JP2022521136A - 歯の骨年齢を決定するための装置、方法及び命令を記録した記録媒体 - Google Patents

歯の骨年齢を決定するための装置、方法及び命令を記録した記録媒体 Download PDF

Info

Publication number
JP2022521136A
JP2022521136A JP2021541242A JP2021541242A JP2022521136A JP 2022521136 A JP2022521136 A JP 2022521136A JP 2021541242 A JP2021541242 A JP 2021541242A JP 2021541242 A JP2021541242 A JP 2021541242A JP 2022521136 A JP2022521136 A JP 2022521136A
Authority
JP
Japan
Prior art keywords
tooth
images
filter
gender
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2021541242A
Other languages
English (en)
Other versions
JP7202739B2 (ja
Inventor
ジン，ドンキュ
Original Assignee
ボンワイズインコーポレイテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ボンワイズインコーポレイテッド filed Critical ボンワイズインコーポレイテッド
Publication of JP2022521136A publication Critical patent/JP2022521136A/ja
Application granted granted Critical
Publication of JP7202739B2 publication Critical patent/JP7202739B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A61B6/51—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/501—Clinical applications involving diagnosis of head, e.g. neuroimaging, craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/505—Clinical applications involving diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/60—Rotation of a whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/66—Trinkets, e.g. shirt buttons or jewellery items
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching

Abstract

本開示は、歯の骨年齢を決定するための装置を提案する。本開示による装置は、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得し、上記複数の第１歯イメージの各々に前処理を行い、複数の前処理イメージの各々を生成し、上記複数の前処理イメージを用いてニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出し、第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得し、上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出し得る。

Description

本開示は歯の骨年齢を決定するための技術に関するものである。
人体の歯を撮影したイメージ（例：Ｘ‐ｒａｙイメージなど）から当該歯の骨年齢が評価され得る。評価された歯の骨年齢と当該人体の実際の年齢を比較することによって、人体の実際の年齢に比べて歯が正常に成長中であるか否かを判断することができる。また、歯が正常に成長中ではなければ、その発育がどのくらい早いか又は遅いか判断することができる。
歯の骨年齢を決定するために、歯を撮影したイメージが人間である使用者によって分析され得る。使用者は、歯を実際に撮影した歯イメージと、歯の各骨年齢を代表する基準イメージを比較して、基準イメージの中で当該歯イメージと歯の骨成熟度が最も類似している基準イメージを決定し、決定された基準イメージに該当する歯の骨年齢を当該歯イメージが示す歯の骨年齢として決定することができる。しかし、このような方法は、使用者の能力、専門性によって歯イメージに対する骨年齢の分析結果が変わり得るという問題がある。特に、歯イメージが示す歯の形態は定量化されていないデータであるため、歯の骨年齢の分析結果は使用者間で大きな偏差を示し得る。これにより、上述した方法による分析結果は精度及び信頼性が大きく落ちることがある。
[発明の詳細な説明］
[技術的な課題］
本開示は歯の骨年齢を決定するための技術を提供する。
[技術的な解決方法]
