중심점 기반 물체 탐지 네트워크와 가우시안의 분리를 이용한 구강 CT 영상에서의 개별 치아 분할

Abstract

3차원 구강 CT 영상에서 개별 치아들의 종류를 식별하고 영역을 분할하는 것은 다양한 치과치료 및 교정치료를 위해 꼭 선행되어야 하는 과정이다. 이와 같은 개별 물체 분할(Instance Segmentation) 문제들은 주로 물체 탐지(Object Detection)가 선행된 후 분할을 진행한다는 공통점이 있는데, 최근 Convolutional Neural Network(CNN)를 수반한 인공신경망 네트워크들이 물체 탐지와 분할 문제들에서 크게 두각을 나타내고 있다. 이에 힘입어 개별 치아를 분할하는 문제에도 딥러닝을 이용한 다양한 방법들이 제한되었지만, 비슷한 형태를 지닌 치아들을 구분하고 인접한 치아들의 경계를 명확히 구분하는 것은 여전히 어려운 문제로 남아있다. 본 연구에서는 가우시안 분리 로스(Gaussian Disentanglement Loss)를 도입한 치아 탐지 네트워크를 제안한다. 이때, 치아 종류를 분류하기 위한 추가적인 학습이 필요하지 않은 Point 기반 탐지 방법을 사용하였고, 이미지 상의 위치정보들을 보존할 수 있는 heatmap regression 방식을 사용하여 학습의 효과를 높였다. 또한, 새로이 고안된 가우시안 분리 로스를 적용하여 모든 인접한 치아 쌍에 해당하는 heatmap들의 내적을 최소화 하는 방향으로 손실함수를 부여하여 치아 탐지 정확도의 향상을 도모하였다. 이어진 개별 치아 분할의 경우 인접한 주 변 치아들로 인한 성능 저하를 줄이기 위해 픽셀 단위의 라벨링 문제를 distance map regression 문제로 치환하여 진행하였다. 그 결과 치아 탐지에서 기존 알고리즘 대비 9.1%의 평균 정밀도 향상을 보였고, 이러한 개선점에 기인하여 개별 치아 분할에서도 높은 성능을 보였다.

Individual tooth segmentation and identification from cone beam computed tomography images are preoperative prerequisites for orthodontic treatments. Recent studies that involve convolutional neural networks for instance segmentation, typically preceded by object detection and classification, show ground-breaking performances on different medical image domains. While point-based detection frameworks show significant outcomes on dental images, distinguishing adjacent teeth remains challenged due to their similar topology. In this study, we propose a point-based tooth localization network by introducing Gaussian Disentanglement loss. The proposed network first performs heatmap regression accompanied by box size regression for all anatomical teeth. A novel Gaussian Disentanglement penalty is employed by minimizing the sum of pixel-wise multiplication of heatmaps for all adjacent tooth pairs. Subsequently, individual tooth segmentation is applied by converting pixel-wise labeling task to distance map regression task in order to minimize false positives on adjacent teeth. The experimental results demonstrate that the proposed algorithm outperforms state-of-the-art approaches by increasing the average precision of detection by 9.1%, consequently leading to high performance of individual tooth segmentation.