코드 또는 오브젝트 코드일 수 있다. 컴퓨터 판독 가능 프로그램 명령어들은 전체적으로 사용자의 컴퓨터에서, 부분적으로 사용자의 컴퓨터에서, 독립형 소프트웨어 패키지로서, 부분적으로 사용자의 컴퓨터에서 그리고 부분적으로 원격 컴퓨터에서 또는 전체적으로 원격 컴퓨터 또는 서버에서 실행될 수 있다. 후자의 시나리오에서, 원격 컴퓨터는 로컬 영역 네트워크(LAN) 또는 광역 네트워크(WAN)를 포함한, 임의의 유형의 네트워크를 통해 사용자의 컴퓨터에 연결될 수 있거나, (예를 들어, 인터넷 서비스 제공업체를 사용하여 인터넷을 통해) 외부 컴퓨터에 대한 연결이 이루어질 수 있다. 일부 실시예들에서, 예를 들어, 프로그래밍 가능 로직 회로, FPGA(field-programmable gate array), 또는 PLA(programmable logic array)를 포함한 전자 회로는, 본 발명의 양태들을 수행하기 위해, 컴퓨터 판독 가능 프로그램 명령어들의 상태 정보를 활용하여 전자 회로를 개인화하는 것에 의해 컴퓨터 판독 가능 프로그램 명령어들을 실행할 수 있다.
본 발명의 양태들이 본 발명의 실시예들에 따른 방법, 장치(시스템), 및 컴퓨터 프로그램 제품의 플로차트 예시 및/또는 블록 다이어그램을 참조하여 본 명세서에서 설명되었다. 플로차트 예시 및/또는 블록 다이어그램의 각각의 블록, 및 플로차트 예시 및/또는 블록 다이어그램에서의 블록들의 조합이 컴퓨터 판독 가능 프로그램 명령어들에 의해 구현될 수 있음이 이해될 것이다.
이러한 컴퓨터 판독 가능 프로그램 명령어들은, 컴퓨터 또는 다른 프로그래밍 가능 데이터 처리 장치의 프로세서를 통해 실행되는 명령어들이 플로차트 및/또는 블록 다이어그램 블록 또는 블록들에 명시된 기능들/동작들을 구현하기 위한 수단을 생성하도록, 머신을 생성하기 위해 범용 컴퓨터, 특수 목적 컴퓨터, 또는 다른 프로그래밍 가능 데이터 처리 장치의 프로세서에 제공될 수 있다. 명령어들이 저장된 컴퓨터 판독 가능 저장 매체가 플로차트 및/또는 블록 다이어그램 블록 또는 블록들에 명시된 기능/동작의 양태들을 구현하는 명령어들을 포함하는 제조 물품을 포함하도록, 특정 방식으로 기능하도록 컴퓨터, 프로그래밍 가능 데이터 처리 장치, 및/또는 다른 디바이스들에 지시할 수 있는 이러한 컴퓨터 판독 가능 프로그램 명령어들이 또한 컴퓨터 판독 가능 저장 매체에 저장될 수 있다.
컴퓨터, 다른 프로그래밍 가능한 장치, 또는 다른 디바이스에서 실행되는 명령어들이 플로차트 및/또는 블록 다이어그램 블록 또는 블록들에 명시된 기능들/동작들을 구현하도록, 컴퓨터 판독 가능 프로그램 명령어들은 또한 컴퓨터로 구현되는 프로세스를 생성하기 위한 일련의 동작 단계들이 컴퓨터, 다른 프로그래밍 가능한 장치 또는 다른 디바이스에서 수행되게 하기 위해, 컴퓨터, 다른 프로그래밍가능 데이터 처리 장치, 또는 다른 디바이스 상으로 로딩될 수 있다.
도면들에서의 플로차트 및 블록 다이어그램은 본 발명의 다양한 실시예들에 따른 시스템들, 방법들, 및 컴퓨터 프로그램 제품들의 가능한 구현들의 아키텍처, 기능, 및 동작을 예시하고 있다. 이와 관련하여, 플로차트 또는 블록 다이어그램들에서의 각각의 블록은 명시된 논리적 기능(들)을 구현하기 위한 하나 이상의 실행 가능한 명령어를 포함하는 명령어들의 모듈, 세그먼트, 또는 부분을 나타낼 수 있다. 일부 대안적인 구현들에서, 블록들에 표시된 기능들이 도면들에 표시된 순서와 달리 발생할 수 있다. 예를 들어, 연속으로 도시된 2개의 블록이, 실제로, 실질적으로 동시에 실행될 수 있거나, 또는 블록들이, 때때로, 관여된 기능에 따라, 역순으로 실행될 수 있다. 블록 다이어그램들 및/또는 플로차트 예시의 각각의 블록, 및 블록 다이어그램들 및/또는 플로차트 예시에서의 블록들의 조합들이 명시된 기능들 또는 동작들을 수행하는 특수 목적 하드웨어 기반 시스템들에 의해 구현될 수 있거나, 특수 목적 하드웨어와 컴퓨터 명령어들의 조합들을 수행할 수 있음에 또한 유의해야 할 것이다.