本開示の一側面として、歯の骨年齢を決定するための装置が提案され得る。本開示の一側面による装置は、１つ以上のプロセッサ；及び上記１つ以上のプロセッサによる実行時に上記１つ以上のプロセッサが動作を行うようにする命令及び歯の骨年齢を決定するためのニューラルネットワークモデルが格納された１つ以上のメモリを含み得る。上記１つ以上のプロセッサは、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得し、上記複数の第１歯イメージの各々に前処理を行い、複数の前処理イメージの各々を生成し、上記複数の前処理イメージを用いて上記ニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出し、第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得し、上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出し得る。
一実施例において、１つ以上のプロセッサは、上記第２性別が上記第１性別と一致するか否かを決定し、上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定し、上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出し得る。
一実施例において、１つ以上のプロセッサは、それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成し、上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別し、上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行い－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－、上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定し、上記Ｎは予め設定された定数であり得る。
一実施例において、１つ以上のプロセッサは、上記学習演算で、上記少なくとも２つのｋ番目のフィルタの各々を左右又は上下に連結して上記組み合わせられたフィルタを生成し得る。
一実施例において、１つ以上のプロセッサは、上記学習演算で、上記複数の前処理イメージの各々の一部領域のピクセル値及び上記組み合わせられたフィルタのピクセル値の間の計算結果に基づいて、上記組み合わせられたフィルタが上記複数の前処理イメージでマッチングされる領域が存在するか否かを決定し得る。
一実施例において、１つ以上のプロセッサは、上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成し、上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
一実施例において、１つ以上のプロセッサは、上記複数の第１歯イメージの各々を予め設定された少なくとも２つ以上の角度で回転させ、上記複数の第１歯イメージの個数より多くの個数の上記複数の前処理イメージの各々を生成し得る。
一実施例において、１つ以上のプロセッサは、上記複数の第１歯イメージの各々を予め設定された比率の範囲で拡大及び縮小して、上記複数の第１歯イメージの個数より多くの個数の上記複数の前処理イメージの各々を生成し得る。
一実施例において、１つ以上のメモリは、上記複数の第１歯イメージで予め設定された特徴を識別するための基準ピクセル値を指す情報を含み得る。上記１つ以上のプロセッサは、上記基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成し、上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別し、上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成し得る。
一実施例において、１つ以上のメモリは、上記複数の前処理イメージの各々が示す歯形状の基準傾き及び基準大きさを指す情報、及び予め設定された特徴を識別するための基準ピクセル値を指す情報を含み得る。上記１つ以上のプロセッサは、上記複数の第１歯イメージの各々が示す歯形状が上記基準傾きを有するように上記複数の第１歯イメージの各々を回転させ、上記回転した複数のイメージの各々が示す歯形状が上記基準大きさを有するように上記回転した複数のイメージの各々を拡大したり縮小し、上記拡大されたり縮小された複数のイメージの各々において、歯を示す領域以外の領域を除去し－上記歯を示す領域は、上記拡大されたり縮小された複数のイメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域である－、上記歯を示す領域以外の領域が除去された複数のイメージの各々において、上記基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタにマッチングされる領域を除去して、上記複数の前処理イメージの各々を生成し得る。
本開示の一側面として、歯の骨年齢を決定するための方法が提案され得る。本開示の一側面による方法は、１つ以上のプロセッサ及び上記１つ以上のプロセッサによって実行されるための命令が格納された１つ以上のメモリを含むコンピュータで行われる方法であり得る。本開示の一側面による方法は、上記１つ以上のプロセッサが、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得する段階；上記複数の第１歯イメージの各々に前処理を行って、複数の前処理イメージの各々を生成する段階；上記複数の前処理イメージを用いて、歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出す段階；第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得する段階；及び上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出す段階を含み得る。
