TWI844494B - 牙周病檢測輔助方法 - Google Patents
牙周病檢測輔助方法 Download PDFInfo
- Publication number
- TWI844494B TWI844494B TW112144288A TW112144288A TWI844494B TW I844494 B TWI844494 B TW I844494B TW 112144288 A TW112144288 A TW 112144288A TW 112144288 A TW112144288 A TW 112144288A TW I844494 B TWI844494 B TW I844494B
- Authority
- TW
- Taiwan
- Prior art keywords
- baseline
- alveolar bone
- generate
- server
- image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 208000028169 periodontal disease Diseases 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000007565 gingivitis Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000002679 Alveolar Bone Loss Diseases 0.000 description 1
- 206010006326 Breath odour Diseases 0.000 description 1
- 206010018276 Gingival bleeding Diseases 0.000 description 1
- 206010018291 Gingival swelling Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000005888 Periodontal Pocket Diseases 0.000 description 1
- 206010072574 Periodontal inflammation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003239 periodontal effect Effects 0.000 description 1
- 201000001245 periodontitis Diseases 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一種牙周病檢測輔助方法,一排灰階影像資料包含一具有內嵌區與外露區的牙齒影像,及一銜接該排牙齒影像的齒槽骨影像。使一伺服器執行邊緣偵測運算,產生一通過該等內嵌區之尖端的第一基準線,並在每一外露區選擇灰階梯度最大處作為二個交界點而產生一第二基準線。接著根據該齒槽骨影像執行邊緣偵測運算,產生一灰階梯度最大且疊合於該齒槽骨影像之邊緣的邊界線。該伺服器計算該第一、第二基準線間的距離而產生一主初始值,並計算該第二基準線至該邊界線間的距離而產生一主退縮值,再由該主退縮值與該主初始值的比例產生一評估結果。
Description
本發明是有關於一種牙齒檢測的輔助方法,特別是指一種牙周病檢測輔助方法。
一般牙醫師在診斷患者是否罹患牙周病時,是先以肉眼配合口鏡觀察牙齦有無紅腫或發炎,再拍攝患者的全口X光影像,以人工判讀患者的口腔中是否發生牙周骨骼流失或牙根尖發炎等病症,並使用牙周探針確認牙周囊袋的深度,以評估牙周的發炎程度。由於現行的診斷方式常受到患者的主觀感受及牙醫師的診療經驗影響,診斷結果也因此較為主觀,為避免因主觀的認知誤差延誤治療,甚至因此引發醫療糾紛,確實需要一種更為客觀的輔助診斷方法。
因此,本發明之目的,即在提供一種能輔助牙醫師以客觀角度評估口腔健康狀況的牙周病檢測輔助方法。
於是,本發明牙周病檢測輔助方法,適用於分析一灰階
影像資料,該灰階影像資料包含一排牙齒影像,及一銜接該排牙齒影像的齒槽骨影像,該排牙齒影像包括多個嵌埋於該齒槽骨影像中的內嵌區,及多個分別自該等內嵌區凸出於該齒槽骨影像之外的外露區。定義該內嵌區與該外露區交界處為一齒頸部。
該牙周病檢測輔助方法包含一準備一伺服器的預備步驟、一標記步驟、一繪線步驟,及一計算步驟。
在該標記步驟中,該伺服器根據該排牙齒影像,執行邊緣偵測運算而產生一通過該等內嵌區之尖端的第一基準線,並在每一外露區上選擇灰階梯度最大處作為二個交界點,而產生一通過該等交界點及該排牙齒影像之該齒頸部的第二基準線。
在該繪線步驟中,根據該齒槽骨影像,該伺服器執行邊緣偵測運算,並產生一灰階梯度最大且疊合於該齒槽骨影像之邊緣的邊界線,該邊界線位在該第一基準線與該第二基準線間。
在該計算步驟中,該伺服器計算該第一基準線至該第二基準線間的距離,而產生一主初始值,並計算該第二基準線至該邊界線間的距離,而產生一主退縮值,再計算該主退縮值與該主初始值的比例,而產生一相關於該齒槽骨影像之齒槽骨退縮程度的主評估結果。
本發明之功效在於:以該標記步驟及該繪線步驟在該灰階影像資料上標示出該第一基準線、該第二基準線,及該邊界線,
