CEREC 5.3 AI – Randerkennung: Klinische Tipps, die funktionieren

Let’s be honest—margin detection has always been the make-or-break moment in CEREC workflows. You can have the most beautiful preparation in the world, but if the software can’t accurately identify your margin line, you’re starting from behind. CEREC 5.3’s AI-assisted margin detection promised to change the game, and after working with it extensively in my practice, I can say it delivers—but only when you know how to work with it.

The AI isn’t magic. It’s a sophisticated tool that works best when you understand its strengths, limitations, and the clinical techniques that help it succeed. Here’s what I’ve learned about getting consistent, accurate margin detection with CEREC 5.3.

So funktioniert CEREC 5.3 AI tatsächlich

Bevor wir uns mit der Technik befassen, ist es hilfreich zu verstehen, was die KI eigentlich tut. Das System nutzt Algorithmen des maschinellen Lernens, die anhand Tausender Präparationsbilder trainiert wurden, um Randmerkmale zu erkennen – Tiefenänderungen, Oberflächenübergänge und geometrische Muster, die anzeigen, wo die Zahnsubstanz endet und die Präparation beginnt.

Die KI achtet auf mehrere Schlüsselindikatoren:

• Deutliche Tiefenübergänge zwischen präparierten und unpräparierten Oberflächen
• Einheitliche Fasen- oder Schultergeometrie
• Deutlicher Kontrast zwischen Präparationsrändern und angrenzender Zahnsubstanz
• Glatte, durchgehende Randlinien ohne nennenswerte Unregelmäßigkeiten

Das bedeutet, dass Ihre Vorbereitungstechnik direkten Einfluss auf den Erfolg der KI hat. Je sauberer und präziser Ihre Ränder sind, desto besser funktioniert die KI.

Vorbereitungstechniken zur Verbesserung der KI-Erkennung

Die Geometrie der Ränder ist wichtiger denn je

With traditional CEREC workflows, you could sometimes get away with less-than-perfect margin definition because you’d manually adjust anyway. The AI is less forgiving. I’ve found these preparation characteristics significantly improve detection rates:

Fasentiefe: Streben Sie mindestens 0,8–1,0 mm an. Bei Werten unter 0,6 mm treten bei der KI Probleme auf, insbesondere bei den Seitenzähnen, wo Schatten feine Übergänge verdecken können.

Kontinuierlicher Rand: Vermeiden Sie ausgefranste oder messerscharfe Ränder. Die KI benötigt einen klaren, durchgehenden geometrischen Übergang, dem sie folgen kann. Ich verwende für die erste Reduktion einen 1,2-mm-Fasen-Diamant (Brasseler 8856) und verfeinere anschließend mit einem 1,0-mm-Finish-Diamant.

Oberflächenglätte: Raue oder gezackte Ränder verwirren die KI. Nehmen Sie sich Zeit für die Endbearbeitung, insbesondere in den Interdentalräumen, wo der Zugang eingeschränkt ist.

Der Rückzugsfaktor

Bei der Erkennung mittels KI kommt es besonders auf die Zahnfleischretraktion an. Die Software muss den gesamten Rand deutlich erkennen können – jede Gewebeüberlappung oder Blutung führt zu Erkennungsfehlern.

Mein derzeitiges Vorgehen:

1. Anfängliche Retraktion mit #000-Faden (Ultrapak) während der Präparation
2. Zweite Schnur (Nr. 00 oder Nr. 0), die 2–3 Minuten vor dem Scannen angebracht wird
3. Entfernen Sie nur die oberflächliche Sehne und lassen Sie die ursprüngliche Sehne an Ort und Stelle
4. Verwenden Sie bei Blutungen ein blutstillendes Mittel

The AI particularly struggles with subgingival margins when tissue isn’t properly retracted. I’ve seen detection accuracy drop from 90% to less than 50% when retraction is inadequate.

Scanverfahren für eine optimale KI-Leistung

Beleuchtung und Positionierung

The Omnicam’s LED array works well, but positioning matters more with AI detection than manual margin drawing. I’ve found these techniques improve results:

Konsistenz des Aufnahmewinkels: Halten Sie die Kamera nach Möglichkeit senkrecht zum Rand. Extreme Aufnahmewinkel erzeugen Schatten, die die KI verwirren, insbesondere an den lingualen Rändern der Seitenzähne.

Abstandskontrolle: Halten Sie den optimalen Abstand ein – etwa 15–20 mm von der Präparation entfernt. Zu nah und Sie verlieren den Zusammenhang; zu weit entfernt und Sie verlieren Details am Rand.