一実施例において、第２骨年齢を導き出す段階は、上記第２性別が上記第１性別と一致するか否かを決定する段階；上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定する段階；及び上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出す段階を含み得る。
一実施例において、判断フィルタを導き出す段階は、それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成する段階；上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別する段階；上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行う段階－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－；及び上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定する段階を含み、上記Ｎは予め設定された定数であり得る。
一実施例において、複数の前処理イメージの各々を生成する段階は、上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成する段階を含み、上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
一実施例において、複数の前処理イメージの各々を生成する段階は、基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成する段階；上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別する段階；及び上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成する段階を含み、上記基準ピクセル値は、上記複数の第１歯イメージで予め設定された特徴を識別するためのピクセル値であり得る。
本開示の一側面として、歯の骨年齢を決定するための命令を記録した非一時的コンピュータ読み出し可能記録媒体が提案され得る。本開示の一側面による記録媒体に記録された命令は、コンピュータ上で行われるための命令であって、１つ以上のプロセッサによる実行時に、１つ以上のプロセッサが、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得し、上記複数の第１歯イメージの各々に前処理を行って、複数の前処理イメージの各々を生成し、上記複数の前処理イメージを用いて歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出し、第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得し、上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出すようにし得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、上記第２性別が上記第１性別と一致するか否かを決定し、上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定し、上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出すようにし得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成し、上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別し、上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行い－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－、上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定するようにし、上記Ｎは予め設定された定数であり得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成するようにし、上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成し、上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別し、上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成するようにし、上記基準ピクセル値は、上記複数の第１歯イメージで予め設定された特徴を識別するためのピクセル値であり得る。
[発明の効果]
本開示の多様な実施例によれば、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）アルゴリズムによって学習されたニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて、歯を撮影した歯イメージから当該歯の骨年齢が決定されることができる。
本開示の多様な実施例によれば、歯イメージ、性別、骨年齢などの情報を含む学習データを前処理することにより、ニューラルネットワークモデルを効率よく学習させることができる。
