International Journal of Computerized Dentistry, 04/2023

Ziel: Während der Einsatz von Deep-Learning-Modellen auf verschiedenen Gebieten in einer Vielzahl von Studien untersucht wird, existieren nur wenige solcher Studien zur Bildgebung in der Zahnmedizin. Ziel des vorliegenden Beitrags war eine Untersuchung der Leistungsfähigkeit faltender neuronaler Netze (Convolutional Neural Network, CNN) bei der Erkennung und Bestimmung von Quantitätsniveaus dentaler Restaurationen (Kronen und Brücken) auf Panoramaschichtaufnahmen (PSA) unter Verwendung eines neu zusammengestellten Datensatzes. Material und Methode: Insgesamt wurden 20 973 PSA verwendet, die von drei Spezialisten nach fünf Kategorien (0 Restaurationen [„keine Restauration“], 1–3 Restaurationen [„geringes Restaurationsniveau“], 4–6 Restaurationen [„mittleres Restaurationsniveau“], 7–11 Restaurationen [„hohes Restaurationsniveau“], 12–32 Restaurationen [„sehr hohes Restaurationsniveau“]) gelabelt wurden. Auf diesem Datensatz wurden AlexNet-, VGG-16- sowie mehrere ResNet-Varianten- Modelle trainiert und bezüglich ihrer Leistungsfähigkeit bei der Klassifizierungsaufgabe bewertet. Für alle Versuche wurde eine 10-fache Kreuzvalidierung (d. h. jeweils 9 Teile als Trainingsdatensätze und ein Teil für die Validierung) und eine Datenaugmentation durchgeführt. Ergebnisse: Die besten Ergebnisse mit einer Genauigkeit von 92,7 % lieferte das ResNet-101-Modell. Auch der Makro- Durchschnitt der Fläche unter der ROC-Kurve (Area under the Curve, AUC) war für dieses Modell mit 0,989 am größten. Die Genauigkeiten der anderen Modelle für den Datensatz waren: AlexNet = 75,5 %, VGG-16 = 85,0 %, ResNet-18 = 92,1 %, ResNet-50 = 91,7 % und InceptionResNet-v2 = 92,1 %. Schlussfolgerungen: Eine Genauigkeit von 92,7 % ist für ein computergestütztes Diagnosesystem überaus vielversprechend. Das Ergebnis beweist, dass ein entsprechendes System dem Zahnarzt assistieren kann, indem es unterstützende Vorab-Informationen ab dem Zeitpunkt der ersten Panoramaschichtaufnahme des Patienten liefert. Da der hier eingeführte Datensatz umfassend genug ist, kann er für andere Problemstellungen umgelabelt und in weiteren Studien verwendet werden. Schlagwörter: künstliche Intelligenz, computergestützte Diagnostik, convolutional neural networks, CNN, faltendes neuronales Netz, Deep Learning, Restauration, Panoramaröntgen, Panoramaschichtaufnahme

