WO2024136243A1 - 머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법 - Google Patents

머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법 Download PDF

Info

Publication number
WO2024136243A1
WO2024136243A1 PCT/KR2023/020168 KR2023020168W WO2024136243A1 WO 2024136243 A1 WO2024136243 A1 WO 2024136243A1 KR 2023020168 W KR2023020168 W KR 2023020168W WO 2024136243 A1 WO2024136243 A1 WO 2024136243A1
Authority
WO
WIPO (PCT)
Prior art keywords
implant
machine learning
learning model
implant fixture
prosthetic
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/020168
Other languages
English (en)
French (fr)
Inventor
김종은
박지현
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of Yonsei University
Original Assignee
Industry Academic Cooperation Foundation of Yonsei University
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 Industry Academic Cooperation Foundation of Yonsei University filed Critical Industry Academic Cooperation Foundation of Yonsei University
Publication of WO2024136243A1 publication Critical patent/WO2024136243A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61C13/00—Dental prostheses; Making same
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C8/00—Means to be fixed to the jaw-bone for consolidating natural teeth or for fixing dental prostheses thereon; Dental implants; Implanting tools
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three-dimensional [3D] modelling for computer graphics
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth

Definitions

  • the present disclosure relates to an apparatus and method for determining implant prosthetic options. More specifically, the present disclosure relates to an apparatus and method for determining prosthetic options for an implant using a machine learning model.
  • doctors Conventionally, it has relied on doctors' guesses based on their experience. For example, conventionally, after taking a periapical radiograph or panoramic radiograph of the implant fixture, doctors order the prosthetic option they guessed and try to fit it into the patient's mouth. It has been done. If the ordered prosthesis does not fit the implant fixture, a trial and error process of purchasing and matching other parts is involved, which can waste a lot of time and money.
  • the purpose of the embodiment disclosed in the present disclosure is to provide a method of identifying the manufacturer of an implant through an implant image and determining a prosthetic option by estimating detailed specifications.
  • the method performed by the device for determining prosthetic options for implants according to the present invention for achieving the above-described technical problem includes acquiring an image of the implant including the implant fixture area; Identifying the manufacturer of the implant based on the implant image through a first machine learning model; Using a second machine learning model, estimating detailed specifications of the implant fixture based on the area of the implant fixture and identifying an implant model corresponding to the detailed specifications; And referring to the database, determining a prosthetic option corresponding to the upper diameter of the implant fixture.
  • the prosthesis option determining device includes an image acquisition unit; A memory storing a first machine learning model, a second machine learning model, and a database; and a processor that performs an operation to determine a prosthetic option for the implant, wherein the processor acquires an implant image including an implant fixture area using the image acquisition unit, and uses the first machine learning model to: Identify the manufacturer of the implant based on the implant image, estimate detailed specifications of the implant fixture based on the area of the implant fixture through the second machine learning model, and create an implant model corresponding to the detailed specifications. By identifying and referencing the database, a prosthetic option corresponding to the upper diameter of the implant fixture can be determined.
  • a computer program stored in a computer-readable recording medium for execution to implement the present invention may be further provided.
  • a computer-readable recording medium recording a computer program for executing a method for implementing the present invention may be further provided.
  • a prosthetic option for an unknown implant fixture is determined using a machine learning model, thereby providing the effect of shortening the time for implant re-treatment and improving accuracy.
  • FIG 1 illustrates an implant prosthesis option determination system of the present disclosure.
  • Figure 2 is a block diagram of an implant prosthesis option determining device of the present disclosure.
  • Figure 3 is a flowchart explaining the operation of the device of the present disclosure.
  • Figure 4 shows the operation of the first machine learning model.
  • Figures 5a and 5b show the operation of the second machine learning model.
  • Figure 6a shows the operation of determining prosthetic options using a database.
  • Figure 6b shows the relationship between data stored in the database.
  • first and second are used to distinguish one component from another component, and the components are not limited by the above-mentioned terms.
  • the identification code for each step is used for convenience of explanation.
  • the identification code does not explain the order of each step, and each step may be performed differently from the specified order unless a specific order is clearly stated in the context. there is.
  • the fms device includes all various devices that can perform computational processing and provide results to the user.
  • the fms device may include all of a computer, a server device, and a portable terminal, or may take the form of any one.
  • the computer may include, for example, a laptop, desktop, laptop, tablet PC, slate PC, etc. equipped with a web browser.
  • the server device is a server that processes information by communicating with external devices and may include an application server, computing server, database server, file server, game server, mail server, proxy server, and web server.
  • the portable terminal is, for example, a wireless communication device that guarantees portability and mobility, such as PCS (Personal Communication System), GSM (Global System for Mobile communications), PDC (Personal Digital Cellular), PHS (Personal Handyphone System), and PDA. (Personal Digital Assistant), IMT (International Mobile Telecommunication)-2000, CDMA (Code Division Multiple Access)-2000, W-CDMA (W-Code Division Multiple Access), WiBro (Wireless Broadband Internet) terminal, smart phone ), all types of handheld wireless communication devices, and wearable devices such as watches, rings, bracelets, anklets, necklaces, glasses, contact lenses, or head-mounted-device (HMD). may include.
  • PCS Personal Communication System
  • GSM Global System for Mobile communications
  • PDC Personal Digital Cellular
  • PHS Personal Handyphone System
  • PDA Personal Digital Assistant
  • IMT International Mobile Telecommunication
  • CDMA Code Division Multiple Access
  • W-CDMA Wideband Code Division Multiple Access
  • WiBro Wireless Broadband Internet
  • smart phone smart phone
  • FIG 1 illustrates an implant prosthesis option determination system of the present disclosure.
  • the implant 110 may be composed of a fixture 114 and a prosthesis 112.
  • the fixture 114 and the prosthesis 112 may have various detailed specifications and shapes depending on the manufacturer.
