Computer

Scientific Reports Band 13, Artikelnummer: 1561 (2023) Diesen Artikel zitieren

2555 Zugriffe

2 Zitate

8 Altmetrisch

Details zu den Metriken

Die aktuelle mehrphasige In-vitro-Studie entwickelte und validierte ein dreidimensionales Faltungs-Neuronales Netzwerk (3D-CNN) zur Erzeugung partieller Zahnkronen (PDC) für den Einsatz in der restaurativen Zahnheilkunde. Die Wirksamkeit von Desktop-Laser- und Intraoralscannern bei der Generierung von Daten für 3D-CNN wurde zunächst evaluiert (Phase 1). Es gab keine signifikanten Unterschiede in der Oberfläche [t-stat(df) = − 0,01 (10), mittlere Differenz = − 0,058, P > 0,99] und dem Volumen [t-stat(df) = 0,357(10)]. Für Phase 2 wurden jedoch die intraoralen Scans ausgewählt, da sie im Vergleich zum Desktop-Laserscanning (322,70 ± 40,15 mm3) ein höheres Maß an volumetrischen Details lieferten (343,83 ± 43,52 mm3). In Phase 2 wurden 120 Zahnpräparate aus intraoralen Scans digital synthetisiert, und zwei Zahnärzte entwarfen die entsprechenden PDCs mithilfe von CAD-Workflows (Computer Aided Design) auf einem Personalcomputer. Der statistische Vergleich mittels 3-Faktor-ANOVA zeigte signifikante Unterschiede in der Oberfläche (P < 0,001), dem Volumen (P < 0,001) und der räumlichen Überlappung (P < 0,001), weshalb nur die genauesten PDCs (n = 30) ausgewählt wurden Trainieren Sie das neuronale Netzwerk (Phase 3). Das aktuelle 3D-CNN ergab eine Validierungsgenauigkeit von 60 %, einen Validierungsverlust von 0,68–0,87, eine Empfindlichkeit von 1,00 und eine Präzision von 0,50–0,83 und dient als Proof-of-Concept dafür, dass 3D-CNN PDC-Prothesen vorhersagen und generieren kann CAD für restaurative Zahnheilkunde.

Die Entwicklung der künstlichen Intelligenz (KI) erfolgte im Jahr 1943, der Begriff „künstliche Intelligenz“ wurde jedoch 1956 auf einer Tagung in Dartmouth geprägt1. Innerhalb dieser Analogie sind Deep Learning, neuronale Netze und maschinelles Lernen Teilbereiche der KI. Maschinen können durch die Entwicklung von Algorithmen lernen, die Vorhersageprobleme ohne menschliches Eingreifen lösen2. Bei den verwendeten neuronalen Netzen (NN) handelt es sich um mathematische nichtlineare Modelle, die das menschliche Gehirn in seinen Lern- und Entscheidungsmerkmalen nachahmen und so die kognitiven Fähigkeiten des Menschen stimulieren3. Solche NNs können komplex mit verborgenen Schichten sein und können trainiert werden, um mehrschichtige Wahrnehmungen darzustellen und vorherzusagen, indem Daten mit Deep Learning2 verarbeitet werden. Faltungs-Neuronale Netze und künstliche Neuronale Netze sind die am häufigsten verwendeten Designs zur Verarbeitung der Daten bei der Planung von Prophylaxe, entscheidenden Therapien und der Prognose von Behandlungskosten3. Mit Blick auf die nahe Zukunft wird diese Technologie zur Einführung verschiedener neuer Anwendungsbereiche im öffentlichen Raum in Form von intelligenten Assistenten führen4. Einer der Bereiche, die davon profitieren würden, wäre der Bereich der Zahnmedizin, der vielfältige Möglichkeiten für Routineaufgaben eröffnen würde, die ursprünglich von zahnärztlichem Personal ausgeführt wurden, mit verbesserter Qualität in der Pflege5,6.

A priori wurden KI-Modelle häufig für die Kartierung und Fertigstellung von Zahnpräparationen und verschiedenen prothetischen Anwendungen verwendet. Computergestützte Designmethoden wurden auch zur Auswahl der Zahnanatomie für automatisierte Designs von Zahnrestaurationen eingesetzt. Das erfolgreiche Gießen von Metallgerüsten, die Auswahl der Zahnfarbe und die Anpassung der Porzellanfarbe gehören zu den empfohlenen Merkmalen von AI-Modellen7. Indirekte Restaurationen, Zahnteilkronen oder PDCs (Inlays und Onlays) erfreuen sich in der Bewegung der „minimalinvasiven Zahnheilkunde“ in letzter Zeit zunehmender Beliebtheit. Um ihre vorgeschlagenen Vorteile zu untermauern, wurde festgestellt, dass Gold- und Keramik-Onlay-Präparationen bei der Durchführung durch Studenten im Grundstudium zu einer deutlich geringeren Reduzierung der koronalen Zahnstruktur führten als ihre vollflächigen Äquivalente am gleichen Zahn8,9. Während kommerziell verfügbare digitale Lösungen Zahnärzten CAD-Unterstützung bei der digitalen Inlay- und Onlay-Präparation boten, wurden im Gegensatz zu PDC10,11 die meisten kostenlosen oder Open-Source-Implementierungen für Zahnprothesen und größere Prothesen dokumentiert. Darüber hinaus wurde in der Literatur darauf hingewiesen, dass sowohl die Desktop-Laserscanner als auch die Intraoralscanner eigenständige, präzise Geräte waren und bestimmte Funktionen effektiv ausführten12,13,14. In den Dokumentationen wurde jedoch nicht das ideale Gerät zur Aufzeichnung von Eingabedaten für die digitale Aufzeichnung von Zahnpräparationen für PDC- und maschinelle Lernzwecke spezifiziert. Unter Berücksichtigung der fehlenden spezifischen Literatur wurden frühere Berichte über Open-Source-CAD-Design analysiert und modifiziert, um neuartige Rekonstruktionsworkflows zu entwickeln, die für die aktuelle Forschung geeignet sind. Die Arbeitsabläufe wurden überarbeitet und vereinfacht, um die steile Lernkurve zu eliminieren, von der Zahnärzte häufig berichten, dass sie die klinische Digitalisierung begrüßen15,16,17. Daher wurde es als angemessen erachtet, dass Zahnärzte die digitalen PDCs im CAD entwarfen, die dann im maschinellen Lernprozess verwendet werden sollten.