本開示の多様な実施例によれば、ニューラルネットワークモデルを用いて歯の骨年齢を決定することにより、歯の骨年齢に関する分析結果の精度及び信頼性が保証されることができる。
本開示の多様な実施例によれば、患者の歯の骨年齢に関する分析結果が当該患者に関する小児内分泌疾患（例：成長ホルモン欠乏症、性早熟症など）の診断に用いられることができる。
本開示の多様な実施例によれば、歯科での矯正又は歯科治療中に撮影された歯のパノラミックビュー（ｐａｎｏｒａｍｉｃ ｖｉｅｗ）を基礎として歯の骨年齢が評価されることができ、骨年齢に異常がある場合、小児内分泌課と連係して当該患者に関する小児内分泌疾患の診断が行われることができる。
図１は、本開示の一実施例による装置がニューラルネットワークモデルを学習させる過程を示した図面である。
図２は、本開示の一実施例による装置が、入力された１つのイメージから当該歯の骨年齢を導き出す過程を示した図面である。
図３は、本開示の多様な実施例による装置のブロック図を示した図面である。
図４は、本開示の一実施例による、判断フィルタを導き出す過程を示した図面である。
図５は、本開示の一実施例による、フィルタが１つのイメージでマッチングされる領域を有するか否かを判断する過程を示した図面である。
図６は、本開示の一実施例による、歯を示す領域以外の領域を除去することによって前処理を行う過程を示した図面である。
図７は、本開示の一実施例による、歯の治療跡に該当する部分を除去することによって前処理を行う過程を示した図面である。
図８は、本開示の一実施例による、第１歯イメージから前処理イメージを生成する過程の例示を示した図面である。
図９は、本開示による装置によって行われ得る、歯の骨年齢を決定するための方法の一実施例を示した図面である。
[発明の実施のための形態]
本開示に記載された多様な実施例は、本開示の技術的思想を明確に説明する目的で例示されたものであり、これを特定の実施形態に限定しようとするものではない。本開示の技術的思想は、本開示に記載された各実施例の多様な変更（ｍｏｄｉｆｉｃａｔｉｏｎｓ）、均等物（ｅｑｕｉｖａｌｅｎｔｓ）、代替物（ａｌｔｅｒｎａｔｉｖｅｓ）及び各実施例の全て又は一部から選択的に組み合わせられた実施例を含む。また、本開示の技術的思想の権利範囲は、以下に提示される多様な実施例やこれに関する具体的説明に限定されない。
技術的や科学的な用語を含め、本開示で用いられる用語は、特に定義されない限り、本開示が属する技術分野で通常の知識を有する者に一般に理解される意味を有し得る。
本開示で用いられる「含む」、「含み得る」、「備える」、「備え得る」、「有する」、「有し得る」等のような表現は、対象となる特徴（例：機能、動作又は構成要素など）が存在することを意味し、他の追加の特徴の存在を排除しない。即ち、このような表現は、他の実施例を含む可能性を内包する開放型用語（ｏｐｅｎ‐ｅｎｄｅｄ ｔｅｒｍｓ）と理解されるべきである。
本開示で用いられる単数型の表現は、文脈上異なって意味しない限り、複数型の意味を含み得、これは請求項に記載された単数型の表現にも同様に適用される。
本開示で用いられる「第１」、「第２」、又は「１番目」、「２番目」等の表現は、文脈上異なって意味しない限り、複数の同種対象を指すにおいて、ある対象を他の対象と区分するために用いられ、当該対象の間の順序又は重要度を限定するわけではない。
本開示で用いられる「Ａ、Ｂ、及びＣ」、「Ａ、Ｂ、又はＣ」、「Ａ、Ｂ、及び／又はＣ」又は「Ａ、Ｂ、及びＣのうちの少なくとも１つ」、「Ａ、Ｂ、又は、Ｃのうちの少なくとも１つ」、「Ａ、Ｂ、及び／又はＣのうちの少なくとも１つ」、「Ａ、Ｂ、及びＣのうちから選択された少なくとも１つ」、「Ａ、Ｂ、又はＣのうちから選択された少なくとも１つ」、「Ａ、Ｂ、及び／又はＣのうちから選択された少なくとも１つ」等の表現は、各々の羅列された項目又は羅列された項目の可能な全ての組合わせを意味し得る。例えば、「Ａ及びＢのうちから選択された少なくとも１つ」は、（１）Ａ、（２）Ａのうちの少なくとも１つ、（３）Ｂ、（４）Ｂのうちの少なくとも１つ、（５）Ａのうちの少なくとも１つ及びＢのうちの少なくとも１つ、（６）Ａのうちの少なくとも１つ及びＢ、（７）Ｂのうちの少なくとも１つ及びＡ、（８）Ａ及びＢをいずれも指し得る。
本開示で用いられる「～に基づいて」という表現は、当該表現が含まれる語句又は文章で記述される、決定、判断の行為又は動作に影響を与える１つ以上の因子を記述するのに用いられ、この表現は、当該決定、判断の行為又は動作に影響を与える追加の因子を排除しない。
本開示で用いられる、ある構成要素（例：第１構成要素）が他の構成要素（例：第２構成要素）に「連結されて」いるとか「接続されて」いるという表現は、上記ある構成要素が上記他の構成要素に直接的に連結又は接続されることだけでなく、新たな他の構成要素（例：第３構成要素）を媒介として連結又は接続されることを意味し得る。
本開示で用いられた「～するように構成された（ｃｏｎｆｉｇｕｒｅｄ ｔｏ）」という表現は、文脈によって「～するように設定された」、「～する能力を有する」、「～するように変更された」、「～するように作られた」、「～ができる」等の意味を有し得る。当該表現は、「ハードウェア的に特に設計された」という意味に制限されず、例えば、特定の動作を行うように構成されたプロセッサとは、ソフトウェアを実行することによってその特定の動作を行うことができる汎用プロセッサ（ｇｅｎｅｒｉｃ‐ｐｕｒｐｏｓｅ ｐｒｏｃｅｓｓｏｒ）を意味し得る。