  • the implant prosthesis option determining device 100 may identify the manufacturer of the implant fixture 114 using a machine learning model. In one embodiment, the device 100 estimates the detailed specifications of the implant fixture 114 and adjusts the dimensions of the prosthesis 112 based on the detailed specifications (e.g., length and/or upper diameter) of the implant fixture 114. Options (e.g. prosthetics-related parts) can be decided.
  • Figure 2 is a block diagram of an implant prosthesis option determining device of the present disclosure.
  • the device 100 may include a control unit 200, an image acquisition unit 210, and/or a memory 220.
  • the memory 220 may store a first machine learning model 230, a second machine learning model 240, and/or a database.
  • control unit 200 includes a memory 220 that stores data for an algorithm for controlling the operation of components within the device or a program that reproduces the algorithm, and uses the data stored in the memory 220 to It may be implemented with at least one processor (not shown) that performs the above-described operations.
  • the memory 220 and the processor may each be implemented as separate chips.
  • the memory 220 and the processor may be implemented as a single chip.
  • control unit 200 may control any one or a combination of a plurality of the above-described components in order to implement various embodiments according to the present disclosure described in FIGS. 2 to 8 below on the present device.
  • the image acquisition unit 210 may acquire an implant image.
  • the implant image may be a periapical radiograph and/or a panoramic radiograph.
  • the implant image may include an implant fixture area.
  • the memory 220 may store data supporting various functions of the device 100 and a program for the operation of the control unit 200, and may store input/output data (e.g., music files, still images, videos, etc.), and can store a number of application programs (application programs or applications) running on the device 100, data and commands for operating the device 100. there is. At least some of these applications may be downloaded from an external server via wireless communication.
  • input/output data e.g., music files, still images, videos, etc.
  • application programs application programs or applications
  • the memory 220 includes a flash memory type, a hard disk type, a solid state disk type, an SDD type (Silicon Disk Drive type), and a multimedia card micro type. micro type), card type memory (e.g. SD or XD memory, etc.), random access memory (RAM), static random access memory (SRAM), read-only memory (ROM), EEPROM (electrically erasable) It may include at least one type of storage medium among programmable read-only memory (PROM), programmable read-only memory (PROM), magnetic memory, magnetic disk, and optical disk. Additionally, the memory 220 is separate from the device 100, but may be a database connected wired or wirelessly.
  • the first machine learning model 230 may identify the implant manufacturer based on the implant image. In one embodiment, the first machine learning model 230 may use a deep learning method based on a deep neural network. For example, the first machine learning model 230 may be based on a convolution neural network (CNN) method. The specific operation of the first machine learning model 230 will be described later.
  • CNN convolution neural network
  • the second machine learning model 240 may estimate detailed specifications of the implant fixture based on the manufacturer and implant image. In one embodiment, the second machine learning model 240 may use a deep learning method or a rule-based learning method. For example, the specification may be the length and/or top diameter of the implant fixture.
  • the database 250 stores implant manufacturer (or model) information, upper diameter information of the fixture, prosthetic option information, related part information according to prosthetic options, and relationships between them.
  • the device 100 for determining prosthetic options for an implant acquires an implant image including an implant fixture area and identifies the manufacturer of the implant based on the implant image through the first machine learning model 230. And, through the second machine learning model 240, estimate the detailed specifications of the implant fixture based on the area of the implant fixture, identify the implant model corresponding to the detailed specifications, and refer to the database 250 to determine the implant A prosthetic option corresponding to the upper diameter of the fixture can be determined.
  • implant images may include periapical radiographs and panoramic radiographs.
  • the first machine learning model 230 may be connected to the second machine learning model 240 in a cascade structure.
  • the first machine learning model 230 may identify the manufacturer based on the balance between the diameter and length of the implant fixture.
  • the second machine learning model 240 is based on a deep learning method, the second machine learning model 240 is learned using a plurality of implant images, and the plurality of implant images have an implant fixture area. It may include an image specified as a bounding box or an image in which feature points of the implant fixture are marked. For example, the feature points of the implant fixture may include the upper end points and the lowest point of the implant fixture.
  • the second machine learning model 240 may be based on a predefined rule-based learning method using the number of threads of the implant fixture and the length according to the number of threads.
  • the detailed specifications may include the length and top diameter of the implant fixture.
  • the database 250 may store information on the implant model, information on the upper diameter of the implant fixture, information on prosthetic options, information on related parts according to prosthetic options, and relationships between them.
  • FIG. 2 The components shown in FIG. 2 are not essential for implementing the device 100 according to the present disclosure, so the device 100 described herein may include more or less components than those listed above. You can have it.
  • each component shown in FIG. 2 refers to software and/or hardware components such as Field Programmable Gate Array (FPGA) and Application Specific Integrated Circuit (ASIC).
  • FPGA Field Programmable Gate Array
  • ASIC Application Specific Integrated Circuit
  • Figure 3 is a flowchart explaining the operation of the device of the present disclosure.
  • the control unit 200 of the device 100 may acquire an implant image through the image acquisition unit 210.
  • the implant image may be a periapical radiograph and/or a panoramic radiograph.
  • the implant image may include an implant fixture area.
  • the controller 200 may identify the manufacturer of the implant using the first machine learning model 230.
  • Implant models produced by a specific implant manufacturer may have similar characteristics.
  • the first machine learning model 230 may be based on the CNN method.
  • the first machine learning model 230 may be learned using a plurality of implant images.
  • the first machine learning model 230 that has completed training can classify the manufacturer of the implant image as a specific manufacturer. The specific operation of the first machine learning model 230 will be described later.
  • control unit 200 may estimate the detailed specifications of the implant fixture using the second machine learning model 240.
  • the detailed specifications may include the top diameter and/or length of the implant fixture.
  • control unit 200 may input an image of the implant fixture area to the second machine learning model 240 to estimate detailed specifications.
  • the second machine learning model 240 can estimate the detailed specifications of the implant fixture using deep learning or rule-based learning. The specific operation of the second machine learning model 240 will be described later.
