Browse

딥러닝 분석을 활용한 치아우식 탐지의 신뢰도 평가
Reliability evaluation of dental caries detection using deep learning

Cited 0 time in Web of Science Cited 0 time in Scopus
Authors
김선집
Advisor
조현재
Issue Date
2019-08
Publisher
서울대학교 대학원
Keywords
artificial intelligenceconvolutional neural networkdeep learningdental caries
Description
학위논문(석사)--서울대학교 대학원 :치의학대학원 치의과학과,2019. 8. 조현재.
Abstract
치아우식의 검진 도구는 탐침 및 치과 방사선 사진 영상이 주로 사용되고 있으나, 최종적으로는 진단자의 경험에 의존하는 경향이 있으며, 진단자 간 신뢰도가 만족스럽지 않은 경우도 있다. 이러한 문제를 보완하고자 최근 영상 분석에 우수한 성능을 보이는 딥러닝을 활용하여 영상을 처리하거나 패턴을 인식하는 진단 기술을 치과 분야에 적용하여 치아우식의 진단 정확성을 높이고자 하였다.
이번 연구는 인터넷 검색 엔진에서 치아 영상를 수집하는 Search engine scraping 방법을 사용하여, 서울대학교 치의학대학원 연구윤리심의위원회의 승인(S-D20190007)을 받아 2019년 4월부터 2019년 5월까지 약 2개월에 걸쳐 진행되었다. 치아 영상은 세계보건기구 지침에 의해 건전치아, 우식치아, 처치치아로 나누었다. 최종적으로 각각 70개의 영상을 수집하였으며, 딥러닝 모델을 학습시키기 위한 훈련 세트 50개와 이를 검증하는 시험세트 20개를 무작위로 배치하였다. 건전치아와 우식치아를 분류하는 모델에서 신뢰도를 확인하기 위해 ROC curve, AUC, 일치도, 민감도, 특이도, 양성예측도, 음성예측도를 산출하였고, 건전치아, 우식치아, 처치치아를 분류하는 모델에서는 각 분류에 따른 일치도를 확인한 결과, 다음과 같은 결론을 얻었다.

1. 치과 영상의 특징을 추출하여 신뢰도 높은 모델을 구축하기 위해서는 깊은 신경망으로 설계되어야 한다.
2. 건전치아와 우식치아를 분류하는 모델에서, 전이학습 적용모델은 전이학습 비적용 모델(50.0%)에 비하여 월등히 높은 일치도를 나타내었다(90.0%, AUC:0.963).
3. 건전치아, 우식치아, 처치치아를 분류하는 모델에서, 일치도는 감소하였고(61.7%), 각 영상의 일치도는 처치치아(80.0%), 우식치아(35.0%), 건전치아(25.0%) 순이었다.
Dental explorer and dental radiographs are mainly used for the examination of dental caries, however they tend to depend on the experience of the examiner in the end and the reliability of the examiner may not be satisfactory. To overcome this problem, we tried to improve the diagnostic accuracy of dental caries by applying the deep learning which processes images or recognizes patterns and has superior performance in image analysis.
This study was approved by the Institutional Review Board of the Graduate School of Dentistry, Seoul National University using the search engine scraping method for collecting tooth images in the internet search engine. From April 2019 to May 2019 it has been going on for about two months. Tooth images were divided into sound teeth, caries teeth, and treated teeth according to WHO guidelines. Finally, 70 images were collected respectively, and 50 training sets for learning the deep learning model and 20 test sets for verifying the training set were randomly assigned. ROC curve, AUC, accuracy, sensitivity, specificity, positive predictive value, and negative predictive value were calculated to confirm reliability in the classification model of sound teeth and caries teeth, and, the model for classifying sound teeth, caries teeth, treated teeth confirmed the accuracy of the classification.

The following conclusion was obtained from the experiment.
1. In order to extract the characteristics of the dental image and establish a reliable model, it should be designed as a deep neural network.
2. In the model dividing sound teeth and caries teeth, the transfer learning model showed a much higher accuracy (90.0%, AUC: 0.963) than the non-transfer learning model (50.0%).
3. Accuracy was reduced (61.7%) in the classification of sound teeth, caries teeth, and treated teeth. The accuracy of each image was 80.0% for treatment, 35.0% for carious teeth, 25.0% for sound teeth, respectively.
Language
kor
URI
https://hdl.handle.net/10371/161691

http://dcollection.snu.ac.kr/common/orgView/000000157602
Files in This Item:
Appears in Collections:
College of Dentistry/School of Dentistry (치과대학/치의학대학원)Dept. of Dental Science(치의과학과)Theses (Master's Degree_치의과학과)
  • mendeley

Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse