Verfahren zur Konstruktion eines dentalen Bauteils

Technisches Gebiet

Die Erfindung betrifft ein Verfahren zur Konstruktion eines dentalen Bauteils, nämlich einer Restauration, einer Auf bissschiene oder eines Abformlöffels, wobei mittels einer dentalen Kamera oder eines Labor-Scanners eine Zahnsituati on vermessen wird und ein 3D-Modell der Zahnsituation er zeugt wird.

Stand der Technik

Aus dem Stand der Technik sind mehrere Verfahren zur Kon struktion von dentalen Bauteilen bekannt.

DE 11 2014 003 898 T5 offenbart ein computerimplementiertes Verfahren zum Gestalten von Zahnrestaurationen, wobei eine Präparationsgrenze auf einer virtuellen dreidimensionalen Darstellung bestimmt wird, eine Bogenform einer virtuellen Zahnbibliothek platziert wird und eine Anfangsrestauration basierend auf einer von der virtuellen Zahnbibliothek er haltenen Zahngestaltung vorgeschlagen wird.

Ein Nachteil dieses Verfahren besteht darin, dass die Res tauration basierend auf einer virtuellen Zahnbibliothek vorgeschlagen wird und dadurch Passungenauigkeiten der Res tauration für die jeweilige Zahnsituation auftreten können. Dadurch wird also eine virtuelle Nachbearbeitung des vorge schlagenen 3D-Modells der Restauration erforderlich.

Die Aufgabe der vorliegenden Erfindung besteht daher darin, ein Verfahren zur Konstruktion eines dentalen Bauteils be reitzustellen, das zeitsparend ein passendes 3D-Modell des dentalen Bauteils vorschlägt. Darstellung der Erfindung

Die Erfindung betrifft ein Verfahren zur Konstruktion eines dentalen Bauteils, nämlich einer Restauration, einer Auf bissschiene oder eines Abformlöffels, wobei beispielsweise mittels einer dentalen Kamera oder eines Labor-Scanners ei ne Zahnsituation vermessen wird und ein 3D-Modell der Zahn situation erzeugt wird. Dabei wird ein künstliches neurona les Netz für maschinelles Lernen (engl. Convolutional Neu ral Network; CNN) auf das 3D-Modell der Zahnsituation oder das initiale 3D-Modell des Bauteils angewendet und automa tisch ein fertig konstruiertes 3D-Modell des Bauteils, näm lich der Restauration, der Aufbissschiene oder des Abform löffels, erzeugt.

Das Bauteil kann also eine Restauration, eine Aufbissschie- ne oder ein Abformlöffel sein, welches beispielsweise mit tels eines CAD/CAM-Verfahrens herstellbar ist.

Die dentale Kamera kann eine beliebige dreidimensionale dentale Kamera sein, die beispielsweise auf einem Streifen projektionsverfahren oder einem konfokalen Vermessungsver- fahren beruht.

Die Zahnsituation kann die unmittelbare Umgebung der einzu setzenden Restauration oder auch einen größeren Bereich um die einzusetzende Restauration umfassen. Die Vermessung mittels der dentalen Kamera kann aus unterschiedlichen Richtungen, wie einer okklusalen Richtung, einer lingualen Richtung, einer bukkalen Richtung oder einer labialen Rich tung, erfolgen.

Nach der Vermessung mittels der dentalen Kamera wird das 3D-Modell der Zahnsituation erzeugt. Anschließend wird das neuronale Netz für maschinelles Lernen auf das 3D-Modell der Zahnsituation angewendet. Nach der Analyse des 3D- Modells der Zahnsituation wird dann automatisch ein 3D- Modell des Bauteils erzeugt.

Ein künstliches neuronales Netzwerk für maschinelles Lernen (CNN) ist ein Computeralgorithmus, der die automatische Er kennung des Restaurationstyps ermöglicht.

Ein neuronales Netzwerk (CNN) ist im Wikipedia Artikel „Convolutional Neural Network" mit dem Link

https : //de . wikipedia . org/wi i/Convolutional Neural Network ausführlich beschrieben.

Im Folgenden wird ein Verfahren unter Verwendung eines CNN erläutert .