  • control unit 200 may identify an implant model based on detailed specifications (e.g., ratio of upper diameter and length) and determine a prosthetic option corresponding to the upper diameter of the implant fixture.
  • control unit 200 may refer to the database 250 to determine a prosthetic option corresponding to the upper diameter of the implant model and fixture.
  • Figure 4 shows the operation of the first machine learning model.
  • control unit 200 may input the implant image 400 into the first machine learning model 230.
  • Implant image 400 may include an implant fixture area 405 .
  • the first machine learning model 230 may identify the implant manufacturer based on the implant image 400.
  • the first machine learning model 230 may be an artificial intelligence model learned with a plurality of implant images based on the CNN method.
  • the implant manufacturer according to the implant image 400 may be Company A.
  • Company A may be a manufacturer that manufactures multiple implant models (412, 414, 416, 418).
  • a plurality of implant models 412, 414, 416, and 418 manufactured by Company A may have common or similar characteristics.
  • a common or similar feature may be balance based on the length and diameter of the implant fixture.
  • common or similar features may further include the number of threads of the implant fixture.
  • the first machine learning model 230 may learn the features through a plurality of implant images. The first machine learning model 230 can classify and identify the manufacturer of the implant image 400 as Company A based on the learning results.
  • FIG. 5A and 5B illustrate the operation of the second machine learning model.
  • the second machine learning model 240 may use a deep learning method.
  • the second machine learning model 240 may use a rule-based learning method.
  • the first machine learning model 230 may be connected to the second machine learning model 240 in a cascade manner.
  • the second machine learning model 240 may be an artificial intelligence model that has been trained through a plurality of implant images.
  • the plurality of implant images may be preprocessed images.
  • the plurality of implant images may be images in which the implant fixture area is specified as a bounding box through object detection or manipulation.
  • the plurality of implant images may be images in which characteristic points of the implant fixture (eg, both upper end points and lowest points of the fixture) are marked.
  • the plurality of implant images may be original images for which no separate preprocessing has been performed.
  • the second machine learning model 240 may be set to place more weight on the upper diameter than the length of the implant fixture when learning.
  • control unit 200 may input manufacturer information and images 500 and 505 of the implant fixture area identified in the first machine learning model 230 into the second machine learning model 240.
  • the image of the implant fixture area 405 may be an image that does not include separate markings, such as image 500, or may be an image that includes markings, such as image 505.
  • the marking point in the image 505 may include at least one feature point of the fixture (eg, the upper end points 506 and 507 and the lowest point 508 of the fixture). At least one feature point is illustrative, and embodiments of the present disclosure are not limited thereto.
  • the second machine learning model 240 may identify detailed specifications of the implant fixture based on a deep learning method. For example, the second machine learning model 240 estimates the upper diameter and length (or the ratio of the upper diameter and length) of the implant fixture, and selects one of the implant models 510, 512, and 514 manufactured by the identified manufacturer. The implant model 510 corresponding to the implant image 400 may be identified. The plurality of implant models 510, 512, and 514 in FIG. 5A have the same number of threads, but may have different upper diameters.
  • the second machine learning model 240 may be connected to the first machine learning model 230 in a cascade manner.
  • the control unit 200 may input the manufacturer information and the image 550 of the implant fixture area identified in the second machine learning model 240 into the second machine learning model 240.
  • the second machine learning model 240 may extract the number of threads 555 from the image 550 of the fixture area using a rule-based learning method. Rules for the second machine learning model 240 may be created in advance by a developer.
  • the second machine learning model 240 can estimate the length (l) of the implant fixture based on the number of threads. For example, when the number of threads is 12, the second machine learning model 240 may estimate the length (L) of the implant fixture to be 12 mm.
  • the second machine learning model 240 may calculate the upper diameter of the implant fixture using the ratio ( ⁇ /l) between the upper diameter ( ⁇ ) and the length (l) on the image 550 of the implant fixture area. The upper diameter of the implant fixture can be calculated using Equation 1.
  • the second machine learning model 240 is an implant model corresponding to the implant image 400 among the implant models 560, 562, and 564 manufactured by the manufacturer based on the calculated upper diameter of the implant fixture. (560) can be identified.
  • the plurality of implant models 560, 562, and 564 in FIG. 5B have the same number of threads, but may have different upper diameters.
  • Figure 6a shows the operation of determining prosthetic options using a database.
  • Figure 6b shows the relationship between data stored in the database.
  • the control unit 200 may determine the implant model 600 based on the detailed specifications of the implant fixture identified through operations 300 to 320.
  • the control unit 200 may refer to the database 250 and determine a prosthesis option according to the upper diameter of the implant model 600.
  • the database 250 includes implant model information 650, upper diameter information of the fixture 660, prosthetic option information 670, related parts information according to prosthetic options (670, 672, 674), and Relationships between them can be stored.
  • the control unit 200 refers to the implant model information 650 of the database 250 and the upper diameter information 660 of the corresponding implant fixture to set the upper diameter of the implant model 600 to 4.8. It can be identified as WN.
  • the control unit 200 may use the prosthetic option information 670 to determine the prosthetic option of the implant model 600 as Tissue level Wide Neck corresponding to 4.8 WN.
  • the control unit 200 may provide related part information 674 according to the prosthetic option (eg, tissue level wide neck) determined with reference to the database 250.
  • the disclosed embodiments may be implemented in the form of a recording medium that stores instructions executable by a computer. Instructions may be stored in the form of program code and, when executed by a processor, may create program modules to perform operations of the disclosed embodiments.
  • the recording medium may be implemented as a computer-readable recording medium.
  • Computer-readable recording media include all types of recording media storing instructions that can be decoded by a computer. For example, there may be read only memory (ROM), random access memory (RAM), magnetic tape, magnetic disk, flash memory, optical data storage, etc.
  • ROM read only memory
  • RAM random access memory
  • magnetic tape magnetic tape
  • magnetic disk magnetic disk
  • flash memory optical data storage