Es gibt verschiedene Hindernisse im Zusammenhang mit der Einführung von KI oder anderen Technologien. Die jüngste medizinische und zahnmedizinische Entwicklung von Technologien war kostspielig und ging mit einer nicht näher bezeichneten Patientencompliance und Akzeptanz bei Zahnärzten einher18,19. Maschinelles Lernen und neuronale Netze haben sich bei der Klassifizierung und Gruppierung von Daten in einer Vielzahl verschiedener Bereiche der Medizin und Zahnmedizin als erfolgreich erwiesen. In der Vergangenheit gab es einige dokumentierte Methoden zur Erkennung der Zahnpräparation bei Zähnen anhand einer Röntgenbildanalyse mithilfe von Deep Learning20. Die Aussicht auf die Verwendung dreidimensionaler (3D) Daten von partiellen Zahnzahnpräparationen hat sich bisher jedoch den translatorischen Möglichkeiten entzogen, da das 3D-medizinische maschinelle Lernen noch in den Kinderschuhen steckt21.

Ziel der aktuellen Studie war es, einen genauen, neuartigen 3D-Zahnprothesendatensatz für Trainingszwecke mit 3D-Faltungs-Neuronalen Netzwerken (3D-CNN) zu generieren. Um einen neuartigen prothetischen Datensatz zu erstellen, bestand die erste Herausforderung darin, genaue Scans der präparierten Zähne zu erhalten. Basierend auf früheren Experimenten kann dies sowohl mit einem Desktop-Laserscansystem als auch mit einem Intraoralscanner ohne signifikante Unterschiede in der Oberflächentopographie und Präzision erreicht werden12,13. Während beide Geräte Bild-, Infrarot- und Lasersensoren verwenden, um Tausende von Bildern in Sekundenbruchteilen aufzunehmen und sie zu 3D-Netzen zusammenzustellen, liegt der Hauptunterschied im Grad der Triangulation oder Vergrößerung, wobei Intraoralscanner eine größere Vergrößerung bieten12,13. Allerdings wurde in keiner Studie die Genauigkeit des Systems bei Zahnteilkronen bewertet. Daher wurden die beiden Systeme in Phase 1 virtuell verglichen, um herauszufinden, welches der beiden genauere 3D-Modelle generierte, die für das aktuelle Prothesendesign relevant waren.

Die zweite Herausforderung bestand darin, dass Zahnprothesen sowohl mit kostenloser als auch mit kommerzieller Software entworfen werden können, wobei die wichtigsten Unterschiede in der Anzahl der für die Zahnheilkunde relevanten Funktionen und der Benutzerfreundlichkeit für den menschlichen Bediener bestehen. Da keine frühere Studie einen Vergleich zwischen den beiden Optionen für Zahnteilkronen dokumentierte, rekrutierte die aktuelle Studie in Phase 2 zwei Zahnärzte ohne vorherige Erfahrung im computergestützten Design (CAD) und schulte sie in den Arbeitsabläufen zum Entwerfen von Zahnteilkronen auf beiden Seiten kostenloses und kommerzielles CAD-System. Die gescannten 3D-Modelle wurden gemäß veröffentlichter medizinischer KI-Praktiken22 erweitert und einem Supersampling unterzogen, um einen größeren Datensatz zu erstellen.

Ziel der aktuellen Studie war es daher, verschiedene digitale Arbeitsabläufe zu analysieren, um den am besten zugänglichen Arbeitsablauf zu ermitteln, der genaue neuartige digitale Daten von Zahnteilkronen für maschinelle 3D-Lernzwecke generieren kann. Es wurde die Hypothese aufgestellt, dass digitale Arbeitsabläufe mithilfe der vorgeschlagenen Arbeitsabläufe genaue Zahndaten von Zahnteilkronen für maschinelle 3D-Lernzwecke generieren könnten.

Die Entwicklung des Faltungs-Neuronalen Netzwerks war mithilfe von 3D-STL-Modellen von Zahnpräparationen von Zahnteilkronen möglich.

Alle Annahmen zur Normalität wurden erfüllt und ein unabhängiger Stichproben-T-Test wurde durchgeführt. Es gab keine signifikanten Unterschiede in der Oberfläche [t-stat(df) = − 0,01 (10), mittlere Differenz = − 0,058, P > 0,99] und im Volumen [t-stat(df) = 0,357(10), mittlere Differenz = 21,25, P = 0,375]. Die HD-Werte lagen zwischen −0,02 und 0,10 mm, die DSC-Werte zwischen 0,90 und 0,98. Intraorale Scans lieferten größere volumetrische Details (343,83 ± 43,52 mm3) im Vergleich zum Desktop-Laserscanning (322,70 ± 40,15 mm3).

