Entwicklung eines robusten Verfahrens zur Farbbestimmung von Zähnen auf Basis spektraler Daten

Abstract

In der heutigen Gesellschaft hat das Aussehen einen immer größeren Stellenwert. Entsprechend kritisch werden deshalb unpassende Farbausprägungen beim Zahnersatz gesehen. In der Praxis wird die Zahnfarbe hierfür meist visuell mithilfe von Farbringen bestimmt, was jedoch fehleranfällig ist. Diese Arbeit befasst sich deshalb mit der Entwicklung eines Verfahrens zur automatischen Bestimmung der Zahnfarbe mit Hilfe spektraler Messdaten sowie der Integration in den spektralen Smart-Sensor VITA Easyshade. Kernelement ist die Entwicklung eines mehrstufigen Prognosemodells für die Zahnfarbe auf Basis von künstlichen Neuronalen Netzen, welches anhand realer Messdaten trainiert wird. Als vorgelagertes Verfahren wurde ausserdem eine Methode entwickelt, um die realen Messdaten hinsichtlich Ihrer Tauglichkeit für das Modelltraining automatisch zu bewerten und inkonsistente Daten ausschleusen zu können. Zur Steigerung der Ergebnisqualität wurde für die Prognoseergebnisse zudem einePlausibilitätsprüfung durch Nachbarschaften im Farbraum konzipiert und umgesetzt. Zur Evaluierung der ausgewählten Lösungsansätze konnte im Rahmen der Arbeit auf fast 4000 spektrale Messungen an Zähnen von Probanden zurückgegriffen werden. Die Validierung des Verfahrens zeigte, dass anhand definierter Kriterien die Prognosegüte im Vergleich zu herkömmlichen Verfahren um knapp 40% gesteigert werden konnte.

In contemporary society the appearance becomes more and more important. Accordingly, inappropriate color characteristics of dentures are critical. In practice, shade is usually determined by using color rings. But this is highly error-prone. This work deals with the development of a method for automatic determination of tooth color using spectral data and its integration in the spectral Smart Sensor VITA Easyshade. The core element is the implementation of a multi-stage predictive model for the tooth color on the basis of artificial neural networks. The model is trained by means of real measurement data. As preliminary process a method has been developed to evaluate the real data also regarding their suitability for training the model. Moreover an automatic eject rejection of inconsistent data can be done. To increase the prediction quality a method was designed and implemented to perform a plausibility check through neighborhoods in the color space. For the evaluation ofthe selected solutions almost 4000 spectral measurements of teeth from volunteers have been acquired. The validation of the method showed that the prediction accuracy could be raised by almost 40%, compared to conventional methods.