Claims (33)

  1. 방법으로서,
    스플라인(spline) 형성 모듈을 사용하여, 턱을 따라 스플라인을 형성하는 단계;
    단면 모듈을 사용하여 치아 단면들을 분석하는 단계, 치간 유두 검출 모듈을 사용하여 치간 유두를 검출하는 단계, 및 분류 모듈을 사용하여 치아 간격들을 분류하는 단계의 치간 간격 검출 단계들 중 하나 이상을 수행하는 것에 의해, 치간 간격 제안 모듈을 사용하여, 잠재적인 치간 간격들을 제안하는 단계;
    하나 이상의 구분자(delimiter)를 획득하기 위하여 상기 치간 간격 검출 단계들 중 하나 이상에 기초하여, 상기 잠재적인 치간 간격들을 가중하는 단계;
    정렬 모듈을 사용하여, 상기 하나 이상의 구분자 중 적어도 한 쌍의 고정된 구분자 사이의 하나 이상의 가능한 치아 정렬 각각에 대해, 치아 번호 확률을 자동으로 제안하는 단계; 및
    상기 자동으로 제안하는 단계에 응답하여, 상기 하나 이상의 가능한 치아 정렬 각각의 적어도 상기 제안된 치아 번호 확률을 사용하여, 상기 하나 이상의 가능한 치아 정렬로부터 최적합 치아 번호 분포를 계산하는 단계
    를 포함하며;
    상기 정렬 모듈은 머신 러닝 엔진인, 방법.
  2. 제1항에 있어서, 상기 계산된 최적합 치아 번호 분포에 기초하여 환자 특정 수복물(restoration)이 생성되는, 방법.
  3. 제1항에 있어서, 상기 치간 간격 검출 단계들은 모두 수행되고 병렬로 수행되는, 방법.
  4. 제1항에 있어서,
    동적 프로그래밍에 의해, 상기 최적합 치아 번호 분포의 상기 계산을 가속화하는 전역 최적화 모듈을 사용하여, 상기 최적합 치아 번호 분포를 계산하는 단계를 더 포함하는, 방법.
  5. 제4항에 있어서, 상기 전역 최적화 모듈은, 위턱과 아래턱 사이의 관련성(correspondence), 치아 크기, 상기 가중하는 단계로부터의 가중치, 및 상기 머신 러닝 엔진의 출력으로 구성된 목록으로부터 선택되는 하나 이상의 인자를 입력으로서 사용하는, 방법.
  6. 제1항에 있어서,
    반복 모듈을 사용하여, 상기 하나 이상의 구분자 주위에서 모든 가능한 치아 정렬들을 관통하여 반복하는 것에 의해, 상기 최적합 치아 번호 분포를 계산하는 단계를 더 포함하는, 방법.
  7. 제1항에 있어서, 위턱과 아래턱을 포함하는 전체 치아 구강(dental cavity)에 대해 상기 최적합 치아 번호 분포가 계산되고, 복수의 구분자들이 획득되고, 위턱과 아래턱 둘 모두에 대해 상기 적어도 한 쌍의 고정된 구분자 사이의 복수의 가능한 치아 정렬들이 결정되는, 방법.
  8. 제7항에 있어서,
    상기 전체 치아 구강에 대해, 상기 복수의 가능한 치아 정렬들에 대한 치아 번호 확률들을 자동으로 제안하는 단계, 및
    상기 전체 치아 구강에 대한 상기 최적합 치아 번호 분포를 계산하는 단계
    를 더 포함하며,
    상기 최적합 치아 번호 분포는 최적합 위턱 치아 번호 분포와 최적합 아래턱 치아 번호 분포 둘 모두를 포함하는, 방법.
  9. 제1항에 있어서, 상기 계산하는 단계에서, 하나의 턱에 대한 상기 최적합 치아 번호 분포가 계산되고, 상기 계산된 최적합 치아 번호 분포에 기초하여 반대편 턱에 대한 또다른 최적합 치아 번호 분포가 추론되는, 방법.
  10. 제1항에 있어서, 상기 계산하는 단계에서, 하나의 턱의 일 부분에 대한 상기 최적합 치아 번호 분포가 계산되는, 방법.