Eine 3-Faktor-ANOVA ergab signifikante Unterschiede für MSA (F-stat = 111,28, P < 0,001) (Tabelle 1) und VV (F-stat = 112,91, P < 0,001) (Ergänzungstabelle 1), wenn der Prothesentyp unabhängig war Faktor ohne signifikante Unterschiede in den anderen Faktoren. Es gab keine signifikanten Interaktionseffekte zwischen den drei unabhängigen Faktoren. Allerdings erzeugte Arbeitsablauf 1 für beide Bediener eine wesentlich größere Oberfläche (129,63–140,30 mm2) und Volumina (38,20–39,16 mm3) für Inlays. Analysen von HD (Ergänzungstabelle 2) und DSC (Ergänzungstabelle 3) zeigten signifikante austauschbare Wechselwirkungen zwischen dem virtuellen Arbeitsablauf, dem klinischen Bediener und der Art der zu entwerfenden Prothese. Workflow 2 führte zu einem höheren DSC (0,85–0,95) für Onlays. Ein 3D-Modell war zum Zeitpunkt der räumlichen Überlappungsanalyse digital beschädigt, und daher wurden das Netz und seine drei von den Ärzten aus den anderen Arbeitsabläufen generierten Gegenstücke vor der statistischen Auswertung entfernt, um die Integrität des Berichts zu wahren.

Der aus 30 Proben bestehende Datensatz ergab eine maximale Validierungsgenauigkeit von 60 % bei der Bestimmung des für jede Zahnpräparation erforderlichen Prothesentyps. Im Zahnvorbereitungsdatensatz wurde ein Validierungsverlust von 0,8748 und im Prothetikdatensatz von 0,6832 festgestellt. (Ergänzende Abbildung 1) Die Empfindlichkeit betrug für beide Datensätze 1,00, wobei der 3D-Zahnpräparationsdatensatz eine Präzision von 0,50 ergab, während 3D-Prothesen eine Präzision von 0,83 ergaben. Abgesehen von der Präzision zeigte jeder Genauigkeitsindikator der automatischen Segmentierung eine statistisch signifikante Unterscheidung zwischen den Gruppen (P < 0,05).

Ziel der aktuellen Studie war es, die zuverlässigsten Arbeitsabläufe zur Generierung neuartiger 3D-Daten für zahnmedizinische maschinelle Lernzwecke zu untersuchen und anschließend 3D-Modelle von Zahnteilkronen und deren Zahnpräparationen zu klassifizieren, indem das Modell mithilfe multidisziplinärer medizinischer Datensätze trainiert wurde. Darüber hinaus sollte ein innovatives KI-gesteuertes Tool zur zeiteffizienten und präzisen Automatisierung validiert werden. Nach Kenntnis der Autoren ist dies die erste Studie, die diesen Ansatz versucht hat. Das KI-gesteuerte Tool zeigte eine hohe Genauigkeit und schnelle Leistung. Während beide Scangeräte in Phase 1 laut früherer Literatur als Standard für ihre jeweilige Rolle gelten20,21, stellte die aktuelle Studie erhebliche Unterschiede zwischen intraoralen Scans und Desktop-Scans fest, was darauf hindeutet, dass intraorale Scans besser geeignet sind, die Linienwinkel und Ziellinien auf dem Gerät zu erkennen präparierte Zähne. Die aufgetragene dünne Titanoxidschicht könnte die Ergebnisse beeinflusst haben, es bedarf jedoch weiterer Validierung, um diese Hypothese zu bestätigen. Im Gegensatz zu Radiomic-Datensätzen, bei denen klinische Erfahrung entscheidend ist und den Gesamterfolg des maschinellen Lernens bestimmt23, führten beide Arbeitsabläufe in Phase 2 zu respektablen Ergebnissen, wenn sie von zwei Zahnärzten durchgeführt wurden, die wenig bis gar keine Erfahrung mit zahnmedizinischem CAD hatten. Die Oberflächenrekonstruktion für Inlays und die Boolesche Subtraktion für Onlays führten jedoch zu zuverlässigeren Ergebnissen und stützen das uralte Argument, dass kommerzielle Software stark für kleinere Details optimiert ist, während Open-Source- oder Crowd-Support-Projekte für allgemeine Projekte besser für den Benutzer zugänglich sind9,10.

Genauigkeitsmetriken sind für die Beurteilung der Qualität der KI-Segmentierung weithin anerkannt. Allerdings wurde dem Faktor Zeit im gesamten Prozess weniger Aufmerksamkeit geschenkt, was ihn zu einem entscheidenden Einflussfaktor bei der Betrachtung seiner klinischen Anwendbarkeit und Relevanz macht. Die aktuelle Studie war durch die Größe des Originaldatensatzes (n = 6) und die Datenanpassung bei der GPU-Speicheroptimierung stark eingeschränkt. 3D-Anwendungen für neuronale Netzwerke erfordern umfangreiche grafische Rechenzeiten, die noch für die unvermeidliche Ära der Augmented Reality und des virtuellen Metaversums optimiert werden. Um dieses Problem anzugehen, wurde das Transferlernen ähnlicher Daten mit robusten Techniken wie der Anwendung von 3D-Faltungsnetzwerken24,25 untersucht. Der Mangel an 3D-Daten für maschinelles Lernen in den zahnmedizinischen Restaurierungswissenschaften förderte die Übertragung des Lernens von multidisziplinären Lungendatensätzen auf das Training kleinerer zahnmedizinischer Datensätze. Die aktuelle Arbeit hat gezeigt, dass aus .stl-Dateidaten gewonnene 3D-Bilder direkt in ein 3D-Neuronales Netzwerkmodell eingespeist werden können, anstatt die 3D-Rauminformationen als gestapelte Eingabe von 2D-basierten Methoden zu betrachten26. Eine Validierungsgenauigkeit von 60 % mit einem Validierungsverlust (die Summe der Fehler, die für jedes Beispiel in Trainings- oder Validierungssätzen gemacht werden) unter 1,00 bei einem so kleinen Datensatz würde auf vielversprechende Aussichten für die weitere Entwicklung hinweisen. Die Überabtastung der Daten im CAD zur Erhöhung der Stichprobengröße und die Beauftragung verschiedener Praktiker mit der Konstruktion der Prothesen trugen dazu bei, geringfügige Variationen bei den sechs Proben einzuführen, was zur Herstellung von 120 Proben führte. Zukünftige Studien mit einer größeren zahnmedizinischen Stichprobengröße, bei der das aktuelle Modell in das Netzwerk übertragen wird, und die Anwendung der vielversprechenden generativen kontradiktorischen Netzwerke21 können möglicherweise die Genauigkeit erhöhen, Probleme der Überanpassung verringern und gleichzeitig klinisch gezieltere maschinelle Lernanwendungen in der Zahndiagnostik und Behandlungsplanung ermöglichen .