並以該計算步驟計算出該主初始值及該主退縮值,以得知該齒槽骨影像與該內嵌區之尖端間的原始距離及退縮距離,再計算出用以評估該齒槽骨影像退縮程度的該主評估結果,即能藉由數值化的資訊,協助牙醫師以該主評估結果得知患者的齒槽骨的退縮程度,並據以更快速、精準且客觀地評估牙周病的相關風險,有效降低受到患者的主觀感受及牙醫師診療經驗影響評估結果的可能性,也藉此降低延誤治療的風險。
1:灰階影像資料
11:牙齒影像
111:內嵌區
112:外露區
119:齒頸部
12:齒槽骨影像
2:已標記影像資料
21:第一標線
22:第二標線
23:第三標線
24:輔助標線
A:第一基準線
B:第二基準線
C:輔助線
D:邊界線
E:主初始值
F:主退縮值
G1、G2、G3:次初始值
H1、H2、H3:次退縮值
P:交界點
S1:預備步驟
S11:訓練子步驟
S12:處理子步驟
S2:標記步驟
S3:繪線步驟
S4:計算步驟
S41:再計算子步驟
本發明之其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:圖1是一方法流程圖,說明本發明牙周病檢測輔助方法的一實施例;圖2是一示意圖,說明該實施例分析的一灰階影像;圖3是一示意圖,配合圖1說明該實施例的一預備步驟的一訓練子步驟;圖4是一示意圖,配合圖1說明該實施例的一標記步驟;圖5是一流程示意圖,配合圖1說明該標記步驟;圖6是一示意圖,配合圖1說明該標記步驟;圖7是一局部放大的示意圖,配合圖1說明該實施例的一繪線
步驟;圖8是一局部放大的示意圖,配合圖1說明該實施例的一計算步驟;及圖9是一局部放大的示意圖,配合圖1說明該計算步驟的一再計算子步驟。
配合參閱圖1與圖2,本發明牙周病檢測輔助方法之一實施例,適用於輔助判讀者判讀一患者的口腔內是否患有牙周病,並適用於分析一灰階影像資料1。須先行說明的是,為使圖式能更清楚地呈現本實施例的執行流程,本案圖式並未繪示出該灰階影像資料1的灰階態樣,僅作為示意用,然而在執行本實施例時,該灰階影像資料1實際上是呈現灰階的態樣。
該灰階影像資料1是由多個像素點組成,並包含二排牙齒影像11,及二排分別銜接於該等牙齒影像11的齒槽骨影像12,每排牙齒影像11包括多個嵌埋於該齒槽骨影像12中的內嵌區111,及多個分別自該等內嵌區111凸出於該齒槽骨影像12之外的外露區112。須先特別說明的是,本文所述的「該牙齒影像11」為包含牙冠及牙根的完整影像,「該內嵌區111」為牙齒位在齒槽骨以內的部分,「該外露區112」為牙齒位在齒槽骨以外的部分,而本文所
述的「該齒槽骨影像12」則為位在牙齦以內的硬組織。
在本實施例中,該灰階影像資料1較佳為全口X光影像,優點為能快速取得影像且普及性高,但實際實施時,只要取得能確實呈現每一排所述牙齒影像11的影像類型即可,並不以此為限。為便於說明本實施例的執行方式,以下僅就本實施例的一個較為單純的使用情境,即一張灰階影像資料1中的其中一排齒槽骨影像12發生退縮的情況,來說明本實施例的執行。當然,在實際實施本實施例時,也可能是該等齒槽骨影像12皆發生退縮,或是僅有對應於單一個所述外露區112的該排齒槽骨影像12處發生退縮,須視該患者的口腔狀況而定。
本實施例包含一預備步驟S1、一標記步驟S2、一繪線步驟S3,及一計算步驟S4。其中,該預備步驟S1包括一訓練子步驟S11,及一處理子步驟S12。
配合參閱圖1至圖3,在該預備步驟S1中,是準備一例如為電腦主機的伺服器(圖中未繪示),但該伺服器的種類並不以此為限,且該伺服器儲存有一經訓練過的類神經網路模型。在該訓練子步驟S11中,是採用Python且以TensorFlow作為深度學習框架,而以多張如圖3所示的已標記影像資料2(圖3中僅繪示一已標記影像資料2)配合深度學習方式訓練出該類神經網路模型,並將該類神經網路模型儲存在該伺服器。
在本實施例中,每一張已標記影像資料2的影像類型與該灰階影像資料1相同,皆較佳為全口X光影像,且是將如圖2所示的該灰階影像資料1進行人工標記所製成。
在該處理子步驟S12中,該伺服器將針對該灰階影像資料1執行醫療數位影像傳輸協定(DICOM,Digital Imaging and Communications in Medicine)資料抽取,並且執行影像的正規化處理,藉此將原始影像中的資料轉換為在色相、飽和度、明度(HSV-Hue,Saturation,Value-)的灰階影像,藉此取得該二排牙齒影像11的灰階梯度值,及該二排牙齒影像11的輪廓,並保留該灰階影像資料1中灰階值較高的部分,即亮度較高的部分。
為便於說明本實施例的執行方式,以下是以該伺服器針對其中一排該牙齒影像11及對應的該排齒槽骨影像12進行處理及分析的流程作為示例,然而在實際使用時,該伺服器是同時針對該灰階影像資料1中的該二排牙齒影像11及該二排齒槽骨影像12,以同樣的方式進行處理及分析。
參閱圖4至圖6並配合圖1,在該標記步驟S2中,該伺服器根據該排牙齒影像11,執行邊緣偵測運算而產生一通過該等內嵌區111之尖端的第一基準線A,並在每一該外露區112上選擇灰階梯度最大處作為二個交界點P。定義該內嵌區111與該外露區112交界處為一齒頸部119,接著會產生一通過該等交界點P,以及該排牙齒
