PerioScan- Ein neuartiges Dentalgerät mit Fuzzy-Klassifikator

Jens Strackeljan(1), Bernd Oehme(2), Dietrich Behr(3), Ralf Sutter(2), Thomas Kocher(4), Grit Meissner(4)

(1)Otto-von-Guericke-Universität Magdeburg, Institut für Mechanik jens.jtrackeljan@ovgu.de

(2)Sirona Dental Systems GmbH, bernd.oehme{ralf.sutter}@sirona.de (3)TU Clausthal, Institut für Technische Mechanik, dietrich.behr@t-online.de

(4)Ernst-Moritz-Arndt Universität Greifswald, Abteilung Parodontologie Zentrum ZMK kocher{gritt.meissner}@uni-greifswald.de

Abstract: In diesem Beitrag wird ein neuartiges Dentalgerät zur automatischen Erkennung von Zahnoberflächen vorgestellt, das seit 2007 auf dem Markt ist und als bisher einziges Gerät diese Art über einen Klassifikator zur automatisierten Oberflächenerkennung verfügt und damit als Kombinationsgerät zur Diagnose und Therapie eingesetzt werden kann. Es werden neben den medizinischen Grundlagen auch diejenigen Kriterien beschrieben, die für die Auswahl des implementierten Klassifikationsalgorithmus maßgeblich waren.

1 Einleitung

1.1 Medizinische Problemstellung Die Entzündungen des Zahnfleisches und des Zahnhalteapparats, die Gingivitis und die Parodontitis, und nicht etwa die kariöse Erkrankung, ist bei Erwachsenen ab der zweiten Hälfte des dritten Lebensjahrzehntes die Hauptursache für den Verlust von Zähnen [GLO98]. Bei einem gesunden Zahn ist die Zahnwurzel komplett durch das Zahnfleisch, die Gingiva, verborgen. Diese liegt ohne Zwischenraum an der Wurzel an. Die Grenze zwischen dem Schmelz, der die Zahnkrone bildet, und der Zahnwurzel wird durch die Oberkante des Zahnfleisches gebildet. Immer vorhandene Nährstoffe regen das Wachstum von Bakterien an, die gemeinsam mit Essensresten einen weichen Belag auf der Zahnoberfläche bilden, der als Plaque oder auch Biofilm bezeichnet wird. Ohne eine Entfernung dieses Belages im Rahmen der persönlichen Mundhygiene, mineralisiert er

Veröffentlicht in: Information-Mining und Wissensmanagement in Wissenschaft und Technik, Tagungsband AFN-Symposium 2008, ISBN 978-3-89720-947-3, S. 66-84  

innerhalb von zwei Tagen aus und bildet eine dreidimensionale feste Topologie, an der weitere Ablagerungen, bzw. Organismen ansetzen können [PLA98]. Die ersten Mineralisierungen setzen oberhalb des Zahn-fleischsaumes an. Man spricht dann von Zahnstein oder supragingivalen Ablagerungen. Durch die hohe Konzentration von Bakterien und anderen Keimen und durch die Ausschüttung von toxischen Stoffwechselprodukten kommt es zu einer körpereigenen Immunantwort; es bildet sich eine Ent-zündung des Zahnfleisches (Gingivitis). Hervorgerufen durch diese Prozesse löst sich das Zahnfleisch von der Wurzel, so dass es zur Bildung einer so genannten Zahnfleischtasche kommt, in der durch weitere Ab-lagerungen der Prozess weitergeführt wird und sich Konkremente bilden. Neben der schon angesprochenen persönlichen Mundhygiene besteht die Haupttherapieform in der Entfernung der mineralisierten Ablagerungen und der vorhandenen Plaque in  regelmäßigen, meist halbjährlichen Zeit-abständen. Die vollständige Reinigung der freiliegenden Wurzeloberfläche ist dabei eine unabdingbare Voraussetzung, damit sich die Entzündung wieder zurückbilden und der Zahn langfristig erhalten werden kann. Eine heute anerkannte Reinigungsmethode der Zahnoberfläche erfolgt mit Hilfe von piezogetriebenen Ultraschallinstrumenten, den so genannten Ultraschallscalern. Bei diesen handgehaltenen Instrumenten wird durch eine an Piezokeramiken angelegte hochfrequente Wechselspannung Ultraschall im Bereich von 30 kHz erzeugt und über mechanische Amplitudenverstärker auf eine dünne Arbeitsspitze übertragen. Mit diesem schwingenden Werkzeug werden die Oberflächen gereinigt und geglättet. Erst nach der vollständigen Entfernung der mineralisierten Ablagerungen und aller weiteren weichen Beläge kann eine Wundheilung einsetzen.

