Machbarkeit von Software - Hunan Endodontic Group Co., Ltd

Wissenschaftliche Berichte Band 13, Artikelnummer: 11847 (2023) Diesen Artikel zitieren

334 Zugriffe

Details zu den Metriken

Der Zweck dieser Studie bestand darin, das Konzept einer softwarebasierten automatisierten Bewertung (SAE) der Qualität der Zahnpräparation mithilfe rechnergestützter geometrischer Algorithmen vorzuschlagen und die Machbarkeit von SAE bei der Beurteilung der Abutmentzahnpräparation für eingliedrige anatomische Konturkronen durch Vergleich zu bewerten es mit einer menschenbasierten digital unterstützten Bewertung (DAE) durch geschulte menschliche Gutachter. 35 erste Molaren des Unterkiefers wurden von Doktoranden für die Wiederherstellung einer Krone mit anatomischer Kontur präpariert. Jeder präparierte Zahn wurde digitalisiert und im Hinblick auf okklusale Reduktion und vollständige okklusale Konvergenz mittels SAE und DAE bewertet. Die Intra-Bewerter-Übereinstimmung für die von SAE und DAE bewerteten Bewertungen sowie die Inter-Bewerter-Übereinstimmung zwischen SAE und DAE wurden mit dem Signifikanzniveau (α) von 0,05 analysiert. Die Auswertung mit dem SAE-Protokoll zeigte eine perfekte Intra-Bewerter-Übereinstimmung, während die Auswertung mit dem DAE-Protokoll eine mäßige bis gute Intra-Bewerter-Übereinstimmung zeigte. Die Bewertungswerte der SAE- und DAE-Protokolle zeigten eine nahezu perfekte Übereinstimmung zwischen den Bewertern. Der für die Bewertung der Zahnpräparation entwickelte SAE kann für die zahnärztliche Ausbildung und das Feedback zu klinischen Fähigkeiten verwendet werden. SAE kann mögliche Fehler bei der herkömmlichen Bewertung minimieren und zuverlässigere und präzisere Bewertungen liefern als das menschenbasierte DAE.

Für erfolgreiche Restaurationen sollte die Vorbereitung der Pfeilerzähne gemäß den Grundprinzipien der modernen festsitzenden Prothetik erfolgen1. Die Zahnstruktur sollte nach Möglichkeit erhalten bleiben, für eine Restauration mit klinisch akzeptabler Prognose ist jedoch eine optimale Reposition zwingend erforderlich2. Festsitzende Restaurationen müssen ausreichend reduziert werden, um eine angemessene Dicke und Form mit struktureller Stabilität zu erreichen3. Auch die Zahnpräparation mit einem optimalen Konizitätsgrad ist wichtig, um einen guten Halt und Widerstand des festsitzenden Zahnersatzes sowie das Fehlen von Unterschnitten zu gewährleisten4.

Einer der wichtigsten Bestandteile der klinischen zahnmedizinischen Ausbildung ist das Verständnis der Prinzipien der Zahnpräparation in der Prothetik5. Es ist unbedingt erforderlich, dass der Student konsistentes und genaues Feedback von den Fakultätsmitgliedern erhält, um seine klinische Leistung zu verbessern, bevor er mit der eigentlichen Patientenversorgung fortfährt5,6. Allerdings trugen mehrere Faktoren zu Meinungsverschiedenheiten bei der Bewertung der Arbeit der Studierenden bei, darunter subjektive Bewertungsskalen und unzureichend kalibrierte Bewerter, die folglich kein konsistentes und zuverlässiges Feedback lieferten6,7,8. Um die Faktoren anzugehen, die zur mangelnden Konsistenz der Bewertung beitragen, und eine zuverlässigere Bewertung durch die Fakultät zu fördern, wurden die Fakultätskalibrierung und klar definierte Bewertungskriterien implementiert9. Trotz dieser Verbesserungen sind die Bewertungen zwischen Bewertern und Intrabewertern durch visuelle Inspektion mit menschlichen Augen möglicherweise nicht konsistent, und Fakultätsmitglieder markieren inakzeptable studentische Arbeiten immer noch häufig als akzeptabel, und die Bewertung derselben Arbeit bei verschiedenen Gelegenheiten hat zu Inkonsistenzen bei der Benotung geführt beobachtet10,11,12.

Um diese Mängel zu überwinden, wurde eine menschenbasierte digital unterstützte Auswertung (DAE) unter Verwendung dreidimensionaler (3D) Inspektions- und Messsoftware als Alternative in Betracht gezogen, die die Schwächen der herkömmlichen visuellen Inspektion angeht5,13,14,15. Diese Methode beinhaltet eine gründliche Beurteilung durch geschulte Spezialisten, die die gescannten Daten der Pfeilerzahnpräparation unterstützt durch digitale Messung mit visuell berechneten Skalen auswerten13,14,15. Mehrere Studien haben ergeben, dass Fakultätsbewertungen mit digitaler Bewertungssoftware wie E4D Compare (E4D Technologies, Richardson, TX, USA), CEREC PrepCheck (Dentsply Sirona, Bensheim, Deutschland) und Prepassistant (Kavo, Biberach, Deutschland) eine höhere Konsistenz aufweisen als traditionelle Bewertungsmethoden5,6,8,9,10,11,12,13,16,17,18,19. Die inhärente Einschränkung der menschlichen Bewertung bleibt jedoch ein Mangel an Konsistenz bei den von den Bewertern manuell zugewiesenen Metriken sowie Diskrepanzen zwischen den Bewertern16,17,18,19. Kürzlich hat eine Gruppe von Zahnforschern und Softwareentwicklern einen neuartigen softwarebasierten Ansatz zur Beurteilung der Pfeilerzahnpräparation mit automatisierter Auswertung auf der Grundlage eines rechnerischen geometrischen Algorithmus entwickelt. Mithilfe der softwarebasierten automatisierten Bewertung (SAE) bestimmt der rechnerisch-geometrische Algorithmus den zu bewertenden Bereich und fährt mit der automatisierten Bewertung fort, einschließlich digitaler Messungen der präparierten Zahnabmessungen in einem mathematisch optimierten Modell.

