Generative Diffusion Model for Dental Implant Prosthetic Crown Design: A Context-Aware Approach with Scan Marker Classification

La numérisation des procédures d’implantologie dentaire a considérablement amélioré la précision clinique et les résultats pour les patients. Les avancées liées au dévelopement de numériseurs intra-oraux, la tomographie volumique à faisceau conique (CBCT) et les technologies de conception et fabrication assistées par ordinateur (CAD/CAM) ont transformé la dentisterie restauratrice en permettant des flux de travail numériques d’une grande précision. Néanmoins, malgré ces améliorations technologiques, les flux de travail actuels en implantologie restent fragmentés et fortement dépendants de l’expertise des dentistes et techniciens. Cette dépendance à des interventions humaines introduit non seulement une variabilité entre cliniciens et laboratoires, mais augmente également le risque d’erreurs, prolonge les délais de traitement et compromet la cohérence des résultats pour les patients. Ces limites mettent en évidence le besoin pressant de stratégies d’automatisation intelligentes, capables de fournir aux cliniciens des solutions standardisées, efficaces et reproductibles. Face à cette lacune, ce mémoire propose un cadre basé sur l’intelligence artificielle (IA) qui intègre la classification automatique des marqueurs de numérisation et la génération personnalisée de couronnes afin de répondre aux enjeux d’expertise technique, de temps et de reproducibilité des processus d’implantologie dentaire. Le problème peut être formulé ainsi : la reconnaissance précise des marqueurs de numérisation est essentielle, car chaque marqueur encode une information spécifique au fabricant qui détermine directement le choix du pilier d’implant et définit la géométrie de la base de la couronne. Les erreurs à ce stade se propagent dans tout le flux de travail et compromettent la restauration finale. De même, la conception des couronnes est traditionnellement réalisée dans un logiciel CAD par des techniciens spécialisés, nécessitant de nombreux ajustements manuels pour assurer une occlusion fonctionnelle et une intégration esthétique avec les dents voisines. Ce processus est long, sujet à la variabilité et constitue souvent un goulot d’étranglement dans la pratique clinique. Traiter ces deux défis grâce à l’IA améliore non seulement l’efficacité, mais renforce également la reproductibilité et réduit la dépendance à l’expérience de l’opérateur. Pour atteindre ces objectifs, ce mémoire propose un pipeline IA en deux étapes. La première étape introduit un modèle d’apprentissage profond basé sur les maillages pour la classification automatique des marqueurs de numérisation à partir des scans intra-oraux. L’approche par maillage exploite directement la topologie de surface du marqueur. Des descripteurs géométriques enrichis capturent les variations locales de forme, tandis que les convolutions vi sur maillage exploitent la connectivité entre les faces. Un mécanisme d’agrégation globale basé sur des transformeurs assure en outre l’intégration de l’information contextuelle dans la classification. Cette combinaison permet une reconnaissance robuste des marqueurs spécifiques aux fabricants à travers différents systèmes implantaires. Surtout, une classification précise à ce stade garantit la sélection correcte d’un pilier et établit une géométrie fiable de la base de la couronne, qui constitue la fondation de la génération ultérieure. La deuxième étape du pipeline introduit un modèle de diffusion conditionnelle pour la synthèse automatisée des couronnes. Dans ce travail, le modèle est conditionné par plusieurs sources de contexte anatomique : la géométrie de la base de la couronne, la gencive, l’arche antagoniste et les dents voisines. Le Curriculum Timestep Sampling (CLTS) est utilisé pour guider progressivement le processus d’apprentissage. Les mécanismes d’attention croisée permettent au modèle d’intégrer sélectivement les caractéristiques contextuelles lors de la génération, garantissant ainsi la cohérence anatomique de la structure de la couronne. Après génération, un pipeline de post-traitement compare des techniques classiques de reconstruction de surface telles que le Screened Poisson Surface Reconstruction à une méthode d’affinage de maillage basée sur l’IA. Cette approche garantit des surfaces étanches, cliniquement viables. Les résultats expérimentaux démontrent l’efficacité du cadre proposé. Le modèle de classification des marqueurs de numérisation a atteint une précision de 88,89 %, surpassant plusieurs architectures de référence et démontrant une forte capacité de généralisation sur trois systèmes implantaires majeurs. Dans la deuxième étape, la génération de couronnes par diffusion a atteint une Distance de Chamfrein (CD) moyenne basée sur la norme L2 de 0,06 mm2, montrant une étroite correspondance géométrique entre les couronnes générées et les conceptions cliniques de référence. Une CD de cette ampleur indique que les écarts se situent largement sous les seuils cliniquement acceptables. Au-delà de la performance technique, les contributions de ce mémoire comportent des implications cliniques et industrielles importantes. La reconnaissance automatique des marqueurs de numérisation réduit la dépendance à l’expérience des techniciens et accélère la transition vers les scans intra-oraux pour la sélection des piliers. La génération automatique de couronnes fournit aux cliniciens des conceptions anatomiquement précises et prêtes à l’emploi, réduisant le besoin d’ajustements manuels fastidieux dans les logiciels CAD et permettant des procédures plus rapides et disponibles directement en clinique. Collectivement, ces innovations ouvrent la voie à des flux de travail numériques plus efficaces, reproductibles et centrés sur le patient. De plus, l’intégration de l’IA dans la dentisterie restauratrice met en évidence le potentiel de solutions évolutives pouvant être adoptées dans divers contextes cliniques.