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Prostheses (AREA)

Abstract

임플란트의 보철 옵션을 결정하는 방법으로, 임플란트 고정체 영역이 포함된 임플란트 이미지를 획득하는 단계, 제1 머신러닝 모델을 통해, 임플란트 이미지에 기반하여 임플란트의 제조사를 식별하는 단계, 제2 머신러닝 모델을 통해, 임플란트 고정체 영역에 기반하여 임플란트 고정체의 세부 규격을 추정하고, 세부 규격에 대응하는 임플란트 모델을 식별하는 단계, 데이터베이스를 참조하여, 임플란트 고정체의 상부 직경에 대응하는 보철 옵션을 결정하는 단계를 포함하는 것을 특징으로 한다.

Description

머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법
본 개시는 임플란트 보철 옵션 결정 장치 및 그 방법에 관한 것이다. 보다 상세하게는, 본 개시는 머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법에 관한 것이다.
치과 치료에 임플란트 치료가 도입된 지 수 십년이 지남에 따라 노후화된 임플란트 보철물의 재치료가 늘어나고 있다. 임플란트의 상부 보철물을 다시 수복하기 위해서는 각 임플란트의 제조사, 모델명 및 세부 규격이 필요할 수 있다. 그러나, 임플란트 재치료 과정이 다른 주치의에 의해 진행되는 경우 또는 기존 의무기록의 확인이 어렵거나 불가능한 경우들이 있어, 임플란트의 제조사, 모델명 및 세부 규격을 파악하는 데 어려움이 존재할 수 있다.
종래에는 의사들의 경험에 근거한 추측에 의존하여 왔다. 예를 들어, 종래에는 임플란트 고정체의 치근단 방사선 사진(periapical radiograph) 또는 파노라마 방사선 사진(panoramic radiograph) 등을 촬영한 뒤, 의사들이 추측한 보철 옵션을 주문하고, 환자의 구강 내에 맞추어 보는 방식으로 진행되었다. 주문한 보철이 임플란트 고정체에 맞지 않는 경우, 다른 부품을 다시 구매하여 맞추어 보는 시행착오 과정이 수반되므로 많은 시간과 비용이 소모될 수 있다.
본 개시에 개시된 실시예는 임플란트 이미지를 통해 임플란트의 제조사를 식별하고, 세부 규격을 추정하여 보철 옵션을 결정하는 방법을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 발명에 따른 임플란트의 보철 옵션 결정 장치에 의해 수행되는 방법은, 임플란트 고정체 영역이 포함된 임플란트 이미지를 획득하는 단계; 제1 머신러닝 모델을 통해, 상기 임플란트 이미지에 기반하여 상기 임플란트의 제조사를 식별하는 단계; 제2 머신러닝 모델을 통해, 상기 임플란트 고정체 영역에 기반하여 상기 임플란트 고정체의 세부 규격을 추정하고, 상기 세부 규격에 대응하는 임플란트 모델을 식별하는 단계; 및 데이터베이스를 참조하여, 상기 임플란트 고정체의 상부 직경에 대응하는 보철 옵션을 결정하는 단계;를 포함할 수 있다.
또한, 본 발명에 따른 보철 옵션 결정 장치는, 이미지 획득부; 제1 머신러닝 모델, 제2 머신러닝 모델 및 데이터베이스가 저장된 메모리; 및 임플란트의 보철 옵션을 결정하기 위한 동작을 수행하는 프로세서;를 포함하고, 상기 프로세서는 상기 이미지 획득부를 이용하여 임플란트 고정체 영역이 포함된 임플란트 이미지를 획득하고, 상기 제1 머신러닝 모델을 통해, 상기 임플란트 이미지에 기반하여 상기 임플란트의 제조사를 식별하고, 상기 제2 머신러닝 모델을 통해, 상기 임플란트 고정체 영역에 기반하여 상기 임플란트 고정체의 세부 규격을 추정하고, 상기 세부 규격에 대응하는 임플란트 모델을 식별하고, 데이터베이스를 참조하여, 상기 임플란트 고정체의 상부 직경에 대응하는 보철 옵션을 결정할 수 있다.
이 외에도, 본 발명을 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 발명을 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 머신러닝 모델을 이용하여 미상의 임플란트 고정체의 보철 옵션을 결정함으로써, 임플란트 재치료의 시간을 단축하고 정확도를 향상시키는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 임플란트 보철 옵션 결정 시스템을 도시한 것이다.
도 2는 본 개시의 임플란트 보철 옵션 결정 장치의 블록도이다.
도 3은 본 개시의 장치의 동작을 설명한 흐름도이다.
도 4는 제1 머신러닝 모델의 동작을 도시한 것이다.
도 5a 및 5b는 제2 머신러닝 모델의 동작을 도시한 것이다.
도 6a는 데이터베이스를 이용한 보철 옵션 결정 동작을 도시한 것이다.
도 6b는 데이터베이스에 저장된 데이터들 간의 관계를 도시한 것이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따fms장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
도 1은 본 개시의 임플란트 보철 옵션 결정 시스템을 도시한 것이다.
일 실시 예에서, 임플란트(110)는 고정체(114) 및 보철(112)로 구성될 수 있다. 고정체(114) 및 보철(112)은 제조사에 따라 다양한 세부 규격 및 형상을 가질 수 있다.
일 실시 예에서, 임플란트 보철 옵션 결정 장치(100)(이하, 장치)는 머신러닝 모델을 이용하여 임플란트 고정체(114)의 제조사를 식별할 수 있다. 일 실시 예에서, 장치(100)는 임플란트 고정체(114)의 세부 규격을 추정하고, 임플란트 고정체(114)의 세부 규격(예: 길이 및/또는 상부 직경)에 기반하여 보철(112)의 옵션(예: 보철 관련 부품)을 결정할 수 있다.
도 2는 본 개시의 임플란트 보철 옵션 결정 장치의 블록도이다.
도 2를 참고하면, 본 개시에 따른 장치(100)는 제어부(200), 이미지 획득부(210), 및/또는 메모리(220)를 포함할 수 있다. 일 실시 예에서, 메모리(220)에는 제1 머신러닝 모델(230), 제2 머신러닝 모델(240), 및/또는 데이터베이스(database)가 저장될 수 있다.
일 실시 예에서, 제어부(200)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(220), 및 메모리(220)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리(220)와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리(220)와 프로세서는 단일 칩으로 구현될 수도 있다.
또한, 제어부(200)는 이하의 도 2 내지 도 8에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
