Upotreba strojnog učenja za analizu geometrije CAD modela dentalnih individualnih nadogradnji

master's thesis

• Title (english): Utilizing machine learning for analysis of geometry in CAD models of dental individual abutments
• Author: Marko Brnčić
• Mentor: Stanko Škec (mentor)
• Granter: University of Zagreb; Faculty of Mechanical Engineering and Naval Architecture; Zagreb
• Defense date and country: 2024-07-15, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing; Artificial Intelligence

Abstract

Dentalne nadogradnje su komponente koje se koriste u dentalnoj implantologiji. One se pričvršćuju na dentalni implantat ugrađen u kost lubanje ili čeljusti pacijenta, a protetski nadomjestak se zatim pričvršćuje na nadogradnju. Na uspješnost implantološke terapije utječe svaka korištena komponenta, pa tako i dentalna nadogradnja. Individualne dentalne nadogradnje, prilagođene pojedinačnim pacijentima, pokazuju bolja mehanička svojstva i dosjedanje na zubno meso od standardiziranih, konfekcijskih nadogradnji. Za bolje razumijevanje uspješnosti terapija s individualnim dentalnim nadogradnjama važno je analizirati njihovu geometriju radi boljeg razumijevanja značaja njihove geometrije.
Nenadziranim strojnim učenjem može se analizirati geometrija individualnih dentalnih nadogradnji bez ljudske pristranosti. Iako je strojno učenje uspješno implementirano u različitim područjima, njegova primjena na 3D modelima je i dalje ograničena zbog neujednačene diskretizacije podataka i manjka označenih skupova podataka. 3D modeli su uobičajeno opisani oblakom točaka ili mrežastim modelima, a strojno učenje se često radi s voxel modelima zbog ujednačene diskretizacije podataka.
Individualne dentalne nadogradnje pogodni su kandidati za analizu nenadziranim strojnim učenjem kako bi se pojednostavio proces konstruiranja. Ovaj rad primjenjuje nekoliko ML metoda za analizu geometrije individualnih dentalnih nadogradnji koristeći nenadzirano učenje s voxel modelima nadogradnji.
Korištene su tri metode strojnog učenja bez nadzora: K-Means za segmentaciju, konvolucijski autoenkoder za rekonstrukciju i kodiranje, te analiza glavnih komponenti i K-Means za klasifikaciju individualnih dentalnih nadogradnji. K-Means je učinkovito segmentirao nadogradnje u dijelove, ali je imao poteškoća sa širim koronalnim dijelovima. Analiza glavnih komponenata i K-Means su identificirali važne značajke individualnih dentalnih nadogradnji, te su ih klasificirali u šest kategorija. Konvolucijski autoenkoder je generirao kodiranu reprezentaciju od 16 vrijednosti, što je omogućilo klasifikaciju, ali je kvaliteta rekonstrukcija varirala. Individualne dentalne nadogradnje pretkutnjaka i kutnjaka imaju bolje rekonstrukcije od nadogradnji sjekutića i očnjaka. Ovi rezultati pokazuju potencijal za automatizaciju označavanja i pojednostavljenje konstruiranja individualnih dentalnih nadogradnji nenadziranim strojnim učenjem.

Abstract (english)

Dental abutments are components used in dental implantology. They attach to a dental implant embedded in the patient's skull or jawbone, and a prosthetic restoration is then attached to the abutment. Each component used in implantology, including dental abutments, affects the success of implant therapy. Custom dental abutments, tailored to individual patients, exhibit better mechanical properties and fit compared to standardised, stock abutments. Analysing the geometry of custom dental abutments is a crucial step in achieving a better understanding of how the geometry affects therapeutic success.
Unsupervised machine learning can analyse the geometry of custom dental abutments without human bias. Although machine learning has been successfully implemented in various fields, its applications with 3D models remain limited due to irregular data discretisation and insufficient labeled datasets. 3D models are typically described by point clouds or meshes, but machine learning often works with voxel models due to their uniform data discretisation.
Custom dental abutments are suitable candidates for analysis using unsupervised machine learning to simplify their design process. This study applies several unsupervised machine learning methods to voxel models of custom dental abutments in order to analyse their geometry.
Three unsupervised machine learning methods were used: K-Means for segmentation, a convolutional autoencoder for reconstruction and encoding, and principal component analysis combined with K-Means for the classification of custom dental abutments. K-Means effectively segmented abutments into sections but struggled with wider coronal sections. Principal component analysis combined with K-Means identified important features of custom dental abutments and classified them into six categories. The convolutional autoencoder generated a 16-value encoded representation, enabling classification, though the quality of reconstructions varied. Custom abutments for premolars and molars had better reconstructions than those for incisors and canines. These findings indicate the potential for automating the labelling and simplifying the design of custom dental abutments through unsupervised ML.

• Keywords: individualne dentalne nadogradnje; strojno učenje; nenadzirano strojno učenje; analiza geometrije
• Keywords (english): individual dental abutments; machine learning; unsupervised machine learning; geometry analysis
• Language: croatian
• URN:NBN: urn:nbn:hr:235:762926
• Study programme: Title: Mechanical Engineering; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka strojarstva (magistar/magistra inženjer/inženjerka strojarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Embargoed access; Embargo expiration date: 2026-07-11
• Created on: 2024-07-10 21:23:48