Mastering CEREC’s New AI-Assisted Margin Detection: Clinical Tips for Perfect Crown Prep

The latest CEREC software updates have introduced AI-assisted margin detection that’s genuinely changing how we approach crown preparations. After six months of daily use in my practice, I can tell you it’s not just marketing hype—but it’s also not magic. Like any CEREC feature, it works brilliantly when you understand its strengths and limitations.

Let me share what I’ve learned about getting consistent, predictable results with this new technology, including the prep techniques that work best and the scenarios where you’ll still need to rely on traditional methods.

Understanding How CEREC’s AI Margin Detection Actually Works

The AI system analyzes your digital impression data using pattern recognition to identify margin lines automatically. It’s looking for specific geometric changes, surface transitions, and contrast patterns that typically indicate a prepared margin.

Here’s what it excels at detecting:

• Klare Fasen- und Schulterpräparationen mit guter Kontur
• Ränder mit ausreichendem Kontrast zur unbehandelten Zahnsubstanz
• Durchgehende Randlinien ohne nennenswerte Lücken oder Artefakte
• Vorbereitungen in Bereichen mit guter Kamerazugänglichkeit und Beleuchtung

Das System hat Schwierigkeiten mit:

• Feiner Rand oder schmaler Rand
• Subgingivale Ränder, die tiefer als 0,5 mm sind
• Bereiche mit starker Feuchtigkeit oder Verschmutzung
• Präparationen an stark restaurierten Zähnen mit mehreren Materialübergängen

Optimierung Ihrer Kronenpräparation für die KI-Erkennung

Die Geometrie der Schnittkanten macht den Unterschied

The AI performs best with well-defined geometric transitions. I’ve found that a 0.8-1.0mm chamfer with rounded internal line angles gives the most consistent detection results. The key is creating enough of a step change that the AI can clearly differentiate between prepared and unprepared surfaces.

Bei Schulterpräparaten sollten Sie auf 90-Grad-Wände mit leicht abgerundeten Innenwinkeln achten. Die KI scheint Probleme mit scharfen Innenwinkeln zu haben, wahrscheinlich weil diese Scan-Artefakte erzeugen, die die Mustererkennung verwirren.

Überlegungen zur Oberflächenbeschaffenheit

Glatte, gleichmäßige Oberflächen sind dabei eine große Hilfe. Ich bearbeite die Ränder stets mit feinen Diamantbohrern (25–30 Mikrometer) und verwende anschließend, wenn möglich, Polierscheiben. Raue Oberflächen verursachen Störungen in den Scandaten, die die KI-Erkennung beeinträchtigen können.

One technique that’s worked well: after completing the prep with rotary instruments, I use a hand instrument to create a small chamfer or bevel right at the margin line. This creates an additional geometric cue that the AI picks up reliably.

Klinische Scanverfahren für eine optimale KI-Leistung

Strategie zur Erstellung von Dokumentationen

I’ve developed a specific scanning sequence that maximizes AI success rates:

1. Scan vor der Präparation: Scannen Sie immer zuerst den noch nicht präparierten Zahn. Die KI verwendet dies als Referenzdaten.
2. Isolierung und Blutstillung: Trocknen Sie die Probe vor dem Scannen vollständig ab und isolieren Sie sie.
3. Auftragen des Puders: Tragen Sie eine dünne, gleichmäßige Schicht auf. Zu viel Puder verdeckt feine Details.
4. Strategische Beleuchtung: Richten Sie die Kamera so aus, dass Schatten an der Randlinie möglichst gering ausfallen.

Optimierung des Scanmusters

Die KI funktioniert am besten, wenn sie mehrere Ansichten jedes Randbereichs zur Verfügung hat. Ich verwende ein „randorientiertes“ Scanmuster: Zunächst mache ich allgemeine Aufnahmen des Zahnbogens, anschließend führe ich gezielte Nahaufnahmen entlang der gesamten Randlinie aus verschiedenen Blickwinkeln durch.

Achten Sie besonders auf die Interdentalräume und die lingualen Ränder – genau dort übersieht die KI am häufigsten Bereiche. Mehrere, sich überlappende Abtastvorgänge aus leicht unterschiedlichen Winkeln bieten dem System die besten Voraussetzungen für eine genaue Erkennung.

Arbeiten mit subgingivalen Rändern

This is where the AI shows its limitations most clearly. For margins more than 0.5mm subgingival, I’ve found the success rate drops significantly, especially in posterior teeth.

Retraktionsschnur-Technik für KI

Standard retraction cord placement often isn’t enough for AI detection. I use a two-cord technique: place the first cord at the base of the sulcus, then a second, larger cord more coronally. This creates a wider “moat” around the preparation that the camera can capture more easily.

Auch das Timing spielt eine Rolle. Ich setze die Retraktionsfäden unmittelbar nach Abschluss der Präparation ein, lasse sie 8–10 Minuten einwirken und entferne dann für die Aufnahme nur den koronalen Faden. Auf diese Weise bleibt das Zahnfleisch länger zurückgezogen.

Wann ist eine Laser-Gingivektomie angezeigt?

In Fällen, in denen ich weiß, dass die Ränder für die KI-Erkennung eine Herausforderung darstellen, führe ich manchmal eine kleine Laser-Gingivektomie durch, um einen größeren Teil des Randes supragingival freizulegen. Dies ist besonders nützlich bei Frontzahnkronen, bei denen die Ästhetik entscheidend ist und eine perfekte Randerkennung erforderlich ist.

Behebung häufiger Probleme bei der KI-Erkennung

Unvollständige Margenerkennung

Wenn die KI Teile Ihrer Randlinie übersieht, widerstehen Sie der Versuchung, sofort in den manuellen Modus zu wechseln. Oft liefert ein gezielter erneuter Scan nur des problematischen Bereichs dem System genügend zusätzliche Daten, um die Erkennung abzuschließen.

