Objectives: Fully automated reconstruction of anatomically detailed and functionally compatible tooth crowns from partial digital impressions remains challenging. This work aims to develop and evaluate a deep-learning-based pipeline that reconstructs functional, patient-specific crown morphology from multi-tooth context and leverages case-specific parametric optimization to achieve contact-aware placement within the dental arch.

Methods: We propose Tooth Sequence Transformer (TST), a tooth-sequence-driven transformer that operates on segmented 3D tooth point clouds. The data is represented in a normalized adjacent teeth frame and conditioned on tooth identity via anatomical priors. The network predicts a dense target tooth using adjacent and antagonist context, followed by Tooth Pose Predictor (TPP) for initial rigid alignment and a Tooth Pose Optimizer (TPO) stage that refines translation and scale under occlusal and proximal contact objectives. The pipeline is evaluated against common point cloud completion baselines using morphological and contact-specific metrics as well as qualitative reconstructions.

Results: Across anterior and posterior tooth ranges, TST achieves statistically significant improvements in morphological fidelity and proximal fit compared to both baselines, including lower chamfer distance and adjacent tooth contact losses. For posterior teeth, TST reduces antagonist penetration relative to the baselines. While the baselines can generate plausible tooth morphology for anterior teeth, only TST yields plausible and high-fidelity reconstructions for posterior teeth, as confirmed by qualitative assessment. The TPO stage significantly improves adjacent contact alignment, reducing the adjacency loss by approximately a factor of 5–6 compared to pre-optimization poses. Ablation studies confirm the impact of key model design choices.

Conclusions: The proposed TST pipeline provides functional crown proposals that combine learned morphology with controllable, contact-driven placement refinement. The method outperforms common point cloud completion baselines in morphological accuracy and qualitative fidelity, particularly for morphologically complex posterior molar teeth.

Ziele: Die vollautomatische Konstruktion anatomisch detaillierter und funktionell gestalteter Kronen aus partiellen digitalen Abformungen bleibt eine anspruchsvolle Aufgabe in der Zahnmedizin. Ziel dieser Arbeit war die Entwicklung und Evaluation eines Deep-Learning-basierten Verfahrens, das unter Berücksichtigung von Antagonisten, Nachbarzähnen und den restlichen Zähnen des Zahnbogens eine gleichermaßen funktionelle und patientenspezifische Kronenmorphologie rekonstruiert und über eine fallspezifische parametrische Optimierung eine kontaktpunktbezogene Positionierung innerhalb des Zahnbogens ermöglicht.

Methoden: Wir präsentieren einen zahnsequenzgetriebenen Transformer (Tooth Sequence Transformer (TST)), der segmentierte 3D-Zahnpunktwolken in einem normalisierten, an den Nachbarzähnen ausgerichteten Koordinatensystem verarbeitet und über anatomische Vorgaben auf die Zahnidentität konditioniert wird. Das Netzwerk rekonstruiert die Form der Krone im Nachbar- und Antagonistenkontext. Anschließend wird eine initiale translatorische Starrkörpertransformation berechnet (Tooth Pose Predictor (TPP)). Darauf aufbauend werden Translation und Skalierung anhand okklusaler und approximaler Verlustfunktionen optimiert (Tooth Pose Optimizer (TPO)), um Zahnkontakte gezielt zu berücksichtigen. Die Methode wird gegenüber etablierten Verfahren zur Punktwolkenrekonstruktion mittels morphologischer und kontaktspezifischer Metriken sowie anhand qualitativer Ergebnisse evaluiert.

Ergebnisse: Über Front- und Seitenzähne hinweg erreicht TST gegenüber beiden Baselines statistisch signifikante Verbesserungen sowohl in den morphologischen Metriken als auch in der approximalen Passung. Dies zeigt sich unter anderem in einer geringeren Punkt zu Punkt Distanz sowie in reduzierten Kontaktverlusten zu benachbarten Zähnen. Für Seitenzähne verringert TST zudem die Durchdringung mit Antagonisten signifikant im Vergleich zu den Baselines. Während die Baselines bei Frontzähnen eine plausible Morphologie erzeugen, liefert nur TST auch für Seitenzähne konsistente, plausible und detailgetreue Rekonstruktionen. Die TPO-Stufe verbessert insbesondere die Approximalkontakte deutlich und reduziert die zugehörige Verlustgröße im Mittel um etwa den Faktor 5–6 gegenüber dem initialen Modelloutput. Ablationsstudien stützen die zugrundeliegenden Modell- und Pipeline-Entscheidungen.

Schlussfolgerungen: TST generiert funktionelle Kronendesigns, indem es eine datengetrieben gelernte Morphologie mit einer gezielt steuerbaren, kontaktbasierten Optimierung der Translation und Skalierung kombiniert. Im Vergleich zu generischen Verfahren erreicht die Methode, insbesondere bei morphologisch komplexen Seitenzähnen, eine höhere morphologische Genauigkeit und eine bessere qualitative Detailtreue.