1.2 Nachteile der beschriebenen Behandlungsmethode Die Reinigung der Wurzeloberfläche mit Hilfe der Ultraschallscaler erfolgt in der Regel ohne operatives Öffnen der Zahnfleischtasche und damit ohne Sicht und visuelle Rückmeldung für den Behandler. Durch das Fehlen einer (visuellen) Rückkopplung besteht sowohl das Risiko, dass eine schon gereinigte Wurzeloberfläche weiter bearbeitet wird (Übertherapie), als auch die Gefahr, dass Konkremente "übersehen" werden (Untertherapie) [KOC97]. Übertherapie bedeutet, dass auch gesunde Zahnhartsubstanz durch die mit hohen Beschleunigungen schwingenden Arbeitsspitze geschädigt und abgetragen wird (Abb. 2). Dagegen bedeutet Untertherapie, dass nicht alle Ablagerungen abgetragen wurden und damit die entzündlichen Prozesse an dieser Stelle nicht gestoppt werden. Das

„Übersehen“ von ungereinigten Stellen liegt neben der teilweise ein-geschränkten Zugänglichkeit des Mundraumes auch im Trainingszustand des Behandlers begründet [KOC97]. Ein geübter Behandler bearbeitet systematischer die Wurzeloberfläche und erreicht einen größeren Anteil an subgingivalen Konkrementen. Studien haben eine Erkennungsrate für Konkrement von ca. 25 % ergeben.

Abb. 1 rechts: Raue Zahnoberflächen werden gesäubert und geglättet; Beispiel an einem extrahierten Zahn in vitro. links: Schädigungsriefen durch Übertherapie.

1.3 Stand der Technik: Geräte zur Erkennung von subgingivalen Konkrementen

Es ist klar erkennbar, dass es zur Unterstützung der Therapiekontrolle hilfreich wäre, dem Behandler ein System zur Verfügung zu stellen, das objektiv verbliebene Konkremente auf der Wurzeloberfläche erkennen kann. Zurzeit existieren neben taktilen händisch geführten Drahtsonden einige Geräte, die bei der Kontrolle der Behandlung unterstützende Dienste leisten. Das System DetekTar der Firma Ultradent Products beruht darauf, dass subgingivale Ablagerungen in bestimmten Frequenzbereichen ein optisch anderes Reflexionsverhalten zeigen als saubere Wurzelstellen. Alle Systeme, die ausschließlich dazu dienen, das Vorhandensein von Ablagerungen zu detektieren, besitzen aber den Nachteil, dass beim Wechsel vom Diagnose- hin zum Therapieinstrument ein Positionierungs-fehler im Bereich einigen Millimetern entstehen kann. Trotz erfolgreicher Diagnose schlägt die Therapie dann fehl. Allein aus dem letztgenannten Grund ist es wünschenswert, wenn die Sicherheit der Behandlung dadurch gesteigert werden könnte, dass Therapie und Diagnose mit demselben

Instrument durchgeführt würde, ohne dass die zu behandelnde Stelle verlassen werden muss. Im oberen Preissegment existiert bereits ein solches System in Form eines rückgekoppelten Lasers, der auf der Basis der Fluoreszenz von Bakterien beruht, die sich in den Ablagerungen befinden.

Im Laufe einer langjährigen Entwicklungsarbeit zwischen der Firma Sirona Dental Systems, Bensheim, der Abteilung Technische Mechanik an der Technischen Universität Clausthal, dem Institut für Mechanik der Otto-von-Guericke-Universität Magdeburg und an der Zahnklinik der Universität Greifswald in der Abteilung für Parodontologie wurde ein preisgünstigeres System auf Basis eines bereits vorhandenen Ultraschallscalers entwickelt, bei dem das Therapieinstrument gleichzeitig als Diagnoseinstrument einsetzbar ist. Die Konzeptidee und technische Realsierungen in unterschiedliche Entwicklungsstufen wurden bereits in einigen Veröffentlichung beschrieben [KOC00][OEH04a][MEI036a,b] [DOB04][MEI05][MEI06a,b] etc. und waren auch schon Gegenstand einer Dissertation [OEH04b].