Daher bestand der Zweck dieser Studie darin, das SAE-Konzept für die Qualität der Zahnpräparation unter Verwendung rechnergestützter geometrischer Algorithmen vorzuschlagen und die Machbarkeit von SAE bei der Beurteilung der Abutmentzahnpräparation für Einzelkronen mit anatomischer Kontur durch Vergleich mit DAE durch trainierte zu bewerten menschliche Gutachter. Die Nullhypothesen dieser Studie lauteten: 1) Es gäbe keine Unterschiede in der Intra-Beurteiler-Übereinstimmung zwischen SAE und DAE und 2) es gäbe keine Unterschiede in den von SAE und DAE bewerteten Bewertungen.

Die SAE funktionierte bei allen präparierten Zähnen stabil und die Ergebnisse im Hinblick auf die Bewertungskriterien sind in Tabelle 1 aufgeführt. Das durchschnittliche Ausmaß der okklusalen Reduktion an der Höckerspitze betrug etwa 1,39 mm für den mesiobukkalen (MB) Höcker und 1,60 mm für der distobukkale (DB) Höcker, 1,88 mm für den mesiolingualen (ML) Höcker und 1,59 mm für den distolingualen (DL) Höcker. Die durchschnittlichen TOC-Werte betrugen 26,44° und 18,60° in der mesiodistalen (MD) bzw. bukkolingualen (BL) Ebene. Die durchschnittliche Breite des Präparationsrandbereichs wurde mit 0,36 mm angegeben. Die SAE-Bewertung ergab eine vollständige Übereinstimmung mit den Ergebnissen.

Die SAE- und DAE-Werte für jedes Kriterium sind in Tabelle 2 aufgeführt. Die Bewertung mithilfe von SAE ergab in jeder Bewertungsrunde (1–3) identische Ergebnisse. Bei keinem der Bewertungskriterien wurden signifikante Unterschiede zwischen den mittels DAE ausgewerteten Runden festgestellt. Darüber hinaus gab es keine signifikanten Unterschiede zwischen SAE- und DAE-Scores (p > 0,05).

Die Intra-Bewerter-Übereinstimmung für jede Bewertungsmethode (SAE und DAE) ist in Abb. 1 dargestellt. Die SAE zeigte für jedes Bewertungskriterium eine perfekte Übereinstimmung. Der DAE zeigte eine mäßige bis gute Intra-Bewerter-Zuverlässigkeit, eine mäßige Zuverlässigkeit für die MB- und DB-Höcker, einen BL-TOC für die Beurteilung der axialen Wandverjüngung, eine gute Zuverlässigkeit für die ML- und DL-Höcker für die Beurteilung der okklusalen Reduktion und einen MD-TOC für die Beurteilung der axialen Wandverjüngung . Keines dieser Kriterien zeigte eine ausgezeichnete Zuverlässigkeit.

Intra-Bewerter-Übereinstimmung (Korrelationskoeffizient zwischen den Klassen, Cronbachs α) zwischen den mit softwarebasierter automatisierter Bewertung (SAE) bewerteten Ergebnissen und den mit digital unterstützter Bewertung (DAE) bewerteten Ergebnissen. Ausgezeichnet: > 0,9; Gut: 0,75–0,90; Mäßig: 0,50–0,75; Schlechte Zuverlässigkeit: < 0,5.

Die Interbeurteiler-Übereinstimmungen zwischen den SAE- und DAE-Scores unterschieden sich je nach Bewertungskriterien (Abb. 2). Bei der Beurteilung der okklusalen Reduktion wurde eine nahezu perfekte Übereinstimmung bei der Bewertung der ML- und DL-Höcker und eine erhebliche Übereinstimmung bei der Bewertung der MB- und DB-Höcker festgestellt. Bei der Beurteilung der axialen Wandverjüngung zeigte die Bewertung des BL-TOC eine erhebliche Übereinstimmung, während bei den MD-TOC-Bewertungen eine mäßige Übereinstimmung festgestellt wurde.

Interbeurteiler-Übereinstimmung [gewichteter Cohen-Kappa-Koeffizient (κ)] zwischen den mithilfe der softwarebasierten automatisierten Bewertung (SAE) und der digital unterstützten Bewertung (DAE) bewerteten Bewertungen. Fast perfekt: 0,81–1,00; Wesentlich: 0,61–0,80; Mäßig: 0,41–0,60; Mittelmäßig: 0,21–0,40; Gering: 0,01–0,20; und Keine Übereinstimmung: ≤ 0.

Die Ergebnisse dieser Studie unterstützen die Gültigkeit von SAE in der Ausbildung und legen die Möglichkeit seiner klinischen Anwendung bei der Beurteilung der Zahnvorbereitung für anatomische Konturkronen nahe. Die Intra-Bewerter-Übereinstimmung zeigte, dass die Fakultätsbewertungen mit DAE nicht immer konsistent waren, wohingegen die Bewertungen mit SAE eine perfekte Übereinstimmung für alle Bewertungskriterien zeigten. Daher wird die erste Nullhypothese abgelehnt.

Diese Studie ergab, dass die Bewertungskonsistenz mithilfe von SAE verbessert werden könnte, wodurch menschliche Vorurteile oder Messfehler minimiert werden. Bei der DAE-Bewertung zeigte die Bewertung der funktionellen Höckerreduktion (MB- und DB-Höcker) eine geringere Intra-Bewerter-Übereinstimmung als die anderen Bewertungskriterien. Die Präparation der bukkalen Höcker des Unterkiefers hat aufgrund der Anwendung der funktionellen Höckerschräge eine komplexere Form als die anderen Bereiche. Daher ist es für den Lehrkörper schwierig, den Messreferenzpunkt im gescannten Präparationsbild durch visuelle Inspektion konsistent zu finden. Diese Schwäche kann durch den Einsatz einer auf mathematischen Algorithmen basierenden Software überwunden werden, die eine Tangentiallinie von der Höckerspitze des anatomischen Zahns zum präparierten Zahn findet und die nächstgelegene senkrechte Position zum präparierten Zahn definiert.