일 실시 예에서, 이미지 획득부(210)는, 임플란트 이미지를 획득할 수 있다. 예를 들어, 임플란트 이미지는 치근단 방사선 사진(periapical radiograph) 및/또는 파노라마 방사선 사진(panoramic radiograph)일 수 있다. 임플란트 이미지는 임플란트 고정체 영역을 포함할 수 있다.
일 실시 예에서, 메모리(220)는 본 장치(100)의 다양한 기능을 지원하는 데이터와, 제어부(200)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 있고, 본 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(220)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(220)는 본 장치(100)와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
일 실시 예에서, 제1 머신러닝 모델(230)은 임플란트 이미지에 기반하여 임플란트 제조사를 식별할 수 있다. 일 실시 예에서, 제1 머신러닝 모델(230)은 심층 신경망 네트워크(Deep Neural Network)에 기반한 딥러닝(Deep Learning) 방식을 이용할 수 있다. 예를 들어, 제1 머신러닝 모델(230)은 컨볼루션 뉴럴 네트워크(Convolution Neural Network, CNN) 방식에 기반할 수 있다. 제1 머신러닝 모델(230)의 구체적인 동작은 후술한다.
일 실시 예에서, 제2 머신러닝 모델(240)은 제조사 및 임플란트 이미지에 기반하여 임플란트 고정체의 세부 규격을 추정할 수 있다. 일 실시 예에서, 제2 머신러닝 모델(240)은 딥러닝 방식 또는 규칙 기반 학습(Rule Based Learning) 방식을 이용할 수 있다. 예를 들어, 세부 규격은 임플란트 고정체의 길이 및/또는 상부 직경일 수 있다.
일 실시 예에서, 데이터 베이스(250)에는 임플란트 제조사(또는 모델) 정보, 고정체의 상부 직경 정보, 보철 옵션 정보, 보철 옵션에 따른 관련 부품 정보 및 이들 간의 관계가 저장될 있다.
일 실시 예에서, 임플란트의 보철 옵션 결정 장치(100)는, 임플란트 고정체 영역이 포함된 임플란트 이미지를 획득하고, 제1 머신러닝 모델(230)을 통해, 임플란트 이미지에 기반하여 임플란트의 제조사를 식별하고, 제2 머신러닝 모델(240)을 통해, 임플란트 고정체 영역에 기반하여 임플란트 고정체의 세부 규격을 추정하고, 세부 규격에 대응하는 임플란트 모델을 식별하고, 데이터베이스(250)를 참조하여, 임플란트 고정체의 상부 직경에 대응하는 보철 옵션을 결정할 수 있다. 예를 들어, 임플란트 이미지는 치근단 방사선 사진(periapical radiograph) 및 파노라마 방사선 사진(panoramic radiograph)을 포함할 수 있다.
일 실시 예에서, 제1 머신러닝 모델(230)은 제2 머신러닝 모델(240)과 캐스케이드(cascade) 구조로 연결될 수 있다.
일 실시 예에서, 제1 머신러닝 모델(230)은 임플란트 고정체의 직경 및 길이 간 밸런스를 기준으로 제조사를 식별할 수 있다.
일 실시 예에서, 제2 머신러닝 모델(240)은 딥러닝 방식에 기반하고, 제2 머신러닝 모델(240)은 복수의 임플란트 이미지를 이용하여 학습되고, 복수의 임플란트 이미지는 임플란트 고정체 영역이 바운딩 박스로 특정된 이미지 또는 상기 임플란트 고정체의 특징점이 마킹된 이미지를 포함할 수 있다. 예를 들어, 임플란트 고정체의 특징점은 임플란트 고정체의 상부 양 끝 점 및 최하부점을 포함할 수 있다.
일 실시 예에서, 제2 머신러닝 모델(240)은 임플란트 고정체의 나사선 개수 및 나사선 개수에 따른 길이를 이용하여 사전에 정의된 규칙 기반 학습 방식에 기반할 수 있다.
일 실시 예에서, 세부 규격은 임플란트 고정체의 길이 및 상부 직경을 포함할 수 있다.
일 실시 예에서, 데이터베이스(250)에는 임플란트 모델의 정보, 임플란트 고정체의 상부 직경 정보, 보철 옵션 정보, 보철 옵션에 따른 관련 부품 정보 및 이들 간의 관계가 저장될 수 있다.
도 2에 도시된 구성요소들은 본 개시에 따른 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
한편, 도 2에서 도시된 각각의 구성요소는 소프트웨어 및/또는 Field Programmable Gate Array(FPGA) 및 주문형 반도체(ASIC, Application Specific Integrated Circuit)와 같은 하드웨어 구성요소를 의미한다.
도 3은 본 개시의 장치의 동작을 설명한 흐름도이다.
동작 300에서, 장치(100)의 제어부(200)는 이미지 획득부(210)를 통해 임플란트 이미지를 획득할 수 있다. 예를 들어, 임플란트 이미지는 치근단 방사선 사진 및/또는 파노라마 방사선 사진일 수 있다. 임플란트 이미지는 임플란트 고정체 영역을 포함할 수 있다.
동작 310에서, 제어부(200)는 제1 머신러닝 모델(230)을 이용하여, 임플란트의 제조사를 식별할 수 있다. 특정 임플란트 제조사에서 생산되는 임플란트 모델들은 유사한 특징을 가질 수 있다. 제1 머신러닝 모델(230)은 CNN 방식에 기반할 수 있다. 제1 머신러닝 모델(230)은 복수의 임플란트 이미지를 이용하여 학습될 수 있다. 학습이 완료된 제1 머신러닝 모델(230)은 임플란트 이미지의 제조사를 특정 제조사로 분류할 수 있다. 제1 머신러닝 모델(230)의 구체적인 동작은 후술한다.
동작 320에서, 제어부(200)는 제2 머신러닝 모델(240)을 이용하여, 임플란트고정체의 세부 규격을 추정할 수 있다. 예를 들어, 세부 규격은 임플란트 고정체의 상부 직경 및/또는 길이를 포함할 수 있다.
일 실시 예에서, 세부 규격 추정을 위해 제어부(200)는 제2 머신러닝 모델(240)에 임플란트 고정체 영역의 이미지를 입력시킬 수 있다. 제2 머신러닝 모델(240)은 딥러닝(Deep Learning) 또는 규칙 기반 학습(Rule Based Learning) 방식을 이용하여 임플란트 고정체의 세부 규격을 추정할 수 있다. 제2 머신러닝 모델(240)의 구체적인 동작은 후술한다.
동작 330에서, 제어부(200)는 세부 규격(예: 상부 직경 및 길이의 비율)에 기반하여, 임플란트 모델을 식별하고, 임플란트 고정체의 상부 직경에 대응하는 보철 옵션을 결정할 수 있다. 일 실시 예에서, 제어부(200)는 임플란트 모델 및 고정체의 상부 직경에 대응하는 보철 옵션을 결정하기 위하여, 데이터베이스(250)를 참조할 수 있다.
도 4는 제1 머신 러닝 모델의 동작을 도시한 것이다.
일 실시 예에서, 제어부(200)는 임플란트 이미지(400)를 제1 머신러닝 모델(230)에 입력시킬 수 있다. 임플란트 이미지(400)는 임프란트 고정체 영역(405)을 포함할 수 있다.