2 PerioScan als neuartiges System zur Therapie von Parodontitis

2.1 Technischer Aufbau

Seit September 2007 wird das neu entwickelte Gerät unter dem Namen PerioScan durch die Firma Sirona Dental Systeme verkauft. Das Gerät wurde als separates Tischgerät (Abb. 2) konzipiert und verfügt über zwei wesentliche Betriebsmodi:

• Therapiemode, bei dem das Gerät in einstellbaren Leitungsstufen betrieben wird um die Konkremente zu entfernen. Auch hierbei sind eine Vielzahl konstruktiver Parameter zu beachten, um ausreichende Schwingungsamplituden mit einer hohen Abtragsleistung und eine ausreichende Belastbarkeit der Instrumentenspitze zu gewährleisten. Den Piezokeramiken kommt in diesem Betriebsmodus die Aufgabe reiner Aktuatoren zu. Die Ansteuerung des Therapiemodus wurde im PerioScan gegenüber früheren Scalerelektroniken ebenfalls komplett verändert, soll aber in diesem Vortrag nicht weiter besprochen werden.

• Diagnosemode, bei dem das System über die Piezokeramiken die Schwingung der Spitze misst und dieses Schwingungssignal

klassifiziert. Konzept und Probleme einer derartigen Klassifikation sollen nachfolgend etwas ausführlicher beleuchtet werden.

Abb. 2:Das Tischgerät PerioScan.

Zum Verständnis der entstehenden Schwingungsformen ist es notwendig, kurz die korrekte Handhabung des Instruments zu erläutern. Der Behandler hat dafür Sorge zu tragen, dass sich die Instrumentenspitze mit dem distalen Ende auf der Zahloberfläche befindet. Um ihn hierbei zu unterstützen, wurde der Klassifikator so gestaltet, das er mögliche Positionierungsfehler erkennt und dem Nutzer anzeigt.

Abb. 3:Korrekte Handhabung des Instruments

Die Behandlung erfolgt in der Regel unter strengen Zeitvorgaben. Der Behandler muss alle Zahnoberflächen in möglichst kurzer Zeit lückenlos

abtasten. Hierzu ist ein Abscanen der Flächen notwendig, das mit möglichst konstanter Geschwindigkeit in Form pinselnder Bewegungen erfolgen sollte. Aus diesem Scanvorgang leitet sich auch der Produktname PerioScan ab. Im Therapiemodus gibt es prinzipiell zwei Arten einer möglichen Entstehung und daraus folgend auch Auswertung des Schwingungssignals:

1. Reibsignale: Wie Abb. 1 zeigt, geht die Konkrementbildung auf der Wurzel-oberfläche auch mit einer Veränderung der Oberflächentopologie einher. Zumindest bei noch nicht vorbehandelten und geglätteten Konkrementen wird sich ein „Mikrogebirge“ bilden. Beim Über-streichen mit der Instrumentenspitze kommt es dann zu einer Abweichung gegenüber der normalen stochastischen Rauschanregung, die sich immer, auch beim Reiben auf glatten Wurzeloberflächen, ergibt. Die Anregung des Schwingungssystems bestehend aus Arbeitsspitze und angekoppelter Zahnoberfläche kann unter Ausnutzung des reziproken piezoelektrischen Effekts zurück auf das Anregungssystem übertragen werden. Dabei werden die zuvor als Aktoren genutzten Piezokeramiken, nun als Sensoren verwendet. Dieses Messverfahren ist passiv, da die Schwingung alleine aus der Reibbewegung herrührt und keine weitere aktive Anregung der Spitze durch externe Signale erfolgt. Die hierbei entstehenden Schwingungen sind stark von der Oberflächentopologie geprägt, Materialeigenschaften spielen möglicherweise eine untergeordnete Rolle. Unterstellt man prinzipiell die Existenz von geglätteten Konkrementen und rauen Wurzel-oberflächen, die ihre Ursache nicht in der Konkrementbildung haben, wird deutlich, dass diese Methode allein nicht zum Aufbau eines Zahnoberflächendetektors benutzt werden kann und daher im PerioScan in dieser Form keine Anwendung findet. 2. Aktive Anregung: Im aktiven Diagnosemodus wird die Arbeitsspitze des Ultraschallscalers und das damit berührte kleine Oberflächenelement des Zahnes mit einem kurzen, leistungsarmen Rechteckimpuls zu Schwingungen angeregt. Die Impulse folgen mit einer Frequenz von ca. 10 Hz und besitzen eine Impulsbreite von ca. 2 µs. Die unterschiedlichen Zahn-oberflächen reagieren in unmittelbarer Umgebung der Instrumenten-spitze mit charakteristischen Schwingungsbewegungen, die auch von den Materialeigenschaften abhängen. Auch hier wird der Spannungs-verlauf an den Keramiken über einen Mikrocontroller digital erfasst und weiterverarbeitet. Die Berechnung des Frequenzspektrums durch eine

FFT hat sich als geeignete Methode zur Datenverarbeitung und Merkmalsgewinnung erwiesen.

