Computadora

Scientific Reports volumen 13, número de artículo: 1561 (2023) Citar este artículo

2555 Accesos

2 citas

8 altmétrico

Detalles de métricas

El actual estudio in vitro multifase desarrolló y validó una red neuronal convolucional tridimensional (3D-CNN) para generar coronas dentales parciales (PDC) para su uso en odontología restauradora. En primer lugar se evaluó (fase 1) la eficacia de los escáneres intraorales y láser de escritorio a la hora de generar datos para 3D-CNN. No hubo diferencias significativas en el área de superficie [t-stat(df) = − 0,01 (10), diferencia de medias = − 0,058, P > 0,99] y volumen [t-stat(df) = 0,357(10)]. Sin embargo, se eligieron los escaneos intraorales para la fase 2 porque produjeron un mayor nivel de detalles volumétricos (343,83 ± 43,52 mm3) en comparación con el escaneo láser de escritorio (322,70 ± 40,15 mm3). En la fase 2, se sintetizaron digitalmente 120 preparaciones dentales a partir de escaneos intraorales y dos médicos diseñaron los PDC respectivos utilizando flujos de trabajo de diseño asistido por computadora (CAD) en una configuración de computadora personal. La comparación estadística mediante ANOVA de 3 factores demostró diferencias significativas en el área de superficie (P < 0,001), el volumen (P < 0,001) y la superposición espacial (P < 0,001) y, por lo tanto, solo se eligieron los PDC más precisos (n = 30). entrenar la red neuronal (Fase 3). El 3D-CNN actual produjo una precisión de validación del 60 %, una pérdida de validación de 0,68 a 0,87, una sensibilidad de 1,00 y una precisión de 0,50 a 0,83, y sirve como prueba de concepto de que 3D-CNN puede predecir y generar prótesis de PDC en CAD para odontología restauradora.

El desarrollo de la inteligencia artificial (IA) tuvo lugar en 1943, pero el término “inteligencia artificial” se acuñó en una sesión celebrada en Dartmouth en 19561. Dentro de esta analogía, el aprendizaje profundo, las redes neuronales y el aprendizaje automático son subconjuntos de la IA. Las máquinas pueden aprender mediante la creación de algoritmos que resuelvan problemas predictivos sin conocimientos humanos2. Las redes neuronales (NN) utilizadas son modelos matemáticos no lineales que imitan el cerebro humano en rasgos de aprendizaje y toma de decisiones, estimulando las habilidades cognitivas humanas3. Estas NN pueden ser complejas y pueden entrenarse capas ocultas para representar y predecir percepciones multicapa procesando datos con aprendizaje profundo2. Las redes neuronales convolucionales y las redes neuronales artificiales son los diseños más utilizados para procesar los datos en la planificación de profilaxis, terapias fundamentales y proyección de costos de tratamiento3. De cara al futuro próximo, esta tecnología conducirá a la introducción de varias nuevas áreas de aplicación en el ámbito público en forma de asistentes inteligentes4. Una de las áreas que se beneficiaría sería el campo de la medicina odontológica, abriendo diversas oportunidades de tareas rutinarias que inicialmente eran realizadas por personal odontológico con una mejor calidad en la atención5,6.

A priori, los modelos de IA se han utilizado habitualmente para el mapeo y acabado de preparaciones dentales y diferentes aplicaciones protésicas. También se han utilizado métodos de diseño asistido por computadora para la selección de la anatomía dental para diseños de restauración dental automatizados. Las características recomendadas de los modelos de IA son el moldeado exitoso de estructuras metálicas, la selección del color de los dientes y la combinación del color de la porcelana. Las restauraciones indirectas, las coronas dentales parciales o PDC (inlays y onlays) han comenzado recientemente a ganar popularidad en el movimiento de la "odontología mínimamente invasiva". Reforzando las ventajas propuestas, se ha establecido que las preparaciones de incrustaciones de oro y cerámica dieron como resultado una reducción significativamente menor de la estructura dental coronal en comparación con sus equivalentes de cobertura total en el mismo diente cuando las realizaron estudiantes universitarios8,9. Si bien las soluciones digitales disponibles comercialmente brindaron asistencia CAD a los dentistas para la preparación de inlays y onlays digitales, la mayoría de las implementaciones gratuitas o de código abierto se documentaron para dentaduras postizas y prótesis más grandes, a diferencia de PDC10,11. Además, la literatura sugirió que tanto los escáneres láser de escritorio como los escáneres intraorales eran dispositivos precisos por derecho propio y llevaban a cabo funciones específicas de manera efectiva12,13,14. Sin embargo, la documentación no especificaba el dispositivo ideal para registrar datos de entrada para registrar digitalmente preparaciones dentales con fines de PDC y aprendizaje automático. Teniendo en cuenta la literatura específica que falta, se analizaron y modificaron informes anteriores sobre diseño CAD de código abierto para desarrollar nuevos flujos de trabajo de reconstrucción adecuados para la investigación actual. Los flujos de trabajo se revisaron y simplificaron para eliminar la pronunciada curva de aprendizaje que comúnmente reportan los dentistas que dan la bienvenida a la digitalización clínica15,16,17. Por lo tanto, se consideró apropiado que los dentistas diseñaran los PDC digitales en CAD que luego se utilizarían en el proceso de aprendizaje automático.