以下、添付の図面を参照して、本開示の多様な実施例を説明する。添付の図面及び図面に関する説明において、同一又は実質的に同等の（ｓｕｂｓｔａｎｔｉａｌｌｙ ｅｑｕｉｖａｌｅｎｔ）構成要素には同一の参照符号が付与され得る。また、以下の多様な実施例の説明において、同一又は対応する構成要素を重複して記述することが省略され得るが、これは当該構成要素がその実施例に含まれないことを意味するわけではない。
図１は、本開示の一実施例による装置（１００）がニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデル（１４０）を学習させる過程を示した図面である。本開示の一実施例による装置（１００）は、歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、ニューラルネットワークモデルを用いて対象歯の骨年齢を決定することができる。
具体的には、装置（１００）は、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）を格納することができる。装置（１００）は、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）アルゴリズムによって、学習データ（１１０）を用いてニューラルネットワークモデル（１４０）を学習させることができる。本開示において、ディープラーニングは、データ及びデータを処理した経験を用いた学習を通じて、コンピュータのソフトウェアがデータ処理能力を向上させることを意味し得る。ニューラルネットワークモデルは、データ間の相関関係をモデリングして構築されたものであって、ニューラルネットワークモデルの相関関係は複数のパラメータによって表現され得る。
ニューラルネットワークモデルは、与えられたデータから特徴を抽出して分析し、データ間の相関関係を導き出すが、このような過程を繰り返してパラメータを最適化していくことがディープラーニング又は機械学習といえる。
装置（１００）は、学習データ（１１０）の入力を受け得る。学習データ（１１０）は、複数の人体の歯の各々を撮影した複数の歯イメージを含み得る。複数の歯イメージの各々は、当該歯の人体が有する性別（例：男、女）に関する情報及び当該歯の実際の骨年齢（例：５.２４歳）に関する情報と連係し得る。一実施例において、装置（１００）は、学習データ（１１０）として、ある性別（以下、第１性別）の人体に該当し、ある骨年齢（以下、第１骨年齢）を有する歯を撮影した複数の歯イメージ（以下、第１歯イメージ（１２０））の入力を受け得る。即ち、装置（１００）は、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージ（１２０）を取得し得る。本開示において、他の性別及び他の骨年齢による複数の歯イメージも装置（１００）に入力され、ニューラルネットワークモデル（１４０）を学習させるのに用いられるが、第１性別及び第１骨年齢に該当する複数の第１歯イメージ（１２０）と類似の方式で装置（１００）により処理されることができるので、以下、本開示の技術は複数の第１歯イメージ（１２０）を基準として説明する。
装置（１００）は、複数の第１歯イメージ（１２０）の各々に前処理（ｐｒｅ‐ｐｒｏｃｅｓｓｉｎｇ）を行って、複数の前処理されたイメージ（以下、前処理イメージ（１３０））の各々を生成し得る。前処理過程で装置（１００）は、複数の第１歯イメージ（１２０）の各々を回転させたり、拡大/縮小したり、不必要な領域を除去したりするなどの動作を行い得る。具体的な前処理過程については後述する。多様な方式に従って前処理された複数の前処理イメージ（１３０）がニューラルネットワークモデル（１４０）に入力されることによって、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）の学習効率が高くなり得る。
装置（１００）は、複数の前処理イメージ（１３０）を用いてニューラルネットワークモデル（１４０）を学習させ、第１性別及び第１骨年齢に該当する判断フィルタ（１５０）を導き出し得る。当該判断フィルタ（１５０）は、第１性別を有する人体が、第１骨年齢に該当する歯を有した時、当該歯が有する基準形態を示し得る。装置（１００）は、判断フィルタ（１５０）を用いて、ある歯イメージが第１性別及び第１骨年齢による歯形態を示すか否かを決定し得る。具体的な判断フィルタ（１５０）の導出過程については後述する。前述した通り、多様な性別及び骨年齢による歯イメージが学習されることによって、他の性別及び骨年齢による判断フィルタも導き出され得る。
図２は、本開示の一実施例による装置（１００）が、入力されたあるイメージから当該歯の骨年齢を導き出す過程を示した図面である。本開示による装置（１００）は、ニューラルネットワークモデル（１４０）の学習過程で導き出された判断フィルタ（１５０）を用いて、装置（１００）に入力される対象歯イメージ（以下、第２歯イメージ（２１０））から、第２歯イメージ（２１０）が示す対象歯の骨年齢（以下、第２骨年齢）を導出（決定）し得る。
具体的には、装置（１００）は、第２歯イメージ（２１０）及び性別情報の入力を受け得る。第２歯イメージ（２１０）は、ある性別（以下、第２性別）による人体の歯を撮影した歯イメージであり得る。第２歯イメージ（２１０）は、歯の骨年齢を評価しようとする対象歯を撮影したイメージであり得る。性別情報は、第２歯イメージ（２１０）に該当する人体の性別（即ち、第２性別）を示す情報であり得る。
