Diş anatomisi eğitimi, teorik eğitimi pratik eğitimle birleştiren klasik bir öğretim modelini benimseyerek zaman içinde gelişmiştir. Dişlerin anatomik morfolojisinin doğru bir şekilde anlaşılması, özellikle prostodontik tedavi, endodontik tedavi, oklüzal yeniden yapılandırma ve implant restorasyonu ile ilgili prosedürlerde, oral klinik uygulama için önemli bir temel teşkil eder. Bu nedenle araştırmacılar, anatomik bilgi sistemlerinin oluşturulmasını desteklemek için sürekli olarak yeni öğretim yöntemleri ve teknolojileri araştırmışlardır. Önceki çalışmalar, temel olarak öğretim yöntemlerini optimize ederek ve farklı oyma malzemelerinin uygulanabilirliğini araştırarak diş anatomisi eğitimini geliştirmiştir. Dijital teknolojilerin gelişimiyle birlikte, üç boyutlu tarama, üç boyutlu yeniden yapılandırma, 3D baskı, sanal gerçeklik ve artırılmış gerçeklik, klinik uygulamalardan tıp eğitimine kademeli olarak yayılmış ve öğrencilerin karmaşık üç boyutlu yapıları anlamaları için yeni araçlar sağlamıştır15. Gelecekte, yapay zeka ve mobil bilişim geliştikçe, bu teknolojilerin daha düşük maliyetli ve daha kolay bir şekilde rutin öğretime entegre edilmesi beklenmektedir.
Bu sistemde, standart diş modeli yeniden kullanılabilir. Üç boyutlu nesne takip işaretçileri 3D modelleme yazılımında tasarlanabilir ve mekansal ilişkileri, AR yazılımına doğrudan aktarılmadan önce belirlenebilir. Tüm iş akışı, ardından diş oyma tabanının 3D yazıcıyla basılmasıyla tamamlanabilir. Diş oyma eğitimi için fiziksel referanslar olarak 3D yazıcıyla basılmış diş modellerinin kullanılmasının; düşük maliyet, sezgisel morfoloji ve tekrarlı gözlem gibi avantajlarıyla eğitimsel değer sunduğu da dikkate değerdir. Bununla birlikte, AR teknolojisi gerçek zamanlı görsel navigasyon sunar. Gerçek mum blok oyma ortamında gerçek zamanlı, döndürülebilir ve şeffaflığı ayarlanabilir üç boyutlu bir görsel referans sağlayabilir13. Teknoloji gelişmeye devam ettikçe, AR'nin daha düşük maliyetli, daha basit ve daha kullanışlı bir formda eğitime uygulanması beklenmektedir. Bu nedenle, AR destekli öğretimin daha fazla gelişim için önemli bir potansiyeli vardır.
AR sistemleri için görselleştirme kalitesi, izleme stabilitesi ve kayıt doğruluğu, sanal-gerçek üst üste bindirme güvenilirliğini ve kullanıcı deneyimini belirleyen temel teknik faktörlerdir16. Önceki çalışmalar, diş oyma eğitiminde AR sistemlerinin kullanımını araştırmış ancak çoğu görüntü izleme yöntemini benimsemiştir5,13. Buna karşılık, mevcut sistem üç boyutlu nesne izleme kullanmaktadır. Görüntü işaretleyici izleme; basit hazırlık, düşük maliyet ve kolay kurulum sunar ve işaretleyici açıkça göründüğünde ve uygun bir bakış açısı dahilinde olduğunda stabil tanıma sağlayabilir. Diş oyma işlemi sırasında, operatörün hedef diş morfolojisini birden fazla açıdan gözlemleyebilmesi için balmumu bloğunun sıklıkla döndürülmesi gerekir. Bu koşullar altında, bir görüntü işaretleyicisi kamera görüş alanı içinde tamamen görünür kalmayabilir, bu da işaretleyici tanımasını kesintiye uğratabilir ve gerçek zamanlı AR rehberliğinin sürekliliğini sınırlayabilir. Öncelikle düzlemsel görüntü işaretleyicilerine dayanan görüntü izleme ile karşılaştırıldığında, üç boyutlu nesne izleme, nesnenin uzaysal pozunu geometrik konturuna ve doğal görsel özelliklerine dayanarak tahmin eder. Bu, sistemin sanal diş modelini fiziksel balmumu bloğu tabanıyla birden fazla bakış açısından kaydetmesini sağlar, böylece operatörün uygulama sırasında balmumu bloğunu döndürmesi ve gözlemlemesi gereken gerçek diş oyma senaryosuna daha yakın bir eşleşme sağlanır. Ancak bu yaklaşım genellikle izleme nesnesinin bir CAD modeli veya üç boyutlu taranmış bir modelini, ardından 3B baskı ve montajı gerektirir; bu da model hazırlığının karmaşıklığını düzlemsel görüntü işaretleyici izlemeye göre artırır. Bu nedenle, pratik bir strateji, balmumu bloğunu belirgin geometrik yapılara ve görsel özelliklere sahip bir tabana sabitlemektir. Bu izleme yaklaşımına dayanarak sistem, sanal diş modelini dikdörtgen bir görüş alanı içinde gözlemlemek için tabana monte edilmiş işaretleyicilere güvenerek izleme stratejisini optimize eder. Sistem iterasyonu sırasında, tanıma hassasiyeti ile üst üste bindirme doğruluğunu dengelemek için bir kayıt eşiği ayarlama fonksiyonu eklenmiştir. Daha düşük bir eşik, tanıma başarısını artırır ancak üst üste bindirme stabilitesini azaltabilir; buna karşılık daha yüksek bir eşik, kayıt doğruluğunu artırır ancak tanıma zorluğunu artırabilir. Ek olarak, izleme arayüzü kullanıcıların izleme modellerini gerçek zamanlı olarak değiştirmelerine ve şeffaflığı ayarlamalarına olanak tanıyarak operasyonu basitleştirir.