Abstract

The digitalization of implant dentistry has considerably improved clinical accuracy and patient outcomes. Advances in intraoral scanning, cone-beam computed tomography (CBCT), and computer-aided design/manufacturing (CAD/CAM) technologies have transformed restorative dentistry by enabling highly precise digital workflows. Nevertheless, despite these technological improvements, current implant workflows remain fragmented and heavily reliant on manual expertise.Dependence on manual intervention not only introduces variability across clinicians and laboratories, but also increases the risk of human error, prolongs treatment timelines, and undermines the consistency of patient outcomes. These limitations highlight the pressing need for intelligent automation strategies capable of providing clinicians with standardized, efficient, and reproducible solutions. Motivated by this gap, this thesis proposes an artificial intelligence (AI) based framework that integrates automated scan marker classification with context-aware crown generation, thereby addressing labour-intensive, timeconsuming, and error-prone aspects in the digital implant workflow. The problem can be framed as follows: accurate recognition of scan markers is essential because each marker encodes manufacturer-specific information that directly determines the choice of abutment and defines the crown-bottom geometry. Errors at this stage propagate through the workflow and compromise the final restoration. Similarly, crown design is traditionally performed in CAD software by skilled technicians, requiring extensive manual adjustments to ensure functional occlusion and esthetic integration with neighboring teeth. This process is time-consuming, prone to variability, and often a bottleneck in clinical practice. Addressing these two challenges through AI not only improves efficiency but also enhances reproducibility and reduces dependency on operator experience. To meet these objectives, this thesis proposes a two-stage AI pipeline. The first stage introduces a mesh-based deep learning model for automated scan marker classification from intraoral scans. The mesh-based approach directly leverages the surface topology of the scan marker. Enriched geometric descriptors capture local shape variations, while mesh convolutions exploit connectivity between mesh faces. A transformer-based global aggregation mechanism further ensures that contextual information across the marker is integrated into the classification. This combination enables robust recognition of manufacturer-specific markers across different implant systems. Importantly, accurate classification at this stage guarantees the correct abutment selection and establishes a reliable crown-bottom geometry, which forms the foundation for subsequent crown generation. viii The second stage of the pipeline introduces a conditional diffusion model for automated crown synthesis. In this work, the model is conditioned on multiple sources of anatomical context: the crown-bottom geometry, gingiva, antagonist, and neighboring teeth. Curriculum timestep sampling (CLTS) is employed to progressively guide the learning process. Cross-attention mechanisms allow the model to selectively integrate contextual features during generation, ensuring anatomical coherence across the crown structure. Following generation, a postprocessing pipeline compares classical surface reconstruction techniques such as Screened Poisson Surface Reconstruction with a deep learning–based mesh refinement method. This approach guarantees watertight surfaces that are clinically viable. The experimental results validate the effectiveness of the proposed framework. The scan marker classification model achieved an accuracy of 88.89%, outperforming several baseline architectures and demonstrating strong generalization across three major implant systems. In the second stage, the diffusion-based crown generation achieved a mean Chamfer Distance based on the L2 norm of 0.06 mm2, demonstrating close geometric agreement between generated crowns and ground-truth clinical designs. A Chamfer Distance of this magnitude indicates that deviations are well within clinically acceptable thresholds. Beyond the technical performance, the contributions of this thesis carry substantial clinical and industrial implications. Automated scan marker recognition reduces dependency on technician experience, and accelerates the transition from intraoral scans to abutment selection. Automated crown generation provides clinicians with anatomically accurate and ready-to-use designs, reducing the need for laborious CAD adjustments and enabling faster chairside procedures. Together, these innovations pave the way for digital implant workflows that are more efficient, reproducible, and patient-centered. Moreover, the integration of AI into restorative dentistry highlights the potential for scalable solutions that can be adopted across diverse clinical settings.