Existen varios impedimentos asociados con la IA o cualquier otra tecnología introducida. El reciente desarrollo de tecnologías médicas y dentales ha sido costoso y estuvo acompañado de un cumplimiento y aceptación no especificados por parte de los pacientes entre los profesionales dentales18,19. Se ha demostrado que el aprendizaje automático y las redes neuronales tienen éxito a la hora de clasificar y agrupar datos en multitud de campos diferentes de la medicina y la odontología. En el pasado, ha habido algunos métodos documentados de detección de la preparación dental en los dientes a partir del análisis de imágenes radiográficas mediante aprendizaje profundo20. Sin embargo, la perspectiva de utilizar datos tridimensionales (3D) de preparaciones dentales parciales hasta ahora ha evadido las posibilidades de traslación con el aprendizaje automático médico 3D aún en su infancia21.

El estudio actual tuvo como objetivo generar un conjunto de datos de prótesis dentales 3D novedoso y preciso para fines de entrenamiento de redes neuronales convolucionales 3D (3D-CNN). Para generar un nuevo conjunto de datos protésicos, el primer desafío fue obtener escaneos precisos de los dientes preparados. Según experimentos anteriores, esto se puede lograr tanto con un sistema de escaneo láser de escritorio como con un escáner intraoral sin diferencias significativas en la topografía y precisión de la superficie12,13. Si bien ambos dispositivos utilizan sensores de imágenes, infrarrojos y láser para tomar miles de imágenes en una fracción de segundo y compilarlas en mallas 3D, la diferencia clave radica en el nivel de triangulación o aumento, siendo los escáneres intraorales los que proporcionan un mayor aumento12,13. Sin embargo, ningún estudio evaluó la precisión del sistema en coronas dentales parciales y, por lo tanto, en la fase 1, los dos sistemas se compararon virtualmente para determinar cuál de los dos generaba modelos 3D más precisos y relevantes para el diseño protésico actual.

El segundo desafío radica en que las prótesis dentales se pueden diseñar utilizando software comercial y gratuito, siendo las diferencias más destacadas la cantidad de características relevantes para la odontología y la facilidad de uso para el operador humano. Como ningún estudio previo documentó una comparación entre las dos opciones para coronas dentales parciales, en la fase 2, el estudio actual reclutó a dos dentistas sin experiencia previa en diseño asistido por computadora (CAD) y los capacitó en los flujos de trabajo para diseñar coronas dentales parciales en ambos lados. Sistema CAD gratuito y comercial. Los modelos 3D escaneados se ampliaron de acuerdo con las prácticas médicas de IA publicadas22 y se supermuestrearon para producir un conjunto de datos más grande.

Por lo tanto, el objetivo del presente estudio fue analizar diferentes flujos de trabajo digitales para identificar el flujo de trabajo más accesible que pueda generar datos digitales novedosos y precisos de coronas dentales parciales para fines de aprendizaje automático 3D. Se planteó la hipótesis de que los flujos de trabajo digitales podrían generar datos dentales precisos de coronas dentales parciales con fines de aprendizaje automático 3D utilizando los flujos de trabajo propuestos.

El desarrollo de la red neuronal convolucional fue posible utilizando modelos STL 3D de preparaciones dentales de coronas dentales parciales.

Se cumplieron todos los supuestos de normalidad y se realizó una prueba t de muestra independiente. No hubo diferencias significativas en el área de superficie [t-stat(df) = − 0,01 (10), diferencia de medias = − 0,058, P > 0,99] y volumen [t-stat(df) = 0,357(10), diferencia de medias = 21,25, P = 0,375]. Los valores de HD oscilaron entre -0,02 y 0,10 mm y el DSC entre 0,90 y 0,98. Los escaneos intraorales produjeron mayores detalles volumétricos (343,83 ± 43,52 mm3) en comparación con el escaneo láser de escritorio (322,70 ± 40,15 mm3).