Die Ergebnisse des aktuellen Berichts legen nahe, dass die 3D-STL-Modelle von Zahnpräparationen von Zahnteilkronen mithilfe neuronaler Netze analysiert und verarbeitet werden können. Der Hauptfehler, der während des Prozesses für alle getesteten Gruppen festgestellt wurde, waren jedoch Fälle von Unterschätzung oder Unterbewertung. Solche Einschränkungen können durch das Vorhandensein von Artefakten erklärt werden, die zu höheren falsch-positiven Voxeln oder weitreichenden Parameteranpassungen führen können, die häufig mit neuronalen Netzen einhergehen27,28. Gleichzeitig dürften diese Fehler in einem klinischen Szenario keine nachteiligen Auswirkungen haben und können in anspruchsvollen und komplexen Fällen umgesetzt werden.

Die Umwandlung fester Objekte in 3D-Datenmatrizen bietet die Möglichkeit zur Segmentierung, Klassifizierung und Analyse von Zahnhöhlen, Mundzysten und neoplastischen Läsionen anhand von Modellen, die direkt aus der 3D-Röntgenbildgebung generiert wurden. Schließlich kann die genaue Generierung von Füllungen und Kronen durch Autoencoder (d. h. neuronale Netze, die aussagekräftige Informationen für die spätere Dekodierung komprimieren und erzeugen können) allein durch die Analyse der Kavität selbst durchgeführt werden, wodurch die Notwendigkeit eines Bedienereingriffs bei der Gestaltung der Prothese völlig entfällt29. Mit der Verfügbarkeit eines größeren Datensatzes und einer geringeren grafikintensiven Arbeitslast kann der Einsatz von Autoencodern und 3D-CNNs möglicherweise die Notwendigkeit eines teuren Computer-Setups zum Ausführen von 3D-Anwendungen für maschinelles Lernen überflüssig machen und diese Technologie alltäglich machen.

Innerhalb der Grenzen der Studie sind die Ergebnisse der aktuellen In-vitro-Studie wie folgt:

Intraorale Scans können genauere Oberflächentexturdetails von Zähnen liefern, die für Zahnteilkronen vorbereitet wurden, als von Laserscannern abgeleitete 3D-Bilder.

Die Studie zeigte, dass Ärzte keine teuren Computerkonfigurationen oder Erfahrung mit CAD benötigen, um virtuelle Kronenprothesen zu entwerfen, die maschinelles Lernen ermöglichen.

Die Studie dient als Proof of Concept dafür, dass sowohl Open-Source- als auch kommerzielle CAD-Workflows virtuelle Daten für Zahnpräparationen verarbeiten können, die für maschinelles Lernen in der restaurativen Zahnheilkunde akzeptabel sind.

Durch 3D-Deep-Learning können partielle Zahnkronenrestaurationen generiert und vorhergesagt werden, die für die Zahnpräparation in der Zahnheilkunde geeignet sind.

Diese Studie wurde in Übereinstimmung mit der Deklaration des Weltärztebundes von Helsinki zur medizinischen Forschung durchgeführt. Von allen Probanden, die Zahnproben zur Verfügung stellten, wurde eine Einverständniserklärung eingeholt. Alle Versuchsprotokolle wurden vom Joint Ethical Committee/Institutional Review Board der International Medical University unter Projekt Nr. 259/2020 genehmigt. Das aktuelle Experiment wurde in drei Phasen konzipiert und durchgeführt, wie in der ergänzenden Abbildung 2 zusammengefasst.

Sechs extrahierte natürliche Zähne wurden nach standardisierter Methodik für Inlay- und Onlay-Restaurationen vorbereitet. Auf den proximalen Flächen wurde eine mesio-okklusale distale Kavität präpariert. Der Bohrer wurde im 90-Grad-Winkel zur Okklusionsebene gehalten und leicht seitlich geneigt. Der Bohrer befand sich bei der Anwendung in Rotation und stoppte die Rotation erst, wenn er vom Zahn entfernt wurde. Der Randkamm wurde ausgedünnt, bevor er in den proximalen Kasten überging. Für das okklusale Segment wurden die Linien- und Spitzenwinkel definiert, wobei die bukkalen und lingualen Wände parallel zueinander und im 90-Grad-Winkel zur Okklusionsebene standen. Die mesialen und distalen Wände divergierten Pulpo-okklusal. Der Bohrer wurde nach facialis und lingual entlang der Dentino-Schmelz-Verbindung bewegt und entsprechend der Richtung der proximalen Wand ausgerichtet. Die Gingivaränder wurden gingival verlängert30. Die präparierten Zähne wurden mit Titandioxidspray beschichtet, um die Oberflächenreflexion des Umgebungslichts zum Scannen zu reduzieren31,32.

