WO2023247565A1 - Verfahren zum bestimmen von zahncharakteristika aus einem zahnbild - Google Patents

Verfahren zum bestimmen von zahncharakteristika aus einem zahnbild Download PDF

Info

Publication number
WO2023247565A1
WO2023247565A1 PCT/EP2023/066684 EP2023066684W WO2023247565A1 WO 2023247565 A1 WO2023247565 A1 WO 2023247565A1 EP 2023066684 W EP2023066684 W EP 2023066684W WO 2023247565 A1 WO2023247565 A1 WO 2023247565A1
Authority
WO
WIPO (PCT)
Prior art keywords
tooth
processing model
image
learning
data set
Prior art date
Application number
PCT/EP2023/066684
Other languages
English (en)
French (fr)
Inventor
Moritz Pichler
Bernhard Rieder
Andrei SHMELEV
Dejan Dukic
Stefan Lacher
Johannes Zischg
Original Assignee
epitome GmbH
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 epitome GmbH filed Critical epitome GmbH
Priority to JP2024575266A priority Critical patent/JP2025520657A/ja
Priority to EP23734225.8A priority patent/EP4543362A1/de
Publication of WO2023247565A1 publication Critical patent/WO2023247565A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C19/00—Dental auxiliary appliances
    • A61C19/04—Measuring instruments specially adapted for dentistry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4542—Evaluating the mouth, e.g. the jaw
    • A61B5/4547—Evaluating teeth
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C9/00—Impression cups, i.e. impression trays; Impression methods
    • A61C9/004—Means or methods for taking digitized impressions
    • A61C9/0046—Data acquisition means or methods
    • A61C9/0053—Optical means or methods, e.g. scanning the teeth by a laser or light beam
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a method for determining tooth characteristics from a tooth image.
  • Biofilm is a film that, if not removed, can cause dental diseases such as tooth decay. Regular removal, for example with a toothbrush, is therefore strongly recommended.
  • the contrast agent fluorescein is known to fluoresce when illuminated by, for example, UV/blue light.
  • US 2020/0201266 A1 shows a cleaning device for a household.
  • This cleaning device can be designed for a wide variety of applications, such as cleaning a floor of a building, shaving a human body or cleaning teeth.
  • This cleaning device can have a neural network with which different properties of an image of the object to be cleaned can be determined, such as the color of teeth, in order to be able to influence the cleaning process.
  • US 2020/0146794 A1 describes an intelligent toothbrush that has a camera with which images of the teeth to be brushed can be captured. Using a neural network, the images can be evaluated to determine whether the teeth have plaque or tartar or whether there is inflammation in the oral cavity. The cleaning process with the toothbrush is adjusted accordingly.
  • the invention is based on the object of creating a method for recognizing teeth simply, reliably and automatically.
  • the task is solved by the subjects of the independent claims.
  • Advantageous developments and preferred embodiments form the subject of the subclaims.
  • a method for generating tooth characteristics includes providing a processing model, capturing at least one tooth image of a tooth, and calculating the tooth characteristics from the tooth images using the processing model.
  • the processing model was trained using a data set.
  • the data set includes at least one learning tooth image and one learning tooth characteristics, which are linked to one another.
  • the tooth characteristics include at least boundaries of one or more teeth in the tooth image.
  • Boundaries of teeth show a similar representation in the tooth image across multiple tooth images. This makes it particularly suitable for machine learning.
  • the trained processing model learned where the boundaries of the teeth are typically located in the image.
  • the processing model can be based on certain markers in the image, such as individual teeth that are visible with greater contrast in the original tooth image.
  • the finest differences in brightness in the gray levels are evaluated as a limitation by the processing model, provided they fit into the entire boundary contour of the teeth.
  • teeth especially of the same types of teeth, are similar across multiple tooth images.
  • an incisor tooth is similar to another user's incisor tooth.
  • the respective differences can then be recognized very easily using the machine learning processing model.
  • tooth characteristics can also be recognized from tooth images, even if no specialist personnel evaluate the images.
  • the method is very suitable for machine learning.
  • the inventors have recognized, unlike the prior art discussed above in which machine learning systems are used to analyze images of an oral cavity for plaque, gingivitis, and the like, that due to the similar shape of teeth in different people, a machine learning system is very precise and reliable can recognize the boundary between tooth and gum, even if the optical conditions are not optimal due to the system. Clear identification of the boundary between the teeth and gums significantly increases the quality of oral cleaning.
  • Tooth characteristics are data that describe certain features of a tooth.
  • tooth characteristics are an image file with the same dimensions as the tooth image, where this image only contains binary data, for example 0 indicating that there is no tooth at this location and a 1 indicating that there is a tooth here. Depending on the presentation, such an image would appear as a black contour drawing of the tooth.
  • the generated image of the tooth characteristics corresponds to the tooth image.
  • Biofilm, plaque, dental plaque and dental dirt are synonymous within the scope of this application. They describe a substance that adheres to the teeth and usually contains saliva, bacteria and food particles.
  • the tooth images are binary images.
  • the tooth images are reconstructed before being input into the processing model.
  • the reconstruction may include at least one of the following features:
  • the tooth characteristics preferably represent boundaries of the tooth in the tooth image, in particular in relation to the gums and/or the tongue.
  • the recognition of tooth characteristics may include a method for matching and/or classification or categorization of color aid programs. According to a preferred development, when the tooth characteristics are recognized by a machine learning algorithm, in particular a segmentation model is used for the area recognition of the tooth.
  • a model can be used for object recognition. This includes a bounding box model and/or a model for tooth coordinate recognition.
  • an algorithm for threshold value determination in particular an HSV, RGB, YCBCR, LAB threshold value determination, is used. Sections of the image can be highlighted using different colors.