Abb. 4 zeigt ein typisches Messsignal eines Impulses im Zeitbereich. Die digitalisierten 4096 Werte decken einen Zeitbereich von 4 ms. Davon sind nur bei ca. 25 % messbare Amplituden vorhanden. Dennoch ist diese Messwerteanzahl erforderlich, um bei einer Abtastfrequenz von 500 kHz eine Auflösung von ca. 100 Hz zu erhalten, denn die spektralen Veränderungen bei der Berührung unterschiedlicher Oberflächen liegen im Bereich deutlich unter 1 kHz. Abb. 5 zeigt ein berechnetes Fourierspektrum aus einem derartigen Zeitsignal. Es ist es nun erforderlich, aus diesem Spektrum Merkmale zu generieren, mittels derer sich ein sicherer Klassifikator aufbauen lässt.

-40000

-30000

-20000

-10000

0

10000

20000

30000

40000

0 500 1000 1500 2000 2500 3000 3500 4000 4500

Mes

ssig

nal i

n di

g. W

erte

lfd. Nummer der Werte

"signal.txt"

-40000

-30000

-20000

-10000

0

10000

20000

30000

40000

0 50 100 150 200

Mes

ssig

nal i

n di

g. W

erte

lfd. Nummer der Werte

"signal.txt"

 

Abb. 4: Zeitsignal der aktiven Anregung, links: mit 4096 Werten, rechts: Zoom der ersten 200 Messdaten

0

20

40

60

80

100

120

140

160

0 500 1000 1500 2000 2500Frequenzlinie  

Abb. 5: Fourierspektrum eines Zeitsignals mit 2048 Spektrallinien

3 Aufbau des Klassifikators Im Laufe des Entwicklungsprojektes wurden diverse Klassifikations-konzepte erprobt. Für die spezifische Anwendung haben sich folgende wesentliche Anforderungen als unabdingbar erwiesen:

1. Der Klassifikator muss interpretierbar sein, weil ansonsten für nicht nachvollziehbare Klassifikationsentscheidungen während der Erprobung keine Erklärung gefunden werden kann. Hierzu gehört auch, dass mit möglichst wenigen Merkmale eine Klassifikationsent-scheidung gefällt wird. Da die zeitliche Stabilität von Merkmalen nicht a priori vorausgesetzt werden kann, muss deren Ausprägung darstellbar und die Auswirkung auf das gesamte Klassifikations-ergebnis nachvollziehbar sein.

2. Der Klassifikator sollte hinsichtlich Sensitivität und Spezifität justierbar sein.

3. Da alle Handstücke durch Schwankungen in der Fertigung, der Montage und den Materialeigenschaften leicht unterschiedliches Schwingungsverhalten aufweisen, muss der Klassifikator innerhalb dieser Schwankungsbreits funktionsfähig sein. Eine handstückab-hängige Justierung des Klassifikators ist für ein Serienprodukt nicht akzeptabel.

4. Behandler und dessen Handhabung des Instrumentes können das Messergebnis beeinflussen. Der Klassifikator sollte auch hier möglichst große Toleranz gegenüber dem Bedienereinfluss aufweisen und muss zumindest bei deutlichen Fehlbedienungen einen Hinweis auf eine nicht mehr abgesicherte Klassifikationsent-scheidung gegen. Bei der hier vorliegenden Anwendung ist vor allem der akzeptabele Kraftbereich und das Nichtanliegen der Instrumentenspitze an der Zahnoberfläche eine zu überwachende Größe.

5. Das Handstück unterliegt unterschiedlichen Betriebsbedingungen. Im reinen Detektionsmodus erfolgt durch das Aufbringen des Testsignals keine signifikante Erwärmung. Auch eine Kühlung des Gerätes durch Wasserzulauf wäre nicht zwingend notwendig. Der ständige Wechsel zwischen Therapie und Diagnose allerdings beeinflusst das Schwingungsverhalten. Da dies die normale Betriebssituation darstellt, denn eine erkannte Konkrementstelle soll anschließend therapiert und beseitigt werden, muss der Klassifikator diese Schwankungen kompensieren.

6. Die Instrumentenspitze nutzt sich durch den Therapiebetrieb ab. Damit verbundene geringe Geometrieveränderungen dürfen die Klassifikationsentscheidung nicht beeinflussen.

7. Ein kompletter Bewertungsvorgang inklusive der Messwerterfassung muss innerhalb von 0,25 s abgeschlossen sein, weil sonst die Scangeschwindigkeit zu weit abgesenkt werden müsste.