Un ANOVA de 3 factores produjo diferencias significativas para MSA (F-stat = 111,28, P <0,001) (Tabla 1) y VV (F-stat = 112,91, P <0,001) (Tabla complementaria 1) cuando el tipo de prótesis fue un factor independiente. factor sin diferencias significativas en el resto de factores. No hubo efectos de interacción significativos entre los 3 factores independientes. Sin embargo, el flujo de trabajo 1 generó una superficie sustancialmente mayor (129,63–140,30 mm2) y volúmenes (38,20–39,16 mm3) para las incrustaciones para ambos operadores. Los análisis de HD (Tabla complementaria 2) y DSC (Tabla complementaria 3) demostraron interacciones intercambiables significativas entre el flujo de trabajo virtual, el operador clínico y el tipo de prótesis que se está diseñando. El flujo de trabajo 2 produjo un mayor DSC (0,85–0,95) para las incrustaciones. Un modelo 3D se corrompió digitalmente en el momento del análisis de superposición espacial y, por lo tanto, la malla y sus tres contrapartes generadas por los médicos de los otros flujos de trabajo se eliminaron antes de la evaluación estadística para mantener la integridad del informe.

El conjunto de datos de 30 muestras produjo una precisión de validación máxima del 60% al determinar el tipo de prótesis necesaria para cada preparación dental. Se observó una pérdida de validación de 0,8748 en el conjunto de datos de preparación de dientes y de 0,6832 en el conjunto de datos de prótesis. (Figura 1 complementaria) La sensibilidad fue de 1,00 para ambos conjuntos de datos; el conjunto de datos de preparación de dientes en 3D produjo una precisión de 0,50, mientras que las prótesis en 3D produjeron 0,83. Aparte de la precisión, cada indicador de precisión de la segmentación automática reveló una distinción entre los grupos que fue estadísticamente significativa (P <0,05).

El estudio actual tuvo como objetivo investigar los flujos de trabajo más confiables para generar datos 3D novedosos con fines de aprendizaje automático dental y posteriormente clasificar modelos 3D de coronas dentales parciales y sus preparaciones dentales entrenando el modelo utilizando conjuntos de datos médicos multidisciplinarios. Además, se trataba de validar una herramienta innovadora impulsada por IA para una automatización precisa y eficiente en el tiempo. Hasta donde saben los autores, este es el primer estudio que ha intentado dicho enfoque. La herramienta impulsada por IA demostró una alta precisión y un rendimiento rápido. Si bien ambos aparatos de escaneo en la fase 1 se consideran estándar para sus respectivas funciones según la literatura previa20,21, el estudio actual encontró diferencias sustanciales entre los escaneos intraorales y los escaneos de escritorio, lo que indica que los escaneos intraorales son más apropiados para detectar los ángulos de las líneas y las líneas de llegada en la dientes preparados. La fina capa de óxido de titanio aplicada puede haber afectado los resultados, pero se requiere una validación adicional para confirmar esta hipótesis. A diferencia de los conjuntos de datos radiómicos, donde la experiencia clínica es fundamental y dicta el éxito general del aprendizaje automático23, ambos flujos de trabajo en la fase 2 produjeron resultados respetables cuando fueron operados por 2 dentistas con poca o ninguna experiencia con CAD dental. sin embargo, la reconstrucción de superficies para incrustaciones y la resta booleana para onlays generaron resultados más confiables que respaldan el antiguo argumento de que el software comercial está altamente optimizado para detalles más pequeños, mientras que los proyectos de código abierto o apoyados por la multitud son más accesibles para el usuario para proyectos generales9,10.

Las métricas de precisión son ampliamente reconocidas para evaluar la calidad de la segmentación de la IA. Sin embargo, el tiempo como factor ha recibido menos atención a lo largo del proceso, lo que lo convierte en un factor de influencia fundamental a la hora de considerar su aplicabilidad y relevancia clínica. El estudio actual estuvo muy limitado por el tamaño del conjunto de datos original (n = 6) y el ajuste de los datos en la optimización de la memoria de la GPU. Las aplicaciones de redes neuronales 3D requieren importantes períodos de computación gráfica que aún se están optimizando para la inevitable era de la realidad aumentada y el metaverso virtual. Para abordar esto, se investigó el aprendizaje por transferencia de datos similares con técnicas sólidas como la aplicación de redes convolucionales 3D24,25. La falta de datos 3D para el aprendizaje automático en las ciencias de la restauración dental fomentó la transferencia del aprendizaje desde conjuntos de datos pulmonares multidisciplinarios para entrenar conjuntos de datos dentales más pequeños. El trabajo actual demostró que las imágenes 3D obtenidas a partir de datos de archivos .stl se pueden introducir directamente en un modelo de red neuronal 3D en lugar de considerar la información espacial 3D como una entrada apilada de métodos basados ​​en 2D26. Una precisión de validación del 60 % con una pérdida de validación (la suma de los errores cometidos para cada ejemplo en conjuntos de entrenamiento o validación) inferior a 1,00 en un conjunto de datos tan pequeño indicaría perspectivas prometedoras para un mayor desarrollo. El sobremuestreo de los datos en CAD para aumentar el tamaño de la muestra y la designación de diferentes profesionales para diseñar las prótesis ayudaron a introducir variaciones mínimas en las 6 muestras, lo que llevó a la producción de 120 muestras. Los estudios futuros con un mayor tamaño de muestra dental, con el modelo actual transferido a la red y la aplicación de las prometedoras redes generativas adversarias21 pueden potencialmente aumentar la precisión, reducir los problemas de sobreajuste y, al mismo tiempo, permitir clínicamente aplicaciones de aprendizaje automático más específicas en el diagnóstico dental y la planificación del tratamiento. .