Ein Convolutional Neural Network (CNN) , zu Deutsch „falten des neuronales Netzwerk", ist ein feed forward künstliches neuronales Netz. Es handelt sich um ein von biologischen Prozessen inspiriertes Konzept im Bereich des maschinellen Lernens. Convolutional Neural Networks finden Anwendung in zahlreichen modernen Technologien der künstlichen Intelli genz, vornehmlich bei der maschinellen Verarbeitung von Bild- oder Audiodaten.

Grundsätzlich besteht die Struktur eines klassischen CNN aus einem Convolutional Bayer, gefolgt von einem Pooling Layer. Diese Einheit kann sich prinzipiell beliebig oft wiederholen, bei ausreichend Wiederholungen spricht man dann von Deep Convolutional Neural Networks, die in den Be reich Deep Learning fallen.

Die CNN lernen dadurch, dass freie Parameter bzw. Klassifi katoren der Convolution-Kernel pro Layer und deren Gewich tung bei der Verrechnung zum nächsten Layer gelernt werden.

Das 3D-Modell der Zahnsituation wird also als Eingabe des CNN bzw. Maschinen-Learning-Systems verwendet, welches un- ter Verwendung einer Sammlung einer Vielzahl von 3D- Modellen unterschiedlicher Zahnsituationen trainiert wurde.

In einem weiteren Schritt wird das 3D-Modell der Zahnsitua tion mittels des Maschinen-Learning-Systems analysiert und als Ausgabe wird ein 3D-Modell des jeweiligen Bauteils vor geschlagen .

Das Maschinen-Learning-System kann aus einem oder mehreren

CNN-Netzwerken bestehen.

Als Eingabe für das CNN-Netzwerk können auch Farbinformati onen der Zahnsituation verwendet werden. Die Farbinformati onen werden dann den Oberflächenpunkten des 3D-Modells der Zahnsituation zugeordnet.

Die Klassifikatoren bzw. Merkmale werden also automatisch festgelegt und bei der Analyse des Trainingssets verfei nert. Die automatisch ermittelten Klassifikatoren eines 3D- Modells einer Zahnsituation könnten beispielsweise eine Ge samtfläche einer Präparation oder der Verlauf des Präpara tionsrandes oder eine Kombination aus beidem sein.

Das CNN-Netzwerk kann beispielsweise aus mehreren Layern bestehen, wobei in einem ersten Layer einfache Klassifika toren, wie Kanten, flache Oberflächen oder Bereiche glei cher Helligkeit automatisch identifiziert werden. In einem zweiten Layer werden die Klassifikatoren automatisch ver feinert. Die Klassifikatoren im zweiten Layer können bei spielsweise die relative Anordnung der Kanten zueinander, die relative Richtung der Kanten oder der Verlauf der Kan ten sein. In den weiteren Layern werden die Klassifikatoren immer weiter verfeinert und werden dadurch immer komplexer. Auf diese Art und Weise lernt das CNN- Netzwerk, selbst ständig anhand des 3D-Modells der Zahnsituation als Einga- beparameter automatisch ein passendes 3D-Modell des Bau teils zu erzeugen.

Die Restauration kann beispielsweise ein Inlay, eine Krone, eine Brücke, ein Abutment, ein Pontic oder ein Veneer sein.

Die Krone kann beispielsweise eine Vollkrone oder eine Teilkrone sein. Eine implantatgetragene Vollkrone wird mit einem Abutment verbunden, wobei die Innenfläche der Voll krone eine Klebefläche für das Abutment aufweist.

Die Brücke kann beispielsweise unter Verwendung von Implan taten und Abutments am Kieferknochen befestigt werden oder an den Zahnstümpfen der benachbarten gesunden Zähne befes tigt werden. Die Brücke kann festsitzend oder abnehmbar sein. Die Brücke kann auch eine Basis-Brücke sein, die aus einer Basis aus einer Metalllegierung und einem Aufbau aus Keramik oder einem Kunststoff besteht.