  • segmentation model could also be used to assign features or characteristics to areas.
  • An area detection is carried out here. This is interesting, for example, when the characteristics have clearly defined boundaries, as is the case with tooth decay, for example.
  • the tooth characteristics include features of the teeth, such as tooth discoloration, implants, de-mineralized areas, caries, etc.
  • the tooth characteristics can be used in combination with the tooth image, which represents dental plaque, to create a map of the tooth in which not only the dental plaque but also the boundaries of the teeth are shown. This allows the plaque to be localized very precisely on the individual teeth and a cleaning process to be controlled accordingly.
  • a tooth map with the boundary and the dental plaque can be used, for example, to appropriately control a tooth cleaning device, as described for example in the German patent application DE 102022 102 045.2, for cleaning the teeth.
  • the tooth image is generated using a tooth dirt detection device.
  • the contrast agent fluorescein has a fluorescence with the strongest intensity at 520 to 530 nm when excited with light with a wavelength of 465 to 500 nm.
  • the very close wavelength spectrum of the exciting and emitted light leads to a signal-to-noise ratio that is too low in standard intraoral camera units of a dental dirt detection device to ensure reliable detection. Reflections that occur due to focused lighting solutions and blurry images from the camera unit are currently only compensated for with interoral cameras on the market by a greater distance from the tooth to the sensor unit.
  • the dental dirt detection device preferably has a light filter to allow light with wavelengths between 480 nm to 530 nm to pass.
  • an optical long-pass filter is preferably placed directly in front of the camera of the dental dirt detection device, which ideally has a cutoff wavelength of 480 nm to 530 nm and in particular about 510 nm and cuts off signals below this. Additionally, a bandpass or shortpass filter can be placed in front of the LEDs that illuminate the area to be detected in order to limit/focus the wavelength spectrum of the LEDs.
  • a circular polarizer can also be used.
  • an additional parameter can be taken into account to determine the tooth characteristics.
  • the processing model can generate better tooth characteristics if, for example, the tooth type (such as an incisor) is known.
  • An incisor tooth differs in shape from, for example, a molar.
  • the machine learning is supervised machine learning.
  • the processing model is trained on a data set by a machine learning algorithm.
  • the data set includes at least one learning tooth image and at least one learning tooth characteristics, which are linked to one another.
  • the processing model is improved by the processing model generating a learning tooth image of target tooth characteristics and then using a target algorithm to determine a measure of how much the target tooth characteristics and the learning tooth characteristics differ.
  • the processing model is adjusted based on the specific measurement.
  • a computer program product includes instructions that, when the program is executed by a computer, cause it to carry out the method described above.
  • Figure 2 Block diagram of a system for determining
  • FIG. 3b Block diagram of a system for the use of a
  • the learning unit 2 includes a machine learning module 6, which is designed to use assignments 7 of tooth images 5 to learning tooth characteristics 8 in order to generate a processing model 9 therefrom.
  • the learning unit 2 and the execution unit 3 are two different computers connected to each other via a computer network to exchange the processing model 9.
  • the learning unit 2 and the execution unit 3 are mapped by the same computer.
  • the tooth dirt detection device 4 preferably communicates wirelessly with the execution unit 3, for example via WLAN. However, wire-based communication is also conceivable.
  • Tooth dirt detection device 4 is described in detail in the unpublished German patent application DE 10 2022 102 045.2 and this patent application is incorporated by reference in its entirety.
  • the tooth dirt detection device 4 is designed such that a U-shaped section of the tooth dirt detection device 4 is introduced into the mouth of a user.
  • the U-shaped section of the dental dirt detection device 4 has a sensor arrangement.
  • a detection liquid is introduced into the oral cavity before the detection process.
  • the detection fluid interacts with the biofilm and causes the biofilm to glow at another predetermined wavelength under the influence of light with a predetermined wavelength.
  • the detection liquid is arranged in a detection capsule which can be inserted into the dental dirt detection device 4. The detection device then removes the detection liquid and pumps it onto the teeth.
  • the tooth dirt detection device 4 consists of a handpiece, which can have a display on the side facing away from the user. On the side facing the user there is a mouthpiece that is inserted into the oral cavity and guides the sensor unit over the teeth.
  • the mouthpiece has at least one camera unit with a camera.
  • the camera unit alone has the dimensions 1x1x2, 7 mm and the entire sensor unit, including a protective glass, PCB (printed circuit board), filter and camera holder, has a diameter of 8 mm and a height of 3.8 mm. With these dimensions, the unit can be easily guided into an oral cavity.
  • PCB printed circuit board
  • an optical long-pass filter is preferably placed directly in front of the camera, which ideally has a cutoff wavelength of around 510 nm and cuts off signals below that.
  • a bandpass or shortpass filter can be placed in front of the LEDs that illuminate the area to be detected in order to limit the wavelength spectrum of the LEDs.
  • step S1 ( Figure 4).
  • Tooth images 5 are manually assigned to tooth characteristics 11. Tooth images 5 are images of teeth that were recorded by a tooth dirt detection device 4. They typically show strong signal-to-noise ratios of dental plaque, but the demarcation of teeth, here tooth characteristics 11 , are very difficult to recognize. However, specialist personnel are able to determine these boundaries manually.
  • an empty processing model 9 is initially used, which here consists of a neural network.
  • empty means that the neural network has not yet been trained with any data, but contains the necessary basics and is ready to learn.
  • step S4 in which the processing model 9 is transferred from the learning unit 2 to the execution unit 3.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Fuzzy Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Optics & Photonics (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
  • Image Analysis (AREA)
  • Endoscopes (AREA)