8. Die endgültige Klassifikationsentscheidung muss scharf erfolgen. Auch bei der Nutzung von unscharfen Algorithmen darf am Ende nur eine Bewertung Oberfläche Konkrement, kein Konkrement oder falsche Handhabung angezeigt werden.

Die Komplexität des Zusammenspiels alleine aus Handstück und Instrumentenspitze zeigt Abb. 6. Dargestellt ist ein Ausschnitt aus dem Spektrum, wobei sich für zwei verschiedene Spitzen bei zwei unterschiedlichen Scalern abweichende Schwingungen ergeben. So ist im Fall (unten rechts, Scaler B, Spitze 1) ein signifikant abweichender Verlauf erkennbar, der aber nicht charakteristisch für die Spitze ist, denn in Kombination mit Scaler A ist dieser Effekt nicht mehr vorhanden.

 

Spitze 1 Spitze 2

Scal

er A

Sc

aler

B

 

Abb. 6: Unterschiedliche Fourierspektren bei verschiedenen Kombinationsn aus Handstück und Instrumentenspitze.

3.1 Konzept der Merkmalsgenerierung- und auswahl Bei einem klassifikatorunabhängigen Ansatz erfolgt die Auslegung und der Entwurf eines Klassifikationssystems durch die getrennte Beurteilung der Teilsysteme Merkmalsauswahl und der eigentlichen Klassifikationsstufe. Bei dieser Vorgehensweise nimmt man zwangsläufig in Kauf, dass Aussagen über die Leistungsfähigkeit des Gesamtsystems z.B. der Fehlerwahrscheinlichkeit des Klassifikators nicht zu gewinnen sind. Diese Problematik entfällt, wenn spezielle Merkmalskombinationen ermittelt werden, die für einen vorgegebenen Klassifikator besonders gut geeignet sind und in jedem Fall die mathematischen Vorgaben des vorgegebenen Klassifikationsalgorithmus erfüllen. In der Literatur werden solche Ansätze auch als „Wrapper“ [KOH97] bezeichnet. Abb. 7 zeigt das grundlegende Konzept einer klassifikatorbezogenen Merkmalsauswahl.

 

 

 

 

 

 

 

 

Abb. 7: Prinzipdarstellung des Konzeptes einer klassifikatorbezogenen Merkmalsaus-wahl mit Wrapper- Ansatz.

Die innerhalb des gestrichelten Rahmens gekennzeichneten Module „Suchstrategie“ und „Gütebewerter“ werden während des Auswahlvor-ganges gekoppelt abgearbeitet. Eine entscheidende Bedeutung kommt dabei der Wahl des Gütebewerters zu, wobei praktisch jeder leistungsfähige Klassifkationsalgorithmus verwendet werden kann. Dagegen hat sich für eine klassifikatorunabhängige Auswahl der Begriff „Filter“ etabliert. Mit der stark gestiegenen Rechnerleistung hat sich die Situation hinsichtlich der Suchstrategie deutlich entspannt. Zur Merkmalsauswahl aus einer Gesamtmenge von z.B. 400 Merkmalen aus einem Spektrum kann durch zufälliges Probieren eine Untermenge gewonnen werden, weil die meisten Gütebewerter Rechenzeiten von deutlich weniger als 0,1 benötigen. Es lassen sich dann im Laufe einiger

Vollständiger Merkmalssatz 

Gütebewerter 

Suchstrategie 

Test der Untermengee

Merkmals‐untermenge

Optimaler  Merkmalssatz 

Stunden so viele Lösungen zufällig berechnen, von denen die jeweils besten gespeichert werden, dass eine Suchstrategie nicht unbedingt notwendig ist.

3.2 Klassifikatorkonzept

Basierend auf unterschiedlich großen Lernmengen wurden verschiedene Klassifikatorkonzepte erprobt. Als besonders geeignet hat sich hierbei das Tool WEKA [WEK07] herausgestellt, da es vielfältige Kombination aus Klassifikatoren und Suchalgorithmen in Form eines Baukastenprinzips ermöglicht:

• Regelbasierter Fuzzy-Klassifikator, abgeleitet aus Datensätzen mittels des NEFClass Algorithmus,

• Unscharfe Klassifikation mittels eines eigenentwickelten Klassifikators und der zugehörigen Merkmalsauswahl FSelect[STR02],

• Klassischer NN-Ansatz mittels Backpropagation (WEKA), • div. Entscheidungsbaumverfahren.

Als Ergebnis der Nutzung regelbasierten Klassifikatoren mit automatisierter Regelgenerierung kann festgehalten werden, dass sich in den meisten Fällen aus praktischer Sicht bei unterschiedlichen Optimierungsstufen nur suboptimale Klassifikatoren ergeben, denn diese sind entweder überangepasst und in keiner Weise transparent oder diese konzentrieren sich -bei gleich guter Klassifikationsrate- im Extremfall auf ein einziges Merkmal und die Forderung nach „unterstützenden“ Merkmalen ist nicht mehr gegeben (Abb. 8).