Ein Abutment ist ein Stützpfeiler, der als Verbindungsteil zwischen einem Zahnimplantat und einer Restauration, wie einer Zahnkrone, dient. Ein Abutment kann lösbar oder fest am Implantat befestigt werden. Implantat-Abutments können nach der Herstellungsform eingeteilt werden. Dabei wird zwischen konfektionierten, angussfähigen bzw. überpressba- ren und CAD/CAM-Implantat-Abutments unterschieden. Konfek tionierte Abutments werden in verschiedenen Größen, Formen und Abwinklungen sowie als beschleifbare oder nicht be- schleifbare Varianten angeboten. Einteilige Implantate ha ben Abutments integriert. Die mittels eines CAD/CAM- Verfahrens angefertigten Abutments können sowohl in der Ächsenneigung als auch in der Formgestaltung an die gegebe ne Zahnsituation individuell angepasst werden. Zahnfarbige Abutments finden bei ästhetischen Restaurationen, insbeson dere im Front zahnbereich Anwendung, so dass der optische Eindruck eines natürlichen Zahns möglichst nachgeahmt wer- den soll. Abutments werden üblicherweise aus Titan oder ei ner Keramik hergestellt.

Ein Veneer ist eine Verblendschale aus einer dünnen, licht durchlässigen Keramikschale, insbesondere für die Frontzäh ne .

Ein Inlay ist eine Einlagefüllung, die in einer Präparation eines Zahns eingesetzt wird. Im Gegensatz zu plastischem Füllungsmaterial, das in weicher Konsistenz mittels Form hilfen in den Zahn eingebracht wird und anschließend aus härtet ist das Inlay ein passgenaues Werkstück, das in die Präparation des Zahns eingeklebt wird.

Ein Pontic ist ein Brückenglied einer Brücke.

Die Aufbissschiene kann beispielsweise eine geführte Auf bissschiene oder eine nicht geführte Aufbissschiene sein.

Eine geführte Aufbissschiene wird in der zahnärztlichen und kieferorthopädischen Behandlung von Zähneknirschen und cra- niomandibulären Dysfunktionen verwendet.

Eine geführte Aufbissschiene kann beispielsweise eine Mi chiganschiene sein, die eingesetzt wird, um Muskelschmerzen und Gelenkschmerzen sowie eine unsichere Schlussbisslage zu vermeiden. Die Michiganschiene wirkt vor allem als Relaxi onsschiene. Die Führung des Unterkiefers auf der Aufbiss schiene wird meistens im Eckzahnbereich durchgeführt.

Die geführte Aufbissschiene dient also als Relaxionsschie ne, um okklusale Fehlfunktionen zu unterbinden und die Kau muskulatur zu entspannen (Verminderung des Muskeltonus) .

Die geführte Ausbissschiene soll auch vor der Zerstörung der ZahnhartSubstanz schützen, die durch Zähneknirschen verursacht wird. Die Führung der Aufbissschiene wird meistens im Frontzahn bereich und/oder im Eckzahnbereich angeordnet und kann ei nen bestimmten Neigungswinkel relativ zu einer Einschubach se der Aufbissschiene zwischen 20 und 40 Grad aufweisen.

Eine geführte Aufbissschiene kann zur Behandlung unter schiedlicher Fehlbissstellungen, wie einem Fehlbiss mit ei nem zurückliegenden Unterkiefer oder einem Fehlbiss mit ei nem vorstehenden Unterkiefer, behandelt werden. Die Kiefer anomalien können entweder angeboren oder erworben sein. Das Ausmaß des Fehlbisses wird erst beim Kieferschluss deutlich und zeigt sich beispielweise durch einen offenen Biss oder dadurch, dass die Oberkieferzähne hinter die Unterkiefer zähne beißen statt umgekehrt. Die Position der Kiefer zuei nander und zum Gesichtsschädel hat einen entscheidenden Einfluss auf das Gesichtsprofil. In Abhängigkeit davon, ob die Überentwicklung oder Unterentwicklung im Oberkiefer und/oder im Unterkiefer lokalisiert ist resultieren paral lel zum Fehlbiss auch unterschiedliche Gesichtsprofile.

Der Abformlöffel kann ein individueller Abformlöffel sein, der auf den jeweiligen Patienten in Abhängigkeit vom 3D- Modell der Zahnsituation angepasst wird. Ein Abformlöffel wird verwendet, um einen Abdruck eines bezahnten bezie hungsweisen eines unbezahnten Kiefers herzustellen.

Der Vorteil eines CNN-Netzwerks besteht darin, dass die Pa rameterwerte der internen Convolution-Filter und die Wei terverarbeitung der Filterausgaben bei der Analyse des Trainingssets mitgelernt werden und deshalb keine weitere Benutzerspezifikation notwendig ist.