Abstract

Ein Verfahren zum Erzeugen von Zahncharakteristika umfasst das Bereitstellen eines Verarbeitungsmodells, das Aufnehmen zumindest eines Zahnbildes eines Zahns und das Berechnen der Zahncharakteristika aus den Zahnbildern mittels des Verarbeitungsmodells. Das Verarbeitungsmodell wurde anhand eines Datensatzes trainiert. Der Datensatz umfasst zumindest ein Lern-Zahnbild und ein Lern- Zahncharakteristika, welche miteinander verknüpft sind.

Description

Verfahren zum Bestimmen von Zahncharakteristika aus einem Zahnbild
Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen von Zahncharakteristika aus einem Zahnbild.
Zahnpflege ist ein wichtiger Beitrag zur menschlichen Hygiene. Insbesondere die Entfernung eines Biofilms auf Zähnen gehört zur Zahnpflege. Der Biofilm ist ein Film, der bei nicht Entfernung Zahnerkrankungen, wie beispielsweise Karies erzeugen kann. Ein regelmäßiges Entfernen, mit zum Beispiel einer Zahnbürste, wird somit dringend empfohlen.
Damit ein Nutzer weiß, wo er besonderes Augenmerk auf das Zähneputzen legen sollte, ist das Kontrastmittel Fluorescein bekannt, dass bei Beleuchtung von zum Beispiel UV-/blauem Licht fluoresziert.
Nimmt eine Farbkamera im Spektrum des menschlichen Auges das vom Biofilm fluoreszierende Licht auf, ist das Signal-zu-Rausch-Verhältnis sehr gering und der Biofilm ist nur schwer erkennbar.
Aus der noch nicht veröffentlichen deutschen Patentanmeldung DE 10 2022 102 045.2 geht eine Zahnschmutzdetektionseinrichtung hervor, die dieses Problem löst, indem die Kamera nur einen speziellen Farbspektrumsbereich aufnimmt. Das Signal-zu-Rausch Verhältnis wird dadurch deutlich verbessert. Ein Biofilm ist hierbei sehr gut erkennbar.
Nachteilig bei einer Verwendung mit einem schmalen Bandfilter ist hingegen, dass andere Zahncharakteristika, wie beispielsweise die Umrandung des Zahnes, d. h. die Abgrenzung von Zahn zu beispielsweise dem Zahnfleisch oder dem Hintergrund der Mundhöhle, nur sehr schwer beim aufgenommenen Bild zu erkennen ist. Aus der US 2020/0201266 A1 geht eine Reinigungseinrichtung für einen Haushalt hervor. Diese Reinigungsvorrichtung kann für unterschiedlichste Anwendungen, wie zum Beispiel für die Reinigung eines Bodens eines Gebäudes, für das Rasieren eines menschlichen Körpers oder das Reinigen von Zähnen ausgebildet sein. Diese Reinigungsvorrichtung kann ein neuronales Netzwerk aufweisen, mit dem unterschiedliche Eigenschaften eines Bildes des zu reinigenden Gegenstandes bestimmt werden können, wie zum Beispiel die Farbe von Zähnen, um damit Einfluss auf den Reinigungsvorgang nehmen zu können.
In der US 2020/0146794 A1 ist eine intelligente Zahnbürste beschrieben, welche eine Kamera aufweist, mit welcher Bilder von den zu putzenden Zähnen erfasst werden können. Mit einem neuronalen Netzwerk können die Bilder dahingehend ausgewertet werden, ob die Zähne einen Zahnbelag bzw. Zahnstein aufweisen oder ob eine Entzündung im Mundraum vorliegt. Dementsprechend wird der Reinigungsvorgang mit der Zahnbürste angepasst.
In der US 2020/0179089 A1 ist ein Mundhygieneüberwachungssystem offenbart, das die Bewegung und die Ausrichtung von Mundhygieneeinrichtungen, wie zum Beispiel einer Zahnbürste bei Benutzung derselben überwacht. Dies erfolgt mittels einer oder mehrerer Kameras, die von außerhalb des Körpers der Person, die ihre Zähne reinigt, die Bewegung der Zahnbürste überwacht bzw. überwachen.
In der US 2021/0393026 A1 ist ein Mundhygienesystem beschrieben, das eine Art intelligente Zahnbürste ist, welche einen optischen Sensor aufweist, um den Mundinnenraum optisch abzutasten. Die Sensordaten können mit einem Maschinenlernsystem analysiert werden, wie zum Beispiel einem neuronalen Netzwerk.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zu schaffen, einfach, zuverlässig und automatisiert Zähne zu erkennen. Die Aufgabe wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen und bevorzugte Ausführungsformen bilden den Gegenstand der Unteransprüche.
Ein Verfahren zum Erzeugen von Zahncharakteristika umfasst das Bereitstellen eines Verarbeitungsmodells, das Aufnehmen zumindest eines Zahnbildes eines Zahns und das Berechnen der Zahncharakteristika aus den Zahnbildern mittels des Verarbeitungsmodells. Das Verarbeitungsmodell wurde anhand eines Datensatzes trainiert. Der Datensatz umfasst zumindest ein Lern-Zahnbild und eine Lern- Zahncharakteristika, welche miteinander verknüpft sind. Die Zahncharakteristika umfassen zumindest Begrenzungen eines oder mehrerer Zähne im Zahnbild.
Begrenzungen von Zähnen zeigen über mehrere Zahnbilder hinweg eine ähnliche Darstellung im Zahnbild. Hierdurch eignet sie sich besonders gut für das maschinelle Lernen.
Das trainierte Verarbeitungsmodel hat beim Training gelernt, wo typischerweise die Begrenzungen der Zähne im Bild angeordnet sind. Hierbei kann sich das Verarbeitungsmodell an bestimmten Markern, wie z.B. einzelnen mit stärkerem Kontrast im ursprünglichen Zahnbild sichtbaren Zähnen, im Bild orientieren. In den Bereichen, in welchen typischerweise eine Begrenzung vorliegen sollte, werden feinste Helligkeitsunterschiede in den Graustufen durch das Verarbeitungsmodell als Begrenzung ausgewertet, sofern sie in die gesamte Begrenzungskontur der Zähne passen. Es ist jedoch auch denkbar, Helligkeitsunterschiede in Farbbildern, wie RGB-Bildern auszuwerten.
Hierdurch kann die Zahnkontur sehr zuverlässig und präzise festgestellt werden, auch wenn die Lichtverhältnisse systembedingt nicht optimal sind.
Die Begrenzungen von Zähnen, insbesondere gleicher Zahnarten, ähnelt sich über mehrere Zahnbilder hinweg. So ist ein Schneidezahn von der Begrenzung her ähnlich zu einem Schneidezahn eines anderen Nutzers. Die jeweiligen Unterschiede können dann sehr einfach durch das Verarbeitungsmodell des maschinellen Lernens erkannt werden. Durch die Verwendung eines Verarbeitungsmodells, welches insbesondere durch maschinelles Lernen erzeugt wurde, können auch Zahncharakteristika aus Zahnbildern erkannt werden, auch wenn kein Fachpersonal die Bilder auswertet.
