CEREC AI-Randerkennung: Klinische Tipps für perfekte Präparationen

CEREC’s AI-assisted margin detection has fundamentally changed how we approach digital impressions. After working with this technology for the past year in my practice, I’ve learned that while the AI is remarkably sophisticated, getting consistently perfect results still requires understanding its strengths, limitations, and how to set it up for success.

Ich möchte Ihnen die klinischen Techniken vorstellen, die meinen CEREC-Arbeitsablauf revolutioniert haben und mir zu einer zuverlässigeren Randerkennung verholfen haben – selbst bei jenen schwierigen subgingivalen Fällen, die früher mehrere Nachscans erforderten.

Understanding How CEREC’s AI Actually “Sees” Your Preparations

The AI margin detection system analyzes contrast, texture changes, and geometric patterns to identify preparation margins. Unlike the older manual selection tools, it’s looking for specific visual cues that indicate where prepared tooth ends and unprepared tooth begins.

This means your preparation technique directly impacts the AI’s ability to detect margins accurately. The system excels when it can clearly distinguish between:

• behandelte versus unbehandelte Zahnschmelzoberflächen
• Klare, präzise Schnittkanten
• Gleichmäßige Bearbeitungstiefen
• Saubere, frei von Rückständen Ränder

The AI struggles with ambiguous transitions, feathered margins, and preparations where the finish line isn’t geometrically distinct from surrounding tooth structure.

Vorbereitungstechniken zur Optimierung der KI-Erkennung

Die Geometrie der Ränder macht den Unterschied

I’ve found that chamfer and shoulder preparations work exceptionally well with AI detection, while knife-edge margins can be problematic. The AI needs that clear geometric transition to lock onto.

For posterior restorations, I now consistently use a 1.2mm chamfer with my 856-014 diamond bur, creating a distinct 45-degree angle that the AI recognizes immediately. The key is maintaining consistent depth—use your bur’s shoulder as a depth guide rather than eyeballing it.

Bei Frontzahnarbeiten bevorzuge ich eine 0,8 mm breite labiale Abschrägung mit einem konservativeren lingualen Rand. Die AI kommt mit dieser Asymmetrie gut zurecht, solange jedes Randsegment klar definiert ist.

Überlegungen zur Oberflächenstruktur

Here’s something I learned through trial and error: the AI responds better to slightly textured preparation surfaces than to highly polished ones. A 30-micron diamond finish provides optimal contrast for the scanner while still being smooth enough for excellent restoration fit.

Vermeiden Sie es, Ihre Präparate vor dem Scannen mit Gummischeiben oder Polierpaste zu stark zu polieren. Dieser Spiegelglanz erschwert es der KI nämlich, die Randgrenzen zu erkennen.

Klinisches Scan-Protokoll für den Erfolg der KI

Vorbereitung vor dem Scan

Bei der AI-Randerkennung gewinnen die Isolierung und das Gewebemanagement noch mehr an Bedeutung. Ich verwende eine Kombination aus Retraktionsfaden (ich bevorzuge #00 oder #000 UltraPak) und blutstillenden Mitteln, um sicherzustellen, dass die Ränder gut sichtbar und trocken sind.

Bei subgingivalen Rändern sollten Sie die Retraktionsschnur mindestens 3 Minuten vor dem Scan anbringen. Die KI muss den gesamten Rand in seiner gesamten Umfangslänge erfassen – Bereiche, die durch Gewebe oder Blut verdeckt sind, müssen später manuell korrigiert werden.

Remove all debris and plaque from the preparation and surrounding teeth. Even small particles can confuse the AI’s edge detection algorithms.

Anpassungen der Scan-Technik

The AI works best with high-quality scan data, so I’ve adjusted my scanning technique accordingly:

Beginnen Sie mit den benachbarten Zähnen: Starten Sie den Scan 2–3 Zähne von der Präparation entfernt und arbeiten Sie sich darauf zu. Dadurch erhält die KI den nötigen Kontext, um präparierte von nicht präparierten Oberflächen zu unterscheiden.

Mehrere Durchgänge am Rand: Führen Sie mindestens drei vollständige Durchgänge am Rand aus verschiedenen Blickwinkeln durch. Die KI nutzt diese redundanten Daten, um die Erkennungsgenauigkeit zu verbessern.

Maintain optimal distance: Keep the scanner tip 10-15mm from the preparation. Closer isn’t always better—the AI needs sufficient field of view to analyze margin geometry.

Langsamere Scan-Geschwindigkeit: Verringern Sie die Scan-Geschwindigkeit an den Rändern um etwa 30 %. Die KI-Verarbeitung erfolgt in Echtzeit, und wenn man ihr mehr Zeit für die Analyse jedes einzelnen Bildes gibt, verbessert sich das Ergebnis.