Ich nutze die „Area Scan“-Funktion, um 3–4 sich überlappende Aufnahmen des übersehenen Abschnitts aus verschiedenen Blickwinkeln zu machen. Die KI verarbeitet den gesamten Datensatz erneut und erkennt oft die fehlenden Bereiche.

Erkennung von Fehlalarmen

Sometimes the AI identifies margin lines where none exist—usually at restoration interfaces or areas of enamel defects. The software’s manual editing tools let you remove these false positives easily, but it’s worth understanding why they occur.

Most false positives happen when there’s a sharp geometric transition that mimics a prepared margin. Composite restorations, old amalgam margins, and areas of enamel hypoplasia are common culprits.

Umgang mit komplexen restaurativen Fällen

Zähne mit vorhandenen Kronen, großen Füllungen oder mehreren Restaurationen stellen für die KI eine große Herausforderung dar. In solchen Fällen erziele ich oft bessere Ergebnisse, wenn ich die Randlinie manuell definiere, anstatt mich mit der KI-Erkennung herumzuschlagen.

Entscheidend ist, solche Situationen frühzeitig zu erkennen. Wenn die ersten Ergebnisse der KI-Erkennung bei einem stark restaurierten Zahn fragwürdig erscheinen, wechseln Sie sofort in den manuellen Modus, anstatt Zeit damit zu verbringen, den Scan zu optimieren.

Materialauswahl und Kronengestaltung

The AI-detected margins integrate seamlessly with CEREC’s crown design algorithms, but some materials work better than others with the precise margin lines the AI creates.

Überlegungen zu Lithiumdisilikat

IPS e.max crowns benefit significantly from the precise margin detection. The AI consistently creates margin lines that allow for optimal cement space parameters (80-100 microns), which is crucial for lithium disilicate’s fracture resistance.

I’ve noticed fewer margin adjustments needed at try-in when using AI detection with e.max crowns, probably because the margin definition is more accurate and consistent.

Optimierung von Zirkonkronen

For zirconia crowns, the AI’s precision really shines in creating margins that minimize adjustment time. Zirconia is difficult to adjust chairside, so getting the margin fit right from the mill is critical.

The AI seems to create slightly more conservative margin lines than manual detection, which works well for zirconia’s strength requirements but sometimes requires minor cement space adjustments in the software.

Integration in den Praxis-Workflow

Die Realität des Zeitmanagements

Let’s be honest about timing: AI margin detection doesn’t always save time initially. When it works perfectly, you save 2-3 minutes per crown. When it requires troubleshooting or manual correction, you might spend more time than traditional methods.

The real benefit comes with consistency and accuracy. I’ve tracked my remake rates, and they’ve dropped about 15% since implementing AI detection routinely—primarily due to better margin fit.

Überlegungen zur Mitarbeiterschulung

Falls Sie Assistenten haben, die am CEREC-Scan beteiligt sind, ist für die KI-Erkennung eine zusätzliche Schulung erforderlich. Sie müssen nicht nur die grundlegende Bedienung von CEREC beherrschen, sondern auch die Präparationsanforderungen und Scan-Techniken verstehen, die die Leistung der KI optimieren.

I’ve found it helpful to have assistants practice on simple cases first—single posterior crowns with supragingival margins—before moving to more complex situations.

Ausblick: Zukünftige Entwicklungen

Die derzeitige KI-Randerkennung ist eindeutig eine Funktion der ersten Generation. Aus Gesprächen mit Dentsply Sirona und meinen eigenen Erfahrungen mit dieser Technologie lässt sich schließen, dass in zukünftigen Updates Verbesserungen bei der subgingivalen Erkennung sowie eine bessere Bewältigung komplexer restaurativer Situationen zu erwarten sind.

The machine learning aspects mean the system should continue improving as more practitioners use it and provide feedback through the software’s data collection features.

Häufig gestellte Fragen

Funktioniert die KI-Randerkennung mit allen CEREC-Softwareversionen?

AI-assisted margin detection requires CEREC Software 5.2 or newer. It’s not available in older software versions and requires a compatible camera system (Primescan or Omnicam with recent firmware).

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

Auf jeden Fall. Die KI-Erkennung erstellt eine vorläufige Randlinie, die Sie mit den Standard-CEREC-Randwerkzeugen bearbeiten, ergänzen oder komplett neu zeichnen können. Betrachten Sie dies eher als einen ausgefeilten Ausgangspunkt denn als ein Endergebnis.

Wie wirkt sich die KI-Erkennung im Vergleich zur manuellen Randdefinition auf die Passform der Krone aus?

Meiner Erfahrung nach sorgt die KI-Erkennung für gleichmäßigere und präzisere Randlinien, was zu einer besseren Passform der Krone und weniger Anpassungen am Behandlungsstuhl führt. Dies setzt jedoch voraus, dass Ihre Präparations- und Scan-Technik für das KI-System optimiert sind.

Sollte ich bei allen Kronenfällen die KI-Erkennung einsetzen?

No. Complex restorative cases, heavily compromised teeth, and preparations with significant subgingival margins often work better with manual margin definition. The key is recognizing which cases are ideal for AI and which aren’t.

What’s the learning curve like for implementing AI margin detection?

Die meisten Zahnärzte, die mit den üblichen CEREC-Arbeitsabläufen vertraut sind, können die KI-Erkennung innerhalb von zwei bis drei Wochen regelmäßiger Nutzung integrieren. Die größte Herausforderung besteht dabei nicht darin, neue Softwarefunktionen zu erlernen, sondern vielmehr darin, die Präparationstechniken und Scanmethoden im Hinblick auf die KI-Leistung zu optimieren.

---