Ziel: Ziel war es, ein Deep-Learning-basiertes KI-Modell für die Instanzsegmentierung und Nummerierung der Zähne auf Panoramaschichtaufnahmen (PSA) zu entwickeln. Material und Methode: Zunächst wurden 40 PSA manuell annotiert. Diese dienten als Grundwahrheit (Ground Truth) zum Anlernen von zwei faltenden neuronalen Netzwerken (Convolutional Neural Network, CNN): U-Net und Faster R-CNN. Das Training und die Validierung beider Algorithmen erfolgten parallel auf einem Datensatz von 1.280 Zähnen (40 PSA). Der U-Net-Algorithmus wurde nach Kennzeichnung der Zähne mit fließenden Rändern darauf trainiert, alle 32 Zähne einer PSA mittels Instanzsegmentierung zu erfassen, sodass jeder Zahn als von den umgebenden Strukturen separierte Einheit angesprochen werden kann. Parallel dazu wurden die Zähne unter Verwendung von rechteckigen Hüllfiguren (Bounding Boxes) nach dem FDI-Schema nummeriert, um den Faster-R-CNN-Algorithmus zu trainieren. Schließlich wurden beide CNN zu einem KI-Modell kombiniert, das in der Lage war alle Zähne einer PSA zu segmentieren und zu nummerieren. Ergebnisse: Die Leistungsfähigkeit des U-Net-Algorithmus wurde mithilfe verschiedener Leistungsparameter bewertet, die wie folgt ausfielen: Präzision = 88,8 %, Genauigkeit = 88,2 %, Sensitivität (Recall) = 87,3 %, F1-Maß = 88 %, Sørensen- Dice-Koeffizient = 92,3 % und Jaccard-Koeffizient (Intersection over Union, IoU) = 86,3 %. Die Leistungsfähigkeit des Faster-R-CNN-Algorithmus wurde mit den Parametern Überlappungsgenauigkeit = 30,2 Bounding Boxes (von möglichen 32) und Korrektklassifikationsrate der Zahnnummern = 93,8 % quantifiziert. Schlussfolgerung: Die Ergebnisse der von uns angelernten KI-Modelle bezüglich Instanzensegmentierung und Nummerierung der Zähne lagen nahe an der Grundwahrheit, was zeigt, dass ein künftiger erfolgreicher Einsatz im Praxisalltag denkbar ist. Ein KI-Modell mit der Fähigkeit, selbstständig die Zähne in einer PSA zu identifizieren, kann Zahnärzten bei der Diagnostik und Behandlungsplanung helfen und damit die Arbeitseffizienz steigern. Schlagwörter: künstliche Intelligenz, KI, Deep Learning, Zahnmedizin, neuronales Netz, faltendes neuronales Netzwerk, Convolutional Neural Network, CNN, orales Röntgen, Panoramaschichtaufnahme

Ziel: In der vorliegenden Studie sollte die Genauigkeit der automatischen Präparationsgrenzen-Erkennung in einer CADSoftware an Präparationen mit Randdefekten untersucht werden. Material und Methode: Ein extrahierter erster Molar wurde für eine Vollveneer-Restauration präpariert, wobei sukzessive künstliche Randdefekte (Kontinuitätsunterbrechungen der Präparationsgrenze von 0,5 mm, 1,0 mm und 1,5 mm Länge sowie eine zusätzliche Kante koronal des Präparationsrandes (beidseitig mit dem Rand verbunden, einseitig verbunden, nicht verbunden) erzeugt und gescannt wurden. Die sechs virtuellen Modelle mit den Defekten wurden in eine CAD-Software geladen, wo die Präparationsgrenze von 20 Zahnärzten (CAD-erfahrene Gruppe: n = 10, CAD-unerfahrene Gruppe: n = 10) mithilfe der automatischen Präparationsgrenzen-Erkennung markiert wurde. Zur Bewertung der Genauigkeit der automatischen Erkennung wurde die dreidimensionale Abweichung der registrierten Präparationsgrenze von einem Referenzmodell ermittelt. Anschließend wurden die Gruppen mit dem Kruskal-Wallis- und dem Mann-Whitney-U-Test verglichen (α = 0,05). Ergebnisse: Der Umfang der Abweichung der automatisch markierten Präparationsgrenze zeigte deutliche Unterschiede in Abhängigkeit von der Länge der Kontinuitätsunterbrechung (p < 0,001). Dagegen fanden sich zwischen den verschiedenen Modellen mit einer zusätzlichen Kante oberhalb des Randes keine signifikanten Unterschiede bei der Abweichung der registrierten Präparationsgrenzen. Schließlich waren auch zwischen den CAD-erfahrenden und den CAD-unerfahrenen Bedienern keine statistisch signifikanten Unterschiede zu beobachten. Schlussfolgerungen: Die Genauigkeit der automatischen Präparationsgrenzen-Erkennung kann schwanken, wenn die Präparationsgrenze Unterbrechungen aufweist. Das Vorhandensein einer zusätzlichen Kante neben dem Präparationsrand und der Grad der Erfahrung im Umgang mit dentaler CAD-Software haben dagegen keinen Einfluss auf die Genauigkeit der automatischen Präparationsgrenzen-Erkennung. Schlagwörter: Präparation, Randdefekt, CAD, Präparationsgrenze, automatische Erkennung, Computeralgorithmus