Ein weiterer Vorteil des Verfahrens liegt darin, dass die Konstruktion des Bauteils vollautomatisch mittels des CNN- Netzwerks erfolgt. Dadurch kann also das Bauteil unmittel bar nach der optischen Vermessung vollautomatisch konstru- iert werden und nach einer Kontrolle durch den Zahnarzt vollautomatisch mittels einer CAD/CAM-Vorrichtung herge stellt werden, sodass das Bauteil innerhalb einer Sitzung eingesetzt werden kann.

Ein weiterer Vorteil des Verfahrens ist, dass durch den Be nutzer erzeugte fertig konstruierten Bauteile im Trainings datensatz des CNN verwendet werden und damit die Akzeptanz rate der Erstvorschläge der Bauteile und der Automatisie rungsgrad der Konstruktion verbessert wird.

Im Folgenden wird ein mögliches Verfahren zum Training bzw. Parametrisierung des Maschinen-Learning-Systems bestehend aus einem oder mehreren CNN-Netzwerken erläutert. Im ersten Schritt wird eine große Anzahl bekannter 3D-Modelle von Zahnsituationen analysiert. Dabei werden mögliche Eingabe daten bzw. Inputdaten generiert. Die Inputdaten werden so erzeugt, dass alle möglichen Freiheitsgrade in den Inputda ten vorhanden sind. Dies wird unter Verwendung einer Data- Augmentation erreicht. Dazu werden die 3D-Modelle der Zahn situationen um die festgelegten Freiheitsgrade rotiert und/oder entlang der Freiheitsgrade skaliert.

Die einzelnen CNN-Netzwerke werden dann auf die einzelnen 3D-Daten der einzelnen 3D-Modelle der Zahnsituationen ange wendet, um die CNN-Netzwerke zu trainieren.

Vorteilhafterweise kann das neuronale Netz anhand eines Trainingsdatensatzes trainiert werden, wobei der Trainings datensatz initiale 3D-Modelle von Bauteilen und manuelle Änderungen dieser initialen 3D-Modelle mindestens eines Be nutzers beinhaltet . Die manuellen Änderungen können unter Verwendung von CAD-Werkzeugen manuell durch den Benutzer bei der Konstruktion des 3D-Modells des j eweiligen Bauteils durchgeführt werden . Dadurch lernt also das CNN-Netzwerk, die manuellen Änderun gen eines bestimmten Benutzers auf einen initialen Vor schlag eines 3D-Modelles eines Bauteils anzuwenden, um die Konstruktion des Bauteils abzuschließen. Der initiale Vor schlag eines 3D-Modells des Bauteils kann beispielweise un ter Verwendung einer Bibliothek mehrerer 3D-Modelle von Bauteilen ausgewählt werden. Bei der Anwendung des so trai nierten CNN-Netzwerks auf ein unbekanntes 3D-Modell einer Zahnsituation werden dann automatisch für den jeweiligen Benutzer übliche Änderungen des Initialvorschlags durchge führt. Die manuellen Änderungen des initialen 3D-Modells des Bauteils können beispielsweise bei einer implantatge tragenen Vollkrone die Anpassung der äußeren Abmessungen der Vollkrone an die Nachbarzähne und die Gegenzähne durch Fissur- und/oder Höckeränderungen, eine Anpassung der In nenfläche an das verwendete Abutment und/oder eine Anpas sung eines Gingivarandes sein. Bei einer Aufbissschiene können die manuellen Änderungen das Glätten durch Entfernen von lokalen Höckern und bei einem Abdrucklöffel das Kürzen der Länge des Abdrucklöffels sein.

Vorteilhafterweise kann das neuronale Netz anhand eines Trainingsdatensatzes trainiert werden, wobei der Trainings datensatz initiale 3D-Modelle von Bauteilen und die ent sprechenden 3D-Modelle der fertig konstruierten Bauteile mindestens eines Benutzers beinhaltet.

Dadurch lernt also das CNN-Netzwerk aus den Vergleichsdaten zwischen einem initialen 3D-Modell und einem fertig kon struierten 3D-Modell eines Bauteils.

Vorteilhafterweise kann das neuronale Netz anhand eines Trainingsdatensatzes trainiert wird, wobei der Trainingsda tensatz mehrere 3D-Modelle der Zahnsituationen und die ent- sprechenden 3D-Modelle der fertig konstruierten Bauteile mindestens eines Benutzers beinhaltet.