일 실시 예에서, 제1 머신러닝 모델(230)은 임플란트 이미지(400)에 기반하여 임플란트 제조사를 식별할 수 있다. 제1 머신러닝 모델(230)은 CNN 방식에 기반하여 복수의 임플란트 이미지로 학습된 인공지능 모델일 수 있다.
일 실시 예에서, 임플란트 이미지(400)에 따른 임플란트 제조사는 A사일 수 있다. A사는 복수의 임플란트 모델(412, 414, 416, 418)을 제조하는 제조사일 수 있다. A사에서 제조되는 복수의 임플란트 모델들(412, 414, 416, 418)은 공통되거나 유사한 특징을 가질 수 있다. 예를 들어, 공통되거나 유사한 특징은 임플란트 고정체의 길이와 직경에 기초한 밸런스 일 수 있다. 다른 예를 들어, 공통되거나 유사한 특징은 임플란트 고정체의 나사산의 개수를 더 포함할 수 있다. 일 실시 예에서, 제1 머신러닝 모델(230)은 복수의 임플란트 이미지를 통해 상기 특징들을 학습할 수 있다. 제1 머신러닝 모델(230)은 학습 결과에 기반하여, 임플란트 이미지(400)의 제조사를 A사로 분류 및 식별할 수 있다.
도 5a 및 5b는 제2 머신 러닝 모델의 동작을 도시한 것이다. 도 5a에서, 제2 머신러닝 모델(240)은 딥러닝 방식을 이용할 수 있다. 도 5b에서, 제2 머신러닝 모델(240)은 규칙 기반 학습 방식을 이용할 수 있다.
도 5a를 참조하면, 제1 머신러닝 모델(230)은 제2 머신러닝 모델(240)과 케스케이드(cascade) 방식으로 연결될 수 있다. 제2 머신러닝 모델(240)은 복수의 임플란트 이미지를 통해 학습이 완료된 인공지능 모델일 수 있다. 일 실시 예에서, 복수의 임플란트 이미지는 전처리된 이미지일 수 있다. 예를 들어, 복수의 임플란트 이미지는 임플란트 고정체 영역이 오브젝트 디텍션(object detection) 또는 수기를 통해 바운딩 박스로 특정된 이미지일 수 있다. 다른 예를 들어, 복수의 임플란트 이미지는 임플란트 고정체의 특징점들(예: 고정체의 상부 양 끝 점 및 최하부점)이 마킹된 이미지일 수 있다. 또 다른 실시 예에서, 복수의 임플란트 이미지는 별도의 전처리가 수행되지 않은 원본 이미지일 수 있다. 일 실시 예에서, 제2 머신러닝 모델(240)은 학습 시, 임플란트 고정체의 길이보다 상부 직경에 가중치를 두도록 설정될 수 있다.
일 실시 예에서, 제어부(200)는 제1 머신러닝 모델(230)에서 식별된 제조사 정보 및 임플란트 고정체 영역의 이미지(500, 505)를 제2 머신러닝 모델(240)에 입력시킬 수 있다. 임플란트 고정체 영역(405)의 이미지는 이미지(500)와 같이 별도의 마킹이 포함되지 않는 이미지이거나 또는 이미지(505)와 같이 마킹이 포함된 이미지일 수 있다. 예를 들어, 이미지(505)에서 마킹 지점은 고정체의 적어도 하나의 특징점(예: 고정체의 상부 양 끝 점(506, 507) 및 최하부점(508))을 포함할 수 있다. 적어도 하나의 특징점은 예시적인 것으로 본 개시의 실시 예가 이에 제한되는 것은 아니다.
일 실시 예에서, 제2 머신러닝 모델(240)은 딥러닝 방식에 기반하여 임플란트 고정체의 세부 규격을 식별할 수 있다. 예를 들어, 제2 머신러닝 모델(240)은 임플란트 고정체의 상부 직경 및 길이(또는 상부 직경과 길이의 비율)를 추정하고, 식별된 제조사에서 제조하는 임플란트 모델(510, 512, 514) 중 임플란트 이미지(400)에 대응하는 임플란트 모델(510)을 식별할 수 있다. 도 5a의 복수의 임플란트 모델들(510, 512, 514)은 나사선의 개수가 동일하나, 상부 직경이 상이할 수 있다.
도 5b를 참조하면, 제2 머신러닝 모델(240)은 제1 머신러닝 모델(230)과 케스케이드(cascade) 방식으로 연결될 수 있다. 제어부(200)는 제2 머신러닝 모델(240)에서 식별된 제조사 정보 및 임플란트 고정체 영역의 이미지(550)를 제2 머신러닝 모델(240)에 입력시킬 수 있다.
일 실시 예에서, 제2 머신러닝 모델(240)은 규칙 기반 학습 방식을 이용하여 고정체 영역의 이미지(550)에서 나사선의 개수(555)를 추출할 수 있다. 제2 머신러닝 모델(240)의 규칙은 개발자에 의해 사전에 생성될 수 있다. 제2 머신러닝 모델(240)은 나사선 개수에 기반하여 임플란트 고정체의 길이(l)를 추정할 수 있다. 예를 들어, 제2 머신러닝 모델(240)은 나사선 개수가 12개인 경우, 임플란트 고정체의 길이(L)를 12mm로 추정할 수 있다. 제2 머신러닝 모델(240)은 임플란트 고정체 영역의 이미지(550) 상의 상부 직경(Φ) 및 길이(l) 간 비율(Φ/l)를 이용하여 임플란트 고정체의 상부 직경을 계산할 수 있다. 임플란트 고정체의 상부 직경은 수학식 1을 이용하여 계산될 수 있다.
Figure PCTKR2023020168-appb-img-000001
일 실시 예에서, 제2 머신러닝 모델(240)은 계산된 임플란트 고정체의 상부직경에 기반하여 제조사에서 제조하는 임플란트 모델들(560, 562, 564) 중 임플란트 이미지(400)에 대응하는 임플란트 모델(560)을 식별할 수 있다. 도 5b의 복수의 임플란트 모델들(560, 562, 564)은 나사선의 개수가 동일하나, 상부 직경이 상이할 수 있다.
도 6a는 데이터베이스를 이용한 보철 옵션 결정 동작을 도시한 것이다. 도 6b는 데이터베이스에 저장된 데이터들 간의 관계를 도시한 것이다.
도 6a를 참조하면, 제어부(200)는 동작 300 내지 320을 통해 식별된 임플란트 고정체의 세부 규격에 기반하여 임플란트 모델(600)을 결정할 수 있다. 제어부(200)는 데이터베이스(250)를 참조하여, 임플란트 모델(600)의 상부 직경에 따른 보철 옵션을 결정할 수 있다.
도 6b를 참조하면, 데이터베이스(250)에는 임플란트 모델 정보(650), 고정체의 상부 직경 정보(660), 보철 옵션 정보(670), 보철 옵션에 따른 관련 부품 정보(670, 672, 674) 및 이들 간의 관계가 저장될 수 있다.
다시 도 6a를 참조하면, 제어부(200)는 데이터베이스(250)의 임플란트 모델 정보(650) 및 이에 대응하는 임플란트 고정체의 상부 직경 정보(660)를 참조하여 임플란트 모델(600)의 상부 직경을 4.8 WN으로 식별할 수 있다. 제어부(200)는 보철 옵션 정보(670)를 이용하여 임플란트 모델(600)의 보철 옵션을 4.8 WN에 대응하는 Tissue level Wide Neck으로 결정할 수 있다. 제어부(200)는 데이터베이스(250)를 참조하여 결정된 보철 옵션(예: Tissue level Wide Neck)에 따른 관련 부품 정보(674)를 제공할 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