Jedes Präparat wurde einmal mit einem Intraoralscanner (3Shape; Trios) und einmal mit einem Desktop-Laserscanner (3D Scanner Ultra HD; Next Engine Santa Monica) gescannt. Die Scans wurden als Standard-Tessellation-Language-Dateien (STL) exportiert und praktisch quantitativ auf Ähnlichkeit der Oberflächenkontur sowie geometrischer und volumetrischer Ähnlichkeiten ausgewertet, indem vier separate Parameter gemessen wurden33,34: Netzoberfläche (MSA), virtuelles Volumen (VV), Hausdorff-Distanz ( HD) und Würfelähnlichkeitskoeffizient (DSC). MSA bewertete die Oberflächenkontur, VV maß die volumetrischen Ähnlichkeiten, HD zerlegte die beiden Objekte in Punkte und maß die Anzahl der Nichtübereinstimmungen zwischen den Punkten, während DSC die volumetrische räumliche Überlappung zwischen den beiden Objekten maß. Für Phase 2 wurde die Scanmethode ausgewählt, die die besten visuellen (Ergänzungsabbildung 3) und quantitativen Ergebnisse lieferte.

Die Zahnpräparationen wurden nach der Art der Restauration (Inlay oder Onlay) kategorisiert und für jede Restaurationskategorie wurden zwei Arbeitsabläufe entwickelt: Arbeitsablauf 1 – kommerzielle Software in medizinischer Qualität (3matics; Materialise NV); Arbeitsablauf 2 – Kostenlose Software (Meshmixer; Autodesk Inc). Inlays für kommerzielle Software in medizinischer Qualität wurden nach den Prinzipien der „Oberflächenkonstruktion“ (Abb. 1) entworfen, wie in einer früheren Literatur dokumentiert11,35. Das Inlay-Design für freie Software (ergänzende Abbildung 4) und die Onlay-Designs sowohl für kommerzielle (Abb. 2) als auch für freie Software (ergänzende Abbildung 5) folgten den Prinzipien der „booleschen Subtraktion“, wie zuvor dokumentiert36. Virtuelle Kronenschablonen wurden aus gescannten physischen Restaurationen auf Zahnabdrücken erstellt und zur Rekonstruktion der Onlay-Höcker9,10,37 verwendet.

Arbeitsablauf 1 für Inlay-Design mit entsprechenden Befehlen: (A) 3D-Modell in 3-matics geladen, (B) Krümmungsanalyse und Kurvenerstellung auf der Modelloberfläche, (C) Oberflächenrekonstruktionsfunktion zur Überbrückung von Defekten, (D) Modell aushöhlen und trimmen nach unten, (E) manuelles Trimmen isolierter Segmente, (F) Anwenden der Wrap-Funktion, G) manuelles Trimmen nach dem Wrapping, (H) manuelles Trimmen aller Überhänge, (I) Überprüfung der Passung auf das 3D-Vorbereitungsmodell, (J) Feinglättung der Kanten , (K) Endgültiger Wrap und Anwenden der Autofix-Funktion, um etwaige Fehler zu beheben, (L) Endgültige Ausgabe.

Arbeitsablauf 1 für das Onlay-Design: (A) 3D-Zahnpräparation importieren, (B) Kronenvorlage überlagern, (C) Blockvorlage importieren und skalieren, (D) Boolesche Vereinigung durchführen, (E) Überschuss abschneiden, (F) Kontur auf Überhang prüfen , (G) Boolesche Schnittmenge durchführen, (H) Überschuss entfernen, (I) Kanten konturieren, (J) Kronenformung durch manuelles Trimmen, (K) Kantenglättung, (L) Formen und Glätten.

Der Prozess und die Befehle für die Restaurationen in beiden Arbeitsabläufen wurden mithilfe von Übungskronenvorlagen mit wenigen Details per Video aufgezeichnet und in Textform dokumentiert (Zusatzdatei). Die Videos und Vorlagendateien wurden zwei Zahnärzten ohne vorherige Erfahrung in der CAD-basierten Rehabilitation zur Verfügung gestellt, um potenzielle bedienerabhängige Vorurteile auszugleichen36. Die Zahnärzte übten eine Woche lang nach Belieben die digitale Rehabilitation anhand der Schablonen, bevor sie mit den tatsächlichen Kronenschablonen vertraut gemacht wurden, die von einem zertifizierten Prothetiker ausgewählt und entworfen wurden. Dieser Prozess wurde befolgt, um Ermüdungserscheinungen durch eingeprägte Vertrautheit zu verhindern38. Die sechs Proben wurden fünfmal digital überabgetastet, wobei inkrementelle Variationen in der Größe und Tiefe der Zahnpräparation eingeführt wurden, um ein maschinelles Lernmodell zu ermöglichen, das mit einer größeren Variation in der Zahnpräparation trainiert wurde. Dies führte dazu, dass jedem Arbeitsablauf 30 Proben (ergänzende Abbildung 6) zugeordnet wurden, wodurch 120 Proben (60 von jedem Zahnarzt) entstanden. Diese grafikintensive Oversampling-Aufgabe wurde auf einem Computer (ROG Flow W. Um die Bewertung jedoch zu standardisieren und praktisch relevant zu halten, haben beide Praktiker alle Prothesen auf einem PC (Idea Pad Flex 5; Lenovo) mit einem Intel Core i5 1135g7-Prozessor, 8 GB RAM und 512 GB NVM entworfen. Das Solid-State-Laufwerk, keine dedizierte GPU und eine TDP von 15 W, was einem durchschnittlichen modernen Laptop-Computer aus dem Jahr 2022 entspricht. Bewertet wurden die Workflows mit den konsistentesten und günstigsten MSA-, VV-, HD- und DSC-Werten sowie die Workflows mit der besten Leistung basierend auf größerer Oberfläche, volumetrischen Ähnlichkeiten und räumlicher Überlappung, wurden ausgewählt, um das Modell für maschinelles Lernen in Phase 3 zu trainieren.