影像11之該齒頸部119的第二基準線B。在此須特別說明的是,為清楚說明該標記步驟S2,圖5中僅繪示如圖2所呈現之該灰階影像資料1的局部範圍。具體而言,由於該灰階影像資料1是由多個像素點組成,在該標記步驟S2中,該伺服器還執行邊緣偵測運算,藉此產生一灰階梯度最大並且疊合於該等外露區112邊緣的輔助線C,且該伺服器是在該輔助線C上,選擇灰階值與相鄰的該等像素點差異最大的二個像素點作為該等交界點P,再連接該等交界點P而形成該第二基準線B。
參閱圖7並配合圖1,該繪線步驟S3是根據該齒槽骨影像12,使該伺服器執行邊緣偵測運算,並產生一灰階梯度最大且疊合於該齒槽骨影像12之邊緣的邊界線D,該邊界線D位在該第一基準線A與該第二基準線B間。其中,如圖3所呈現之每一張該已標記影像資料2,皆含有二條分別對應於該等第一基準線A的第一標線21、二條分別對應於該等第二基準線B的第二標線22、二條分別對應於該等邊界線D的第三標線23,及二條分別對應於該等輔助線C的輔助標線24。
參閱圖8並配合圖1,在該計算步驟S4中,該伺服器計算該第一基準線A至該第二基準線B間的距離,而產生一主初始值E,並計算該第二基準線B至該邊界線D間的距離,而產生一主退縮值F,再計算該主退縮值F與該主初始值E的比例,而產生一相關於
該齒槽骨影像12之齒槽骨退縮程度的主評估結果。
在本實施例中,該主評估結果是以下列公式(1)計算。
由於該患者是否罹患牙周病,可藉由齒槽骨高度是否發生縮減來判斷,因此,本實施例是以該計算步驟S4計算出代表每一排齒槽骨影像12原始高度的該主初始值E,並計算代表每一排齒槽骨影像12退縮距離的該主退縮值F與該主初始值E的比值,再換算成百分比,即可得到代表每一排齒槽骨影像12高度縮減程度的該評估結果,使牙醫師能得知每一排齒槽骨影像12是否有任何一處發生不正常的高度縮減,並得以根據該評估結果判斷該排齒槽骨影像12是否發生牙周病。
該主評估結果所代表的意義如表1所示。
參閱圖9並配合圖1與圖2,該計算步驟S4包括一再計算子步驟S41,在該再計算子步驟S41中,該伺服器是根據該等外露區112,分別計算該第一基準線A至該第二基準線B間的距離,而產生多個次初始值G1、G2、G3,並分別計算該第二基準線B至該邊界線D間的距離,而產生多個次退縮值H1、H2、H3,再分別計
算該等次退縮值H1、H2、H3與該等次初始值G1、G2、G3的比例,而產生多個相關於該齒槽骨影像12之齒槽骨退縮程度的次評估結果。
在本實施例中,該等次評估結果是以下列公式(2)計算。
該等次評估結果所代表的意義與該主評估結果大致相同(見表1),不同處在於,該主評估結果是代表每一排齒槽骨的整體退縮程度,而該等次評估結果是代表每一顆牙齒所對應的齒槽骨處的退縮程度。
牙醫師能藉由該主評估結果客觀判斷每一排齒槽骨的整體退縮程度,並能藉由該等次評估結果客觀判斷每一顆牙齒所對應的齒槽骨處的退縮程度。特別是對於較輕微的牙周病而言,由於牙周病的初期症狀並不明顯,該患者常容易忽略牙齦炎時期的牙齦顏色改變、牙齦腫脹或流血,以及口臭等非急性的症狀,若該患者未定期進行口腔檢查,牙齦炎將容易發展成輕度牙周炎,齒槽骨將開始因細菌破壞而縮減,且若未及時處理,齒槽骨將由於不易清潔而持續縮減。
因此,本實施例除了能有助於協助牙醫師藉由數值化的資訊更快速地判定出牙周病,更能輔助牙醫師以客觀的角度評估
齒槽骨的退縮程度,並能幫助牙醫師盡早發現退縮程度較為輕微的齒槽骨,以便於即早進行治療,可有效降低延誤治療的風險、減緩該患者的不適感,並提升治療效果。
綜上所述,本發明牙周病檢測輔助方法之該實施例,以該標記步驟S2及該繪線步驟S3在該灰階影像資料1上標示出該等第一基準線A、該等第二基準線B、該等輔助線C,及該等邊界線D,並以該計算步驟S4計算出該等主初始值E及該等主退縮值F,以得知該等齒槽骨影像12與該等牙齒影像11的牙根尖間的原始距離及退縮距離,再計算出分別用以評估該等齒槽骨影像12退縮程度的該等主評估結果及該等次評估結果,即能藉由數值化的資訊,協助牙醫師更快速、精準且客觀地評估該等齒槽骨影像12的退縮程度,有效降低受到患者的主觀感受及牙醫師診療經驗影響評估結果的可能性,也藉此降低延誤治療的風險,故確實能達成本發明之目的。
惟以上所述者,僅為本發明之實施例而已,當不能以此限定本發明實施之範圍,凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
S1:預備步驟
S11:訓練子步驟
S12:處理子步驟
S2:標記步驟
S3:繪線步驟
S4:計算步驟
S41:再計算子步驟
Claims (7)
- 一種牙周病檢測輔助方法,適用於分析一灰階影像資料,該灰階影像資料包含一排牙齒影像,及一銜接該排牙齒影像的齒槽骨影像,該排牙齒影像包括多個嵌埋於該齒槽骨影像中的內嵌區,及多個分別自該等內嵌區凸出於該齒槽骨影像之外的外露區,定義該內嵌區與該外露區交界處為一齒頸部,該牙周病檢測輔助方法包含下列步驟: 一預備步驟,準備一伺服器; 一標記步驟,該伺服器根據該排牙齒影像,執行邊緣偵測運算而產生一通過該等內嵌區之尖端的第一基準線,並在每一外露區上選擇灰階梯度最大處作為二個交界點,而產生一通過該等交界點及該排牙齒影像之該齒頸部的第二基準線; 一繪線步驟,根據該齒槽骨影像,該伺服器執行邊緣偵測運算,並產生一灰階梯度最大且疊合於該齒槽骨影像之邊緣的邊界線,該邊界線位在該第一基準線與該第二基準線間;及 一計算步驟,該伺服器計算該第一基準線至該第二基準線間的距離,而產生一主初始值,並計算該第二基準線至該邊界線間的距離,而產生一主退縮值,再計算該主退縮值與該主初始值的比例,而產生一相關於該齒槽骨影像之齒槽骨退縮程度的主評估結果。