Dadurch kann das CNN-Netzwerk durch einen Trainingsdaten satz unterschiedlicher Benutzer trainiert werden. Die Be nutzer für den Trainingsdatensatz können nach verschiedenen Kriterien, wie z.B. Berufserfahrung, ausgesucht werden. Für den Trainingsdatensatz können beispielsweise nur Daten von Benutzern verwendet werden, die mindestens drei Jahre Be rufserfahrung haben oder mindestens 100 Fälle bei der Kon struktion des jeweiligen Bauteils ausgeführt haben.

Bei dieser Ausführungsform enthält der Trainingsdatensatz also lediglich die 3D-Modelle der Zahnsituationen und die entsprechenden fertigkonstruierten 3D-Modelle der Bauteile. Das CNN-Netzwerk lernt also anhand des Trainingsdatensatzes zu einem 3D-Modell der Zahnsituation ein passendes 3D- Modell des jeweiligen Bauteils zu erzeugen. Der Benutzer kann vorher die Art des Bauteils und die Position des ein zusetzenden Bauteils festlegen.

Zu jeder Art eines Bauteils gibt es also für jeden Benutzer einen eigenen Trainingsdatensatz.

Vorteilhafterweise kann der Trainingsdatensatz nur die Da ten eines Benutzers oder einer Gruppe von erfahrenen Benut zern enthalten.

Dadurch wird die Qualität des Trainingsdatensatzes und da mit des trainierten CNN-Netzwerks verbessert.

Vorteilhafterweise kann das neuronale Netz nach dem Trai nieren anhand des Trainingsdatensatzes unverändert bleiben oder dem Trainingsdatensatz neue Daten hinzugefügt werden, so dass das neuronale Netz anhand des erweiterten Trai ningsdatensatzes weiter trainiert wird. Insbesondere für unerfahrene Benutzer ist es am Anfang vor teilhaft, ein trainiertes CNN-Netzwerk nicht zu verändern. Für erfahrene Benutzer ist es vorteilhafter, ihre eigenen Daten der Konstruktion eines Bauteils einem Trainingsdaten satz hinzuzufügen, sodass das CNN-Netzwerk kontinuierlich weiter trainiert wird und die Anforderungen des jeweiligen Benutzers mit der Zeit besser erfüllt. Dem erweiterten Trainingsdatensatz werden also weitere Trainingsdaten hin zugefügt .

Vorteilhafterweise kann das Bauteil die Restauration sein, wobei die Restauration ein Inlay, eine Krone, ein Kronenge rüst, eine Brücke, ein Brückengerüst, ein Abutment, ein Pontic oder ein Veneer ist.

Der Benutzer kann beispielsweise manuell die Art der Res tauration auswählen und die Position der einzusetzenden Restauration in etwa festlegen. Das mit dem jeweiligen Trainingsdatensatz trainierte CNN-Netzwerk erzeugt dann ausgehend vom 3D-Modell der Zahnsituation das 3D-Modell der jeweiligen Restauration.

Vorteilhafterweise kann das 3D-Modell der Zahnsituation mindestens einen Zahn zum Einsetzen der Restauration, min destens eine Präparation, einen Restzahn, mindestens einen Nachbarzahn, ein Abutment zum Einsetzen der herzustellenden Restauration, Farbinformationen der Zahnsituation und/oder einen Farbverlauf der Zahnsituation aufweisen.

Das 3D-Modell des jeweiligen Bauteils wird also in Abhän gigkeit von den Strukturen, die im 3D-Modell der Zahnsitua tion enthalten sind, automatisch durch das CNN-Netzwerk konstruiert. Der Farbverlauf und die Farbinformationen der Zahnsituation können ebenfalls verwendet werden, um automa tisch beispielweise die Farbe einer Vollkrone zu gestalten. Vorteilhafterweise kann das neuronale Netz eine Farbinfor mation und/oder einen Farbverlauf des 3D-Modells der Zahn situation, nämlich des Restzahns und/oder mindestens eines Nachbarzahns , verwenden, um eine Farbe und/oder einen Farb verlauf für die einzusetzende Restauration automatisch festzulegen .

Dadurch wird also der Farbverlauf der einzusetzenden Res tauration automatisch mittels des CNN-Netzwerks festgelegt.