装置（１００）は、判断フィルタ（１５０）に基づいて第２歯イメージ（２１０）及び性別情報から、第２歯イメージ（２１０）に該当する歯の第２骨年齢を導き出し得る。具体的には、装置（１００）は、第２性別が第１性別と一致するか否かを決定し得る。第２性別が第１性別と一致する場合、前述した第１性別による判断フィルタ（１５０）が骨年齢の導出に用いられるが、そうではない場合、他の判断フィルタが骨年齢の導出に用いられなければならないこともある。第２性別が第１性別と一致するという決定に従って、装置（１００）は第２歯イメージ（２１０）と判断フィルタ（１５０）を比較し得る。装置（１００）は、第２歯イメージ（２１０）のうち、判断フィルタ（１５０）とマッチングされる領域が存在するか否かを決定し得る。マッチングの有無の判断は、判断フィルタ（１５０）が示す領域のピクセル値と一致するピクセル値を有する領域が第２歯イメージ（２１０）中にあるか否かを判断することによって行われ得る。一実施例において、マッチングの有無の判断は、判断フィルタ（１５０）のピクセル値を基準として予め設定された範囲内のピクセル値を有する領域が、第２歯イメージ（２１０）中にあるか判断することによって行われることもできる。
判断フィルタ（１５０）が示す特定の歯形態と一致する領域が第２歯イメージ（２１０）中に発見されるならば、即ち、判断フィルタ（１５０）にマッチングされる領域が第２歯イメージ（２１０）中に存在すると決定されれば、装置（１００）は第１骨年齢を第２歯イメージ（２１０）の第２骨年齢として導き出すことができる。判断フィルタ（１５０）にマッチングされる領域が存在しない場合、装置（１００）は、第２歯イメージ（２１０）が第１骨年齢を有しないと判断し、他の骨年齢による判断フィルタと第２歯イメージ（２１０）を対比することができる。
図３は、本開示の多様な実施例による装置（１００）のブロック図を示した図面である。一実施例において、装置（１００）は、１つ以上のプロセッサ（３１０）及び／又は１つ以上のメモリを含み得る。一実施例において、装置（１００）のこのような構成要素のうち少なくとも１つが省略されるか、他の構成要素が装置（１００）に追加され得る。一実施例において、追加で（ａｄｄｉｔｉｏｎａｌｌｙ）又は代替で（ａｌｔｅｒｎａｔｉｖｅｌｙ）、一部の構成要素が統合されて具現されるか、単数又は複数の個体として具現され得る。本開示において、１つ以上のプロセッサ（３１０）はプロセッサ（３１０）と表現され得る。プロセッサ（３１０）という表現は、文脈上、明確に異なって表現しない以上、１つ又はそれ以上のプロセッサの集合を意味し得る。本開示において、１つ以上のメモリ（３２０）はメモリ（３２０）と表現され得る。メモリ（３２０）という表現は、文脈上、明確に異なって表現しない以上、１つ又はそれ以上のメモリの集合を意味し得る。一実施例において、装置（１００）内／外部の構成要素のうち少なくとも一部の構成要素は、バス、ＧＰＩＯ（ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｉｎｐｕｔ／ｏｕｔｐｕｔ）、ＳＰＩ（ｓｅｒｉａｌ ｐｅｒｉｐｈｅｒａｌ ｉｎｔｅｒｆａｃｅ）又はＭＩＰＩ（ｍｏｂｉｌｅ ｉｎｄｕｓｔｒｙ ｐｒｏｃｅｓｓｏｒ ｉｎｔｅｒｆａｃｅ）等を通して互いに連結され、データ及び／又はシグナルをやり取りすることができる。
プロセッサ（３１０）は、ソフトウェア（例：命令、プログラムなど）を駆動してプロセッサ（３１０）に連結された装置（１００）の少なくとも１つの構成要素を制御し得る。また、プロセッサ（３１０）は、本開示と関連した多様な演算、処理、データの生成、加工などの動作を行い得る。また、プロセッサ（３１０）は、データなどをメモリ（３２０）からロードしたり、メモリ（３２０）に格納し得る。プロセッサ（３１０）は、複数の第１歯イメージ（１２０）を取得し、複数の第１歯イメージ（１２０）の各々に前処理を行って複数の前処理イメージ（１３０）の各々を生成し得る。プロセッサ（３１０）は、複数の前処理イメージ（１３０）を用いてニューラルネットワークモデル（１４０）を学習させ、上述の判断フィルタ（１５０）を導き出し得る。プロセッサ（３１０）は、第２歯イメージ（２１０）及び第２歯イメージ（２１０）に該当する性別情報を取得し、判断フィルタ（１５０）に基づいて第２歯イメージ（２１０）に該当する対象歯の第２骨年齢を導き出し得る。
メモリ（３２０）は、多様なデータを格納し得る。メモリ（３２０）に格納されるデータは、装置（１００）の少なくとも１つの構成要素によって取得されるか、処理されるか、用いられるデータであって、ソフトウェア（例：命令、プログラムなど）を含み得る。メモリ（３２０）は、揮発性及び／又は非揮発性メモリを含み得る。本開示において、命令又はプログラムは、メモリ（３２０）に格納されるソフトウェアであって、装置（１００）のリソースを制御するためのオペレーションシステム、アプリケーション及び／又はアプリケーションが装置のリソースを活用できるように多様な機能をアプリケーションに提供するミドルウェアなどを含み得る。メモリ（３２０）は、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）を格納し得る。また、メモリ（３２０）は、プロセッサ（３１０）による実行時に、プロセッサ（３１０）が動作（演算）を行うようにする命令を格納し得る。一実施例において、メモリ（３２０）は、複数の第１歯イメージ（１２０）、複数の前処理イメージ（１３０）、１つ以上のディープラーニングアルゴリズム、第２歯イメージ（２１０）及び／又は第２歯イメージ（２１０）に該当する性別情報などを格納し得る。