Bewegungsgeschwindigkeit: In Randbereichen ist langsamer besser. Die KI benötigt hochwertige Oberflächendaten, um arbeiten zu können. Wenn ich Randbereiche durchquere, verlangsame ich meine Geschwindigkeit in der Regel auf etwa die Hälfte meiner normalen Scangeschwindigkeit.

Strategie für den Einsatz von Pulver

Auch wenn CEREC 5.3 pulverfrei funktioniert, verwende ich in schwierigen Fällen dennoch gezielt Pulver. Die KI liefert tatsächlich bessere Ergebnisse, wenn leichtes Pulver aufgetragen wird, und zwar in folgenden Fällen:

• Umgang mit stark reflektierenden Oberflächen (große Amalgamfüllungen in der Nähe)
• Vorbereitungen für das Scannen von Frontzähnen, bei denen die Transluzenz des Zahnschmelzes Probleme bereitet
• Arbeit mit Patienten, bei denen übermäßiger Speichelfluss die Oberflächenqualität beeinträchtigt

Tragen Sie das Puder sparsam auf – gerade so viel, dass Oberflächenreflexionen vermieden werden. Ein zu dicker Puderauftrag kann die Genauigkeit der Gesichtserkennung sogar beeinträchtigen, da er feine Oberflächendetails verdeckt.

Arbeiten mit KI-Vorschlägen

Wann sollte man die KI-Randerkennung akzeptieren?

The AI isn’t always right, but it’s right more often than not when conditions are optimal. I accept AI suggestions when:

• Der erkannte Rand verläuft entlang der eindeutigen Präparationsgeometrie
• Die Randtiefe scheint rund um die Präparation gleichmäßig zu sein
• Keine offensichtlichen Lücken oder Unregelmäßigkeiten in der erkannten Linie
• Der Rand bleibt deutlich innerhalb der präparierten Zahnsubstanz

Das System liefert Zuverlässigkeitsindikatoren – beachten Sie diese. Vorschläge mit hoher Zuverlässigkeit (>85 %) sind meiner Erfahrung nach in der Regel zutreffend.

Häufige KI-Fehler und schnelle Lösungen

Margin jumping to cavosurface angles: This happens when the actual margin isn’t well-defined. The AI defaults to the most obvious geometric transition it can find. Solution: Better preparation definition or manual adjustment in these areas.

Fehlende interproximale Ränder: Dies wird in der Regel durch unzureichende Retraktion oder zu enge Kontaktstellen verursacht, die ein ordnungsgemäßes Scannen verhindern. Ich behebe dieses Problem, indem ich die Retraktion verbessere oder Keile verwende, um die Kontaktstellen leicht zu öffnen.

Uneinheitliche Schnitttiefe: Die KI folgt manchmal Unebenheiten der Oberfläche statt der vorgesehenen Schnittlinie. Dies lässt sich in der Regel durch eine schnelle manuelle Anpassung beheben – ziehen Sie den Schnitt einfach auf die richtige Tiefe.

Fehlerbehebung bei schwierigen Fällen

Subgingivale Präparationen

Diese stellen für die KI-Erkennung nach wie vor eine Herausforderung dar. Wenn die Ränder subgingival mehr als 1 mm reichen, wechsle ich oft zu einem hybriden Ansatz:

1. Die KI soll erkennen, was sie supragingival erkennen kann
2. Die subgingivalen Bereiche manuell definieren
3. Verwenden Sie die Funktion „Weicher Übergang“, um die Übergänge zu glätten

This gives better results than trying to force the AI to detect margins it can’t clearly see.

Vorhandene Restaurationen am Rand

Wenn bei Präparationen bereits vorhandene Restaurationen eine Rolle spielen (Präparationen der Klasse II mit bestehenden bukkalen oder lingualen Restaurationen), kann es für die künstliche Intelligenz schwierig sein, zu erkennen, wo die Zahnsubstanz endet und die Restauration beginnt.

I’ve found success using the “material definition” feature to tell the software what’s tooth and what’s restoration before running margin detection. This preprocessing step significantly improves AI accuracy in these cases.

Stark restaurierte Zähne

Zähne mit umfangreichen bestehenden Restaurationen, insbesondere Amalgamfüllungen, stellen besondere Herausforderungen dar. Die KI funktioniert am besten, wenn sie sich zur Einordnung auf die natürliche Zahnsubstanz beziehen kann.