Neben der okklusalen Reduktion im Höckerbereich und anderen Bewertungskriterien können durch die Festlegung von Messpunkten auf Basis des Algorithmus konsistente Scores abgeleitet werden. Die Berechnung des gewichteten Cohen-Kappa zwischen den benoteten SAE- und DAE-Scores ergab eine mäßige bis nahezu perfekte Interbeurteiler-Übereinstimmung von > 0,5. Daher kann die zweite Nullhypothese nicht abgelehnt werden; Allerdings ist eine weitere Bewertung im Hinblick auf andere Bewertungsparameter, wie z. B. die Mindestreduzierung, erforderlich. Im Allgemeinen bestimmt der Gutachter Messpunkte in der zentralen Schädelgrube, an denen das Ausmaß der Reduktion voraussichtlich am geringsten ist. Die tatsächliche minimale Reduktion wird jedoch in der zentralen Fossa nicht immer beobachtet. Dennoch war es schwierig, den Punkt zu bestimmen, an dem die minimale Reduzierung durch visuelle Inspektion festgestellt werden konnte. In zukünftigen Studien zu SAE kann die minimale Reduktion als der kleinste Wert unter den vertikalen Abständen vom anatomisch intakten Zahn zum präparierten Zahn definiert werden. Eine softwarebasierte Bewertung mithilfe eines geometrischen Algorithmus kann verwendet werden, um den Punkt zu finden, an dem die minimale Reduzierung vorgenommen wurde, und kann objektive und präzise Werte messen.

Die traditionelle Beurteilung der Zahnpräparation beruht auf der Beurteilung durch den Bewerter auf der Grundlage einer visuellen Inspektion. Obwohl aktuelle virtuelle Bewertungstools die Objektivität und Konsistenz der Fakultätsbewertungen verbessern können, bestehen nach wie vor erhebliche Subjektivität und ein Mangel an Zuverlässigkeit zwischen den Bewertern5,13. Dieser neuartige softwareautomatisierte Ansatz, der auf mathematischen Algorithmen basiert, könnte das subjektive Eingreifen von Bewertern eliminieren und zuverlässigere und präzisere Bewertungen ermöglichen. SAE zeigte ein hohes Maß an Übereinstimmung im Vergleich zur humanbasierten Bewertung (DAE), was zeigt, dass SAE-Bewertungen anstelle von DAE sowohl für die klinische Bewertung als auch für die zahnmedizinische Ausbildung verwendet werden können.

Algorithmenbasierte Auswertungen können die Qualität restaurativer Behandlungen verbessern, indem sie während der Pfeilerzahnvorbereitung ein sofortiges quantitatives Feedback liefern. Yamaguchi et al. führte eine auf Algorithmen basierende Bewertungsmethode zur Vorhersage der Ablösungswahrscheinlichkeit von Kronen aus Kunstharzkomposit ein20. Sie entwickelten ein Deep-Learning-basiertes Modell, das ein Convolutional Neural Network (CNN) nutzte, indem sie 6480 nachträglich gesammelte Abutmentbilder trainierten, die mit Kronen aus Kunstharzkomposit restauriert wurden. Allerdings ist dieses Vorhersagemodell möglicherweise nicht in der Lage, alle Abutment-bezogenen Faktoren zu identifizieren, die die Ablösung von Kronen verursachen20. Mithilfe des geometrischen Algorithmus für diese softwarebasierte Auswertung können die numerischen Daten des präparierten Zahns in Bezug auf die Retention und den Widerstand der Zahnkrone – wie etwa der Konvergenzwinkel und die Höhe des Abutments – sowie die Möglichkeit einer Kronenablösung berechnet werden kann numerisch ausgewertet werden, indem die überprüften Kriterien für jeden beitragenden Faktor angewendet werden21,22,23. Darüber hinaus wurden kürzlich Deep-Learning-basierte Methoden für das Design von Zahnkronen entwickelt, die einen Algorithmus verwenden, der für viele Datenbanken ein geeignetes Design auswählt24,25. Durch die Integration des in dieser Studie verwendeten rechnerischen geometrischen Algorithmus kann das vorbereitete Abutment für die Kronenrestauration bewertet werden, um die Wahrscheinlichkeit eines Versagens vorherzusagen, und es kann zum Entwurf einer anatomischen Konturkrone mit einer besseren Prognose verwendet werden.

Das SAE-Protokoll mit mathematischen Algorithmen weist noch einige Einschränkungen auf, die verbessert werden müssen. Randintegrität, Schäden an Nachbarzähnen und Qualität der Reposition (Glätte oder Welligkeit) können mit dem aktuellen Stand der Technik nicht gemessen werden. Ein weiteres Problem ist die Komplexität der Benotung; Die SAE-Bewertung basiert auf Bewertungskriterien, und jede Punktzahl muss gewichtet werden, um eine Endpunktzahl abzuleiten. Diese Einschränkungen können durch die Entwicklung der beteiligten Algorithmen überwunden werden, und es sollten weitere Untersuchungen durchgeführt werden, um verschiedene Bewertungskriterien anzuwenden. Im Rahmen dieser Machbarkeitsstudie kann der für die Beurteilung der Pfeilerzahnpräparation entwickelte SAE in der klinischen zahnmedizinischen Ausbildung eingesetzt werden. Diese SAE kann mögliche Fehler bei herkömmlichen menschlichen Bewertungen minimieren und zuverlässigere und präzisere Bewertungen als DAE liefern.

Für die Entwicklung des SAE wurde ein standardisierter Acrylharzzahn des rechten ersten Molaren des Unterkiefers (Simple Root Tooth Model A5A-200; Nissin Dental Products, Kyoto, Japan) verwendet. Der Kunststoffzahn wurde gemäß den Anforderungen für Kronen mit anatomischer Kontur mit einer okklusalen Reduzierung von 1,5 mm, einer axialen Reduzierung von 1–1,5 mm mit abgerundeten Innenlinienwinkeln und einer umlaufenden Abschrägungslinie von 1 mm präpariert. Das vorbereitete Abutment wurde dann unter Umgebungslichtbedingungen mit einem Intraoralscanner (i500, iScan Version 1.2.0.1; Medit, Seoul, Südkorea) mit einer angegebenen Präzision von 25 µm von einem einzelnen Gutachter mit 10 Jahren klinischer Erfahrung digitalisiert digitale Zahnheilkunde und der Scan wurde im Standard-Tessellation-Language-File-Format (STL) gespeichert. Der Scanner wurde gemäß den Anweisungen des Herstellers kalibriert und die Kalibrierung wurde für jeden Scanvorgang durchgeführt. Da berichtet wurde, dass der Intraoralscanner eine ähnliche Kongruenz der 3D-Daten aufweist wie ein Laborscanner, kann auch die Digitalisierung mit dem Intraoralscanner als zuverlässig angesehen werden26,27. Der Scanvorgang für jedes Abutment wurde kontinuierlich in einem einzigen Versuch durchgeführt, basierend auf einer Zuverlässigkeitskarte mit Anzeigemodus, um den vollständigen Scanvorgang zu überprüfen28. Vor der Zahnpräparation wurde die ursprüngliche anatomische Form des Kunststoffmolaren als Referenz für die Beurteilung der Zahnpräparation erfasst. Anschließend wurden die 3D-Scandaten des Abutment-Harzzahns (vor und nach der Zahnpräparation) verwendet, um die SAE mithilfe eines rechnerischen geometrischen Algorithmus und einer mathematischen Modellierung zu entwickeln.