  11. 제10항에 있어서, 상기 계산된 최적합 치아 번호 분포에 기초하여 상기 턱의 반대편 부분 또는 반대편 턱의 반대편 부분에 대한 또다른 최적합 치아 번호 분포가 추론되는, 방법.
  12. 제10항에 있어서, 하나의 턱의 상기 부분은 턱의 제1 사분면의 8개의 가능한 치아를 포함하는, 방법.
  13. 제1항에 있어서, 상기 형성하는 단계는 자동인, 방법.
  14. 제1항에 있어서, 상기 하나 이상의 구분자는 그 각자의 가중치들에 기초한 잠재적인 및/또는 상기 고정된 구분자들인 것으로 결정되는, 방법.
  15. 제1항에 있어서, 상기 적어도 한 쌍의 고정된 구분자 사이의 적어도 하나의 치아 프렙 유형(tooth preparation type) 확률을 자동으로 제안하는 단계를 더 포함하는, 방법.
  16. 제1항에 있어서, 상기 하나 이상의 구분자 중 적어도 하나는, 하나 이상의 결손 치아를 나타내는 공간을 나타내는, 방법.
  17. 제1항에 있어서, 임계 거리를 초과하여 떨어져 있는 2개의 구분자 사이의 공간은, 하나 이상의 가능한 치아를 나타내는, 방법.
  18. 제17항에 있어서, 상기 자동으로 제안하는 단계는, 상기 공간 내부에 맞는 상기 하나 이상의 가능한 치아의 치아 번호를 예측하는, 방법.
  19. 제1항에 있어서, 상기 하나 이상의 구분자 중 적어도 하나는, 인접한 치아들 사이의 경계를 나타내는, 방법.
  20. 제1항에 있어서, 상기 치아 번호 확률은 백분율 또는 0과 1 사이의 값인, 방법.
  21. 제1항에 있어서, 상기 치아 번호 확률은 우도 평가 또는 분류인, 방법.
  22. 제1항에 있어서, 상기 머신 러닝 엔진은 3D 표면 기반 신경 네트워크 기반의 모델을 갖는, 방법.
  23. 제1항에 있어서,
    상기 하나 이상의 가능한 치아 정렬 각각에 대해:
    현재 가능한 치아 정렬을 나타내는 추정된 모델을 구축하는 것에 의해 전처리(preprocessing) 단계를 수행하는 단계;
    상기 구축된 추정된 모델을 상기 머신 러닝 모델에 대한 입력으로서 제공하는 단계; 및
    출력으로서, 상기 치아 번호 확률을 획득하는 단계
    를 더 포함하는, 방법.
  24. 제23항에 있어서, 상기 추정된 모델은 모델의 복수의 표면 지점들의 높이들에 대응하는 높이 값들의 2D 어레이로서 표현되는, 방법.
  25. 제23항에 있어서, 상기 구축된 추정된 모델은 3D 모델인, 방법.
  26. 제1항에 있어서,
    입력 트레이닝 모델들 및 대응하는 출력 트레이닝 치아 번호 확률들을 포함하는 트레이닝 데이터 세트를 사용하여 상기 머신 러닝 모델을 트레이닝시키는 단계를 더 포함하는, 방법.
  27. 제26항에 있어서, 입력 트레이닝 모델에서의 공간은, 하나 또는 2개의 동일하거나 별개의 치아 번호에 제각기 대응하는 하나 또는 2개의 결손 치아에 대응하는 것으로서 해석되는, 방법.
  28. 제2항에 있어서, 상기 환자 특정 수복물의 생성이 부정확한 것에 응답하여, 또다른 환자 특정 수복물에 대한 새로운 치아 위치의 선택에 기초하여 상기 또다른 환자 특정 수복물이 재생성되는, 방법.
  29. 제2항에 있어서, 상기 환자 특정 수복물의 부정확한 마진은, 가능성있는(probable) 마진 코스(margin course)에 기초하여 상기 부정확한 마진을 새로운 위치로 조정하는 것에 의해 교정되는, 방법.
  30. 컴퓨팅 시스템으로서,
    프로세서; 및
    명령어들을 저장하는 메모리 - 상기 명령어들은, 상기 프로세서에 의해 실행될 때, 상기 시스템을:
    스플라인 형성 모듈을 사용하여, 턱을 따라 스플라인을 형성하고;