Bununla birlikte, bu sistemin hala çeşitli sınırlamaları bulunmaktadır. İlk olarak, mevcut sistem bir bilgisayara ve harici bir yüksek çözünürlüklü kameraya dayanmaktadır. Cihaz bağlantısı ve mekansal düzenleme nispeten karmaşıktır, bu da sistemin kalabalık sınıflardaki öğretim uygulamalarını kısıtlamaktadır. Maliyeti düşürmek ve erişilebilirliği artırmak amacıyla, sistemin tablet ve akıllı telefon gibi mobil cihazlara uyarlanması için çalışmalar sürdürülmektedir. İkinci olarak, tanıma performansı aydınlatmadan, kamera açısından, işaretçi tıkanıklığından (oklüzyon) ve taban dönüş hızından etkilenmektedir. İşaretçi tıkandığında veya taban çok hızlı döndürüldüğünde, sistem işaretçiyi tanıyamayabilir ve tanımanın yeniden sağlanması için işaretçinin tekrar görünür hale getirilmesi gerekir. Bu protokolün bir diğer sınırlaması da model tasarımı, ağ (mesh) işleme ve AR kaydının yapılması için birkaç ticari veya özelleştirilmiş yazılım paketinin kullanılmış olmasıdır. Bazı fonksiyonlar kısmen açık kaynaklı veya düşük maliyetli alternatiflerle değiştirilebilir. Örneğin, üç boyutlu model tasarımı ve düzenlemesi için FreeCAD veya Blender; ağ işleme için ise MeshLab veya CloudCompare kullanılabilir. Ek olarak, Unity ile birlikte Vuforia Engine, model-hedef tabanlı izleme gibi üç boyutlu nesne tanıma tabanlı AR için potansiyel bir geliştirme çerçevesi sağlayabilir. Ancak, bu protokolde kullanılan AR iş akışının yeniden üretilmesi, hala ek yazılım geliştirme, parametre optimizasyonu ve doğrulama gerektirecektir. Bu nedenle, modelleme ve ağ işleme adımları alternatif yazılımlar kullanılarak kısmen yeniden üretilebilse de, bu protokolde uygulanan AR izleme ve kayıt modülü, daha fazla geliştirme ve doğrulama yapılmadan mevcut bir açık kaynak paketle doğrudan değiştirilemez.
Son olarak, iki boyutlu görüntü düzlemi üst üste bindirme sapma analizi, sistemin üst üste bindirme doğruluğunu yalnızca kısmen yansıtabilmektedir. Diş oyma işlemi üç boyutlu bir prosedür olduğundan, mevcut veriler hassas diş oyma eğitimi için gereken üç boyutlu kayıt doğruluğunu tam olarak ortaya koyamamaktadır. İşaretçi tıkanıklığının, kamera açısının, aydınlatmanın ve rotasyon hızının kayıt performansı üzerindeki etkileri de ayrı ayrı değerlendirilmemiştir. Bu nedenle, sistemin hassas diş oyma rehberliği için yeterli doğruluğu sağlayıp sağlamadığı henüz belirsizdir. Son olarak, bu çalışmada yalnızca tek örnekli bir iş akışı doğrulaması tamamlanmış olup, öğrencilerin oyma kalitesini ve öğrenme çıktılarını iyileştirme yeteneğinin geniş örneklemli kontrollü çalışmalarla doğrulanması gerekmektedir.
Özetle, bu çalışma üç boyutlu nesne takibine dayalı, artırılmış gerçeklik destekli bir diş oyma protokolü önermektedir. Tek örneklik doğrulama sonuçları, bu iş akışının standart diş modeli ile fiziksel balmumu blok operasyon sahnesi arasında AR bindirmesi sağlayabildiğini ve diş oyma eğitimi için sezgisel bir üç boyutlu görsel referans sunduğunu göstermektedir. Mevcut sonuçlar, eğitim etkisinin geleneksel yöntemlerden üstün olduğunu doğrudan kanıtlayamasa da, bu protokol AR teknolojisinin diş oyma eğitimine uygulanmasına yönelik daha fazla araştırmanın fizibilitesini ve değerini ortaya koymaktadır. Mobil cihazlardaki, üç boyutlu tanıma algoritmalarındaki ve yapay zekadaki ilerlemelerle birlikte, AR destekli diş oyma eğitimi; diş laboratuvarı öğretimine daha düşük maliyetli, daha kolay ve daha ölçeklenebilir bir şekilde entegre edilebilir.