Deep learning approach to generate patient-specific teeth

深度学习方法生成患者特定的牙齿

• 批准号: 549122-2019
• 负责人: Guibault, François
• 金额: $ 4.16万
• 依托单位: École Polytechnique de Montréal
• 依托单位国家: 加拿大
• 项目类别: Alliance Grants
• 财政年份: 2021
• 资助国家: 加拿大
• 起止时间: 2021-01-01 至 2022-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=721096
• 关键词: Deep; learning; approach; generate; patient

Dental offices are faced with hundreds of thousands of dental reconstructions per year. Each dental reconstruction typically requires a dental professional to manually design and input the characteristics of the tooth to be reconstructed. Consequently, this time-consuming process is difficult to reproduce between professionals and hence leads to great variability in quality. This project will use Deep Learning approaches to develop a new methodology that automatically designs patient-specific teeth. To achieve this goal, we collaborate with industrial partners that will provide us with roughly five thousand cases of digitalized dental impressions for upper and lower dental arches (i.e. mandible and maxilla). Using these healthy arches as a gold standard, we plan to train neural networks to generate and or deform mesh models to yield a volumetric surface representing the tooth to be reconstructed in its spatial context. The resulting integrated system will be designed to continuously learn. Indeed, teeth generated by the system can be modified by a dental professional making a restoration. The resulting modification will then be used to retrain the network and increase its effectiveness.#(cr)#(lf)Les cabinets dentaires font face à des centaines de milliers de reconstructions dentaires par an. Chaque reconstruction dentaire nécessite généralement l'intervention d'un professionnel de la santé dentaire pour concevoir et saisir manuellement les caractéristiques de la dent à reconstruire. Par conséquent, ce processus qui prend du temps est difficile à reproduire entre professionnels et entraîne donc une grande variabilité de qualité. Ce projet utilisera des approches d'apprentissage profond pour développer une nouvelle méthodologie permettant de concevoir automatiquement des dents spécifiques au patient. Pour atteindre cet objectif, nous collaborons avec des partenaires industriels qui nous fourniront environ cinq mille empreintes dentaires numérisées pour les arcades dentaires supérieures et inférieures (c.-à-d. Mandibule et maxillaire). En utilisant ces arches saines comme étalon or, nous prévoyons entraîner des réseaux de neurones à générer ou déformer des modèles de maillage afin d'obtenir une surface volumétrique qui représentera la dent à reconstruire dans son contexte spatial. Le système intégré résultant sera conçu pour apprendre en permanence. En effet, les dents générées par le système pourront être modifiées par un professionnel dentaire effectuant une restauration. La modification résultante sera ensuite utilisée pour ré-entraîner le réseau et augmenter son efficacité.

牙科诊所每年面临数十万例牙齿重建。每个牙齿重建通常需要牙科专业人员手动设计和输入待重建牙齿的特征。因此，这个耗时的过程很难在专业人员之间重现，从而导致质量的巨大差异。该项目将使用深度学习方法开发一种新的方法，自动设计患者特定的牙齿。为了实现这一目标，我们与工业合作伙伴合作，为我们提供大约5000例上下牙弓（即下颌骨和上颌骨）的数字化牙科印模。使用这些健康的牙弓作为黄金标准，我们计划训练神经网络来生成和/或变形网格模型，以产生代表牙齿在其空间环境中重建的体积表面。由此产生的综合系统将被设计为不断学习。实际上，由系统生成的牙齿可以由牙科专业人员进行修复来修改。由此产生的修改将用于重新训练网络并提高其有效性。(cr)#（lf）Les cabinets dentaires font face à des centaines de milliers de reconstructions dentaires par an. Chaque reconstruction détaire néciliite généralement l'intervention d'un professionnel de la santé dentaire pour concevoir et saisir manuellement les caractéristiques de la dent à reconciliire.因此，在专业人员和中间人之间很难重现生产时间的过程，质量也不稳定。Ce projet utilisera des approches d'proximatisage profoundto décilient per une nouvelle methodologie permittant de concevoir automatiquement des specifiques Au patient.为了实现这一目标，我们与我们周围的5千名企业合作，为上、下拱廊提供服务（c.- -d.下颌和上颌）。在利用这些拱形结构时，我们可以将神经元网络引入到一般的或变形的模型中，从而获得一个在空间环境中代表神经元凹陷的表面体积。Le système intégré résultant sera conçu pour prosperence en permanence.实际上，该系统的一般缺陷由一名专业牙科医生修改，以实现恢复。La modification résultante sera ensuite utilisée pour ré-entraquinner le réseau et augmenter son efficacité.