    단면 모듈을 사용하여 치아 단면을 분석하는 단계, 치간 유두 검출 모듈을 사용하여 치간 유두를 검출하는 단계, 및 분류 모듈을 사용하여 치아 간격들을 분류하는 단계의 치간 간극 검출 단계들 중 하나 이상을 수행하는 것에 의해, 치간 간극 제안 모듈을 사용하여, 잠재적인 치간 간극들을 제안하며;
    하나 이상의 구분자를 획득하기 위하여 상기 치간 간극 검출 단계들 중 하나 이상에 기초하여, 상기 잠재적인 치간 간극들을 가중하고;
    정렬 모듈을 사용하여, 상기 하나 이상의 구분자 중 적어도 한 쌍의 고정된 구분자 사이의 하나 이상의 가능한 치아 정렬 각각에 대해, 치아 번호 확률을 자동으로 제안하며;
    상기 자동으로 제안하는 것에 응답하여, 상기 하나 이상의 가능한 치아 정렬 각각의 적어도 상기 제안된 치아 번호 확률을 사용하여, 상기 하나 이상의 가능한 정렬로부터 최적합 치아 번호 분포를 계산하도록
    구성하며,
    상기 정렬 모듈은 머신 러닝 엔진임 -
    을 포함하는, 컴퓨팅 시스템.
  31. 제30항에 있어서, 상기 계산된 최적합 치아 번호 분포에 기초하여 환자 특정 수복물이 생성되는, 컴퓨팅 시스템.
  32. 제30항에 있어서, 상기 머신 러닝 엔진은 3D 표면 기반 신경 네트워크 기반의 모델을 갖는, 컴퓨팅 시스템.
  33. 명령어들을 저장하는 비일시적 컴퓨터 판독 가능 저장 매체로서, 상기 명령어들은, 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금:
    스플라인 형성 모듈을 사용하여, 턱을 따라 스플라인을 형성하게 하고;
    단면 모듈을 사용하여 치아 단면을 분석하는 단계, 치간 유두 검출 모듈을 사용하여 치간 유두를 검출하는 단계, 및 분류 모듈을 사용하여 치아 간격들을 분류하는 단계의 치간 간극 검출 단계들 중 하나 이상을 수행하는 것에 의해, 치간 간극 제안 모듈을 사용하여, 잠재적인 치간 간극들을 제안하게 하며;
    하나 이상의 구분자를 획득하기 위하여 상기 치간 간극 검출 단계들 중 하나 이상에 기초하여, 상기 잠재적인 치간 간극들을 가중하게 하고;
    정렬 모듈을 사용하여, 상기 하나 이상의 구분자 중 적어도 한 쌍의 고정된 구분자 사이의 하나 이상의 가능한 치아 정렬 각각에 대해, 치아 번호 확률을 자동으로 제안하게 하며;
    상기 자동으로 제안하게 하는 것에 응답하여, 상기 하나 이상의 가능한 치아 정렬 각각의 적어도 상기 제안된 치아 번호 확률을 사용하여, 상기 하나 이상의 가능한 정렬로부터 최적합 치아 번호 분포를 계산하게 하며,
    상기 정렬 모듈은 머신 러닝 엔진인, 비일시적 컴퓨터 판독 가능 저장 매체.
KR1020247010601A 2021-09-17 2022-09-08 치아 수복 작업 흐름에서 자동화된 치아 관리 KR20240068667A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/477,755 2021-09-17
US17/477,755 US20230087800A1 (en) 2021-09-17 2021-09-17 Automated tooth administration in a dental restoration workflow
PCT/US2022/042907 WO2023043656A1 (en) 2021-09-17 2022-09-08 Automated tooth administration in a dental restoration workflow