Es hat sich im Laufe der Untersuchung sehr schnell herausgestellt, dass es nur eine beschränkte Anzahl von vermutlich weniger als 10 Merkmalen geben wird, die für eine Klassifikation in Frage kommen. Davon war schon alleine auf der Basis von 2-3 Merkmalen eine Klassifikationsrate im Bereich von mehr als 85 % realisierbar. Unterstützende Merkmale sollen nun diejenigen sein, die zusätzlich benutzt werden könnten, um im Falle einer Schwankung und leichten zeitlichen Veränderung der wesentlichen Hauptmerkmale noch eine Klassifikationsentscheidung zu stützen. Eine manuelle Nachjustierung der durch NEFCLASS ermittelten Fuzzy-Sets ist in vielen Fällen notwendig. Man kann dies sehr leicht prüfen, indem leichte Korrekten an den Zugehörigkeitsfunktionen vorgenommen werden und die Klassifikationsrate erneut bestimmt wird. Die Pruning- und Optimierungsalgorithmen sind eine unverzichtbare Hilfe, können aber nicht den Aufbau eines optimalen Klassifikators garantieren.

 

Abb. 8: Überangepasste Regelbasis (oben) und Regelbasis mit zu wenig Variablen (unten) aus NEFCLASS.

Auf der anderen Seite verringert eine unsymetrische Zugehörigkeits-funktion ebenso wie die Berücksichtigung von mehr als drei Fuzzy-Sets pro Merkmals die Interpretierbarkeit der Regeln deutlich.

Letztlich wurde ein Klassifikator auf der Basis weniger Fuzzy-Regeln implementiert. Die Klassifikationsrate konnte auf die Zielgröße von fast 90% gebracht werden, weil das System im Falle von Fehlhaltungen und ungeeigneten Kraftbereichen keine Klassifikationsentscheidung fällt, sondern den Benutzer auf diesen Umstand hinweist. Der Handstück- und Scalereinfluss wird durch eine Vorselektion der montierten Systeme verringert.

 

 

Abb. 9: Typische Regelbasis für zwei Merkmale aus NEFCLASS.

3.3 Bestimmung der Klassifikationsrate

Entscheidend für die Leistungsfähigkeit des Systems ist die Klassifikationsrate in vivo. Wie aber kann eine Anzeige des Klassifikators hinsichtlich einer berührten Oberfläche überprüft werden, wenn diese Oberfläche nicht zeitgleich eingesehen werden kann?

In einer umfangreichen Studie [MEI08] wurde an 63 Zähne eine Methode erprobt, die die Bestimmung einer klinisch verlässlichen Klassifikationsrate erlaubt. Zur besseren Sichtbarmachung der Spitzenbewegung wurde das Handstück um eine zusätzliche 3D-Nadel erweitert (Abb. 10c). Die Bewegung der Instrumentenspitze wird nun während einer Diagnose-Behandlung mit einer kleine Kamera gefilmt (Abb. 10a), wobei diese über eine Schiene und Abdruckmasse fest mit dem Gebiss verbunden ist. Nach der Extraktion der Zähne und deren Einbettung in das Abdruckmaterial (Abb. 10b), entspricht die Position der Kamera relativ zu den Zähne exakt derjenigen während der Behandlung. Es kann nun durch den Abgleich mit dem Videofilm eine erneute Positionierung der Nadel vorgenommen werden (Abb. 10d). Da auch die Klassifikationsentscheidung während der Behandlung synchron zum Video gespeichert wurde, kann nun entschieden werden, ob die nachgestellte Position der Instrumentenspitze tatsächlich der Klassifikatorentscheidung entspricht.

Der montierte 3D-Winkel unterstützt die Nachpositionierung erheblich, dennoch sind Auflösungsgrenzen vorhanden, so dass bei einer Abweichung von weniger als 1 mm zwischen der nachpositionierten Instrumentenspitze

und einer möglichen Konkrementstelle, diese noch als erkannt gewertet wurde.

Abb. 10: Testaufbau für eine in vivo-Studie [MEI08].

Es gibt aber noch eine zweite nennenswerte Problematik, denn die Klassifikationsgüte muss natürlich auch die korrekt klassifizierte Konkrementbereiche berücksichtigen, um ein Spezifitätsmaß zu erhalten.

