Publications

Detailed Information

Comparison of accuracy and computational performance between the latest machine learning algorithms for automated cephalometric landmark identification – YOLOv3 vs SSD : 두부계측방사선 사진 계측점 자동 식별의 최신 기계 학습 알고리즘 간 정확도 및 연산 성능 비교 연구 – YOLOv3 vs SSD

Cited 0 time in Web of Science Cited 0 time in Scopus
Authors

박지훈

Advisor
이신재
Issue Date
2019-08
Publisher
서울대학교 대학원
Keywords
Automated identificationcephalometric landmarkdeep learningmachine learningartificial intelligenceYOLOSSD
Description
학위논문(박사)--서울대학교 대학원 :치의학대학원 치의학과,2019. 8. 이신재.
Abstract
Introduction: The purpose of this study was to compare two of the latest deep learning algorithms for automatic identification of cephalometric landmarks in their accuracy and computational efficiency. This study uses two different algorithms for automated cephalometric landmark identification with an extended number of landmarks: 1) You-Only-Look-Once version 3 (YOLOv3) based method with modification, and 2) the Single Shot Detector (SSD) based method.

Materials and methods: A total of 1,028 cephalometric radiographic images were selected as learning data that trained YOLOv3 and SSD methods. The number of target labelling was 80 landmarks. After the deep learning process, the algorithms were tested using a new test data set comprised of 283 images. The accuracy was determined by measuring the mean point-to-point error, success detection rate (SDR), and visualized by drawing 2-dimensional scattergrams. Computational time of both algorithms were also recorded.

Results: YOLOv3 algorithm outperformed SSD in accuracy for 38/80 landmarks. The other 42/80 landmarks did not show a statistically significant difference between YOLOv3 and SSD. Error plots of YOLOv3 showed not only a smaller error range, but also a more isotropic tendency. Mean computational time spent per image was 0.05 seconds and 2.89 seconds for YOLOv3 and SSD, respectively. YOLOv3 showed approximately 5% higher accuracy compared with the top benchmarks in the literature.

Conclusions: Between the two algorithms applied, YOLOv3 seems to be promising as a fully automated cephalometric landmark identification system for use in clinical practice.
연구 목적: 본 연구의 목적은 두부계측방사선 사진 계측점 자동 식별에 있어, 최근 개발된 두 가지 딥 러닝 알고리즘의 정확도와 연산 성능을 비교하는 것이다. 본 연구에서는 다음 두 가지의 알고리즘을 계측점 자동 식별에 적용하였다. 1) You-Only-Look-Once version 3 (YOLOv3) 및 2) the Single Shot Detector (SSD).

재료 및 방법: 총 1,028 개의 두부계측방사선 사진 영상이 YOLOv3 와 SSD방식의 학습 데이터로 사용되었다. 대상 계측점은 80개였다. 학습 과정을 거친 후, 각각의 알고리즘을 새로운 283 개의 테스트 영상에서 비교 분석하였다. 정확도는 1) 평균적인 point-to-point error, 2) success detection rate (SDR), 그리고 3) 2차원 평면에서 시각화한 scattergram 을 기반으로 평가했다. 각각의 알고리즘의 평균 연산 시간 역시 기록하였다.

결과: YOLOv3 는 SSD 에 비해 총 38/80 개의 계측점에서 더 높은 정확도를 보였다. 나머지 42/80 개의 계측점은 두 알고리즘 간에 정확도에 있어 통계적으로 유의미한 차이를 나타내지 않았다. Error plot 에서는 YOLOv3 가 SSD 에 비해서 error 의 범위가 더 작을 뿐 아니라, 2차원 평면에서 방향성의 영향을 덜 받는 것으로 나타났다. 하나의 영상에서 계측점을 자동 식별하는데 소요된 평균 시간은 YOLOv3 와 SSD 가 각각 0.05 초, 2.89 초로 기록되었다. 본 연구에서 YOLOv3 는 기존 문헌에서 최상의 정확도를 기록했던 연구에 비해 약 5% 가량 높은 정확도를 보였다.

결론: 본 연구를 통해 적용된 두 개의 알고리즘 중, YOLOv3 가 두부계측방사선 사진 계측점 완전 자동 식별의 임상적인 적용에 가능성 높은 알고리즘임을 확인하였다.
Language
eng
URI
https://hdl.handle.net/10371/162487

http://dcollection.snu.ac.kr/common/orgView/000000156664
Files in This Item:
Appears in Collections:

Altmetrics

Item View & Download Count

  • mendeley

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

Share