Zunächst wurde der axiale Wandbewertungsbereich durch die Identifizierung der Präparationsränder definiert. Die dreidimensionalen Scandaten wurden mithilfe der Methode der stückweisen flachen Oberfläche ermittelt. Mithilfe geometrischer Eigenschaften, die die „Schärfe“ darstellen, kann der Präparationsrand ermittelt werden. Schärfe kann in zwei Aspekten beobachtet werden: Schärfe an jedem Scheitelpunkt und Schärfe an jeder Kante. Die Schärfe jedes Scheitelpunkts wird als Laplace-Operator ausgedrückt, der sich auf die umgebenden Scheitelpunkte bezieht (Gl. 1, Abb. 3A), und die Schärfe am Rand wird als Beziehung zwischen den beiden Flächen in der Nähe des Randes ausgedrückt (Gl. 2, Abb . 3B)29.

Schematische Darstellung von Algorithmen zur Definition der Randposition der Zahnpräparation. (A) Laplace-Operator mit Kotangensgewichten, der die mittlere Krümmung von Scheitelpunkten auf einer stückweise flachen Oberfläche annähert, wurde verwendet, um Grenzscheitelpunkte auf der Präparationsoberfläche zu finden. (B) Beim Verbinden von Scheitelpunkten an Randstellen wurde die Kantenlänge angepasst, um die Kantenschärfe darzustellen. Durch die Nutzung der angepassten Kantenlänge folgte der berechnete Pfad genau den Merkmalen der lokalisierten Präparationsränder.

Die Bilder sowohl des anatomisch intakten als auch des präparierten Zahnmodells wurden registriert und die Software ermittelte 12 anfängliche Suchpunkte im Wurzelbereich. Es wurde der kürzeste Abstand zwischen den anfänglichen Suchpunkten des anatomischen Zahnmodells und dem präparierten Zahn berechnet. Wenn der kürzeste Abstand kleiner als die Fehlergrenze (ε) war, wurde der Suchpunkt mit dem Scheitelpunkt im Kronenbereich aktualisiert (Abb. 4A, B) und die Berechnung des kürzesten Abstands vom neuen Suchpunkt zum vorbereiteten Punkt durchgeführt Zahn wurde wiederholt. Wenn eine Position jenseits von ε gefunden wurde, wurde davon ausgegangen, dass sie sich am Präparationsrand befand (Abb. 4C). Durch Vergleich der Laplace-Werte benachbarter Scheitelpunkte wurde der Scheitelpunkt mit dem größten Laplace-Wert als Scheitelpunkt am Zahnpräparationsrand bestimmt (Abb. 4D). Um den Präparationsrand genauer zu bestimmen, wurden die Maße bewusst verzerrt, indem die Abstände um die scharfen Kanten genau angepasst wurden. Der endgültige Zahnpräparationsrand wurde mathematisch bestimmt, indem der kürzeste Weg ermittelt wurde, der alle 12 Eckpunkte verbindet (Abb. 4E, F). Der Präparationsrandbereich wurde als kreisförmiger bandförmiger Bereich über dem Präparationsrand bis zum Beginn des axialen Wandbereichs definiert. Die ungefähre durchschnittliche Präparationsrandbreite wurde berechnet, indem die Randfläche in den Einführweg der Prothese projiziert wurde, um eine flache bandförmige Fläche zu bilden, und die Bandfläche durch die durchschnittliche Länge des langen und kurzen Umfangs dividiert wurde (Abb. 5).

Prozess zur Definition der Zahnpräparationsgrenze basierend auf einem geometrischen Algorithmus. Wenn der kürzeste Abstand zum Zahnmodell kleiner als die Fehlergrenze war, wurde jeder Suchpunkt mit dem Scheitelpunkt aktualisiert, der sich im Kronenbereich befand (blaue Scheitelpunkte). Wenn der kürzeste Abstand größer als der Schwellenwert war (orangefarbener Scheitelpunkt und dunkelblauer Pfeil), wurde angenommen, dass er sich um den Präparationsrand (A, B) befand. Unter den Nachbarschaftsscheitelpunkten (gelb und grün) wurde der Scheitelpunkt mit dem größten Laplace-Wert (rot) als Scheitelpunkt am Präparationsrand (C, D) bestimmt. Durch die Verknüpfung des absichtlich verzerrten Distanzfeldes kann der Präparationsrand rechnerisch ermittelt werden (E,F).

Prozess zur Definition der Breite des Präparationsrandbereichs. (A) Die Breite des Präparationsrandbereichs kann als kreisförmiger bandförmiger Bereich über dem Präparationsrand (grüne Linie) bis zum Beginn des axialen Wandbereichs (rote Linie) definiert werden. (B) Die durchschnittliche Breite des Randbereichs kann ungefähr aus dem Außenumfang (grüne Linie), dem Innenumfang (rote Linie) und der Fläche zwischen den Rändern berechnet werden, die durch Projizieren des Rands in Richtung des Einführungspfads erzeugt werden.

Die obere Grenze des Präparationsrandbereichs wurde definiert, indem die Schnittpunktpolylinien zwischen dem präparierten Zahn und der durch den Präparationsrand erzeugten Translationsfläche ermittelt wurden (Abb. 6A). Die untere Grenze des axialen Bereichs ist der Bereich direkt über der Präparationsgrenze. Bei der Definition der oberen Grenze des axialen Wandbereichs kann die Höhe der axialen Wand für jede präparierte Oberfläche (bukkal, lingual, mesial und distal) unterschiedlich sein. Im Allgemeinen ist die axiale Wandhöhe der bukkalen und lingualen Flächen größer als die der mesialen und distalen Flächen. Unter Berücksichtigung dieser anatomischen Gegebenheiten wurde die obere Grenze der axialen Wand als Schnittpunkt zwischen dem präparierten Zahnmodell und der gekrümmten Oberfläche definiert, die durch eine Gruppe von Scheitelpunkten erzeugt wurde, die die Punkte der Scheitelpunkte auf der Oberfläche intern teilte und so die untere Grenze bildete (Abb . 6B, gepunktete rote Linie) und flache Oberfläche auf der Okklusalseite (Abb. 6B, schwarze Linie).