30 Proben und ihre entsprechenden Restaurationen aus den besten Arbeitsabläufen wurden für die Anwendung von Transferlernen und maschinellem Lernen ausgewählt und in 2D-Segmente geschnitten (ergänzende Abbildung 7) und später in eine lesbare 3D-Matrix eingefügt. Ein 17-schichtiges 3D-Faltungs-Neuronales Netzwerk (CNN) aus vier 3D-Schichten, implementiert mit einer Kernelgröße von 3 × 3 × 339. Das 17-schichtige CNN hatte einen eingefrorenen Merkmalsextraktionsblock bestehend aus 13 Schichten und einen Klassifizierungsblock bestehend aus vier Schichten . Die ersten beiden Schichten bestanden aus 64–128 und 256 Filtern, wobei auf jede CNN-Schicht eine 2-Stride-Max-Pool-Schicht und eine ReLU-Aktivierung folgten, die mit der Batch-Normalisierungsschicht (BN) endete. Der Klassifizierungsblock bestand aus 512 Neuronen einer dichten „Flatten“-Schicht, gefolgt von einer 60 %igen „Dropout“-Schicht und schließlich einer „SoftMax“-Schicht. Der primäre Datensatz für das Training wurde aus dem Image CLEF Tuberculosis 2019-Datensatz40 abgerufen und nach Erreichen einer Validierungsgenauigkeit von 73,3 % eingefroren. 132.097 trainierbare Parameter wurden übertragen, um den aktuellen Datensatz zu trainieren. Der zahnmedizinische Datensatz wurde für Schulung und Validierung im Verhältnis 2:1 zerlegt. Das Training wurde für 100 Epochen mit geplantem Beendigungssatz durchgeführt, falls sich die Validierungsgenauigkeit nicht über 15 Epochen hinaus verbessert. Das entwickelte 3D-Netzwerk ist in Abb. 3 hervorgehoben.

Das 3D-Neuronale Netzwerk.

Die Schätzung der Probengröße für eine gesunde Bewertung für MSA, VV, HD und DSC wurde mit G*Power41 durchgeführt. Eine große Effektgröße f = 0,40, α = 0,05, Potenz = 0,85 bestimmte eine Mindeststichprobengröße von 108 digitalen Proben. Eine 3-Wege-Varianzanalyse (ANOVA) mit paarweisem Vergleich und Interaktionseffekten wurde auf MSA, VV, HD und DSC angewendet, um aus 116 Proben die besten Ergebnisse aus Phase 2 zu ermitteln. Dies wurde mit einer Statistiksoftware (SPSS, IBM Corp.) durchgeführt.

Die Daten, die die Ergebnisse dieser Studie stützen, sind im Artikel und in der Datei mit ergänzenden Informationen verfügbar. Quelldaten werden mit diesem Dokument bereitgestellt.

Moor, J. Die Konferenz über künstliche Intelligenz am Dartmouth College: Die nächsten fünfzig Jahre. AI Mag. 27, 87 (2006).

Google Scholar

Mupparapu, M., Wu, C.-W. & Chen, Y.-C. Künstliche Intelligenz, maschinelles Lernen, neuronale Netze und Deep Learning: Futuristische Konzepte für neue Zahndiagnosen. Quintessenz Int. 49, 687–688 (2018).

Google Scholar

Hamet, P. & Tremblay, J. Künstliche Intelligenz in der Medizin. Stoffwechsel 69, S36–S40 (2017).

Artikel CAS Google Scholar

Ivanov, SH, Webster, C. & Berezina, K. Einführung von Robotern und Serviceautomatisierung durch Tourismus- und Gastgewerbeunternehmen. Revista Turismo & Desenvolvimento 27, 1501–1517 (2017).

Google Scholar

Grischke, J., Johannsmeier, L., Eich, L. & Haddadin, S. Dentronics: Übersicht, erste Konzepte und Pilotstudie eines neuen Anwendungsbereichs für kollaborative Roboter in der zahnärztlichen Assistenz. Im Jahr 2019 International Conference on Robotics and Automation (ICRA) 6525–6532 (IEEE, 2019).

Farook, TH, Jamayet, NB, Abdullah, JY & Alam, MK Maschinelles Lernen und intelligente Diagnostik in der zahnmedizinischen und orofazialen Schmerzbehandlung: Eine systematische Übersicht. Schmerzres. Geschäftsführer 2021, 6659133 (2021).

Artikel Google Scholar

Zhang, B., Dai, N., Tian, ​​S., Yuan, F. & Yu, Q. Die Extraktionsmethode der Zahnpräparationsrandlinie basierend auf S-Octree CNN. Int. J. Numer. Methoden Biomed. Ing. 35, e3241 (2019).