Vorteilhafterweise kann das neuronale Netz für die herzu stellende Restauration automatisch ein Material, ein Ferti gungsverfahren, ein Einsetzungsverfahren, eine Abstichposi tion und/oder eine Kontaktstärke zu den Nachbarzähnen fest legen .

Das passende Material kann beispielsweise Keramik, Metall oder ein Kunststoff sein. Dabei kann beispielsweise ein passender Rohling aus einem keramischen Material zur auto matischen Herstellung mittels einer CAM-

Herstellungs orrichtung ausgewählt werden. Das Fertigungs verfahren kann auch die Herstellung des Bauteils mittels eines 3D-Druckers sein.

Das Einsetzungsverfahren kann zum Beispiel Kleben, Ein schrauben oder Zementieren sein.

Die Abstichposition ist die Position eines Stegs zwischen einer hergestellten Restauration und der Halterung eines Rohlings nach dem Herausfräsen der Restauration mittels ei ner CAM-Herstellungsvorrichtung .

Die Kontaktstärke zu den Nachbarzähnen beschreibt bei spielsweise bei Brücken die Fläche eines Kontaktes zwischen zwei benachbarten Zähnen der Brücke.

Vorteilhafterweise kann der Trainingsdatensatz zusätzlich eine Farbe, einen Farbverlauf, ein Material, ein Ferti- gungsverfahren, ein Einsetzungsverfahren, eine Abstichposi tion und/oder eine Kontaktstärke zu den Nachbarzähnen der fertig konstruierten Restauration beinhalten.

Dadurch enthält der Trainingsdatensatz weitere wesentliche Informationen des Bauteils, so dass das trainierte CNN- Netzwerk ein passendes Bauteil konstruieren kann, das den Anforderungen des jeweiligen Benutzers entspricht.

Vorteilhafterweise kann das Bauteil die Aufbissschiene oder der Abformlöffel sein, wobei das 3D-Modell der Zahnsituati on die Zähne zum Aufsetzen der Aufbissschiene bzw. des Ab- formlöffels aufweist.

Dadurch enthält der Trainingsdatensatz die Zähne zum Auf- setzen der Aufbissschiene beziehungsweise des Abformlöf fels .

Vorteilhafterweise kann das neuronale Netz für die herzu stellende Aufbissschiene bzw. Abformlöffel automatisch ein Material und/oder ein Fertigungsverfahren festlegen.

Dadurch wird die Dauer der Konstruktion vermindert.

Vorteilhafterweise kann das neuronale Netz eine ethnische Gruppe und/oder einen Charaktertyp des Patienten berück sichtigen .

Dadurch können charakteristische anatomische Merkmale einer ethnischen Gruppe bei der Konstruktion des jeweiligen Bau teils berücksichtigt werden. Die charakteristischen Merkma le einer ethnischen Gruppe können beispielsweise charakte ristische Zahnstellung oder eine bestimmte Pigmentierung des Zahnfleisches beziehungsweise der Zähne sein.

Kurzbeschreibung der Zeichnungen

Die Erfindung wird anhand der Zeichnungen erläutert. Es zeigt, die Fig , 1 eine Skizze zur Verdeutlichung des Verfahrens zur Konstruktion eines Bauteils, die

Fig 2 eine Skizze eines initialen 3D-Modells .