Claims (15)

  1. 임플란트의 보철 옵션 결정 장치에 의해 수행되는 방법에 있어서,
    임플란트 고정체 영역이 포함된 임플란트 이미지를 획득하는 단계;
    제1 머신러닝 모델을 통해, 상기 임플란트 이미지에 기반하여 상기 임플란트의 제조사를 식별하는 단계;
    제2 머신러닝 모델을 통해, 상기 임플란트 고정체 영역에 기반하여 상기 임플란트 고정체의 세부 규격을 추정하고, 상기 세부 규격에 대응하는 임플란트 모델을 식별하는 단계;
    데이터베이스를 참조하여, 상기 임플란트 고정체의 상부 직경에 대응하는 보철 옵션을 결정하는 단계;를 포함하는,
    보철 옵션 결정 방법.
  2. 제1 항에 있어서,
    상기 임플란트 이미지는 치근단 방사선 사진(periapical radiograph) 및 파노라마 방사선 사진(panoramic radiograph)을 포함하는,
    보철 옵션 결정 방법.
  3. 제2 항에 있어서,
    상기 제1 머신러닝 모델은 상기 제2 머신러닝 모델과 캐스케이드(cascade) 구조로 연결되는,
    보철 옵션 결정 방법.
  4. 제3 항에 있어서,
    상기 제1 머신러닝 모델은 상기 임플란트 고정체의 직경 및 길이 간 밸런스를 기준으로 상기 제조사를 식별하는 것을 특징으로 하는,
    보철 옵션 결정 방법.
  5. 제4 항에 있어서,
    상기 제2 머신러닝 모델은 딥러닝 방식에 기반하여 복수의 임플란트 이미지를 이용하여 학습되고, 상기 복수의 임플란트 이미지는 임플란트 고정체 영역이 바운딩 박스로 특정된 이미지 또는 상기 임플란트 고정체의 특징점이 마킹된 이미지를 포함하는,
    보철 옵션 결정 방법.
  6. 제5 항에 있어서,
    상기 임플란트 고정체의 특징점은 상기 임플란트 고정체의 상부 양 끝 점 및 최하부점을 포함하는,
    보철 옵션 결정 방법.
  7. 제6 항에 있어서,
    상기 제2 머신러닝 모델은 상기 임플란트 고정체의 나사선 개수 및 상기 나사선 개수에 따른 길이를 이용하여 사전에 정의된 규칙을 기반으로 학습되는,
    보철 옵션 결정 방법.
  8. 제7 항에 있어서,
    상기 세부 규격은 상기 임플란트 고정체의 길이 및 상부 직경을 포함하는,
    보철 옵션 결정 방법.
  9. 제8 항에 있어서,
    상기 데이터베이스는 상기 임플란트 모델의 정보, 상기 임플란트 고정체의 상부 직경 정보, 보철 옵션 정보, 상기 보철 옵션에 따른 관련 부품 정보 및 이들 간의 관계를 포함하는,
    보철 옵션 결정 방법.
  10. 이미지 획득부;
    제1 머신러닝 모델, 제2 머신러닝 모델 및 데이터베이스가 저장된 메모리; 및
    임플란트의 보철 옵션을 결정하기 위한 동작을 수행하는 프로세서;를 포함하고,
    상기 프로세서는,
    상기 이미지 획득부를 이용하여 임플란트 고정체 영역이 포함된 임플란트 이미지를 획득하고,
    상기 제1 머신러닝 모델을 통해, 상기 임플란트 이미지에 기반하여 상기 임플란트의 제조사를 식별하고,
    상기 제2 머신러닝 모델을 통해, 상기 임플란트 고정체 영역에 기반하여 상기 임플란트 고정체의 세부 규격을 추정하고, 상기 세부 규격에 대응하는 임플란트 모델을 식별하고,
    데이터베이스를 참조하여, 상기 임플란트 고정체의 상부 직경에 대응하는 보철 옵션을 결정하는,
    보철 옵션 결정 장치.
  11. 제10 항에 있어서,
    상기 임플란트 이미지는 치근단 방사선 사진(periapical radiograph) 및 파노라마 방사선 사진(panoramic radiograph)을 포함하고,
    상기 제1 머신러닝 모델은 상기 제2 머신러닝 모델과 캐스케이드(cascade) 구조로 연결되는,
    보철 옵션 결정 장치.
  12. 제14 항에 있어서,
    상기 제1 머신러닝 모델은 상기 임플란트 고정체의 직경 및 길이 간 밸런스를 기준으로 상기 제조사를 식별하고,
    상기 제2 머신러닝 모델은 딥러닝 방식에 기반하여 복수의 임플란트 이미지를 이용하여 학습되고,
    상기 복수의 임플란트 이미지는 임플란트 고정체 영역이 바운딩 박스로 특정된 이미지 또는 상기 임플란트 고정체의 특징점이 마킹된 이미지를 포함하는,
    보철 옵션 결정 장치.
  13. 제16 항에 있어서,
    상기 임플란트 고정체의 특징점은 상기 임플란트 고정체의 상부 양 끝 점 및 최하부점을 포함하는,
    보철 옵션 결정 장치.
  14. 제17 항에 있어서,
    상기 제2 머신러닝 모델은 상기 임플란트 고정체의 나사선 개수 및 상기 나사선 개수에 따른 길이를 이용하여 사전에 정의된 규칙 기반으로 학습되고,
    상기 세부 규격은 상기 임플란트 고정체의 길이 및 상부 직경을 포함하는,
    보철 옵션 결정 장치.
  15. 제14 항에 있어서,
    상기 데이터베이스는 상기 임플란트 모델의 정보, 상기 임플란트 고정체의 상부 직경 정보, 보철 옵션 정보, 상기 보철 옵션에 따른 관련 부품 정보 및 이들 간의 관계를 포함하는,
    보철 옵션 결정 장치.
PCT/KR2023/020168 2022-12-21 2023-12-08 머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법 Ceased WO2024136243A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0180249 2022-12-21
KR1020220180249A KR20240098470A (ko) 2022-12-21 2022-12-21 머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법