Ziel: Ziel der vorliegenden Studie war es, die Auswirkungen des Zementspalts und des Fräser-Offsets auf die marginalen und internen Passungsdiskrepanzen von digital konstruierten Kronen für unterschiedliche Präparationsformen zu untersuchen. Material und Methode: Auf 5 digital konstruierten Präparationsdesigns (Hohlkehle, 135°-Abschrägung, Federrand, 90°-Schulter mit Lippe, Hohlkehle mit scharfen okklusalen Kanten) wurden Kronen mit unterschiedlichen Zementspaltbreiten und Fräser-Offsets digital modelliert. Anschließend wurden die Kronen mit den korrespondierenden Präparationen best-fit-überlagert und die Passungsdiskrepanzen als quadratische Mittelwerte (QMW) sowie als farbskalierte Darstellungen aufbereitet. Die statistische Auswertung der QMW aller Gruppen erfolgte mit dem Scheirer-Ray-Hare-Test (α = 0,05). Ergebnisse: Die Farbzonen im Bereich der scharfen Kanten der Scharfe-Kanten-Gruppe veränderten sich zwischen der Situation vor und nach dem Setzen des Offsets deutlich. Der Zementspalt hatte signifikanten Einfluss auf die Rand-, Innen- und Gesamt-Passungsdiskrepanzen der fünf Präparationsgruppen (p < 0,001), während der Offset sich signifikant auf die Randpassung der Schulter-mit-Lippe-Gruppe und die Innen- und Gesamtpassung der Scharfe-Kanten-Gruppe auswirkte (p < 0,001). Außerdem erwies sich die Interaktion zwischen Zementspalt und Offset für die Randpassung der Schulter-mit-Lippe-Gruppe sowie die Innen- und Gesamtpassung der Scharfe-Kanten-Gruppe als signifikant (p < 0,01). Schlussfolgerung: Der Zementspalt und der Fräser-Offset hatten einen signifikant nachteiligen Einfluss auf die Rand- und Innenpassung von Kronen für die Präparationsdesigns Schulter mit Lippe und scharfe Kanten. Präparationen mit abrupten Radiusänderungen, wie Schulterpräparationen mit Lippe oder scharfe okklusale Kanten sollten daher in der Praxis vermieden werden. Schlagwörter: CAD, Offset, Zementspalt, Präparationsdesign, Krone, Passung

Ziel: Ziel dieser In-vitro-Studie war es, die Genauigkeit zweier Strategien zur Best-Fit-Überlagerung/-Ausrichtung mit Nutzung unterschiedlicher Referenzareale bei der Messung der Zahnabnutzung mithilfe eines Intraoralscanners (IOS) zu bestimmen und zu vergleichen. Material und Methoden: Zunächst wurden 8 vollanatomische Zirkonoxidkronen hergestellt und zweimal mit einem Intraoralscanner gescannt. Einer der Datensätze (Datensatz Richtigkeit) wurde dupliziert und mit simulierten Schlifffacetten (Datensatz Abnutzung) versehen. Der andere Scandatensatz (Datensatz Baseline) wurde unter Verwendung von zwei Best-Fit-Überlagerungsstrategien mit unterschiedlichen Referenzarealen (nicht abgenutzte Okklusalfläche [okklusale Gruppe] bzw. axial Fläche [axiale Gruppe]) mit dem Datensatz Abnutzung überlagert. Anschließend wurde eine 3-D-Abweichungsanalyse durchgeführt, um den abnutzungsbedingten Volumenverlust zu bestimmen. Schließlich wurde die 3-D-Abweichung zwischen den Datensätzen Richtigkeit und Abnutzung berechnet und als Referenzwert der Richtigkeit für die Genauigkeitsbewertung verwendet (Gruppe Richtigkeit). Ergebnisse: Die farbcodierte Darstellung der Abweichungen zeigte, dass die okklusale Gruppe eine ähnliche Schlifffacettenverteilung aufwies, wie die Gruppe Richtigkeit, während sich in der axialen Gruppe eine sichtbar gekippte Position fand und der gemessene Höhenverlust größer war und eine größere Standardabweichung aufwies. Sowohl die okklusale als auch die axiale Gruppe zeigten beim maximalen und mittleren Höhenverlust signifikante Unterschiede zur Gruppe Richtigkeit (p < 0,05), während der mittlere Abstand (zwischen den Oberflächen) jeweils nicht signifikant verschieden war (p > 0,05). Der t-Test für abhängige Stichproben ergab zudem zwischen der okklusalen und der axialen Gruppe signifikante Unterschiede beim maximalen und mittleren Höhenverlust (p < 0,05), aber keine signifikante Differenz beim mittleren Abstand (p > 0,05). Schlussfolgerungen: Die Best-Fit-Überlagerung anhand einer okklusalen Referenzfläche lieferte genauere Ergebnisse als die Überlagerung anhand axialer Referenzflächen. Die Vermessung der Zahnabnutzung mithilfe von Intraoralscans bietet Potenzial, aber das Verfahren neigt zur Überschätzung des Höhenverlustes. Schlagwörter: Verschleißmessung, Zahnabnutzung, Intraoralscanner, Best-Fit-Überlagerung, Genauigkeit, digital, in vitro