Herkömmliche Verfahren, wie beispielsweise Schwellenwertbildung, Farbspektrumseparation oder verschiedene optische Filter unterscheiden nicht zuverlässig zwischen Zahn und Zahnfleisch bzw. dem Hintergrund. Dies kann im schlimmsten Fall zu einer Verletzung des Zahnfleisches bei der Reinigung führen.
Die Merkmale im Zahnbild sind derart schwach, dass sie mit dem herkömmlichen Verfahren nicht zu erkennen sind.
Die Merkmale sind jedoch durchaus vorhanden und sie ähneln sich von Zahnbild zu Zahnbild. Je nach Zahntyp sind die Merkmale auch an ähnlichen Stellen zu finden.
Aufgrund dieser gleichbleibenden Merkmale im Zahnbild eignet sich das Verfahren sehr gut für ein maschinelles Lernen.
Die Erfinder haben erkannt, anders als bei dem oben diskutierten Stand der Technik, bei dem Maschinenlernsysteme verwendet werden, um Bilder eines Mundraums auf Zahnbelag, Zahnfleischentzündungen und dergleichen zu analysieren, dass aufgrund der ähnlichen Form von Zähnen bei unterschiedlichen Personen ein Maschinenlernsystem sehr präzise und zuverlässig die Grenze zwischen Zahn und Zahnfleisch erkennen kann, auch wenn systembedingt die optischen Verhältnisse nicht optimal sind. Eine klare Identifikation der Grenze zwischen den Zähnen und dem Zahnfleisch bewirkt eine erhebliche Steigerung der Qualität der Reinigung des Mundraumes.
Für ein automatisiertes Reinigungsverfahren ist es jedoch sehr vorteilhaft, dass die Grenze zwischen dem Zahn und dem Zahnfleisch genau bekannt ist. Hierdurch bewirkt ein auf die Zahnbegrenzung trainiertes Verarbeitungsmodell eine erhebliche Qualitätssteigerung des Behandlungs- bzw. Reinigungsvorgangs, der automatisch durchführbar ist. Zahncharakteristika sind Daten, die bestimmte Merkmale eines Zahnes beschreiben. Im einfachsten Fall sind Zahncharakteristika eine Bilddatei mit denselben Maßen wie das Zahnbild, wobei dieses Bild lediglich binäre Daten enthält, wobei beispielsweise die 0 angibt, dass an dieser Stelle kein Zahn vorliegt und eine 1 , dass hier ein Zahn vorliegt. Je nach Darstellung würde ein solches Bild als eine schwarze Konturzeichnung des Zahnes dargestellt werden.
Das erzeugte Bild der Zahncharakteristika korrespondiert zu dem Zahnbild.
Es ist aber auch denkbar, dass die Zahncharakteristika Positionsdaten sind oder Vektorlinien, die die Begrenzung des Zahnes entlanglaufen.
Biofilm, Plaque, Zahnbelag und Zahnschmutz sind im Umfang dieser Anmeldung gleichbedeutend. Sie beschreiben eine Substanz, welche an den Zähnen anhaften und üblicherweise Speichel, Bakterien und Nahrungsresten aufweist.
Vorzugsweise sind die Zahnbilder binäre Bilder.
Vorzugsweise werden die Zahnbilder vor der Eingabe in das Verarbeitungsmodell rekonstruiert. Die Rekonstruktion kann zumindest eine der folgenden Merkmale umfassen:
- Encodierung des Bild,
- Farberstellung nach dem Bayer Pattem,
- Farbsignalverstärkung,
- Helligkeitsanpassung und/oder
- Gammaanpassung.
Vorzugsweise stellen die Zahncharakteristika Begrenzungen des Zahnes im Zahnbild, insbesondere gegenüber dem Zahnfleisch und/oder der Zunge dar.
Die Erkennung von Zahncharakteristika kann ein Verfahren zum Abgleich und oder zur Klassifizierung bzw. Kategorisierung von Farbhilfsprogrammen aufweisen. Gemäß einer bevorzugten Weiterbildung wird bei der Erkennung der Zahncharakteristika durch einem Algorithmus zum maschinellen Lernen insbesondere ein Segmentierungsmodell für die Bereichserkennung des Zahns verwendet.
Alternativ oder zusätzlich kann ein Modell zur Objekterkennung verwendet werden. Dieses umfasst ein Begrenzungsrahmenmodell und/oder ein Model zur Zahnkoordinatenerkennung.
Des weiteren ist es denkbar, dass ein Algorithmus zur Schwellenwert Festlegung, insbesondere einer HSV-, RGB-, YCBCR-, LAB-Schwellenwertfestlegung verwendet wird. Hierbei können Bildabschnitte durch unterschiedliche Farben hervorgehoben werden.
Das zuvor erwähnte Segmentierungsmodell könnte auch verwendet werden, um Merkmale bzw. Charakteristika Bereichen zuzuordnen. Hierbei wird eine Bereichserkennung durchgeführt. Dies ist beispielsweise dann interessant, wenn die Merkmale klar definierte Grenzen aufweist, wie es zum Beispiel bei Karies ist.
Als Weiterbildung ist es denkbar, dass bei der Begrenzung zwischen einer Begrenzung von Zahn zu Zahnfleisch und von Zahn zu Hintergrund unterschieden wird.
Es ist aber auch denkbar, dass die Zahncharakteristika Merkmale der Zähne umfassen, wie bspw. Zahnverfärbungen, Implantate, de-mineralisierte Stellen, Karies, usw.
Die Zahncharakteristika können dazu genutzt werden, um in Kombination mit dem Zahnbild, welches Zahnbelag darstellt, eine Karte des Zahnes zu erstellen, in dem nicht nur der Zahnbelag, sondern auch die Begrenzungen der Zähne dargestellt sind. Hierdurch kann der Zahnbelag sehr präzise auf den einzelnen Zähnen lokalisiert werden und ein Reinigungsvorgang dementsprechend gesteuert werden. Eine solche Zahnkarte mit der Begrenzung und dem Zahnbelag kann beispielsweise dafür genutzt werden, um eine Zahnreinigungseinrichtung, wie sie beispielsweise in der deutschen Patentanmeldung DE 102022 102 045.2 beschrieben ist, zum Reinigen der Zähne entsprechend zu steuern.
In einem bevorzugten Weiterbildungsverfahren wird das Zahnbild mit einer Zahnschmutzdetektionseinrichtung erzeugt.
Werden Zähne mit UV-/blauem (~405 nm) Licht beleuchtet, kann man die Zähne auf frühe Karies, Risse im Zahn und Sekundärkaries überprüfen. Das Kontrastmittel Fluorescein hat eine Fluoreszenz mit der stärksten Intensität bei 520 bis 530 nm, wenn es mit Licht mit einer Wellenlänge 465 bis 500 nm angeregt wird. Das sehr eng zusammenliegende Wellenlängenspektrum des anregenden und emittierten Lichts führt bei standardmäßigen intraoralen Kameraeinheiten einer Zahnschmutzdetektionseinrichtung zu einem zu geringen Signal-to-Noise Verhältnis, um ein sicheres Detektieren zu gewährleisten. Auftretende Reflexionen durch fokussierte Beleuchtungslösungen und unscharfe Bilder der Kameraeinheit werden bei am Markt befindlichen interoralen Kameras zurzeit nur durch eine größere Distanz von Zahn zu Sensoreinheit kompensiert.
Vorzugsweise weist die Zahnschmutzdetektionseinrichtung einen Lichtfilter auf, um Licht mit den Wellenlängen zwischen 480 nm bis 530 nm passieren zu lassen.