- 如請求項1所述的牙周病檢測輔助方法,其中,該計算步驟包括一再計算子步驟,在該再計算子步驟中,該伺服器是根據該等外露區,分別計算該第一基準線至該第二基準線間的距離,而產生多個次初始值,並分別計算該第二基準線至該邊界線間的距離,而產生多個次退縮值,再分別計算該等次退縮值與該等次初始值的比例,而產生多個相關於該齒槽骨影像之齒槽骨退縮程度的次評估結果。
- 如請求項1所述的牙周病檢測輔助方法,該灰階影像資料是由多個像素點組成,其中,在該標記步驟中,該伺服器還執行邊緣偵測運算,而產生一灰階梯度最大且疊合於該等外露區邊緣的輔助線,且該伺服器是在該輔助線上,選擇灰階值與相鄰的該等像素點差異最大的二個像素點作為該等交界點,再連接該等交界點而形成該第二基準線。
- 如請求項1所述的牙周病檢測輔助方法,其中,該預備步驟包括一訓練子步驟,在該訓練子步驟中,是採用Python且以TensorFlow作為深度學習框架,而以深度學習方式訓練出一類神經網路模型,並將該類神經網路模型儲存在該伺服器。
- 如請求項4所述的牙周病檢測輔助方法,其中,在該訓練子步驟中,是以多張已標記影像資料配合深度學習方式訓練出該類神經網路模型,每一已標記影像資料含有一對應於該第一基準線的第一標線、一對應於該第二基準線的第二標線,及一對應於該邊界線的第三標線。
- 如請求項3所述的牙周病檢測輔助方法,其中,該預備步驟包括一訓練子步驟,在該訓練子步驟中,是採用Python且以TensorFlow作為深度學習框架,而以深度學習方式訓練出一類神經網路模型,並將該類神經網路模型儲存在該伺服器。
- 如請求項6所述的牙周病檢測輔助方法,其中,在該訓練子步驟中,是以多張已標記影像資料配合深度學習方式訓練出該類神經網路模型,每一已標記影像資料含有一對應於該第一基準線的第一標線、一對應於該第二基準線的第二標線、一對應於該邊界線的第三標線,及一對應於該輔助線的輔助標線。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112144288A TWI844494B (zh) | 2023-11-16 | 2023-11-16 | 牙周病檢測輔助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112144288A TWI844494B (zh) | 2023-11-16 | 2023-11-16 | 牙周病檢測輔助方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWI844494B true TWI844494B (zh) | 2024-06-01 |
Family
ID=92541560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112144288A TWI844494B (zh) | 2023-11-16 | 2023-11-16 | 牙周病檢測輔助方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI844494B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201236636A (en) * | 2011-01-11 | 2012-09-16 | Advance Co Ltd | Oral imaging and display system |
TWM616083U (zh) * | 2021-05-18 | 2021-08-21 | 鑫圻科技股份有限公司 | 牙科用手持式上頷竇內視鏡攝影偵查系統 |
-
2023
- 2023-11-16 TW TW112144288A patent/TWI844494B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201236636A (en) * | 2011-01-11 | 2012-09-16 | Advance Co Ltd | Oral imaging and display system |
TWM616083U (zh) * | 2021-05-18 | 2021-08-21 | 鑫圻科技股份有限公司 | 牙科用手持式上頷竇內視鏡攝影偵查系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leite et al. | Artificial intelligence-driven novel tool for tooth detection and segmentation on panoramic radiographs | |
Wilson et al. | Criteria for the replacement of restorations: Academy of Operative Dentistry European Section | |