Ziel: Der Beitrag stellt eine minimalinvasive Technik für die Freilegung palatinal verlagerter retinierter Eckzähne unter Verwendung einer Operationsschablone vor. Material und Methode: Die Operationsschablonen für die Eckzahn-Freilegung werden CAD/CAM-gefertigt: Mithilfe einer geeigneten Software lassen sich die STL-Daten des gescannten Kiefers mit den DICOM-Daten der Oberkiefer- DVT überlagern. Auf diesem virtuellen 3-D-Modell kann der Operateur die exakte Position des retinierten Eckzahns bestimmen. Aus dieser wiederum ergibt sich die ideale Lage des Zugangs. Die Operationsschablone mit dem entsprechenden Fenster wird in einer Software konstruiert und auf einem 3-D-Drucker ausgedruckt. Ergebnisse: Palatinal verlagerte Eckzähne lassen sich mithilfe von Operationsschablonen erfolgreich freilegen. Schlussfolgerungen: Die Computer-assistierte chirurgische Freilegung palatinal retinierter Eckzähne geht mit einer geringeren Operationsdauer und reduzierten Invasivität einher und vermindert die postoperativen Beschwerden der Patienten. Um die Vorteile dieser minimalinvasiven Operationstechnik umfassender bewerten zu können, sind kontrollierte klinische Studien erforderlich. Schlagwörter: Eckzahnimpaktion, retinierter Eckzahn, Eckzahnfreilegung, CAD/CAM, Oralchirurgie, Kieferorthopädie, Operationsschablone

Ausgeprägte Zahnhartsubstanzdefekte können durch unterschiedliche ätiologische Faktoren ausgelöst werden und sind zumeist mit einer Veränderung in der Vertikaldimension der Okklusion verknüpft, die auch die Kondylenposition beeinflussen kann. Diese Auswirkungen, die zum irreversiblen Verlust der Zahnhartsubstanz führen, können dramatische funktionelle und ästhetische Konsequenzen für den Patienten haben und erfordern häufig komplexe Rehabilitationskonzepte. Vor diesem Hintergrund hat sich der Einsatz zahnfarbener CAD/CAMgefertigter Okklusionsschienen aus Polycarbonat als ästhetisch-funktionell, vorteilhaftes und sicheres Vorbehandlungskonzept erwiesen. Grundvoraussetzung für eine nachhaltige und funktionelle restaurative Intervention ist es, die verlorengegangene Zahnhartsubstanz in einer Weise wieder aufzubauen, die die Vertikaldimension und Okklusion in adäquater Kondylenposition wiederherstellt. Digitale Systeme sollen diesen komplexen Ablauf in Zukunft vereinfachen, unterstützen, individualisieren und präziser gestalten. Das hier verwendete DMD-System (Fa. Ignident GmbH, Ludwigshafen, Deutschland), liefert patientenindividuelle Bewegungsdaten zur Optimierung dieses Workflows. Mit diesem System lassen sich reale Bewegungsmuster digitalisieren und hinsichtlich ihrer Funktion und therapeutischen Konsequenz analysieren sowie in den zahnmedizinischen und zahntechnischen Workflow integrieren. Die bereits bekannte Herstellung einer zahnfarbenen CAD/CAM-Okklusionsschiene, wird im vorliegenden Fallbericht durch eine digital ermittelte zentrische Kieferrelationsbestimmung und individuelle patientenspezifische Bewegungsdaten ergänzt. Schlagwörter: Vertikaldimension der Okklusion (VDO), instrumentelle zahnärztliche Funktionsanalyse, maximale Interkuspidation (IKP), zentrische Kondylenposition (ZKP), zahnfarbene Okklusionsschiene, digitaler Workflow