一実施例において、装置（１００）は、送受信機（３３０）をさらに含み得る。送受信機（３３０）は、装置（１００）とサーバー又は装置（１００）と他の装置間の無線又は有線通信を行い得る。例えば、送受信機（３３０）は、ｅＭＢＢ（ｅｎｈａｎｃｅｄ Ｍｏｂｉｌｅ Ｂｒｏａｄｂａｎｄ）、ＵＲＬＬＣ（Ｕｌｔｒａ Ｒｅｌｉａｂｌｅ Ｌｏｗ‐Ｌａｔｅｎｃｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＭＭＴＣ（Ｍａｓｓｉｖｅ Ｍａｃｈｉｎｅ Ｔｙｐｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＬＴＥ（ｌｏｎｇ‐ｔｅｒｍ ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ‐Ａ（ＬＴＥ Ａｄｖａｎｃｅ）、ＵＭＴＳ（Ｕｎｉｖｅｒｓａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＣＤＭＡ（ｃｏｄｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＷＣＤＭＡ（ｗｉｄｅｂａｎｄ ＣＤＭＡ）、ＷｉＢｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ）、ＷｉＦｉ（ｗｉｒｅｌｅｓｓ ｆｉｄｅｌｉｔｙ）、ブルートゥース（Ｂｌｕｅｔｏｏｔｈ）、ＮＦＣ（ｎｅａｒ ｆｉｅｌｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）又はＧＮＳＳ（ｇｌｏｂａｌ ｎａｖｉｇａｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｓｙｓｔｅｍ）等の方式による無線通信を行い得る。例えば、送受信機（３３０）は、ＵＳＢ（ｕｎｉｖｅｒｓａｌ ｓｅｒｉａｌ ｂｕｓ）、ＨＤＭＩ（ｈｉｇｈ ｄｅｆｉｎｉｔｉｏｎ ｍｕｌｔｉｍｅｄｉａ ｉｎｔｅｒｆａｃｅ）、ＲＳ‐２３２（ｒｅｃｏｍｍｅｎｄｅｄ ｓｔａｎｄａｒｄ２３２）又はＰＯＴＳ（ｐｌａｉｎ ｏｌｄ ｔｅｌｅｐｈｏｎｅ ｓｅｒｖｉｃｅ）等の方式による有線通信を行い得る。
一実施例において、プロセッサ（３１０）は、送受信機（３３０）を制御してサーバーから情報を取得し得る。サーバーから取得された情報はメモリ（３２０）に格納され得る。一実施例において、サーバーから取得される情報は、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）、複数の第１歯イメージ（１２０）、１つ以上のディープラーニングアルゴリズム、第２歯イメージ（２１０）及び／又は第２歯イメージ（２１０）に該当する性別情報などを含み得る。
一実施例において、装置（１００）は、入力装置（図示せず）をさらに含み得る。入力装置は、外部から装置（１００）の少なくとも１つの構成要素に伝達するためのデータ（例：学習データ（１１０）、第２歯イメージ（２１０）及び／又は第２歯イメージ（２１０）に該当する性別情報など）の入力を受ける装置であり得る。例えば、入力装置は、マウス、キーボード、タッチパッドなどを含み得る。一実施例において、装置（１００）は、出力装置（図示せず）をさらに含み得る。出力装置は、装置（１００）の動作による多様なデータ（例：第２骨年齢など）を使用者に視覚的形態で提供する装置であり得る。例えば、出力装置は、ディスプレイ、プロジェクターなどを含み得る。
一実施例において、装置（１００）は、多様な形態の装置になり得る。例えば、装置（１００）は、携帯用通信装置、コンピュータ装置、携帯用マルチメディア装置、ウェアラブル（ｗｅａｒａｂｌｅ）装置又は上述の装置のうちの１つ又はそれ以上の組合わせによる装置であり得る。本開示の装置（１００）は、前述した装置に限定されない。
本開示による装置（１００）の多様な実施例は互いに組み合わせられ得る。各実施例はケースに応じて組み合わせられ得、組み合わせられて作られた装置（１００）の実施例も本開示の範囲に属する。また、前述した本開示による装置（１００）の内／外部の構成要素は、実施例によって追加、変更、代替又は削除され得る。また、前述した装置（１００）の内／外部の構成要素は、ハードウェアコンポーネントで具現され得る。
図４は、本開示の一実施例による、判断フィルタ（１５０）を導き出す過程を示した図面である。一実施例において、装置（１００）は、ピクセル値をランダムで有する複数のフィルタを生成し、このうち複数の前処理イメージ（１３０）にマッチングされるフィルタを選別し、選別されたフィルタを組み合わせて新たなフィルタを生成し、その組み合わせられたフィルタのうち再び複数の前処理イメージ（１３０）にマッチングされるフィルタを選別する過程を繰り返し得る。装置（１００）が当該過程を予め設定された回数繰り返した後に導き出されるフィルタが判断フィルタ（１５０）に決定され得る。
具体的には、プロセッサ（３１０）は、複数の初期フィルタ（４１０）を生成し得る。初期フィルタ（４１０）は、２つ以上のピクセルを含み得る。初期フィルタ（４１０）の各ピクセルは、任意に（ランダムで）設定されたピクセル値を有し得る。示された初期フィルタ（４１０）は、各９つのピクセルを有するものとして例示された。各ピクセルは、任意に設定されたピクセル値に応じて明暗を有するものとして示された。本開示において、ピクセル値は０～２５５の間の値を有し得、０は黒色、２５５は白色、０～２５５の間の値は当該値に応じた明度を有する灰色を意味し得る。
プロセッサ（３１０）は、複数の初期フィルタ（４１０）のうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つの初期フィルタ（４２０）を選別し得る。マッチングの有無の判断は、前述した通り行われ得る。即ち、ある初期フィルタが示す領域と、複数の前処理イメージ（１３０）のある領域が有するピクセル値を比較し、各ピクセル値が一致したり、一定の範囲内に存在するならば、当該前処理イメージには当該初期フィルタがマッチングされる領域が存在すると判断することができる。例えば、このマッチング過程で、示された初期フィルタ（４２１，４２２，４２３，４２４，４２５，４２６）等が選別されることができる。