Um ein gutes Signal-to-Noise Ratio zu gewährleisten, ist vorzugsweise direkt vor der Kamera der Zahnschmutzdetektionseinrichtung ein optischer Langpassfilter platziert, der im Idealfall eine Grenzwellenlänge von 480 nm bis 530 nm und insbesondere etwa 510 nm hat und Signale darunter abschneidet. Zusätzlich kann ein Bandpassoder Kurzpassfilter vor den LEDs, welche den zu erfassenden Bereich beleuchten, platziert werden, um das Wellenlängenspektrum der LEDs zu begrenzen/fokussieren.
Als Alternative zu dem Langpassfilter kann auch ein Circular Polarizer verwendet werden. Gemäß einer Weiterbildung kann zur Bestimmung der Zahncharakteristika ein Zusatz-Parameter berücksichtigt werden.
Hierbei kann die Genauigkeit bei der Bestimmung der Zahncharakteristika erhöht werden.
So kann das Verarbeitungsmodell bessere Zahncharakteristika erzeugen, wenn zum Beispiel der Zahntyp (wie Schneidezahn) bekannt ist. Ein Schneidezahn unterscheidet sich in der Form von zum Beispiel einem Backenzahn.
Vorzugsweise umfassen die Zusatzparameter zumindest einen der folgenden Parameter:
- Zahnprothesen,
- Zahnerkrankungen,
- Position von de-mineralisierten Bereichen,
- Position von Karies,
- Position von Füllungen,
- Position von Zahnstein,
- Position von Verfärbungen,
- Position von rauen Stellen,
- Weißheitsgrad des Zahns,
- Fehlstellung des Zahns,
- Zahnpositionen, und/oder
- Zahntyp.
Hierdurch können, neben einer genaueren Erkennung, auch Fehler vermieden werden. So kann beispielsweise ein Bereich mit dem generalisierten Zahnstein im Zahnbild ähnliche Merkmale aufweisen, wie der Hintergrund. Ist ein solcher Bereich bekannt, kann die Position der Zahnbegrenzung besser berechnet werden.
Vorzugsweise ist das maschinelle Lernen ein überwachtes maschinelles Lernen.
Beim überwachten Lernen wird das Verarbeitungsmodell erlernt aus gegebenen Paaren von Ein- und Ausgaben. Diese Ein- und Ausgaben stellen vorgefertigte Zahnbilder und Zahncharakteristika dar. Die korrekten Funktionen werden durch die Zahnbilder manuell bei der Eingabe bereitgestellt. Hierbei werden nach mehreren Durchgängen mit unterschiedlichen Ein- und Ausgaben die Fähigkeiten trainiert, Assoziation herzustellen.
Gemäß einer Weiterbildung wird in der Anwendungsphase das Verarbeitungsmodell durch selbständiges maschinelles Lernen verbessert, indem ein Anwender die durch das Verarbeitungsmodell erzeugten Zahncharakteristika manuell anpasst. Das Verarbeitungsmodell wird anhand eines Datensatzes bestehend aus dem Zahnbild und den angepassten Zahncharakteristika zusätzlich trainiert.
Hierdurch wird das Verarbeitungsmodell kontinuierlich verbessert. Je mehr Trainingsdaten, also auch die neu hinzugekommenen, genutzt wurden, um das Verarbeitungsmodell zu erzeugen, desto genauer kann mit dem Verarbeitungsmodell Zahncharakteristika aus einem Zahnbild bestimmt werden.
Bei einem Verfahren zum Erzeugen eines Verarbeitungsmodells wird das Verarbeitungsmodell anhand eines Datensatzes durch einen Algorithmus zum maschinellen Lernen trainiert. Der Datensatz umfasst zumindest ein Lern-Zahnbild und zumindest ein Lern-Zahncharakteristika, welche miteinander verknüpft sind. Das Verarbeitungsmodell wird verbessert, indem das Verarbeitungsmodell eine Lern- Zahnbild Ziel-Zahncharakteristika erzeugt und dann durch einen Ziel-Algorithmus ein Maß bestimmt wird, wie sehr sich die Ziel-Zahncharakteristika und die Lern- Zahncharakteristika unterscheiden. Anhand des bestimmten Maßes wird das Verarbeitungsmodell angepasst.
Ein Computerprogrammprodukt umfasst Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das oben beschriebene Verfahren auszuführen.
Der Computer ist eine Recheneinheit. Die Recheneinheit, bzw. der Computer kann aber auch ein digitales Benutzergerät sein, wie ein Smartphone, ein Server, ein Mikrocontroller, ein Laptop, einen Tablett-Computer, ein ein PDA oder ein anderes intelligentes System, wie auch ein Cloud-basiertes System. Ein weiterer Aspekt der vorliegenden Erfindung ist ein Verfahren zum automatischen Reinigen von Zähnen, wobei zumindest eine Zahncharakteristik nach einem oben erläuterten Verfahren bestimmt wird und nach Maßgabe der so bestimmten Zahncharakteristik der Reinigungsvorgang gesteuert wird.
Der Reinigungsvorgang wird bspw. mittels einer automatisch gesteuerten Zahnbürste ausgeführt.
Die Erfindung wird nachfolgend beispielhaft anhand den in den Zeichnungen dargestellten Beispielen näher erläutert. Die Zeichnungen zeigen schematisch: Figur 1 Schematische Darstellung von Zahnbildern und Zahncharakteristika,
Figur 2 Blockschaltbild eines Systems zur Bestimmung von
Zahncharakteristika aus einem Zahnbild,
Figur 3a Blockschaltbild eines Systems zum Bilden eines Verarbeitungsmodells,
Figur 3b Blockschaltbild eines Systems zum Nutzen eines
Verarbeitungsmodells, und
Figur 4 ein Flussdiagramm eines Verfahrens zur Bestimmung von Zahncharakteristika aus einem Zahnbild.
Ausführungsbeispiele
Vorrichtungsbeschreibung
Ein System 1 zum Bestimmen von Zahncharakteristika umfasst eine Lerneinheit 2, eine Ausführungseinheit 3 und eine Zahnschmutzdetektionseinrichtung 4 zum Aufnehmen von Zahnbildern 5.
Die Lerneinheit 2 umfasst ein Modul zum maschinellen Lernen 6, welches ausgebildet ist, Zuordnungen 7 von Zahnbildern 5 zu Lern-Zahncharakteristika 8 zu nutzen, um daraus ein Verarbeitungsmodell 9 zu erzeugen.
Die Anwendungseinheit 3 umfasst ein Anwendungsmodul 10, welches das Verarbeitungsmodell 9 nutzt, um aus Zahnbilder 5 automatisch Zahncharakteristika 11 zu bestimmen. Die Lerneinheit 2 und die Ausführungseinheiten 3 sind typischerweise Recheneinheiten, wie beispielsweise Computer. Das Modul zum maschinellen Lernen 6 und das Anwendungsmodul 10 sind Software-Applikationen, welche auf diesen Computern ausführbar sind.
In diesem Ausführungsbeispiel sind die Lerneinheit 2 und die Ausführungseinheit 3 zwei unterschiedliche Computer, die über ein Computernetzwerk miteinander verbunden sind, um das Verarbeitungsmodell 9 auszutauschen.
In anderen Ausführungsbeispielen ist es denkbar, dass die Lerneinheit 2 und die Ausführungseinheit 3 durch denselben Computer abgebildet werden.