Los hallazgos del informe actual sugieren que los modelos 3D STL de preparaciones dentales de coronas dentales parciales pueden analizarse y procesarse mediante redes neuronales. Sin embargo, el principal error identificado durante el proceso para todos los grupos evaluados fue casos de subestimación o subevaluación. Tales limitaciones pueden explicarse por la presencia de artefactos que pueden producir vóxeles falsos positivos más altos o ajustes amplios de parámetros que comúnmente acompañan a las redes neuronales27,28. Al mismo tiempo, es poco probable que estos errores tengan un impacto perjudicial en un escenario clínico y pueden implementarse en casos complejos y desafiantes.

La conversión de objetos sólidos en matrices de datos 3D crea la posibilidad de segmentación, clasificación y análisis de caries dentales, quistes orales y lesiones neoplásicas a partir de modelos generados directamente a partir de imágenes radiográficas 3D. Finalmente, la generación precisa de empastes y coronas a través de codificadores automáticos (es decir, redes neuronales que pueden comprimir y crear información significativa para decodificarla más adelante) se puede realizar simplemente analizando la cavidad misma, mitigando por completo la necesidad de intervención del operador en el diseño de la prótesis29. Con la disponibilidad de un conjunto de datos más grande y una carga de trabajo intensiva en gráficos reducida, el uso de codificadores automáticos y 3D-CNN puede potencialmente eliminar la necesidad de una costosa configuración de computadora para ejecutar aplicaciones de aprendizaje automático 3D y hacer que esta tecnología sea algo común.

Dentro de las limitaciones del estudio, los hallazgos del estudio in vitro actual son los siguientes:

Los escaneos intraorales pueden producir detalles de textura superficial más precisos de los dientes preparados para coronas dentales parciales que las imágenes 3D derivadas de un escáner láser.

El estudio demostró que los médicos no necesitan costosas configuraciones informáticas ni experiencia con CAD para diseñar prótesis de coronas virtuales que sean adecuadas para facilitar el aprendizaje automático.

El estudio sirve como prueba de concepto de que los flujos de trabajo CAD comerciales y de código abierto pueden procesar datos virtuales para preparaciones dentales que son aceptables para el aprendizaje automático en odontología restauradora.

El aprendizaje profundo 3D puede generar y predecir restauraciones de coronas dentales parciales apropiadas para las preparaciones dentales en odontología.

Este estudio se realizó de conformidad con la Declaración de Helsinki de la Asociación Médica Mundial sobre investigación médica. Se tomó el consentimiento informado de todos los sujetos que proporcionaron muestras de dientes. Todos los protocolos experimentales fueron aprobados por el Comité Ético Conjunto/Junta de Revisión Institucional de la Universidad Médica Internacional bajo el Proyecto No. 259/2020. El experimento actual se diseñó y ejecutó en 3 fases como se resume en la figura complementaria 2.

Se prepararon seis dientes naturales extraídos para restauraciones inlay y onlay siguiendo una metodología estandarizada. Se preparó una cavidad distal mesio-oclusal en las superficies proximales. La fresa se mantuvo a 90 grados con respecto al plano oclusal y ligeramente inclinada lateralmente. La fresa estaba en rotación cuando se aplicó y no detuvo la rotación hasta que se retiró del diente. La cresta marginal se adelgazó antes de caer en la caja proximal. Para el segmento oclusal, las líneas y los ángulos de punta se definieron con las paredes vestibular y lingual paralelas entre sí y a 90 grados con respecto al plano oclusal. Las paredes mesial y distal eran pulpo-oclusales divergentes. La fresa se movió facial y lingualmente a lo largo de la unión amelodentinaria y se orientó según las direcciones de la pared proximal. Los márgenes gingivales se ampliaron gingivalmente30. Los dientes preparados se recubrieron con un aerosol de dióxido de titanio para reducir el reflejo superficial de la luz ambiental durante el escaneo31,32.

Cada preparación se escaneó una vez utilizando un escáner intraoral (3Shape; Trios) y una vez utilizando un escáner láser de escritorio (3D Scanner Ultra HD; Next Engine Santa Monica). Los escaneos se exportaron como archivos de lenguaje de teselación estándar (STL) y se evaluaron virtualmente cuantitativamente en busca de semejanza en el contorno de la superficie, similitudes geométricas y volumétricas midiendo cuatro parámetros separados33,34: área de superficie de malla (MSA), volumen virtual (VV), distancia de Hausdorff ( HD) y coeficiente de similitud de dados (DSC). MSA evaluó el contorno de la superficie, VV midió las similitudes volumétricas, HD dividió los dos objetos en puntos y midió el número de desajustes entre puntos mientras que DSC midió la superposición espacial volumétrica entre los dos objetos. Para la fase 2 se seleccionó el método de escaneo que produjo los mejores resultados visuales (Figura 3 complementaria) y cuantitativos.

