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.