Abb. 11 verdeutlicht die hierbei verwendet Vorgehensweise. In Abb. 11a sind die unter dem Mikroskop ermittelten Konkrementgrenzen (C) und der gesamte Auswertebereich der Wurzeloberfläche markiert. Abb. 11b zeigt die aus dem Videofilm rekonstruierte Spur der Spitzenbewegung auf der Zahnoberfläche beim Abscannen während der Behandlung. Unter Vorgabe der Auflösungsgrenze von 1 mm lassen sich die konkrementfreie Flächen, die theoretisch hätten erkannt werden können, weil der Behandler diese Flächen berührt hat, ausmessen. Hieraus kann nun die Prävalenz für Konkrement und konkrementfreie Wurzel ermittelt werden. Es wurden an den Zähnen insgesamt 44 Konkrementstellen und 153 auswertbare Wurzelareale ermittelt. Die hieraus berechnete Prävalenz von 22% Konkrement ist in guter Übereinstimmung mit Angaben anderer Studien. Es wurden vom Klassifikator 4 der 44 Konkrement nicht erkannt und 28 der 153 Wurzelflächen als konkrementbehaftet (Tab. 1) beurteilt. Dabei ergaben sich aber bei 16 Messungen Hinweise auf mögliche

Handhabungsfehler bzw. Unsicherheiten in der Positionierung, so dass in Klammern auch die um die unklaren Messungen bereinigten Klassifikationsergebnisse aufgenommen sind.

Flächen mit Konkrement Wurzel Summe

Positiv 40 28 (12) 68 (52)

Negativ 4 125 129

Summe 44 153 (137) 197 (181)

Tab. 1: Klassifikationsergebnisse der in vivo-Studie[MEI08].

Abb. 11: Vorgehensweise zur Bestimmung einer Klassifikationsrate in vivo[MEI08].

Hierbei wurde eine Sensitivität von 91% und eine Spezifität von 82%, bzw. ebenfalls 91% bei Betrachtung der korregierten Daten ermittelt.

Es ist nachvollziehbar, dass sich dieses Verfahren insgesamt extrem zeitaufwendig gestaltet und nur im Rahmen einer kleineren Pilotstudie durchführbar war. Eine ähnliche Vorgehensweise kann auch auf andere Fragestellungen im technischen oder nichttechnischen Bereich übertragen werden, wenn sich die Auftrittswahrscheinlichkeiten der betrachteten Klassen deutlich unterscheiden.

3.4 Anzeigekonzept der Klassifikation

Als ergonomisch sinnvolle Anzeige wird das Klassifikationsergebnis über den vorderen Teil des Handstücks durch unterschiedliche Farbdar-stellungen in einem Illuminator sichtbar gemacht. Es erfolgt immer eine scharfe Entscheidung. Graduelle Abstufungen im Klassifikationsergebnis werden dabei intern berechnet, aber für die Anzeige nicht verwendet.

 Blaues Licht: Sobald die Ultraschallspitze bei der Behandlung in der Zahn-Fleischtasche Konkremente erkennt, wird dieser Befund durch blaues Licht am Illuminator des PerioSonic-Handstücks signalisiert. Optional ertönt dazu auch ein akustischer Signalton. Grünes Licht: Zusätzlich wird die Farbveränderung des Illuminators auch noch optisch anhand einer farbigen Zahnillustration auf dem PerioScan-Display angezeigt. Grünes Licht bedeutet „gesunde Wurzeloberfläche“. Die Konkremente wurden entfernt bzw. es sind keine vorhanden. Kein Licht: Wenn der Illuminator weder blaues noch grünes Licht anzeigt, bedeutet dies: Das distale Ende der Spitze liegt nicht richtig an. Dadurch kann weder Therapie noch eine Rückmeldung durch das System erfolgen. Optional erfolgt auch ein Signalton.

4 Zusammenfassung Mit der Entwicklung des PerioScan liegt erstmals ein kombiniertes Behandlungssystem für Parodontalerkrankungen auf der Basis eines klassischen Ultraschallscalers vor, das in der Lage ist, Oberflächen an humanen Zähnen automatisch zu erkennen. Damit lässt sich das Problem der Unter- bzw. Übertherapie vermeiden, weil der Behandler auch in nicht einsehbaren Bereichen z.B. Zahnfleischtaschen eine Information über vorhanden Konkremente erhält. Die Klassifikation erfolgt auf der Basis eines regelbasierten Fuzzy-Klassifikators, wobei zur Steigerung der Klassifikationsgüte eine Rückweisungsklasse implementiert wurde, die die nichtkorrekte Handhabung des Systems anzeigt.