Las preparaciones dentales se clasificaron según el tipo de restauración (incrustación u onlay) y se desarrollaron dos flujos de trabajo para cada categoría de restauración: Flujo de trabajo 1: software comercial de grado médico (3matics; Materialise NV); Flujo de trabajo 2: software gratuito (Meshmixer; Autodesk Inc). Las incrustaciones para software comercial de grado médico se diseñaron siguiendo los principios de "construcción de superficies" (Fig. 1), como se documenta en literatura previa11,35. El diseño de incrustaciones para software libre (Fig. 4 complementaria) y los diseños de incrustaciones para software comercial (Fig. 2) y gratuito (Fig. 5 complementaria) siguieron los principios de 'resta booleana', como se documentó previamente36. Se obtuvieron plantillas de coronas virtuales a partir de restauraciones físicas escaneadas sobre modelos dentales y se utilizaron para reconstruir las cúspides incrustadas9,10,37.

Flujo de trabajo 1 para el diseño de incrustaciones con los comandos respectivos: (A) modelo 3D cargado en 3-matics, (B) análisis de curvatura y creación de curvas en la superficie del modelo, (C) función de reconstrucción de la superficie para salvar el defecto, (D) ahuecar el modelo y recortar hacia abajo, (E) recorte manual de segmentos aislados, (F) aplicar la función de envoltura, G) recortar manualmente después de envolver, (H) recortar manualmente cualquier saliente, (I) verificar el ajuste en el modelo de preparación 3D, (J) suavizar los bordes , (K) envoltura final y aplicación de la función de reparación automática para corregir cualquier defecto, (L) salida final.

Flujo de trabajo 1 para el diseño de incrustaciones: (A) importar la preparación dental 3D, (B) superponer la plantilla de la corona, (C) importar y escalar la plantilla del bloque, (D) realizar la unión booleana, (E) recortar el exceso, (F) verificar el contorno para ver si sobresale , (G) realizar una intersección booleana, (H) eliminar el exceso, (I) contornear los bordes, (J) dar forma a la corona mediante recorte manual, (K) suavizar los bordes, (L) esculpir y alisar.

El proceso y los comandos para las restauraciones en ambos flujos de trabajo se grabaron en video utilizando plantillas de coronas de práctica con poco detalle y se documentaron en texto (archivo complementario). Los vídeos y los archivos de plantilla se proporcionaron a dos dentistas sin experiencia previa en rehabilitación basada en CAD para compensar posibles sesgos dependientes del operador36. Los dentistas practicaron la rehabilitación digital utilizando las plantillas a su conveniencia durante una semana antes de conocer las plantillas de coronas reales seleccionadas y diseñadas por un prostodoncista certificado. Este proceso se siguió para desalentar la fatiga inducida por la familiaridad memorizada38. Las seis muestras fueron sobremuestreadas digitalmente cinco veces introduciendo variaciones incrementales en el tamaño y la profundidad de la preparación de los dientes para facilitar un modelo de aprendizaje automático entrenado utilizando una variación mayor en las preparaciones de los dientes. Esto dio como resultado 30 muestras (Figura complementaria 6) asignadas a cada flujo de trabajo, lo que produjo 120 muestras (60 de cada dentista). Esta tarea intensiva de sobremuestreo de gráficos se llevó a cabo en una computadora (ROG Flow X13; Asus) con un procesador AMD Ryzen 7 5800HS, 16 GB de RAM, gráficos dedicados de diseño NVIDIA GTX 1650 max-Q y una potencia de diseño térmico (TDP) de 30 W. Sin embargo, para estandarizar la evaluación y mantenerla prácticamente relevante, ambos profesionales diseñaron todas las prótesis en una computadora personal (Idea pad Flex 5; Lenovo) con un procesador Intel Core i5 1135g7, 8 GB de RAM y 512 GB de NVM. Unidad de estado sólido, sin GPU dedicada y un TDP de 15 W, lo que refleja una computadora portátil promedio moderna de 2022. Se evaluaron los flujos de trabajo con los valores MSA, VV, HD y DSC más consistentes y favorables, y se evaluaron los flujos de trabajo con mejor rendimiento. según lo determinado por una mayor superficie, similitudes volumétricas y superposición espacial, se seleccionaron para entrenar el modelo de aprendizaje automático en la Fase 3.