Prozess der Definition der axialen Fläche des präparierten Zahns basierend auf der Präparationsrandfläche. (A) Die unteren (rote Linie) und oberen (blaue Linie) Grenzen des axialen Bereichs des präparierten Zahns wurden geometrisch aus der Position des Präparationsrandes (schwarze Linie) generiert. (B) Die untere Grenze (gestrichelte rote Linie) wurde definiert, indem die Schnittpunktpolylinien zwischen dem präparierten Zahnmodell und der durch den Präparationsrand erzeugten Translationsfläche ermittelt wurden. Die obere Grenze (gestrichelte blaue Linie) wurde als Schnittpunkt zwischen dem vorbereiteten Zahnmodell und der gekrümmten Oberfläche definiert, die durch eine Gruppe von Scheitelpunkten erzeugt wird, die die Punkte der Scheitelpunkte auf der Oberfläche intern teilen und so die untere Grenze und die flache Oberfläche auf der okklusalen Seite erzeugen ( durchgezogene graue Linie).

Der axiale Wandbereich wurde in bukkales \((\mathrm{B})\), linguales \((\mathrm{L})\), mesiales \((\mathrm{M})\) und distales \( (\mathrm{D})\) Flächen. Die gesamte okklusale Konvergenz (TOC) wurde durch Summieren der durchschnittlichen Verjüngungen des kontralateralen Bereichs ermittelt: bukkale (B) und linguale (L) durchschnittliche Verjüngungen sowie mesiale (M) und distale (D) durchschnittliche Verjüngungen (Abb. 7). Die durchschnittliche Verjüngung wurde mit der folgenden Gleichung berechnet (Gleichung 3):

Repräsentatives Bild des Berechnungsalgorithmus für die totale okklusale Konvergenz (TOC). \(\overrightarrow{p}\) ist die Richtung des Einfügepfads, \({a}_{f}\) ist die Fläche der Fläche f und \(\overrightarrow{{n}_{f}}\) ist normal Richtung von \({a}_{f}\). Die Verjüngung T wird für jede Oberfläche (mesial, distal, bukkal, lingual) unter Verwendung der flächengewichteten durchschnittlichen Verjüngung berechnet. Der TOC für die mesiodistale (MD) Ebene wird durch Addition der Konizität von M und der Konizität von D berechnet, und der TOC für die bukkolinguale (BL) Ebene wird durch Addition der Konizität von B und der Konizität von L berechnet. Note A (2 Punkte, grün, „Akzeptabel“) '), B (1 Punkt, gelb, ‚Begrenzt akzeptabel‘) und C (0 Punkt, rot, ‚Inakzeptabel‘) wurden basierend auf Bewertungskriterien für die Zahnpräparation farblich markiert.

Die durchschnittliche Verjüngung \(\mathrm{T}\) wurde als Summe der flächengewichteten Verjüngung definiert und die Verjüngung jeder Fläche \(\mathrm{f}\) wurde unter Verwendung des Einfügungspfads \(\overrightarrow) berechnet {\mathrm{p}}\), die Fläche der Fläche \({\mathrm{a}}_{\mathrm{f}}\) und die Summe der Fläche der Fläche \({\mathrm{a }}_{\mathrm{f}}\) für jede Seite (bukkal, lingual, mesial und distal) \({A}_{B,L,M,D}\) und die Normale des Gesichts \( \overrightarrow{{\mathrm{n}}_{\mathrm{f}}}\). Der TOC der bukkolingualen und mesiodistalen Ebene wurde als Summe der entgegengesetzten durchschnittlichen Verjüngungen bewertet.

Auf der Kaufläche jedes Pfeilerzahns mit intakter anatomischer Struktur (vor der Präparation) wurden sieben Standardpunkte (jeweils an den fünf Höckerspitzen und zwei Randkammbereichen) identifiziert. Von jedem Standardpunkt wurde eine geometrische Linie zum entsprechenden Punkt auf der Okklusionsfläche des präparierten Zahns gezogen, wodurch eine Linie senkrecht zur präparierten Oberfläche gebildet werden konnte. Die durch die Schnittpunkte auf der Okklusionsfläche des präparierten Zahns gebildete Grenze, die durch den engsten Weg zwischen den senkrechten Linien verläuft, wurde zur Definition des okklusalen Reduktionsbereichs des präparierten Zahns verwendet (Abb. 8A). Die Höckerreduktion wurde als der kürzeste Abstand von der Höckerspitze des anatomischen Zahnmodells zur Höckerspitze des präparierten Zahnmodells definiert. Um den Prozess der Bestimmung der kürzesten Entfernung zu optimieren, wurden eine Bounding-Volume-Hierarchie und eine Prioritätswarteschlange verwendet30.

(A) Prozess der Definition des okklusalen Bereichs und der Implementierung eines optimierten Algorithmus zur Bewertung der okklusalen Reduktionsdimension. Die Höckerverkleinerung wurde als kürzester Abstand zwischen der Höckerspitze des anatomischen Zahnmodells und der Spitze des präparierten Zahns definiert. (B) Die Noten A (2 Punkte, grün, „Akzeptabel“), B (1 Punkt, gelb, „Begrenzt akzeptabel“) und C (0 Punkte, rot, „Inakzeptabel“) wurden basierend auf der Bewertung farblich markiert Kriterien für die Zahnpräparation.

Nach der Entwicklung des SAE mithilfe eines rechnerischen geometrischen Algorithmus und mathematischer Modellierung wurde das Bewertungssystem des SAE gemäß den Kriterien für die Beurteilung der Zahnpräparation erstellt (Tabelle 3). Die Bewertungsergebnisse wurden visualisiert und entsprechend den Bewertungskriterien in drei verschiedene Noten eingeteilt: A (grün), B (gelb) und C (rot) (Abb. 8B). Den einzelnen Notenkategorien wurden folgende Punkte zugewiesen: 2 Punkte für die Note A (akzeptabel), 1 Punkt für die Note B (geringfügig akzeptabel) und 0 Punkt für die Note C (inakzeptabel).