In solchen Fällen mache ich oft Folgendes:

• Scannen Sie zunächst die benachbarten Zähne, um der KI eine anatomische Referenz zu liefern
• Verwenden Sie helles Puder, um metallische Reflexionen zu reduzieren
• Rechnen Sie damit, dass einige manuelle Anpassungen erforderlich sein werden

Integration in den Design-Workflow

Biocopy vs. Biogeneric-Design

AI margin detection works seamlessly with both design approaches, but I’ve noticed some differences:

Biocopy: Funktioniert am besten, wenn der Referenzzahn deutliche anatomische Orientierungspunkte aufweist. Die KI nutzt diese Referenzpunkte, um die Genauigkeit der Randerkennung zu überprüfen.

Biogeneric: Sometimes produces more conservative margin suggestions since it’s not constrained by existing anatomy. This can be helpful for cases where the original tooth anatomy wasn’t ideal.

Anpassung der Konstruktionsparameter

Die automatische Randerkennung beeinflusst mehrere Konstruktionsparameter automatisch:

• Die Einstellungen für die Zementspalte passen sich an die erkannte Randgeometrie an
• Bei der Berechnung des Emergenzprofils wird die Randposition zur Optimierung herangezogen
• Die Positionierung der Kontaktpunkte bezieht sich auf die Abstände zwischen Rand und Kontakt

Wenn Sie diese Zusammenhänge verstehen, können Sie fundiertere Designentscheidungen treffen und erkennen, wann manuelle Anpassungen erforderlich sein könnten.

Häufig gestellte Fragen

Wie genau ist die Randerkennung von CEREC 5.3 AI im Vergleich zur manuellen Randmarkierung?

In my experience, the AI is more consistent than manual margin drawing, especially for routine cases. Studies suggest 85-90% accuracy for well-prepared teeth with adequate retraction. However, it’s not perfect—complex cases still benefit from manual refinement. The key advantage is speed and consistency, not necessarily superior accuracy in every situation.

Kann ich die Ränder nach der AI-Erkennung noch manuell anpassen?

Auf jeden Fall. Die KI-Erkennung ist ein Ausgangspunkt, keine endgültige Entscheidung. Sie können jeden Teil des erkannten Randes manuell anpassen, und zwar mit denselben Werkzeugen, die auch in früheren CEREC-Versionen verfügbar waren. Ich nutze die KI-Erkennung in der Regel als ersten Schritt und passe dann die Bereiche, die einer Korrektur bedürfen, manuell an. Dieser hybride Ansatz ist oft schneller als das rein manuelle Zeichnen des Randes.

Was soll ich tun, wenn die KI-Randerkennung komplett versagt?

Überprüfen Sie zunächst die Scanqualität – eine schlechte Oberflächenschärfe ist die häufigste Ursache für Fehler bei der KI-Erkennung. Wenn der Scan gut aussieht, versuchen Sie, die Erkennungsempfindlichkeit in den Softwareeinstellungen anzupassen. Bei Fällen, die immer wieder Probleme bereiten, greifen Sie auf das manuelle Einzeichnen der Ränder zurück. Bei einigen Präparationen (sehr tiefe subgingivale Ränder, stark restaurierte Zähne) ist möglicherweise immer eine manuelle Definition erforderlich.

Funktioniert die KI-Randerkennung bei verschiedenen Zahntypen unterschiedlich?

Ja, die KI liefert je nach Zahnart unterschiedliche Ergebnisse. Bei den Seitenzähnen mit klaren Abschrägungsrändern werden in der Regel die höchsten Genauigkeitsraten erzielt. Frontzähne können aufgrund der Transluzenz des Zahnschmelzes und komplexerer Randgeometrien eine Herausforderung darstellen. Die Prämolaren liegen meist dazwischen. Die KI wurde mit Daten aller Zahnarten trainiert, doch die Qualität der Präparation ist wichtiger als die Zahnposition.

Wie wirkt sich die KI-Randerkennung auf die Gesamtdauer meines CEREC-Arbeitsablaufs aus?

Wenn die KI-Erkennung gut funktioniert, verkürzt sie die Behandlungszeit erheblich – oft um 2 bis 3 Minuten pro Fall. Allerdings muss man die Einarbeitungszeit und gelegentliche Fehlerbehebung einkalkulieren. Nach etwa 50 Fällen stellen die meisten Zahnärzte fest, dass ihr Arbeitsablauf insgesamt schneller ist, selbst wenn man die Fälle berücksichtigt, die manuell angepasst werden müssen. Die Vorteile durch die Konsistenz sind oft wertvoller als die Zeitersparnis.

---