Se seleccionaron 30 muestras y sus correspondientes restauraciones de los mejores flujos de trabajo para la aplicación de aprendizaje por transferencia y aprendizaje automático y se cortaron en segmentos 2D (Figura complementaria 7) y luego se agregaron a una matriz 3D legible. Una red neuronal convolucional (CNN) 3D de 17 capas de cuatro capas 3D implementada con un tamaño de núcleo de 3 × 3 × 339. La CNN de 17 capas tenía un bloque de extracción de características congelado que constaba de 13 capas y un bloque de clasificación que constaba de cuatro capas. . Las dos primeras capas consistieron en 64–128 y 256 filtros con cada capa CNN seguida de una capa de grupo máximo de 2 pasos y una activación ReLU que termina con una capa de normalización por lotes (BN). El bloque de clasificación tenía 512 neuronas de una capa densa 'Aplanar' seguida de una capa de 60% de 'Abandono' y finalmente una capa 'SoftMax'. El conjunto de datos principal para el entrenamiento se obtuvo del conjunto de datos Image CLEF Tuberculosis 201940 y se congeló después de obtener una precisión de validación del 73,3 %. Se transfirieron 132.097 parámetros entrenables para entrenar el conjunto de datos actual. El conjunto de datos dentales se dividió en una proporción de 2:1 para capacitación y validación. El entrenamiento se realizó durante 100 épocas con un conjunto de terminaciones planificadas en caso de que la precisión de la validación no mejore más allá de 15 épocas. La red 3D desarrollada se destaca en la Fig. 3.

La red neuronal 3D.

La estimación del tamaño de la muestra para una evaluación saludable de MSA, VV, HD y DSC se realizó utilizando G*Power41. Un tamaño de efecto grande f = 0,40, α = 0,05, potencia = 0,85 determinó un tamaño de muestra mínimo de 108 muestras digitales. Se aplicó un análisis de varianza de tres vías (ANOVA) con comparación por pares y efectos de interacción a MSA, VV, HD y DSC con el fin de determinar los mejores resultados de la Fase 2 a partir de 116 muestras. Esto se llevó a cabo utilizando un software estadístico (SPSS, IBM Corp.)

Los datos que respaldan los hallazgos de este estudio están disponibles en el artículo y en su archivo de información complementaria. Los datos originales se proporcionan con este documento.

Moor, J. La conferencia sobre inteligencia artificial de Dartmouth College: los próximos cincuenta años. Revista AI. 27, 87 (2006).

Google Académico

Mupparapu, M., Wu, C.-W. y Chen, Y.-C. Inteligencia artificial, aprendizaje automático, redes neuronales y aprendizaje profundo: conceptos futuristas para un nuevo diagnóstico dental. Quintaesencia Int. 49, 687–688 (2018).

Google Académico

Hamet, P. & Tremblay, J. Inteligencia artificial en medicina. Metabolismo 69, S36 – S40 (2017).

Artículo CAS Google Scholar

Ivanov, SH, Webster, C. & Berezina, K. Adopción de robots y automatización de servicios por parte de empresas de turismo y hostelería. Revista Turismo & Desenvolvimento 27, 1501–1517 (2017).

Google Académico

Grischke, J., Johannsmeier, L., Eich, L. & Haddadin, S. Dentronics: Revisión, primeros conceptos y estudio piloto de un nuevo dominio de aplicación para robots colaborativos en asistencia dental. En 2019 Conferencia Internacional sobre Robótica y Automatización (ICRA) 6525–6532 (IEEE, 2019).

Farook, TH, Jamayet, NB, Abdullah, JY y Alam, MK Aprendizaje automático y diagnóstico inteligente en el manejo del dolor dental y orofacial: una revisión sistemática. Dolor Res. Gestionar. 2021, 6659133 (2021).

Artículo de Google Scholar

Zhang, B., Dai, N., Tian, ​​S., Yuan, F. y Yu, Q. El método de extracción de la línea de margen de preparación del diente basado en S-Octree CNN. En t. J. Número. Métodos Biomédicos. Ing. 35, e3241 (2019).

Artículo de Google Scholar

Dudley, J. Comparación de reducciones de dientes coronales resultantes de diferentes preparaciones de coronas. En t. J. Prostodoncista. 31, 142-144 (2018).

Artículo de Google Scholar

Tran, J., Dudley, J. y Richards, L. Preparaciones de coronas totalmente cerámicas: una técnica alternativa. Agosto. Mella. J. 62, 65–70 (2017).

Artículo CAS Google Scholar

Farook, TH, Barman, A., Abdullah, JY y Jamayet, NB Optimización de modelos protésicos diseñados asistidos por computadora: una evaluación virtual de la reducción de la calidad de la malla utilizando software de código abierto. J. Prostodoncista. 30, 420–429 (2021).

Artículo de Google Scholar

Farook, TH y cols. Desarrollo y validación virtual de un nuevo flujo de trabajo digital para rehabilitar defectos palatinos mediante el uso de estereofotogrametría integrada en teléfonos inteligentes (SPINS). Ciencia. Representante 11, 1-10 (2021).