Die erreichten Klassifikationsraten von 90% für die Sensitivität und Spezifität liegen deutlich oberhalb derer, die sich mit den bisher verwendeten Sonden erzielen lassen.

Literatur

[DOB03] Dobras, J., Strackeljan, J.: Implementierung eines Mustererkennungs-verfahrens mittels Fuzzy-Methoden in LabView. Eine Anwendung zur nondestruktiven subgingivalen Zahnsteinerkennung. In : Virtuelle Instrumente in der Praxis. Hrsg. Jaschinski, H., Seiten 412-416. Hüthig Verlag, 2003.

[DOB04] Dobras, J: Klassifikation von Schwingungssignalen technischer Systeme mittels Fuzzy-Methoden. Dissertation, TU Clausthal, 2004

[FER02] Ferrereo, F., Strackeljan, J., Oehme, B., Unconventional feature extraction for dental surface pattern recognition. In : Unschärfe in Wirtschaft und Technik, Proc. zum Göttinger Symposium Soft Computing 2002.

[FLE98b] Flemmig, T. F., Petersilka, G. J., Mehl, A., Hickel, R. &Klaiber, B. (1998) Working parameters of a magnetostrictive ultrasonic scaler influencing root substance removal in vitro. J. Clin. Periodontol 69(5), 547-553.

[GLO98] Glockmann, E., Köhler, J, Ursachen für Zahnextraktionen in den neuen Bundesländern. Dt. Zahnärztliche Zeitschrift 53, 39-41, 1998.

[KOC97] Kocher, Th., Rühling A., Momsen H., Plagmann, H.C., Effectiveness of subgingival instrumentation with power-driven instruments in the hands of experienced and inexperienced operators. A study on manikins. J. Clin. Periodontol 24, 498 - 504 (1997).

[KOC00] Kocher, T., Strackeljan, J., Behr, D., Feasability of Computer-assisted Recognition of Different Dental Hard Tissues, Journal of Dental Research, Vol. 79, No. 3, 2000.

[MEI03a] Meissner, G., Oehme, B., Strackeljan, J., Kocher, T., Recognition Limits of a Surface Detection System, Journal of Clinical Periodontology, 4, 30, 2003.

[MEI03b] Meissner, G., Oehme, B., Strackeljan, J., Kocher, T., Results of a Surface Detection System in vivo, Journal of Clinical Periodontology, 4, 30, 2003. 

[MEI05] Meissner, G., Strackeljan, J, Oehme, B.,. Kocher Th.: Influence of handling-relevant factors on the behaviour of a novel calculus-detection device. In. Journal of clinical periodontology 32, 323-328, (2005).

[MEI06a] Meissner, G., Oehme, B., Strackeljan, J., Kocher Th.: In vitro calculus detection with a moved smart ultrasonic device. In: Journal of clinical periodontology (Oxfort) 33, 130-134, (2006).

[MEI06a] Meissner, G., Oehme, B., Strackeljan, J., Kocher Th.: A new system to detect residual subgingival calculus: in vitro detection limits. In: Journal of clinical periodontology. 33, 195-199, (2006).

[MEI08] Meissner, G., Oehme, B., Strackeljan, J., Kocher Th.: Clinical subgingival calculus detection with a smart ultrasonic device: a pilot study, In: Journal of clinical periodontology. 35, 126-132, (2008).

[NEF03] NEFCLASS, Tool zur Neuro-Fuzzy-Classification, http://fuzzy.cs.uni-magdeburg.de/nefclass/

[OEH04a] Oehme B., Kocher Th., Meissner G., Strackeljan J.: Intelligentes Gerät zur Zahnsteinentfernung: Problematik des Überganges von in-vitro zu in-vivo., In: Softcomputing in Wissenschaft und Wirtschaft, Biethan et.al. (Hrsg.), S. 127-140, ISBN 3-930185-29-6, 2004

[OEH04b] Oehme B.: Klassifikation von Zahnoberflächen mittels Ultraschallan-regung: ein adaptives Verfahren zur Mustererkennung., Dissertation, TU Clausthal, 2004

[PLA98] Plagmann, H.-C., Lehrbuch der Parodontologie, München, 1998. [STR97] Strackeljan, J., Behr, D., Kocher, T., Fuzzy-pattern recognition for

automatic detection of different teeth substances, Fuzzy Sets and Systems, 85, 275 – 286, 1997.

[STR02] Strackeljan, J.: Einsatzmöglichkeiten von Softcomputing- Methoden zur Auslegung, Optimierung und Überwachung von Rotorsystemen.. Habilitationsschrift, 2002.

[WEK07] Data Mining Software in Java, http://www.cs.waikato.ac.nz/~ml/weka/