Publications (1)

Publication Number Publication Date
WO2024136243A1 true WO2024136243A1 (ko) 2024-06-27

Family

ID=91589254

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/020168 Ceased WO2024136243A1 (ko) 2022-12-21 2023-12-08 머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR20240098470A (ko)
WO (1) WO2024136243A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102850446B1 (ko) 2024-07-22 2025-08-27 이마고웍스 주식회사 3차원 구강 데이터로부터 보철물 타입을 자동으로 분류하는 방법 및 이를 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160009163A (ko) * 2014-07-15 2016-01-26 오스템임플란트 주식회사 임플란트 선택 시스템 및 방법
KR20180106007A (ko) * 2017-03-17 2018-10-01 엄상호 임플란트 픽스쳐 자동 검색 및 드라이버 제안 솔루션
US20220036105A1 (en) * 2020-07-28 2022-02-03 Adventive Identification Process of a Dental Implant Visible on an Input Image by Means of at Least One Convolutional Neural Network
KR102445053B1 (ko) * 2020-08-18 2022-09-21 (주)헤리바이오 임플란트 검색 및 자동 식별을 수행하는 시스템
KR20220159085A (ko) * 2021-05-25 2022-12-02 주식회사 뷰노 치아 탐지 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5989029A (en) 1997-07-08 1999-11-23 Atlantis Components, Inc. Customized dental abutments and methods of preparing or selecting the same
WO2011041530A1 (en) 2009-10-01 2011-04-07 The Trustees Of Columbia University In The City Of New York Dental diagnostic and dental restoration methods, systems, apparatuses, and devices
CN107647929B (zh) 2017-11-02 2019-05-14 四川大学 用于口腔种植修复空间分析的测量系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160009163A (ko) * 2014-07-15 2016-01-26 오스템임플란트 주식회사 임플란트 선택 시스템 및 방법
KR20180106007A (ko) * 2017-03-17 2018-10-01 엄상호 임플란트 픽스쳐 자동 검색 및 드라이버 제안 솔루션
US20220036105A1 (en) * 2020-07-28 2022-02-03 Adventive Identification Process of a Dental Implant Visible on an Input Image by Means of at Least One Convolutional Neural Network
KR102445053B1 (ko) * 2020-08-18 2022-09-21 (주)헤리바이오 임플란트 검색 및 자동 식별을 수행하는 시스템
KR20220159085A (ko) * 2021-05-25 2022-12-02 주식회사 뷰노 치아 탐지 방법 및 장치

Also Published As

Publication number Publication date
KR20240098470A (ko) 2024-06-28

Similar Documents

Publication Publication Date Title
WO2022260293A1 (ko) 기계학습을 위한 의료데이터의 벡터화 방법, 이를 구현한 데이터 변환 장치 및 데이터 변환 프로그램
Mukherjee et al. i condet: An intelligent portable healthcare app for the detection of conjunctivitis
Zivkovic et al. Ocular disease diagnosis using CNNs optimized by modified variable neighborhood search algorithm
WO2021201582A1 (ko) 피부 병변의 원인 분석 방법 및 장치
WO2024225789A1 (ko) 의료 영상 기반 통합 의료 서비스 제공 시스템 및 방법
Rivero-Palacio et al. Anemia detection using a full embedded mobile application with yolo algorithm
KR20240098470A (ko) 머신러닝 모델을 이용한 임플란트의 보철 옵션 결정 장치 및 그 방법
WO2023146097A1 (ko) 체형 및 체성분 산출 방법 및 이를 이용한 건강 개선 프로그램 제공 방법
CN110020597B (zh) 一种用于头晕/眩晕辅诊的眼部视频处理方法及系统
WO2024172329A1 (ko) 뼈 나이 예측 모델의 학습 방법, 이를 이용한 뼈 나이 예측 방법 및 장치
WO2025079898A1 (ko) 텍스트 태깅된 모션 생성 장치 및 모션 생성 장치의 동작 방법
WO2024019324A1 (ko) 카메라를 이용한 인공 지능 기반의 파라핀 블록 인식 장치 및 이를 이용한 파라핀 블록 인식 방법
WO2026023737A1 (ko) Ai 기반의 홍채 분석을 통해 질병을 예측하기 위한 서버 및 그 동작 방법
WO2023121051A1 (ko) 환자 정보 제공 방법, 환자 정보 제공 장치, 및 컴퓨터 판독 가능한 기록 매체
WO2021112317A1 (ko) 구강 내 미생물 분석장치를 이용한 건강 예측 시스템 및 방법
CN116188487A (zh) 医学图像分割方法、装置、设备及可读存储介质
Zeki et al. Healthcare System Technology using Smart Phones and Web Apps (Case Study Iraqi Environment)
WO2023282546A1 (ko) 인공 슬관절 해리 판독 방법 및 이를 위한 컴퓨팅 장치
WO2022178504A1 (en) System for correcting user movement
WO2022158694A1 (ko) 병리 조직 영상의 처리 방법 및 그 장치
WO2022139200A1 (ko) 연속되는 이미지 프레임에 대한 스켈레톤 분석에 기초한 동일객체 식별장치 및 식별방법
WO2025188107A1 (ko) 자연어처리 및 설명 가능한 인공지능을 이용한 우울증 수준 예측 장치 및 방법
US20250288393A1 (en) Methods and systems for optimization of orthodontic treatment using passive aligners
US20250086861A1 (en) Image processing apparatus
WO2022124737A1 (ko) 수술 부위 모니터링 방법 및 이를 이용한 디바이스

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: 23907529

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23907529

Country of ref document: EP

Kind code of ref document: A1