Artikel Google Scholar

Dudley, J. Vergleich koronaler Zahnreduktionen aufgrund verschiedener Kronenpräparationen. Int. J. Prosthodont. 31, 142–144 (2018).

Artikel Google Scholar

Tran, J., Dudley, J. & Richards, L. Vollkeramikkronenpräparationen: Eine alternative Technik. Aust. Delle. J. 62, 65–70 (2017).

Artikel CAS Google Scholar

Farook, TH, Barman, A., Abdullah, JY & Jamayet, NB Optimierung prothetischer computergestützter Modelle: Eine virtuelle Bewertung der Netzqualitätsreduzierung mithilfe von Open-Source-Software. J. Prosthodont. 30, 420–429 (2021).

Artikel Google Scholar

Farook, TH et al. Entwicklung und virtuelle Validierung eines neuartigen digitalen Workflows zur Sanierung von Gaumendefekten mithilfe der Smartphone-integrierten Stereophotogrammetrie (SPINS). Wissenschaft. Rep. 11, 1–10 (2021).

Artikel Google Scholar

Bohner, L. et al. Genauigkeit digitaler Technologien zum Scannen von Gesichts-, Skelett- und intraoralem Gewebe: Eine systematische Überprüfung. J. Prothet. Delle. 121, 246–251 (2019).

Artikel Google Scholar

Patzelt, SBM, Emmanouilidi, A., Stampf, S., Strub, JR & Att, W. Genauigkeit von Scans des gesamten Zahnbogens mit Intraoralscannern. Klin. Mündliche Untersuchung. 18, 1687–1694 (2014).

Artikel Google Scholar

Patil, PG & Lim, HF Der Einsatz von intraoralem Scannen und 3D-gedruckten Abgüssen zur Erleichterung der Herstellung und Nachrüstung einer neuen Metallkeramikkrone, die eine vorhandene herausnehmbare Teilprothese trägt. J. Prothet. Delle. (2021).

Kuo, R.-F., Fang, K.-M. & Su, F.-C. Open-Source-Technologien und Arbeitsabläufe in der digitalen Zahnmedizin. In Interface Oral Health Science 2016 (Hrsg. Sasaki, K. et al.) 165–171 (Springer, 2017).

Kapitel Google Scholar

Jokstad, A. Computergestützte Technologien für die orale Rehabilitation und die klinische Dokumentation angeblicher Vorteile – Eine systematische Übersicht. J. Orale Rehabilitation. 44, 261–290 (2017).

Artikel CAS Google Scholar

Khanagar, SB et al. Entwicklungen, Anwendung und Leistung künstlicher Intelligenz in der Zahnmedizin – eine systematische Übersicht. J. Dent. Wissenschaft. 16, 508–522 (2021).

Artikel Google Scholar

Milner, MN et al. Patientenwahrnehmungen neuer Robotertechnologien in der klinischen restaurativen Zahnheilkunde. J. Med. Syst. 44, 1–10 (2020).

Artikel Google Scholar

Jeelani, S. et al. Robotik und Medizin: Ein wissenschaftlicher Regenbogen im Krankenhaus. J. Pharm. Bioalliierte Wissenschaft. 7, S381 (2015).

Artikel CAS Google Scholar

Lee, J.-H., Kim, D.-H., Jeong, S.-N. & Choi, S.-H. Erkennung und Diagnose von Zahnkaries mithilfe eines Deep-Learning-basierten Convolutional Neural Network-Algorithmus. J. Dent. 77, 106–111 (2018).

Artikel Google Scholar

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

Artikel Google Scholar

Chlap, P. et al. Ein Überblick über Techniken zur Erweiterung medizinischer Bilddaten für Deep-Learning-Anwendungen. J. Med. Bildgebende Strahlung. Oncol. 65, 545–563 (2021).

Artikel Google Scholar

Nozawa, M. et al. Automatische Segmentierung der Kiefergelenksscheibe auf Magnetresonanzbildern mittels Deep-Learning-Technik. Dentomaxillofac. Radiol. 51, 20210185 (2022).

Artikel Google Scholar

Pan, SJ & Yang, Q. Eine Umfrage zum Transferlernen. IEEE Trans. Wissen. Daten-Ing. 22, 1345–1359 (2009).

Artikel Google Scholar

Tran, D., Bourdev, L., Fergus, R., Torresani, L. & Paluri, M. Lernen raumzeitlicher Merkmale mit 3D-Faltungsnetzwerken. In Proceedings of the IEEE International Conference on Computer Vision 4489–4497 (2015).

Zheng, G. Effektive Einbeziehung räumlicher Informationen in eine auf gegenseitiger Information basierende 3D-2D-Registrierung eines CT-Volumens in Röntgenbildern. Berechnen. Med. Bildgebungsdiagramm. 34, 553–562 (2010).

Artikel Google Scholar

Leite, AF et al. Auf künstlicher Intelligenz basierendes neuartiges Tool zur Zahnerkennung und -segmentierung auf Panorama-Röntgenaufnahmen. Klin. Mündliche Untersuchung. 25, 2257–2267 (2021).

Artikel Google Scholar

Kareem, SA, Pozos-Parra, P. & Wilson, N. Eine Anwendung der Glaubensverschmelzung zur Diagnose von Mundkrebs. Appl. Soft Comput. 61, 1105–1112 (2017).

Artikel Google Scholar

Bank, D., Koenigstein, N. & Giryes, R. Autoencoders. arXiv-Vorabdruck arXiv:2003.05991 (2020).

Ritter, AV Sturdevant's Art & Science of Operative Dentistry-e-Book (Elsevier Health Sciences, 2017).