Insgesamt 35 Kunstharzzähne des rechten ersten Molaren des Unterkiefers (Simple Root Tooth Model A5A-200; Nissin Dental Products, Kyoto, Japan), die von 35 Zahnmedizinstudenten präpariert und im Rahmen der Durchführung für Routinepraktika eingereicht wurden Untersuchung, wurden nachträglich erhoben und vollständig anonymisiert. Eine Bewertung und Genehmigung durch ein institutionelles Prüfungsgremium war nicht erforderlich. Jeder Kunststoffzahn wurde sorgfältig gemäß den Anforderungen der anatomischen Konturkronenrestaurierung vorbereitet. Jeder präparierte Pfeilerzahn wurde dann unter Umgebungslichtbedingungen mit einem Intraoralscanner (i500, iScan Version 1.2.0.1; Medit, Seoul, Südkorea) von einem einzelnen Gutachter mit 10 Jahren klinischer Erfahrung in der digitalen Zahnheilkunde digitalisiert und im STL-Format gespeichert. Angesichts des begrenzten Winkels und der begrenzten Brennweite des kleinen Zielbereichs wurde ein Intraoralscanner zur Digitalisierung des Zahns verwendet31,32. Vor jedem Scanvorgang wurde der Scanner gemäß den Herstellerangaben kalibriert.

Zur SAE-Bewertung wurden die Scandaten jedes präparierten Zahns hochgeladen und mithilfe der in dieser Studie getesteten Software automatisch hinsichtlich der Qualität der Zahnpräparation bewertet. Alle notwendigen Informationen für die Bewertungskriterien für die Zahnpräparation wurden ohne Eingreifen menschlicher Bewerter angezeigt. Die gemeldeten Daten werden entsprechend den Bewertungskriterien dargestellt (Tabelle 3).

Für die Beurteilung mittels DAE wurde jeder präparierte Zahn von zwei staatlich geprüften Prothetikern, die Vollzeit-Fakultätsmitglieder waren und als Bewerter praktischer Prüfungen für Doktoranden gearbeitet hatten, mithilfe von Inspektions- und Messsoftware (Medit Compare, Medit, Seoul, Südkorea). Diese Software wurde entwickelt, um 3D-Daten zu analysieren, auszurichten, zu messen (einschließlich Abstand, Fläche, Länge und Winkel) und zu vergleichen. Die am Menschen durchgeführte Bewertung wurde dreimal durchgeführt, mit einer Auswaschphase von einer Woche zwischen jeder Bewertung. In jeder Runde wurden die präparierten Zähne nach dem Zufallsprinzip einem Bewerter zugewiesen (Research Randomizer; https://www.randomizer.org/). Die Qualität der Zahnpräparation wurde nach jedem Bewertungskriterium identisch mit dem SAE-System bewertet (Tabelle 3). Die Punktzahl für jede Qualitätsbewertung wurde auf der Grundlage der Vereinbarung zwischen den beiden Gutachtern ermittelt. Für jede Beurteilung wurden die gescannten Daten des Pfeilerzahns mit intakter okklusaler Anatomie (vor der Präparation) und die des präparierten Pfeilerzahns mithilfe einer Inspektionssoftware (Medit Compare) überlagert. Die Überlagerung der beiden Datensätze erfolgte nach Überprüfung der Ausrichtung im synchronisierten Koordinatenraum. Mit der Funktion „Mit ausgewähltem Bereich ausrichten“ wurde die anfängliche Ausrichtung durchgeführt, indem für alle Scandaten manuell derselbe Referenzbereich festgelegt wurde, und die 3D-Überlagerung wurde durch die bestmögliche Ausrichtung unter Verwendung eines iterativen Algorithmus für den nächstgelegenen Punkt zwischen den Punktwolken der digitalisierten Daten abgeschlossen. Jeder Gutachter markierte sorgfältig die Messpunkte, um die überlagerten Scandaten auszuwerten. Der Abstand bzw. Winkel zwischen den Punkten wurde virtuell anhand der Lage der markierten Punkte gemessen. Für die okklusale Reduktionsbewertung bestimmte ein menschlicher Gutachter jede Höckerspitze und zentrale Fossa auf dem Referenzscanbild des Pfeilerzahns mit intakter okklusaler Anatomie. Durch Verbinden der angegebenen Höckerspitze und des entsprechenden Höckerpunkts auf dem Scanbild des präparierten Zahns erstellt die Inspektionssoftware (Medit Compare) tangential eine zweidimensionale Ebene, die durch diese Linie verläuft, und misst den Abstand mithilfe der Funktion „Abstand anhand von zwei Punkten messen“. ' Funktion. Als Ausmaß der okklusalen Reduktion wurde der Abstand zwischen den Höckern des Pfeilerzahns vor der Präparation und denen des präparierten Zahns herangezogen. Die Reduzierung wurde anhand der in Tabelle 3 aufgeführten Bewertungskriterien bewertet. Die axiale Wandverjüngung wurde mithilfe der Funktionen „Abschnitte erstellen“ und „Winkel anhand von vier Punkten messen“ in der Software bewertet. Ein menschlicher Gutachter markierte die Referenzlinien, die vertikal durch die Mitte jeder bukkalen und lingualen Oberfläche der Scandaten des präparierten Zahns entlang der Längsachse verliefen. Die Software berechnete automatisch den Winkel zwischen diesen Linien als TOC-Werte in der BL- und MD-Ebene und die gemessenen Werte wurden gemäß Bewertungskriterien bewertet (Tabelle 3).