Artículo de Google Scholar

Bohner, L. y col. Precisión de las tecnologías digitales para el escaneo de tejidos faciales, esqueléticos e intraorales: una revisión sistemática. J. Prótesis. Mella. 121, 246–251 (2019).

Artículo de Google Scholar

Patzelt, SBM, Emmanouilidi, A., Stampf, S., Strub, JR y Att, W. Precisión de las exploraciones de arcada completa mediante escáneres intraorales. Clínico. Investigación oral. 18, 1687–1694 (2014).

Artículo de Google Scholar

Patil, PG & Lim, HF El uso de escaneo intraoral y modelos impresos en 3D para facilitar la fabricación y adaptación de una nueva corona de metal-cerámica que soporta una dentadura postiza parcial removible existente. J. Prótesis. Mella. (2021).

Kuo, R.-F., Fang, K.-M. y Su, F.-C. Tecnologías y flujos de trabajo de código abierto en odontología digital. En Interface Oral Health Science 2016 (eds Sasaki, K. et al.) 165–171 (Springer, 2017).

Capítulo Google Scholar

Jokstad, A. Tecnologías asistidas por computadora utilizadas en rehabilitación oral y documentación clínica de supuestas ventajas: una revisión sistemática. J. Rehabilitación bucal. 44, 261–290 (2017).

Artículo CAS Google Scholar

Khanagar, SB y cols. Desarrollos, aplicación y desempeño de la inteligencia artificial en odontología: una revisión sistemática. J. Dent. Ciencia. 16, 508–522 (2021).

Artículo de Google Scholar

Milner, MN y cols. Percepciones de los pacientes sobre las nuevas tecnologías robóticas en odontología restauradora clínica. J. Med. Sistema. 44, 1-10 (2020).

Artículo de Google Scholar

Jeelani, S. y col. Robótica y medicina: un arcoíris científico en el hospital. J. Farmacéutica. Ciencia bioaliada. 7, S381 (2015).

Artículo CAS Google Scholar

Lee, J.-H., Kim, D.-H., Jeong, S.-N. y Choi, S.-H. Detección y diagnóstico de caries dental mediante un algoritmo de red neuronal convolucional basado en aprendizaje profundo. J. Dent. 77, 106-111 (2018).

Artículo de Google Scholar

Tian, ​​S. y col. DCPR-GAN: Restauración de prótesis de corona dental utilizando redes generativas adversarias de dos etapas. IEEE J. Biomed. Salud. Informar. 26, 151-160 (2021).

Artículo de Google Scholar

Chlap, P. y col. Una revisión de las técnicas de aumento de datos de imágenes médicas para aplicaciones de aprendizaje profundo. J. Med. Radiación de imágenes. Oncol. 65, 545–563 (2021).

Artículo de Google Scholar

Nozawa, M. y col. Segmentación automática del disco de la articulación temporomandibular en imágenes de resonancia magnética mediante una técnica de aprendizaje profundo. Dentomaxilofac. Radiol. 51, 20210185 (2022).

Artículo de Google Scholar

Pan, SJ y Yang, Q. Una encuesta sobre el aprendizaje por transferencia. Traducción IEEE. Conocimiento. Ing. de datos. 22, 1345-1359 (2009).

Artículo de Google Scholar

Tran, D., Bourdev, L., Fergus, R., Torresani, L. y Paluri, M. Aprendizaje de características espaciotemporales con redes convolucionales 3D. En Actas de la Conferencia Internacional IEEE sobre Visión por Computadora 4489–4497 (2015).

Zheng, G. Incorporación eficaz de información espacial en un registro 3D-2D basado en información mutua de un volumen de TC en imágenes de rayos X. Computadora. Medicina. Gráfico de imágenes. 34, 553–562 (2010).

Artículo de Google Scholar

Leite, AF y cols. Nueva herramienta impulsada por inteligencia artificial para la detección y segmentación de dientes en radiografías panorámicas. Clínico. Investigación oral. 25, 2257–2267 (2021).

Artículo de Google Scholar

Kareem, SA, Pozos-Parra, P. & Wilson, N. Una aplicación de la fusión de creencias para el diagnóstico del cáncer oral. Aplica. Computación suave. 61, 1105-1112 (2017).

Artículo de Google Scholar

Bank, D., Koenigstein, N. y Giryes, R. Autoencoders. Preimpresión de arXiv arXiv:2003.05991 (2020).

Ritter, libro electrónico sobre el arte y la ciencia de la odontología operatoria de AV Sturdevant (Elsevier Health Sciences, 2017).

Google Académico

Rashid, F. y otros. Variaciones de color durante la obtención de imágenes digitales de prótesis faciales sometidas a luz ambiental sin filtrar y técnicas de calibración de imágenes dentro de clínicas dentales: un análisis in vitro. MÁS UNO 17, e0273029 (2022).

Artículo CAS Google Scholar

Rashid, F. y otros. Factores que afectan la estabilidad del color del elastómero de silicona protésico maxilofacial: una revisión sistemática y un metanálisis. J. Elastom. Plast. 53, 698–754 (2021).