Die Zahnschmutzdetektionseinrichtung 4 kommuniziert vorzugsweise drahtlos mit der Ausführungseinheit 3, beispielsweise über WLAN. Eine drahtgestützte Kommunikation ist jedoch auch denkbar.
Zahnschmutzdetektionseinrichtung 4 ist in der nicht veröffentlichten deutschen Patentanmeldung DE 10 2022 102 045.2 ausführlich beschrieben und auf diese Patentanmeldung wird vollumfänglich Bezug genommen.
Grundsätzlich ist die Zahnschmutzdetektionseinrichtung 4 derart ausgebildet, dass ein U-förmiger Abschnitt der Zahnschmutzdetektionseinrichtung 4 in den Mundraum eines Nutzers eingeführt wird. Der U-förmige Abschnitt der Zahnschmutzdetektionseinrichtung 4 weist eine Sensoranordnung auf.
Der U-förmige Abschnitt wird auf die Zähne gestülpt, sodass alle Zahnoberflächen von einem Sensor erfasst werden können.
Damit ein Biofilm besser sichtbar ist, wird vor dem Detektionsvorgang eine Detektionsflüssigkeit in den Mundraum eingebracht. Die Detektionsflüssigkeit interagiert mit dem Biofilm und lässt den Biofilm unter Einfluss eines Lichtes mit einer vorbestimmten Wellenlänge in einer anderen vorbestimmten Wellenlänge leuchten. Die Detektionsflüssigkeit ist in einer Detektionskapsel angeordnet, die in die Zahnschmutzdetektionseinrichtung 4 einsetzbar ist. Die Detektionsvorrichtung entnimmt dann die Detektionsflüssigkeit und pumpt sie auf die Zähne.
Hierzu besteht die Zahnschmutzdetektionseinrichtung 4 aus einem Handstück, welches an der anwenderabgewandten Seite ein Display aufweisen kann. Auf der anwenderzugewandten Seite befindet sich ein Mundstück, das in die Mundhöhle eingeführt wird und die Sensoreinheit über die Zähne führt.
Das Mundstück weist zumindest eine Kameraeinheit mit einer Kamera auf.
Die Kameraeinheit allein hat beispielsweise die Dimensionen 1x1x2, 7 mm und die gesamte Sensoreinheit, inklusive eines Schutzglases, PCB (printed circuit board), Filter und Kamerahalter, einen Durchmesser von 8 mm und eine Höhe von 3,8 mm. Mit diesen Abmessungen ist die Einheit in einen Mundraum gut führbar.
Um ein gutes Signal-Rausch-Verhältnis zu gewährleisten, ist vorzugsweise direkt vor der Kamera ein optischer Langpassfilter platziert, der im Idealfall eine Grenzwellenlänge von etwa 510 nm hat und Signale darunter abschneidet.
Zusätzlich kann ein Bandpass- oder Kurzpassfilter vor den LEDs, welche den zu erfassenden Bereich beleuchten, platziert werden, um das Wellenlängenspektrum der LEDs zu begrenzen.
Verfahrensbeschreibung
Nachfolgend wird ein Verfahren zum Bestimmen von Zahncharakteristika 11 erläutert.
Das Verfahren beginnt mit Schritt S1 (Figur 4).
Im nächsten Schritt (S2) werden Zahnbilder 5 zu Zahncharakteristika 11 manuell zugeordnet. Zahnbilder 5 sind Abbildungen von Zähnen, die durch eine Zahnschmutzdetektionseinrichtung 4 aufgenommen wurden. Sie zeigen typischerweise starke Signal-zu-Rausch-Verhältnisse von Zahnbelägen, aber die Abgrenzung von Zähnen, hier Zahncharakteristika 11 , sind nur sehr schwer erkennbar. Fachpersonal ist jedoch in der Lage, diese Abgrenzungen manuell zu bestimmen.
Wurden Zahnbildern 5 Zahncharakteristika 11 zugeordnet, wird im nächsten Schritt (S3) ein Verarbeitungsmodell 9 durch maschinelles Lernen dieser manuellen Zuordnung 7 erzeugt.
In der Lernphase wird zunächst ein leeres Verarbeitungsmodell 9 verwendet, das hier aus einem neuronalen Netz besteht. Leer bedeutet in diesem Zusammenhang, dass das neuronale Netz noch mit keinen Daten angelernt wurde, aber die hierzu nötigen Grundlagen enthält und zum Lernen bereit ist.
Zum Lernen des Verarbeitungsmodells 9 werden Lern-Zahnbilder 5 in das Verarbeitungsmodell 9 eingelesen, welches daraufhin Ziel-Zahncharakteristika 11 ausgibt (Figur 3a).
Zur Erzeugung von Lern-Zahncharakteristika 8 wird mit einem Kameramodul einer Zahnschmutzdetektionseinrichtung 4 ein Bild der Zähne aufgenommen, wobei auf ein Kontrastmittel und gegebenenfalls auf Farbfilter verzichtet wird. Dadurch wird ein Abbild des Zahnes erzeugt, bei dem zwar ein Biofilm nicht so leicht erkennbar ist, aber die Begrenzung des Zahnes deutlich sichtbar ist. Diese Begrenzung kann durch einen Algorithmus, oder manuell aus dem Zahnbild 5, berechnet werden und die stellen dann die Lernzahncharakteristika dar.
Durch einen Zielalgorithmus 12 wird ein Maß bestimmt, wie sehr sich die Zielcharakteristika von den Lern-Zahnbildern 5 zugeordneten Lern- Zahncharakteristika unterscheiden.
Anhand des Maßes wird automatisch das Verarbeitungsmodell 9 verbessert. Dieser Lernschritt wird nun mit dem gleichen Lern-Zahnbild und oder einem anderen Lern-Zahnbild wiederholt.
Diese Wiederholung passiert etliche Male und anhand dieser Wiederholung des Lernschrittes wird das Verarbeitungsmodell 9 aufgebaut.
Es folgt Schritt S4, in dem das Verarbeitungsmodell 9 von der Lerneinheit 2 zur Ausführungseinheit 3 übertragen wird.
In Schritt S5 werden neue Zahnbilder 5 auch von der Zahnschmutzdetektionseinrichtung 4 aufgenommen.
Die neuen Zahnbilder 5 werden von der Zahnschmutzdetektionseinrichtung 4 zur Ausführungseinheit 3 übertragen.
Anschließend wird in Schritt S6 Zahncharakteristika 11 des neuen Zahnbildes 5 anhand des Verarbeitungsmodells 9 erzeugt (Figur 3b).
Das Verfahren endet mit Schritt S7.
Gemäß einer Ausführungsform wird die für die Kamera sichtbare Zahnflächen vermessen. Hierbei kann beispielsweise die Höhen, Tiefen und Neigungswinkel zu den bestimmten Handbuch des Zahnes ermittelt werden, um daraus die Oberfläche des Zahnes zu bestimmen.
Gemäß einer weiteren Ausführungsform können Zähne über mehrere aufgenommenen Zahnbilder hinweg getrackt, d. h. verfolgt, werden. Hierbei werden Zähne auf verschiedenen Zahnbildern identifiziert. Des Weiteren ist es möglich, dass Zahnbewegungen ermittelt werden und die Kamerabewegung hieraus berechnet werden kann. Bezugszeichenliste
1 System zum Bestimmen von Zahncharakteristika
3 Ausführungseinheit 4 Zahnschmutzdetektionseinrichtung
5 Zahnbildern
2 Lerneinheit
6 Modul zum Lernen
7 Zuordnungen 8 Lern-Zahncharakteristika
9 Verarbeitungsmodell
10 Anwendungsmodul
11 Zahncharakteristika