Publications (1)

Publication Number Publication Date
KR20240068667A true KR20240068667A (ko) 2024-05-17

Family

ID=83558268

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020247010601A KR20240068667A (ko) 2021-09-17 2022-09-08 치아 수복 작업 흐름에서 자동화된 치아 관리

Country Status (6)

Country Link
US (1) US20230087800A1 (ko)
EP (1) EP4402699A1 (ko)
KR (1) KR20240068667A (ko)
CN (1) CN117999615A (ko)
CA (1) CA3230640A1 (ko)
WO (1) WO2023043656A1 (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8562339B2 (en) * 2007-07-13 2013-10-22 3M Innovative Properties Company Digital orthodontic appliance coupling matrix
US9814549B2 (en) * 2015-09-14 2017-11-14 DENTSPLY SIRONA, Inc. Method for creating flexible arch model of teeth for use in restorative dentistry
WO2018030576A1 (ko) * 2016-08-09 2018-02-15 주식회사 디오 디지털 라이브러리를 이용한 치아교정용 디지털 브라켓 및 그의 제조방법
PL3595574T3 (pl) * 2017-03-17 2024-01-03 Nobel Biocare Services Ag Automatyczny system i sposób mapowania łuków zębowych
US20190231480A1 (en) * 2018-01-31 2019-08-01 Clearcorrect Operating, Llc Dental appliances having patient specific material stress arrangements and associated method of manufacture
EP4025156A1 (en) * 2019-09-05 2022-07-13 DENTSPLY SIRONA Inc. Method, system and devices for instant automated design of a customized dental object

Also Published As

Publication number Publication date
US20230087800A1 (en) 2023-03-23
CN117999615A (zh) 2024-05-07
WO2023043656A1 (en) 2023-03-23
CA3230640A1 (en) 2023-03-23
EP4402699A1 (en) 2024-07-24

Similar Documents

Publication Publication Date Title
US10932890B1 (en) Enhanced techniques for determination of dental margins in intraoral scans
US20220218449A1 (en) Dental cad automation using deep learning
US11232573B2 (en) Artificially intelligent systems to manage virtual dental models using dental images
US11735306B2 (en) Method, system and computer readable storage media for creating three-dimensional dental restorations from two dimensional sketches
US20210322136A1 (en) Automated orthodontic treatment planning using deep learning
RU2725280C1 (ru) Приспособления и методы планирования ортодонтического лечения
CA3153131A1 (en) Automated detection, generation and/or correction of dental features in digital models
JP6458860B2 (ja) 歯冠情報取得プログラム、情報処理装置、及び歯冠情報取得方法
US6227850B1 (en) Teeth viewing system
CN110612069A (zh) 动态牙弓图
US20220304782A1 (en) Configuring dental workflows through intelligent recommendations
US20220084267A1 (en) Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports
US20240028782A1 (en) Dental restoration automation
WO2023194500A1 (en) Tooth position determination and generation of 2d reslice images with an artificial neural network
KR20240068667A (ko) 치아 수복 작업 흐름에서 자동화된 치아 관리
US20230419631A1 (en) Guided Implant Surgery Planning System and Method
US20230309800A1 (en) System and method of scanning teeth for restorative dentistry
WO2022203941A1 (en) Single frame control view
WO2023192652A1 (en) System and method of scanning teeth for restorative dentistry