Google Scholar

Rashid, F. et al. Farbvariationen während der digitalen Bildgebung von Gesichtsprothesen unter ungefiltertem Umgebungslicht und Bildkalibrierungstechniken in Zahnkliniken: Eine In-vitro-Analyse. PLoS ONE 17, e0273029 (2022).

Artikel CAS Google Scholar

Rashid, F. et al. Faktoren, die die Farbstabilität von Silikonelastomeren für maxillofaziale Prothesen beeinflussen: Eine systematische Überprüfung und Metaanalyse. J. Elastom. Plast. 53, 698–754 (2021).

Artikel CAS Google Scholar

Farook, TH, Abdullah, JY, Jamayet, NB & Alam, MK Prozentsatz der Netzreduktion, der für die Gestaltung digitaler Obturatorprothesen am PC geeignet ist. J. Prothet. Delle. 128, 219–224. https://doi.org/10.1016/j.prosdent.2020.07.039 (2020).

Artikel Google Scholar

Jamayet, NB, Farook, TH, Ayman, A.-O., Johari, Y. & Patil, PG Digitaler Workflow und virtuelle Validierung eines 3D-gedruckten definitiven hohlen Obturators für einen großen Gaumendefekt. J. Prothet. Delle. (2021).

Beh, YH et al. Bewertung der Unterschiede zwischen konventionellen und digital entwickelten Modellen zur prothetischen Rehabilitation bei unbehandelter Gaumenspalte. Gaumenspalte Craniofac. J. 58, 386–390 (2020).

Artikel Google Scholar

Farook, TH et al. Entwerfen von 3D-Prothesenvorlagen für die Rehabilitation von Kiefer- und Gesichtsdefekten: Eine vergleichende Analyse verschiedener virtueller Arbeitsabläufe. Berechnen. Biol. Med. 118, 103646 (2020).

Artikel CAS Google Scholar

Paulus, D., Wolf, M., Meller, S. & Niemann, H. Dreidimensionale Computervision für die Zahnrestauration. Med Image Anal 3, 1–19 (1999).

Artikel CAS Google Scholar

Rystedt, H., Reit, C., Johansson, E. & Lindwall, O. Durch die Augen des Zahnarztes sehen: Videobasierte klinische Demonstrationen in der vorklinischen zahnmedizinischen Ausbildung. J. Dent. Educ. 77, 1629–1638 (2013).

Artikel Google Scholar

Zunair, H., Rahman, A., Mohammed, N. & Cohen, JP Vereinheitlichung von Techniken zur Verarbeitung von CT-Scans mit 3D-CNNs zur Tuberkulosevorhersage. Im International Workshop on PRedictive Intelligence in Medicine 156–168 (Springer, 2020).

Cid, YD et al. Überblick über ImageCLEFtuberculosis 2019 – Automatische CT-basierte Berichterstellung und Bewertung des Tuberkulose-Schweregrads. In CLEF (Arbeitsnotizen) (2019).

Faul, F., Erdfelder, E., Lang, A.-G. & Buchner, A. G* Power 3: Ein flexibles statistisches Power-Analyseprogramm für die Sozial-, Verhaltens- und Biomedizinwissenschaften. Behav Res Methods 39, 175–191 (2007).

Artikel Google Scholar

Referenzen herunterladen

Dr. Taseef Farook ist Empfänger des Forschungsstipendiums der University of Adelaide. Die Autoren danken Frau Suzana Yahya und Dr. Johari Yap Abdullah von der Universiti Sains Malaysia für die Erleichterung des Laserscanverfahrens.

Adelaide Dental School, Universität Adelaide, Adelaide, Südaustralien, Australien

Taseef Hasan Farook & James Dudley

Fakultät für Elektrotechnik und Informationstechnik, North South University, Dhaka, Bangladesch

Saif Ahmed und Awsaf Mahmood Lisan

Abteilung für restaurative Zahnheilkunde, Fakultät für Zahnmedizin, International Medical University Kuala Lumpur, 126, Jalan Jalil Perkasa 19, Bukit Jalil, 57000, Bukit Jalil, Bundesterritorium Kuala Lumpur, Malaysia

Nafij Bin Jamayet, Preena Sidhu, Pravinkumar Patil und Umer Daood

School of Dental Sciences, Universiti Sains Malaysia, 16150, Kota Bharu, Kelantan, Malaysia

Farah Rashid, Aparna Barman und Sumaya Zabin Eusufzai

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Studienidee und Designkonzeptualisierung: NBJ, THF, UMD; Design der Studienmethodik: THF, SA, PRS, PK; Digitale Datensynthese: THF, FR, AB, SA, AML; Datenanalyse: FR, AB, SA, PK; Statistische Analysen: FR, AB, PRS, AML; Formulierung ergänzender Daten: FR, AB; Datenvalidierung: THF, SA, SZ; Manuskripterstellung: THF, JD, PK, SZ; Manuskriptrevision: NBJ, JD, UMD, SZ; Endgültige Genehmigung zur Einreichung: NBJ, JD, UMD

Korrespondenz mit Umer Daood.

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 gesetzlich 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

Farook, TH, Ahmed, S., Jamayet, NB et al. Computergestütztes Design und dreidimensionales künstliches/faltendes neuronales Netzwerk für die digitale partielle Zahnkronensynthese und -validierung. Sci Rep 13, 1561 (2023). https://doi.org/10.1038/s41598-023-28442-1

Zitat herunterladen

Eingegangen: 24. Oktober 2022

Angenommen: 18. Januar 2023

Veröffentlicht: 28. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-28442-1

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

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link 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.