Claims

Patentansprüche Verfahren zum Erzeugen von Zahncharakteristika (11 ), umfassend: Bereitstellen eines Verarbeitungsmodells (9),
Aufnehmen zumindest eines Zahnbildes (5) eines Zahns, Bestimmen der Zahncharakteristika (11 ) aus den Zahnbildern (5) mittels des Verarbeitungsmodells (9), wobei das Verarbeitungsmodell (9) anhand eines Datensatzes trainiert wurde, und der Datensatz zumindest ein Lern-Zahnbild (5) und Lern- Zahncharakteristika (8) umfasst, welche miteinander verknüpft sind, wobei die Zahncharakteristika (11 ) zumindest Begrenzungen des Zahnes im Zahnbild (5), insbesondere gegenüber dem Zahnfleisch und/oder der Zunge und/oder sonstigem Hintergrund im Mundraum, darstellen. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das Zahnbild (5) mit einer Zahnschmutzdetektionseinrichtung (4) erzeugt wurde. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass Zahnschmutzdetektionseinrichtung (4) einen Lichtfilter aufweist, um Licht mit den Welllängen zwischen 480 nm bis 530 nm passieren zu lassen. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass zur Bestimmung der Zahncharakteristika (11 ) Zusatz-Parameter berücksichtigt werden. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die Zusatz-Parameter zumindest einen der folgenden Parameter umfasst:- Zahnprothesen,
- Zahnerkrankungen,
- Position von dem de-mineralisierten Bereichen,
- Position von Karies,
- Position von Füllungen,
- Position von Zahnstein,
- Position von Verfärbungen,
- Position von rauen Stellen,
- Weißheitsgrad des Zahns,
- Fehlstellung des Zahns,
- Zahnpositionen, und/oder
- Zahntyp. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass der Maschinelle Lernen ein überwachtes Maschinelle Lernen ist. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass in der Anwendungsphase das Verarbeitungsmodell (9) durch selbständiges maschinelle Lernen verbessert wird, indem ein Anwender die durch das Verarbeitungsmodell (9) erzeugten Zahncharakteristika (11 ) manuell anpasst, wobei Verarbeitungsmodell (9) anhand eines Datensatzes bestehend aus dem Zahnbild (5) und den angepassten Zahncharakteristika (11 ) zusätzlich trainiert wird. Verfahren zum Erzeugen eines Verarbeitungsmodells (9), indem das Verarbeitungsmodell (9) anhand eines Datensatzes durch einen Algorithmus zum maschinellen Lernen trainiert wird, und der Datensatz zumindest ein Lern-Zahnbild (5) und ein Lern-Zahncharakteristika (8) umfasst, welche miteinander verknüpft sind, wobei das Verarbeitungsmodell (9) verbessert wird, indem das Verarbeitungsmodell (9) aus eine Lern-Zahnbild (5) Ziel-Zahncharakteristika (11 ) erzeugt und dann durch einen Ziel-Algorithmus ein Maß bestimmt wird, wie sehr sich die Ziel-Zahncharakteristika (11 ) und die Lern- Zahncharakteristika (8) unterscheiden, wobei anhand des bestimmten Maßes das Verarbeitungsmodell (9) angepasst wird und die Zahncharakteristika (11 ) zumindest Begrenzungen des Zahnes im Zahnbild (5), insbesondere gegenüber dem Zahnfleisch und/oder der Zunge und/oder sonstigem Hintergrund im Mundraum, darstellen. Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das Verfahren gemäß einem der vorhergehenden Ansprüche 1 bis 8 auszuführen. Verfahren zum automatischen Reinigen von Zähnen, wobei zumindest eine Zahncharakteristik nach einem Verfahren nach einem der Ansprüche 1 bis 7 bestimmt wird und nach Maßgabe der so bestimmten Zahncharakteristik der Reinigungsvorgang gesteuert wird.
PCT/EP2023/066684 2022-06-21 2023-06-20 Verfahren zum bestimmen von zahncharakteristika aus einem zahnbild WO2023247565A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2024575266A JP2025520657A (ja) 2022-06-21 2023-06-20 歯の画像から歯の特徴を判定する方法
EP23734225.8A EP4543362A1 (de) 2022-06-21 2023-06-20 Verfahren zum bestimmen von zahncharakteristika aus einem zahnbild

