一个深度学习系统的单体植入物支持的皇冠设计:评估AI产生的模型与传统的软件输出对比

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在牙科中的应用
• 数字牙科数字牙科

背景情况:

• 牙科修复的传统CAD/CAM软件在复制复杂形态方面可能存在局限性.
• 人工智能驱动工具的开发为数字牙科的精度提高提供了潜力.

研究的目的:

• 评估一种基于变压器的新型深度学习模型,用于生成单体植入式支冠 (ISC).
• 将AI模型的性能与创建ISC的传统软件进行比较.

主要方法:

• 一个基于变压器的AI模型 (PoinTr架构) 在数字印象和技术人员设计的皇冠上进行了训练和验证.
• 分析了四组ISC:两个是软件生成的,一个是AI生成的,一个是技术人员设计的 (参考).
• 根据轮偏差,封闭形态,近距离接触和出现形状来评估准确性.

主要成果:

• 与软件生成的皇冠相比,人工智能生成的皇冠的整体轮偏差明显较低.
• 人工智能模型产生了更准确的闭合形态和近接接触分布,类似于技术人员的设计.
• 人工智能皇冠更好地复制了所需的形出现配置文件,与软件经常生成的凸形不同.

结论:

• 与软件生成的皇冠相比,人工智能生成的植入式支皇冠与技术人员设计的近似性更高.
• 人工智能模型显示,它有望提高单体植入物支持的皇冠制造的准确性.
• 需要进一步的研究来充分将AI整合到临床牙科工作流程中.