Ziel: Bislang ist noch kein Referenzverfahren für die Quantifizierung der durch den Herstellungsprozess bedingten Verunreinigung CAD/CAM-gefertigter zweiteiliger Abutments etabliert. In der vorliegenden In-vitro-Studie wurde eine auf pixelbezogenem maschinellem Lernen (ML) basierende Method zur Erkennung von Verunreinigungen auf individuellen zweiteiligen Abutments (mit Titan-Klebebasen) untersucht und in eine halbautomatische Quantifizierungs-Pipeline eingebettet.
Material und Methode: Insgesamt wurden 49 Zirkonoxidabutments CAD/CAM-gefertigt und mit vorgefertigten Titanbasen verklebt. Zunächst wurden von allen Proben rasterelektronenmikroskopische Bilder erstellt, die anschließend einer Verunreinigungserkennung mittels pixelbasiertem ML bzw. mittels Schwellenwertverfahren (SW) unterzogen wurden. In der Postprocessing-Pipeline erfolgte dann die Quantifizierung der Verunreinigung. Für den statistischen Vergleich beider Methoden wurden der Wilcoxon-Vorzeichen-Rank-Test angewendet und ein Bland-Altmann-Diagramm erstellt. Betrachtet wurde jeweils der prozentuale Anteil der Verunreinigungen an der Gesamtoberfläche.
Ergebnisse: Eine statistisch signifikante Differenz zwischen den prozentualen Anteilen verunreinigter Oberfläche (Median = 0,004), die mit der ML-Methode (Median = 0,008) und mittels SW (Median = 0,012) gemessen wurden, fand sich nicht (Wilcoxon-Test, asymptotische Signifikanz: p = 0,22). Das Bland-Altmann-Diagramm zeigte eine mittlere Differenz von –0,006 % (95-%-Konfidenzintervall: –0,011 % bis 0,0001 %), bei zunehmenden Werten für die ML-Methode ab einem verunreinigten Oberflächenanteil von > 0,03 %.
Schlussfolgerung: Beide Segmentierungsverfahren lieferten bei der Bewertung der Oberflächensauberkeit vergleichbare Ergebnisse. Pixelbasiertes ML ist ein vielversprechendes Werkzeug für die Erkennung externer Verunreinigungen auf Zirkonoxidabutments. Weitere Studien sind nötig, um die klinische Leistungsfähigkeit dieser Methode zu untersuchen.