US11367188B2 (en) | Dental image synthesis using generative adversarial networks with semantic activation blocks | |
JP6483273B2 (ja) | 口腔内画像の自動選択及びロック | |
US11734825B2 (en) | Segmentation device and method of generating learning model | |
Lin et al. | Artifact-resistant superimposition of digital dental models and cone-beam computed tomography images | |
Radia et al. | Relationship between maxillary central incisor proportions and facial proportions | |
Miloro et al. | Is there consistency in cephalometric landmark identification amongst oral and maxillofacial surgeons? | |
EP2742865B1 (en) | Method for testing periodontal disease | |
Yasar et al. | The effects of image compression on quantitative measurements of digital panoramic radiographs | |
US20240296558A1 (en) | Non-invasive periodontal examination | |
JP6042983B2 (ja) | 歯周病検査装置及び歯周病検査装置に使用する画像処理プログラム | |
Strauss et al. | The use of digital technologies in peri‐implant soft tissue augmentation–A narrative review on planning, measurements, monitoring and aesthetics | |
TWI844494B (zh) | 牙周病檢測輔助方法 | |
JP7506336B2 (ja) | 歯肉の健康指標の算出方法 | |
Lim et al. | Construction reproducibility of a composite tooth model composed of an intraoral-scanned crown and a cone-beam computed tomography-scanned root | |
TWI769966B (zh) | 齲齒檢測輔助方法 | |
Shivpuje et al. | A review on digital dental radiographic images for disease identification and classification | |
WO2015015602A1 (ja) | 歯周炎指標の作成方法、その作成装置、その作成プログラム、これを記録した記録媒体ならびに歯周炎の診断方法、その診断装置、その診断プログラムおよびこれを記録した記録媒体 | |
RU2523627C1 (ru) | Способ выбора вида лечения мезиальной окклюзии | |
Erkan et al. | Objective characterization of dental occlusal and fissure morphologies: Method development and exploratory analysis | |
Sikri et al. | Applications of Artificial Intelligence in Dentistry: A Narrative Review | |
Bilello et al. | VALIDITY AND RELIABILITY OF MEASUREMENTS OF THE PARAMETERS OF SMILE AESTHETICS: A COMPARISON BETWEEN DIGITAL AND PLASTER MODELS. | |
Stancioi et al. | System for Detecting the Position of a Tooth in Relation to a Fixed Reference | |
US11576631B1 (en) | System and method for generating a virtual mathematical model of the dental (stomatognathic) system |