Artículo CAS Google Scholar

Farook, TH, Abdullah, JY, Jamayet, NB & Alam, MK Porcentaje de reducción de malla apropiado para diseñar prótesis de obturador digital en computadoras personales. J. Prótesis. Mella. 128, 219–224. https://doi.org/10.1016/j.prosdent.2020.07.039 (2020).

Artículo de Google Scholar

Jamayet, NB, Farook, TH, Ayman, A.-O., Johari, Y. & Patil, PG Flujo de trabajo digital y validación virtual de un obturador hueco definitivo impreso en 3D para un defecto palatino grande. J. Prótesis. Mella. (2021).

Beh, YH et al. Evaluación de las diferencias entre los modelos desarrollados convencional y digitalmente utilizados para la rehabilitación protésica en un caso de fisura palatina no tratada. Craniofac del paladar hendido. J. 58, 386–390 (2020).

Artículo de Google Scholar

Farook, TH y cols. Diseño de plantillas protésicas 3D para la rehabilitación de defectos maxilofaciales: un análisis comparativo de diferentes flujos de trabajo virtuales. Computadora. Biol. Medicina. 118, 103646 (2020).

Artículo CAS Google Scholar

Paulus, D., Wolf, M., Meller, S. y Niemann, H. Visión por computadora tridimensional para restauración dental. Med Imagen Anal 3, 1-19 (1999).

Artículo CAS Google Scholar

Rystedt, H., Reit, C., Johansson, E. y Lindwall, O. Ver a través de los ojos del dentista: demostraciones clínicas basadas en videos en la formación dental preclínica. J. Dent. Educativo. 77, 1629-1638 (2013).

Artículo de Google Scholar

Zunair, H., Rahman, A., Mohammed, N. y Cohen, JP Técnicas de uniformización para procesar tomografías computarizadas con CNN 3D para la predicción de la tuberculosis. En Taller internacional sobre inteligencia predictiva en medicina 156–168 (Springer, 2020).

Cid, YD et al. Descripción general de ImageCLEFtuberculosis 2019: generación automática de informes basados ​​en TC y evaluación de la gravedad de la tuberculosis. En CLEF (Notas de trabajo) (2019).

Faul, F., Erdfelder, E., Lang, A.-G. & Buchner, A. G* Power 3: Un programa flexible de análisis de poder estadístico para las ciencias sociales, del comportamiento y biomédicas. Métodos Behav Res 39, 175–191 (2007).

Artículo de Google Scholar

Descargar referencias

El Dr. Taseef Farook recibió la beca de investigación de la Universidad de Adelaida. Los autores agradecen a la Sra. Suzana Yahya y al Dr. Johari Yap Abdullah de la Universiti Sains Malaysia por facilitar el procedimiento de escaneo láser.

Facultad de Odontología de Adelaida, Universidad de Adelaida, Adelaida, Australia Meridional, Australia

Taseef Hasan Farook y James Dudley

Departamento de Ingeniería Eléctrica e Informática, Universidad Norte Sur, Dhaka, Bangladesh

Saif Ahmed y Awsaf Mahmood Lisan

División de Odontología Restauradora, Facultad de Odontología, Universidad Médica Internacional Kuala Lumpur, 126, Jalan Jalil Perkasa 19, Bukit Jalil, 57000, Bukit Jalil, Territorio Federal de Kuala Lumpur, Malasia

Nafij Bin Jamayet, Preena Sidhu, Pravinkumar Patil y Umer Daood

Facultad de Ciencias Odontológicas, Universiti Sains Malaysia, 16150, Kota Bharu, Kelantan, Malasia

Farah Rashid, Aparna Barman y Sumaya Zabin Eusufzai

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Idea de estudio y conceptualización del diseño: NBJ, THF, UMD; Diseño de la metodología del estudio: THF, SA, PRS, PK; Síntesis de datos digitales: THF, FR, AB, SA, AML; Análisis de datos: FR, AB, SA, PK; Análisis estadísticos: FR, AB, PRS, AML; Formulación de datos complementarios: FR, AB; Validación de datos: THF, SA, SZ; Redacción de manuscritos: THF, JD, PK, SZ; Revisión de manuscritos: NBJ, JD, UMD, SZ; Aprobación final para la presentación: NBJ, JD, UMD

Correspondencia a Umer Daood.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Farook, TH, Ahmed, S., Jamayet, NB et al. Diseño asistido por computadora y red neuronal artificial/convolucional tridimensional para la síntesis y validación digital de coronas dentales parciales. Informe científico 13, 1561 (2023). https://doi.org/10.1038/s41598-023-28442-1

Descargar cita

Recibido: 24 de octubre de 2022

Aceptado: 18 de enero de 2023

Publicado: 28 de enero de 2023

DOI: https://doi.org/10.1038/s41598-023-28442-1

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.