Softwareeinstellungen und -optimierung

Anpassung der KI-Empfindlichkeit

The margin detection sensitivity can be adjusted in the CEREC software. I typically start with the default “Medium” setting, but here’s when I adjust:

Hohe Empfindlichkeit: Für klar abgegrenzte supragingivale Ränder mit hervorragendem Kontrast. Diese Einstellung erfasst feine Details an den Rändern, kann jedoch in Bereichen mit Artefakten zu viele Details erkennen.

Geringe Empfindlichkeit: Besser geeignet für schwierige Fälle mit minimalem Kontrast oder bei vorhandenen Restaurationen, die an Ihre Präparation angrenzen.

You can adjust sensitivity even after initial detection, so don’t hesitate to experiment during your case.

Techniken zur manuellen Verfeinerung

Even with perfect preparation and scanning, you’ll occasionally need to refine the AI’s margin detection. The software allows point-by-point editing, and I’ve developed a systematic approach:

Vergrößern Sie zunächst die Ansicht und prüfen Sie die gesamte Randlinie, bevor Sie Änderungen vornehmen. Achten Sie auf Stellen, an denen die Erkennungslinie von Ihrem tatsächlichen Präparationsrand abweicht.

Use the “Add Point” tool sparingly—it’s better to delete incorrect segments and re-detect than to manually place dozens of points.

Achten Sie besonders auf die Interproximalbereiche und die Linienwinkel, wo die KI bei komplexen Geometrien manchmal Schwierigkeiten hat.

Behebung häufiger Probleme bei der KI-Erkennung

Herausforderungen im subgingivalen Bereich

Subgingivale Ränder stellen nach wie vor die größte Herausforderung für die KI-Erkennung dar. Wenn das System Schwierigkeiten hat, versuchen Sie es mit folgenden Ansätzen:

Führen Sie einen erneuten Scan mit stärkerer Retraktion durch, falls Gewebe einen Teil des Präparationsrandes verdeckt. Die KI benötigt vollständige Sicht auf die Präparationsgrenze.

Use the “Margin Highlight” feature during scanning to see real-time detection. If areas aren’t being detected during the scan, address tissue management before completing the impression.

Bei tiefen subgingivalen Rändern empfiehlt sich ein zweistufiges Vorgehen: zunächst eine Erfassung der Gesamtgeometrie, anschließend eine gezielte Nacherfassung der Randbereiche nach optimaler Gewebebehandlung.

Erkennung von Mehrfachpräparaten

Wenn Sie mehrere benachbarte Einheiten präparieren, scannen Sie zunächst jede Präparation einzeln und erfassen Sie anschließend den gesamten Zahnbogen. Dadurch erhält die KI klare Bezugspunkte für jeden Rand, bevor sie mit der Analyse der komplexen Geometrie mehrerer Einheiten beauftragt wird.

Achten Sie auf einen ausreichenden Abstand zwischen den Präparationen – die KI kann Schwierigkeiten haben, wenn die Ränder sehr dicht beieinander liegen, insbesondere im hinteren Bereich.

Materialspezifische Überlegungen

Verschiedene Restaurationsmaterialien stellen unterschiedliche Anforderungen an die Randbereiche, und ich passe meinen Ansatz zur KI-Erkennung entsprechend an:

Lithiumdisilikat (e.max): Erfordert eine präzise Randerkennung, da nach der Kristallisation nur begrenzte Anpassungsmöglichkeiten bestehen. Ich verwende eine hohe Empfindlichkeitseinstellung und überprüfe die Interproximalbereiche stets manuell.

Zirkon: Gleicht kleinere Abweichungen an den Rändern besser aus, daher ist eine mittlere Empfindlichkeit gut geeignet. Achten Sie eher auf die allgemeine Kontinuität der Ränder als auf Präzision im Mikrometerbereich.

Nanokeramik auf Harzbasis (Lava Ultimate): Eignet sich besonders für leicht überlappende Ränder, die am Behandlungsstuhl angepasst werden können. Verwenden Sie eine mittlere bis geringe Empfindlichkeit, um eine Überdetektion zu vermeiden.

Qualitätskontrolle und -prüfung

I’ve developed a systematic quality control process for AI-detected margins:

Überprüfen Sie die Randlinie stets in der 3D-Ansicht und drehen Sie das Modell, um alle Aspekte der Präparation zu begutachten. Die KI-Erkennungslinie sollte genau Ihrem tatsächlichen Präparationsrand folgen.

Überprüfen Sie die Kontinuität der Ränder – achten Sie auf Lücken oder Unterbrechungen in der Erkennungslinie, die zu Problemen bei der Wiederherstellung führen könnten.