Die Intra-Bewerter-Übereinstimmung der drei Bewertungsergebnisse für jedes anhand von SAE und DAE bewertete Kriterium wurde durch Berechnung des Korrelationskoeffizienten zwischen den Klassen (ICC, Cronbachs α) analysiert. Ein ICC-Wert von > 0,9 wurde als Hinweis auf eine ausgezeichnete Zuverlässigkeit angesehen, während 0,75–0,90 eine gute Zuverlässigkeit anzeigten; 0,50–0,75 zeigten mäßig an; und < 0,5 deuteten auf eine geringe Zuverlässigkeit hin33. Die Interbeurteiler-Übereinstimmung zwischen den Bewertungen der SAE- und DAE-Protokolle wurde durch Berechnung des gewichteten Cohen-Kappa-Koeffizienten (κ) für jedes Bewertungskriterium analysiert. Ein Cohen-κ-Wert von 0,81–1,00 galt als nahezu perfekte Übereinstimmung; 0,61–0,80 galten als erheblich; 0,41–0,60 galten als moderat; 0,21–0,40 galten als angemessen; 0,01–0,20 galten als geringfügig; und ≤ 0 galt als keine Übereinstimmung34. Statistische Analysen wurden mit der R-Software (Version 4.1.2) mit einem Signifikanzniveau (α) von 0,05 durchgeführt.

Die in der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Shillingburg, HT, Hobo, S., Whitsett, LD, Jacobi, R. & Brackett, SE Grundlagen der festsitzenden Prothetik. 3. Aufl. (Quintessence Publishing, 1997).

Goodacre, CJ, Bernal, G., Rungcharassaeng, K. & Kan, JK Klinische Komplikationen bei festsitzender Prothetik. J. Prothet. Delle. 90, 31–41 (2003).

Artikel PubMed Google Scholar

Rosenstiel, SF, Land, MF & Fujimoto, J. Zeitgenössische festsitzende Prothetik. 5. Aufl. 169–221 (Mosby Inc., 2015).

Dodge, WW, Weed, RM, Baez, RJ & Buchanan, RN Die Auswirkung des Konvergenzwinkels auf Retention und Widerstandsform. Quintessenz Int. 16, 191–194 (1985).

CAS PubMed Google Scholar

Renne, WG et al. E4D-Vergleichssoftware: Eine Alternative zur Fakultätsbewertung in der zahnmedizinischen Ausbildung. J. Dent. Educ. 77, 168–175 (2013).

Artikel PubMed PubMed Central Google Scholar

Kateeb, ET, Kamal, MS, Kadamani, AM, Abu Hantash, RO & Abu Arqoub, MM Einsatz einer innovativen digitalen Software zur Bewertung der präklinischen Kronenvorbereitungsübung. EUR. J. Dent. Educ. 21, 220–227 (2017).

Feil, PH & Gatti, JJ Validierung einer motorischen Leistungstheorie mit Anwendungen für die zahnmedizinische Ausbildung. J. Dent. Educ. 57, 628–633 (1993).

Artikel CAS PubMed Google Scholar

Sadid-Zadeh, R. & Feigenbaum, D. Entwicklung einer Bewertungsstrategie im präklinischen Kurs für festsitzende Prothetik unter Verwendung virtueller Bewertungssoftware – Teil 1. Klin. Exp. Delle. Res. 4, S86–S93 (2018).

Artikel Google Scholar

Kommission für zahnärztliche Akkreditierung. Akkreditierungsstandards für zahnmedizinische Ausbildungsprogramme. https://case.edu/dental/sites/case.edu.dental/files/2018-04/Predoctoral_Program_Standards.pdf (2013).

Haj-Ali, R. & Feil, P. Beurteilerzuverlässigkeit: Kurz- und langfristige Auswirkungen des Kalibrierungstrainings. J. Dent. Educ. 70, 428–433 (2006).

Artikel PubMed Google Scholar

Fuller, JL Die Auswirkungen von Training und Kriterienmodellen auf die Zuverlässigkeit zwischen Richtern. J. Dent. Educ. 36, 19–22 (1972).

Artikel CAS PubMed Google Scholar

Sharaf, AA, Abdel Aziz, AM & El Meligy, OAS Intra- und Inter-Untersucher-Variabilität bei der Bewertung präklinischer operativer Eingriffe in der Kinderzahnheilkunde. J. Dent. Educ.71, 540–544 (2007).

Gratton, DG, Kwon, SR, Blanchette, D. & Aquilino, SA Einfluss der digitalen Technologie zur Bewertung der Zahnpräparation auf die technischen Fähigkeiten und Selbstbewertungsfähigkeiten vorklinischer Zahnmedizinstudenten. J. Dent. Educ. 80, 91–99 (2016).

Artikel PubMed Google Scholar

Hamil, LM, Mennito, AS, Renne, WG & Vuthiganon, J. Die Meinungen von Zahnmedizinstudenten zur Präparationsbewertung mit E4d vergleichen Software mit herkömmlichen Methoden. J. Dent. Educ. 78, 1424–1431 (2014).

Artikel PubMed Google Scholar

Mays, KA & Levine, E. Selbsteinschätzung von Zahnmedizinstudenten bei operativen Vorbereitungen mit CAD/CAM: Eine vorläufige Analyse. J. Dent. Educ. 78, 1673–1680 (2014).

Artikel PubMed Google Scholar

Taylor, CL, Grey, NJA & Satterthwaite, JD Ein Vergleich der Noten, die durch Peer-Bewertung, Dozenten und ein digitales Scangerät in einem vorklinischen Kurs für operative Fertigkeiten vergeben wurden. EUR. J. Dent. Educ. 17, e16–e21 (2013).

Artikel CAS PubMed Google Scholar

Jorquera, G., Sanchez, JP, Sampaio, CS, Atria, P. & Fernandez, E. Verbesserung präklinischer und klinischer Fähigkeiten für zahnärztliche Vorbereitungen mithilfe unterstützter Trainingssoftware. EUR. J. Dent. Educ. 25, 856–863 (2021).

Artikel PubMed Google Scholar

Schepke, U. et al. Digitale Bewertung einer retentiven Vollkronenpräparation – Eine Bewertung des Vorbereitungschecks in einer vorklinischen Lehrumgebung für Studenten. EUR. J. Dent. Educ. 24, 407–424 (2020).

Artikel PubMed PubMed Central Google Scholar

Miyazono, S., Shinozaki, Y., Sato, H., Isshi, K. & Yamashita, J. Einsatz digitaler Technologie zur Verbesserung der objektiven und zuverlässigen Beurteilung in Simulationslaboren für Zahnmedizinstudenten. J. Dent. Educ. 83, 224–232 (2019).

Artikel Google Scholar

Yamaguchi, S. et al. Vorhersage der Ablösung von CAD/CAM-Kompositkronen mit KI. J. Dent. Res. 98, 1234–1238 (2019).