Ausführungsbeispiele

Die Fig. 1 zeigt eine Skizze zur Verdeutlichung des Verfah rens zur Konstruktion eines Bauteils 1, wie eine implantat- getragene Vollkrone 2, eine von einer Präparation 3 getra gene Vollkrone 4 oder eine implantatgetragene Brücke 5. Das Bauteil 1 kann auch eine Aufbissschiene oder ein Abformlöf fel sein. Mittels einer dentalen Kamera 6 wird eine Zahnsi tuation 7, umfassend Zähne 8 und Zahnfleisch 9 vermessen und aus den Bilddaten ein 3D-Modell 10 der Zahnsituation 7 berechnet, welches mittels einer Anzeigevorrichtung 11, wie eines Monitors, dargestellt werden kann. Die Anzeigevor richtung 11 ist an einen Computer 12 angeschlossen, wobei ein Eingabemittel, wie eine Tastatur 13 oder eine Maus 14, an den Computer 12 angeschlossen sind und den Benutzer eine Navigation mittels eines Cursors 15 innerhalb einer grafi schen Darstellung des 3D-Modells 10 ermöglichen. Die Zahn situation 7 weist einen fehlenden Eckzahn, einen Schneide zahn mit einer Präparation 3 und drei fehlende Backenzähne des Unterkiefers auf. Eine implantatgetragene Vollkrone 2 soll also den Eckzahn ersetzen, die Vollkrone 4 auf der Präparation 3 aufgesetzt werden und die zu konstruierende Brücke 5 die fehlenden drei Backenzähne ersetzen, wie durch die Pfeile 16, 17 und 18 angedeutet ist. In einem ersten Schritt kann der Benutzer manuell mittels des Cursors 15 eine erste Position eines ersten zu konstruierenden und einzusetzenden Bauteils, nämlich eine implantatgetragene Krone 2, festlegen und die Art des Bauteils, nämlich eine implantatgetragene Krone, in einem Auswahlmenü 20 auswäh len. In einem zweiten Schritt wird mittels eines neuronalen CNN-Netzes , welches anhand eines Trainingsdatensatzes für den jeweiligen Benutzer und die jeweilige Art des Bauteils trainiert wurde, automatisch ein 3D-Modell 21 des Bauteils, nämlich der implantatgetragenen Vollkrone 2, erzeugt. Ent sprechend wird die Position 22 der Vollkrone 4 manuell festgelegt und die Art des Bauteils 1, nämlich eine durch eine Präparation getragene Vollkrone im Auswahlmenü 20 aus gewählt. Anschließend wird mittels des entsprechenden CNN- Netzes ein zweites 3D-Modell 23 der Vollkrone 4 erzeugt. Anschließend wird die Position 24 der einzusetzenden Brücke 5 festgelegt und die Art des Bauteils 1 aus dem Auswahlmenü 20 ausgewählt. Im weiteren Schritt wird mittels eines CNN- Netzwerkes für implantatgetragene Brücken und den jeweili gen Benutzer automatisch ein 3D-Modell 25 der Brücke 5 er zeugt. Die konstruierten Bauteile 2, 4 und 5 können dann beispielsweise automatisch mittels einer nicht dargestell ten CAM-HerstellungsVorrichtung unter Verwendung der kon struierten 3D-Modelle 21, 23 und 25 aus Rohlingen herge stellt werden.

Die Fig. 2 zeigt eine Skizze eines initialen 3D-Modells 30 der Brücke 5 aus Fig. 1, wobei der Benutzer unter Verwen dung von CAD-Werkzeugen manuell das initiale 3D-Modell 30 anpasst, um das gestrichelt dargestellte angepasste 3D- Modell 25 zu erzeugen, wobei eine Abstichposition 31 zu ei ner gestrichelt dargestellten Abstichposition 32 verschoben wird, wie durch den Pfeil 33 angedeutet ist, wobei eine Kontaktstärke 34 und 35 des initialen 3D-Modells 30 zu ei ner Kontaktstärke 36 und 37 des angepassten 3D-Modells 25 verkleinert wird. Eine Vielzahl solcher manuellen Änderun gen beziehungsweise Anpassungen eines initialen 3D-Modells 30 für den jeweiligen Benutzer und für die jeweilige Art von Bauteilen, nämlich implantatgetragene Brücken, können dann in einem Trainingsdatensatz zusammengefasst werden, um ein dazugehöriges CNN-Netz zu trainieren. Dieses trainierte CNN-Netz , das als Programm auf dem Computer 12 läuft, kann dann verwendet werden, um ausgehend von einem initialen 3D- Modell 30 automatisch die Änderungen beziehungsweise Anpas- sungen durchzuführen.

Bezugszeichen

Bauteil

implantatgetragene Vollkrone

Präparation

Vollkrone

implantatgetragene Brücke

Kamera

Zahnsituation

Zähne

Zahnfleisch

3D-Modell

Anzeigevorrichtung

Computer

Tastatur

Maus

Cursor

Pfeil

Pfeil

Pfeil

Position der implantatgetragenen Vollkrone Auswahlmenü

3D-Modell der implantatgetragenen Vollkrone Position der Vollkrone

3D-Modell der Vollkrone

Position der Brücke 3D-Modell der Brücke Implantat

initiales 3D-Modell Äbstichposition Abstichposition Pfeil

Kontaktstärke

Kontaktstärke

Kontaktstärke

Kontaktstärke