Überprüfen Sie die Position des Resektionsrandes im Verhältnis zu den Gewebeschichten. Die KI erkennt manchmal Präparationsränder, die sich tatsächlich oberhalb oder unterhalb der von Ihnen beabsichtigten Resektionsrandposition befinden.

Verwenden Sie die Messinstrumente, um die Gleichmäßigkeit der Randbreite zu überprüfen, was insbesondere bei ästhetischen Restaurationen im Frontzahnbereich wichtig ist.

Integration in bestehende Arbeitsabläufe

Implementing AI margin detection doesn’t require completely changing your existing CEREC workflow. I’ve found success by making incremental adjustments:

Beginnen Sie mit der KI-Erkennung bei einfachen Fällen im Seitenzahnbereich, um sich mit der Methode vertraut zu machen, bevor Sie sich an komplexe Fälle im Frontzahnbereich wagen.

Behalten Sie zunächst Ihre bisherigen Präparationstechniken bei – konzentrieren Sie sich zunächst auf die Optimierung des Scannens und der Softwarenutzung, bevor Sie Ihren klinischen Ansatz ändern.

Keep manual margin selection skills sharp. While AI detection works well most of the time, you’ll still need manual techniques for challenging cases.

Dokumentieren Sie Fälle, in denen die KI-Erkennung besonders gut oder besonders schlecht funktioniert. So können Sie Muster erkennen und Ihre Vorgehensweise im Laufe der Zeit verfeinern.

Häufig gestellte Fragen

How accurate is CEREC’s AI margin detection compared to manual selection?

Meiner klinischen Erfahrung nach liefert die KI-Erkennung bei optimierten Präparations- und Scanverfahren konsistentere Ergebnisse als die manuelle Auswahl. Studien weisen auf eine Genauigkeit von 85–95 % bei klar definierten Rändern hin, wobei die KI insbesondere bei der Einhaltung einer konsistenten Randbreite überlegene Ergebnisse erzielt. Bei komplexen Fällen ist jedoch nach wie vor eine manuelle Nachbearbeitung von Vorteil, und die KI sollte eher als fortschrittliches Hilfsmittel denn als Ersatz für das klinische Urteilsvermögen betrachtet werden.

Funktioniert die KI-Randerkennung bei allen Zahnpositionen gleich gut?

Bei den Seitenzähnen lassen sich aufgrund der günstigeren Scanwinkel und der in der Regel klarer definierten Präparationsränder im Allgemeinen die besten Ergebnisse bei der KI-Erkennung erzielen. Die Frontzähne können aufgrund dünnerer Ränder und ästhetischer Anforderungen eine Herausforderung darstellen, während bei den zweiten Backenzähnen Zugangsbeschränkungen bestehen können, die die Scanqualität beeinträchtigen. Die KI liefert die besten Ergebnisse, wenn sie einen ungehinderten Sichtzugang zum gesamten Randumfang hat.

Kann ich die KI-Randerkennung bei vorhandenen Kronen oder Brücken anwenden, die an meine Präparation angrenzen?

Yes, but with some considerations. The AI can distinguish between different materials, but highly reflective metal restorations may cause scanning artifacts that affect detection accuracy. Ceramic and composite restorations generally don’t interfere with AI detection. I recommend using medium to low sensitivity settings when existing restorations are adjacent to your preparation to avoid false margin detection on restoration edges.

Was soll ich tun, wenn die KI einen Teil meines Sicherheitsabstands komplett übersieht?

Überprüfen Sie zunächst die Scanqualität in diesem Bereich – eine unvollständige Randerkennung deutet in der Regel auf unzureichende Scandaten hin, die durch Gewebeverzerrungen, Rückstände oder Probleme mit dem Scanwinkel verursacht werden. Scannen Sie den problematischen Bereich erneut, wobei Sie auf eine bessere Isolierung und Gewebemanagement achten sollten. Wenn die Scanqualität gut ist, die Erkennung aber dennoch unzureichend bleibt, weist der Präparationsrand möglicherweise keine ausreichende geometrische Definition für die KI-Erkennung auf, sodass für dieses Segment eine manuelle Randerfassung erforderlich ist.

Inwiefern beeinflusst die Präparattiefe die Genauigkeit der KI-Randerkennung?

Tiefere Präparationen (1,0 mm+) mit klar definierter Geometrie lassen sich von der KI leichter erkennen, da sie deutlichere Kontrast- und Schattenmuster erzeugen. Flache Präparationen (weniger als 0,5 mm) können eine Herausforderung darstellen, da der geometrische Übergang kaum wahrnehmbar ist. Zu tiefe Präparationen können jedoch Scan-Schatten erzeugen, die die Darstellung der Ränder beeinträchtigen. Je nach Art der Restauration erziele ich optimale Ergebnisse bei Präparationstiefen von 0,8 bis 1,2 mm.

---