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022115398.3A DE102022115398A1 (de) 2022-06-21 2022-06-21 Verfahren zum Bestimmen von Zahncharakteristika aus einem Zahnbild
DE102022115398.3 2022-06-21

Publications (1)

Publication Number Publication Date
WO2023247565A1 true WO2023247565A1 (de) 2023-12-28

Family

ID=87003087

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/066684 WO2023247565A1 (de) 2022-06-21 2023-06-20 Verfahren zum bestimmen von zahncharakteristika aus einem zahnbild

Country Status (4)

Country Link
EP (1) EP4543362A1 (de)
JP (1) JP2025520657A (de)
DE (1) DE102022115398A1 (de)
WO (1) WO2023247565A1 (de)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200146794A1 (en) 2018-11-08 2020-05-14 SangGeun Lee Oral information management system using smart toothbrush
US20200179089A1 (en) 2016-08-22 2020-06-11 Kolibree SAS Oral Hygiene System for Compliance Monitoring and Tele-Dentistry System
US20200201266A1 (en) 2018-12-21 2020-06-25 The Procter & Gamble Company Apparatus and method for operating a personal grooming appliance or household cleaning appliance
US20210393026A1 (en) 2020-06-22 2021-12-23 Colgate-Palmolive Company Oral Care System and Method for Promoting Oral Hygiene
US20220189611A1 (en) * 2020-12-11 2022-06-16 Align Technology, Inc. Noninvasive multimodal oral assessment and disease diagnoses apparatus and method
DE102022102045A1 (de) 2022-01-28 2023-08-03 epitome GmbH Vorrichtung und Verfahren zur Erfassung von Biofilm im Mundraum

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200179089A1 (en) 2016-08-22 2020-06-11 Kolibree SAS Oral Hygiene System for Compliance Monitoring and Tele-Dentistry System
US20200146794A1 (en) 2018-11-08 2020-05-14 SangGeun Lee Oral information management system using smart toothbrush
US20200201266A1 (en) 2018-12-21 2020-06-25 The Procter & Gamble Company Apparatus and method for operating a personal grooming appliance or household cleaning appliance
US20210393026A1 (en) 2020-06-22 2021-12-23 Colgate-Palmolive Company Oral Care System and Method for Promoting Oral Hygiene
US20220189611A1 (en) * 2020-12-11 2022-06-16 Align Technology, Inc. Noninvasive multimodal oral assessment and disease diagnoses apparatus and method
DE102022102045A1 (de) 2022-01-28 2023-08-03 epitome GmbH Vorrichtung und Verfahren zur Erfassung von Biofilm im Mundraum

Also Published As

Publication number Publication date
EP4543362A1 (de) 2025-04-30
DE102022115398A1 (de) 2023-12-21
JP2025520657A (ja) 2025-07-03

Similar Documents

Publication Publication Date Title
DE69918549T2 (de) Gerät zur feststellung von zahnbelag mittels fluoreszenzmessung
US9870613B2 (en) Detection of tooth condition using reflectance images with red and green fluorescence
DE112012004064B4 (de) Diagnosesystem
EP2914201B1 (de) Verfahren zur ermittlung mindestens eines relevanten einzelbildes eines dentalen objekts
DE102012021185A1 (de) Verfahren zur optischen 3D-Vermessung von Zähnen mit verkleinerter Point-Spread-Funktion
CH680187A5 (de)
EP2786696A1 (de) Dentalkamerasystem
DE102022102045B4 (de) Vorrichtung und Verfahren zur Erfassung von Biofilm im Mundraum
US20240138665A1 (en) Dental imaging system and image analysis
DE602004009875T2 (de) Verfahren zur Bildverarbeitung für Profilbestimmung mittels strukturiertem Lichts
DE102007014413B4 (de) Verfahren zum Auswerten von Fluoreszenzbildsätzen und Vorrichtung zu seiner Durchführung
DE102009023952A1 (de) Verfahren und Vorrichtung zur Bestimmung von Zahnfarben
DE60132701T2 (de) System zur farbabstimmung
WO2023247565A1 (de) Verfahren zum bestimmen von zahncharakteristika aus einem zahnbild
DE2450112B2 (de) Verfahren und Anordnung zur zerstörungsfreien Analyse biologischer Zellen einer mindestens zwei unterschiedliche, Licht bekannter Wellenlange unterschiedlich stark absorbierende Zellen typen in zueinander festgelegter Lage enthaltenden Probe
DE112020004617T5 (de) Endoskopsystem
DE20209441U1 (de) Vorrichtung zum Erkennen von bakteriellem Befall an Zähnen
DE102019113283B4 (de) Vorrichtung zur Abbildungserzeugung von Hautläsionen
EP4186469A1 (de) Periodontalhandgerät
DE19724421C2 (de) Verfahren und Vorrichtung zur quantitativen Bestimmung von dentaler Plaque
EP1269909A1 (de) Verfahren und eine Vorrichtung zum Erkennen von krankhaften Veränderungen an einer Gewebeoberfläche, insbesondere Zähnen
EP4477136A1 (de) Verfahren und system zur erkennung von zahnbelag
DE102017204500A1 (de) "Verfahren und Anordnung zum Ermitteln einer nicht-therapeutischen Behandlung von Zähnen"
DE102022115396A1 (de) Verfahren zum Reinigen von Zähnen und Reinigungssystem
DE10232682B4 (de) Verfahren und Vorrichtung zum nichtmagnetischen Identifizieren von Lebewesen sowie Verwendung derselben

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23734225

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024575266

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 2023734225

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2023734225

Country of ref document: EP

Effective date: 20250121

WWP Wipo information: published in national office

Ref document number: 2023734225

Country of ref document: EP