[发明专利]用于构造牙科构件的方法

说明书

用于构造牙科构件的方法。本发明涉及一种用于构造牙科构件(1、2、4、5)的方法，所述牙科构件即为修复体(2、4、5)、咬合板或印模托盘，其中，借助于牙科相机(6)测量牙齿状况(7)并且生成牙齿状况(7)的3D模型(10)。在此，将用于机器学习的卷积神经网络(英文：Convolutional Neural Network；CNN)应用于牙齿状况(7)的3D模型(10)并且自动地生成构件(1、2、4、5)的、即修复体(2、4、5)、咬合板或印模托盘的3D模型(21、23、25)。

技术领域

本发明涉及一种用于构造牙科构件(即修复体、咬合板或印模托盘)的方法，其中，借助于牙科相机或实验室扫描仪测量牙齿状况并且生成牙齿状况的3D模型。

背景技术

从现有技术中已知多种用于构造牙科构件的方法。

DE112014003898T5公开一种计算机执行的、用于设计牙齿修复体的方法，其中，在虚拟三维图示上确定预备体边界、定位虚拟牙齿库的拱形形状并且基于从虚拟牙齿库获得的牙齿设计方案提出初始修复体。

该方法的缺点在于，修复体基于虚拟牙齿库提出并且因此对于相应的牙齿状况可能会出现修复体的适配误差。因此，需要对提出的修复体3D模型进行虚拟的再处理。

发明内容

因此，本发明的任务在于，提供一种用于构造牙科构件的方法，所述方法能够省时地提出牙科构件的一种合适的3D模型。

本发明涉及一种用于构造牙科构件(即修复体、咬合板或印模托盘)的方法，其中，例如借助于牙科相机或实验室扫描仪测量牙齿状况并且生成牙齿状况的3D模型。在此，将用于机器学习的卷积神经网络(英文：Convolutional Neural Network；CNN)应用于牙齿状况的3D模型或构件的初始3D模型并且自动地生成构件(即修复体、咬合板或印模托盘)的完成构造的3D模型。

所述构件可以因此是修复体、咬合板或印模托盘，其例如可借助于CAD/CAM方法制成。

牙科相机可以是例如基于条纹投影方法或共焦测量方法的任意的三维牙科相机。

牙齿状况可以包括要嵌入的修复体的直接的周围环境亦或可以包括要嵌入的修复体周围较大的区域。借助于牙科相机可以从不同方向(如咬合方向、舌方向、颊方向或唇方向)进行测量。

在借助于牙科相机进行测量之后，生成牙齿状况的3D模型。随后，将用于机器学习的神经网络应用于牙齿状况的3D模型。然后，在分析牙齿状况的3D模型之后自动地生成构件的3D模型。

用于机器学习的卷积神经网络(CNN)是能够实现自动识别修复体类型的计算机算法。

神经网络(CNN)在具有链接“https://de.wikipedia.org/wiki/Convolutional Neural Network”的维基百科词条“Convolutional Neural Network(卷积神经网络)”中被详细地说明。

以下阐述一种在使用CNN情况下的方法。

卷积神经网络(CNN)——德语为“faltendes neuronales Netzwerk”——是一种前馈人工神经网络。它是受生物过程启发的机器学习的领域中的概念。卷积神经网络被广泛用于许多现代人工智能技术中、尤其是用于图像或音频数据的机器处理。

基本上，典型CNN的结构包括卷积层，随后是池化层。原则上，该单元可以任意地经常重复；在重复足够多的情况下，它们于是被称为属于深度学习领域中的深度卷积神经网络。

CNN通过如下方式进行学习：在为下一层进行计算时学习每层的卷积核的自由参数或分类器及其权重。