Artikel CAS PubMed Google Scholar

Jørgensen, KD Die Beziehung zwischen Retention und Konvergenzwinkel bei zementierten Veneerkronen. Acta Odontol. Scan. 13, 35–40 (1955).

Artikel PubMed Google Scholar

Heintze, SD Kronenabzugstest (Kronenretentionstest) zur Beurteilung der Haftwirkung von Befestigungsmitteln. Delle. Mater. 26, 193–206 (2010).

Artikel CAS PubMed Google Scholar

El-Mowafy, OM, Fenton, AH, Forrester, N. & Milenkovic, M. Retention von mit Kunstharzzementen zementierten Metallkeramikkronen: Auswirkungen der Konizität und Höhe der Präparation. J. Prothet. Delle. 76, 524–529 (1996).

Artikel CAS PubMed Google Scholar

Ding, H. et al. Morphologie und mechanische Leistung der von 3D-DCGAN entworfenen Zahnkrone. Delle. Mater. 39, 320–332 (2023).

Artikel PubMed Google Scholar

Tian, S. et al. DCPR-GAN: Wiederherstellung von Zahnkronenprothesen mithilfe zweistufiger generativer kontradiktorischer Netzwerke. IEEE J. Biomed. Gesundheitsinformationen. 26, 151–160 (2021).

Artikel Google Scholar

Mangano, F. et al. Kongruenz zwischen Netzen und Bibliotheksdateien von Implantat-Scankörpern: Eine In-vitro-Studie zum Vergleich von fünf Intraoralscannern. J. Clin. Med. 9, 2174 (2020).

Artikel PubMed PubMed Central Google Scholar

Donmez, MB et al. Auswirkung von computergestütztem Design und computergestützter Herstellungstechnik auf die Genauigkeit festsitzender Teilprothesenmodelle, die zum Gießen oder Pressen verwendet werden. J. Dent. 130, 104434 (2023).

Artikel PubMed Google Scholar

Medit-Hilfecenter. https://support.medit.com/hc/en-us/articles/360025312031-Model-display-mode (2022).

Pinkall, U. & Polthier, K. Berechnung diskreter Minimalflächen und ihrer Konjugate. Exp. Mathematik. 2, 15–36 (1993).

Artikel MathSciNet MATH Google Scholar

Johnson, DE & Cohen, E. Ein Rahmen für effiziente Mindestabstandsberechnungen. Proceedings 1998 IEEE International Conference on Robotics and Automation. Katze. Nr. 98CH36146 (1998).

Kim, YK, Han, JS & Yoon, HI Bewertung der Tiefdruckoberflächentreue, des Verschleißes und der Bruchfestigkeit von Zirkonoxidkronen unter simulierter Kauung: Eine vergleichende Analyse zwischen subtraktiver und additiver Fertigung. J. Adv. Prothetik. 14, 122–132 (2022).

Artikel PubMed PubMed Central Google Scholar

Kim, YK, Yoon, HI, Kim, DJ & Han, JS Vergleichende Analyse der Tiefdruckoberflächentreue, des Verschleißvolumenverlusts des Antagonisten und der Bruchfestigkeit einer vollanatomischen monolithischen Zirkonoxidkrone für die Zahnheilkunde in einer Sitzung unter simuliertem Kauen. J. Adv. Prothetik. 14, 173–181 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Koo, TK & Li, MY Leitfaden zur Auswahl und Berichterstattung von klasseninternen Korrelationskoeffizienten für die Zuverlässigkeitsforschung. J. Chiropr. Med. 15, 155–163 (2016).

Artikel PubMed PubMed Central Google Scholar

McHugh, ML Interrater-Zuverlässigkeit: Die Kappa-Statistik. Biochem. Med. (Zagreb) 22, 276–282 (2012).

Artikel PubMed Google Scholar

Referenzen herunterladen

Diese Studie wurde vom Creative-Pioneering Researchers Program der Seoul National University unterstützt.

Diese Autoren trugen gleichermaßen bei: Sangjun Han und Yuseung Yi.

Fakultät für Zahnmedizin, Seoul National University, Seoul, Republik Korea

Sangjun Han

Abteilung für Prothetik, Seoul National University Dental Hospital, Seoul, Republik Korea

Yuseung Yi

Abteilung für restaurative Zahnheilkunde, School of Dentistry, University of Washington, Seattle, WA, USA

Marta Revilla-León

Forschung und digitale Zahnheilkunde, Kois Center, Seattle, WA, USA

Marta Revilla-León

Abteilung für Prothetik, Tufts University, Boston, MA, USA

Marta Revilla-León

Abteilung für Rekonstruktive Zahnheilkunde und Gerodontologie, Fakultät für Zahnmedizin, Universität Bern, Bern, Schweiz

Burak Yilmaz & Hyung-In Yoon

Abteilung für restaurative, präventive und pädiatrische Zahnheilkunde, Fakultät für Zahnmedizin, Universität Bern, Bern, Schweiz

Burak Yilmaz

Abteilung für restaurative und prothetische Zahnheilkunde, Ohio State University, Columbus, OH, USA

Burak Yilmaz

Abteilung für Prothetik, School of Dentistry und Dental Research Institute, Seoul National University, 101, Daehak-ro, Jongro-gu, Seoul, 03080, Republik Korea

Hyung-In Yoon

Sie können diesen Autor auch in PubMed Google Scholar suchen

SH und YY führten die Forschungs- und Labormethodik durch. SH führte statistische Analysen durch. SH und YY haben das Manuskript verfasst. BY und MRL haben das Manuskript bearbeitet. HIY und BY trugen zum Studiendesign, zur Dateninterpretation, zur Überarbeitung der Arbeit und zur Forschungsüberwachung bei. Alle Autoren haben das endgültige Manuskript überprüft und genehmigt.

Korrespondenz mit Hyung-In Yoon.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Han, S., Yi, Y., Revilla-León, M. et al. Machbarkeit einer softwarebasierten Bewertung zur automatisierten Bewertung der Zahnvorbereitung für eine Zahnkrone mithilfe eines rechnerischen geometrischen Algorithmus. Sci Rep 13, 11847 (2023). https://doi.org/10.1038/s41598-023-39089-3

Zitat herunterladen

Eingegangen: 24. März 2023

Angenommen: 20. Juli 2023

Veröffentlicht: 22. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-39089-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.