Publications

Detailed Information

딥러닝을 이용한 매복 정중과잉치의 의미적 분할 : Semantic Segmentation of Impacted Mesiodens Images Using Deep Learning

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

김현태

Advisor
김영재
Issue Date
2022
Publisher
서울대학교 대학원
Keywords
인공지능정중과잉치심층학습U-NetSemantic segmentation파노라마 방사선사진
Description
학위논문(박사) -- 서울대학교대학원 : 치과대학 치의과학과, 2022.2. 김영재.
Abstract
1. 연구목적
본 연구의 목적은 소아의 파노라마 방사선사진(panoramic radiographs)에서 정중과잉치의 위치와 경계를 학습하고 스스로 진단하는 모델을 딥러닝(deep learning) 알고리즘을 활용하여 개발하고 그 성능을 평가하는 것이다.

2. 연구재료 및 방법
850개의 소아 환자의 파노라마 방사선사진을 대상으로 연구를 시행하였다. 의미적 분할(Semantic segmentation) 기법을 사용하여 정중과잉치를 진단하고 분할하기 위해 U-Net 알고리즘을 사용하였다.
학습 효과를 비교하기 위해 인코더로 ResNet 계열의 모델을 적용하였다. 모델의 분할 정확도는 Jaccard index와 Dice coefficient를 통해 비교하였다. 학습된 모델의 과잉치 진단 능력을 전문가 집단과 비교하였으며 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score, 소요시간을 측정하여 비교하였다.

3. 결과
분할(Segmentation) 정확도 척도인 Jaccard index의 경우 90% 이상의 값을 나타내었고, Dice coefficient는 91% 이상의 값을 나타내었다. 전문가 집단과의 비교시 딥러닝 모델은 91~92%의 정확도 및 94~95%의 F1-score를 나타내었으며 치과의사군과 필적할 만한 진단 성능을 보여주었다. 딥러닝 모델의 진단 속도는 다른 전문가 집단에 비해서 유의미하게 빨라 효율성 측면에서 우수하였다.

4. 결론
딥러닝 모델 기반의 과잉치 분할 모델은 90% 이상의 정확도로 분할해 내었다. 분할 모델을 과잉치 진단에 사용하였을 때 딥러닝 모델은 소아치과 전문의나 치과의사와 같은 전문가 집단에 필적할 만한 정확도를 보여주었으며 진단 속도는 다른 집단에 비해 빠른 것으로 나타났다.
Objectives
This study aimed to evaluate the performance of deep learning algorithms for classification and segmentation of impacted mesiodens in pediatric panoramic radiographs.

Material and methods
A total of 850 panoramic radiographs in pediatric patients were included in this study. U-Net semantic segmentation algorithm was applied for the detection and segmentation of mesiodens on upper anterior region. For the enhancement of deep learning algorithm, pre-trained ResNet model was applied in the encoding path. The performance of algorithm was tested using Jaccard index and Dice coefficient. The diagnostic accuracy, precision, recall, F1-score, time for diagnosis were compared with human expert groups on the test dataset.

Results
Segmentation model showed high Jaccard index and Dice coefficient (> 90%). In mesiodens diagnosis, the trained model achieved 91 - 92% accuracy and 94-95% F1-score which was comparable with human expert group. The deep learning model was significantly faster than human expert groups in mesiodens detection.

Conclusion
The proposed deep learning algorithm showed good performance with high Jaccard index and Dice coefficient. The proposed deep-learning technologies also approached trained human-level performance in the diagnosis of mesiodens.
Language
kor
URI
https://hdl.handle.net/10371/183153

https://dcollection.snu.ac.kr/common/orgView/000000171639
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