その後、プロセッサ（３１０）は、選別された初期フィルタ（４１０）のうち少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして学習演算を行い得る。具体的には、プロセッサ（３１０）は、１番目のフィルタとした少なくとも２つの初期フィルタを組み合わせることによって、組み合わせられたフィルタ（４３０）を生成し得る。
一実施例において、プロセッサ（３１０）は、少なくとも２つの初期フィルタの各々を左右又は上下に連結することによって、組み合わせられたフィルタ（４３０）を生成し得る。例えば、プロセッサ（３１０）は、初期フィルタ（４２４）及び初期フィルタ（４２６）を上下に連結することによって、組み合わせられたフィルタ（４３２）を生成し得る。また、プロセッサ（３１０）は、初期フィルタ（４２１）、初期フィルタ（４２２）及び初期フィルタ（４２３）を上下又は左右に連結することによって、組み合わせられたフィルタ（４３４）を生成し得る。また、プロセッサ（３１０）は、初期フィルタ（４２１）及び初期フィルタ（４２３）を上下に連結することによって、組み合わせられたフィルタ（４３６）を生成し得る。
プロセッサ（３１０）は、組み合わせられたフィルタ（４３０）を複数の前処理イメージ（１３０）と比較し、組み合わせられたフィルタ（４３０）のうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタ（４４０）を選別し得る。マッチングの有無の判断は前述した通りである。例えば、組み合わせられたフィルタ（４３２，４３４，４３６）のうち、フィルタ（４３２，４３４）が複数の前処理イメージ（１３０）とマッチングされるものとして選別され得る。
プロセッサ（３１０）は、マッチング過程で選別されたフィルタ（４４０）を再び組み合わせることによって、再び組み合わせられたフィルタを生成し得る。例えば、フィルタ（４３２）及びフィルタ（４３４）が組み合わせられ、新たに組み合わせられたフィルタが生成され得る。プロセッサ（３１０）は、新たに生成された組み合わせられたフィルタを用いて、再び学習演算を行い得る。即ち、プロセッサ（３１０）は、新たに組み合わせられたフィルタのうち複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタを再び選別し得る。選別されたフィルタは再び組み合わせられ、複数の前処理イメージ（１３０）とマッチング過程を経ることができる。プロセッサ（３１０）は、上述の方式に従って学習演算を予め設定された回数（Ｎ）繰り返し行い得る。
即ち、学習演算は、プロセッサ（３１０）が少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、組み合わせられたフィルタのうち複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタを選別し、選別されたフィルタをｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算であり得る。ｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタは、次に行われる学習演算で、互いに組み合わせられるフィルタとして用いられ得る。
前述した通り、プロセッサ（３１０）が学習演算をＮ回繰り返すと、Ｎ＋１番目のフィルタが少なくとも２つ以上決定され得る。プロセッサ（３１０）は、生成された少なくとも２つのＮ＋１番目のフィルタのうちの１つを判断フィルタ（１５０）に決定し得る。前述した通り、当該判断フィルタ（１５０）は、第１性別を有する人体が、第１骨年齢に該当する歯を有した時、当該歯が有する基準形態を示し得る。
図５は、本開示の一実施例による、フィルタがあるイメージでマッチングされる領域を有するか否かを判断する過程を示した図面である。プロセッサ（３１０）は、あるフィルタ（例：初期フィルタ（４１０）、組み合わせられたフィルタ（４３０）、判断フィルタ（１５０）等）があるイメージでマッチングされる領域を有するか判断することができる。本開示において、フィルタ及びイメージの種類と関係なく、マッチングの有無の判断は同一の方法で行われ得る。以下、前述した学習演算で、組み合わせられたフィルタ（４３２）が複数の前処理イメージ（１３０）でマッチングされる領域を有するか否かを判断することを基準として、マッチングの有無の判断過程を説明する。
プロセッサ（３１０）は、前述した組み合わせられたフィルタのうちの１つ（４３２）と、複数の前処理イメージ（１３０）の各々を段階的又は並列的に比較することができる。プロセッサ（３１０）は、複数の前処理イメージ（１３０）のうちある前処理イメージ（５１０）の各一部領域と当該フィルタ（４３２）を比較していくことができる。前処理イメージ（５１０）でフィルタ（４３２）と比較される一部領域は、フィルタ（４３２）が有するピクセル数と同じピクセル数を有し得る。
プロセッサ（３１０）は、前処理イメージ（５１０）の各一部領域のピクセル値及び組み合わせられたフィルタ（４３２）のピクセル値の間で計算を行うことができる。例えば、前処理イメージ（５１０）のある一部領域が有するピクセルのピクセル値は、示された表（５３０）のように示され得る。また、組み合わせられたフィルタ（４３２）が有するピクセルのピクセル値は、示された表（５４０）のように示され得る。一実施例において、プロセッサ（３１０）は、２つの領域の対応する各ピクセルのピクセル値が互いに一致するか否かを判断し得る。ピクセル値が一致する場合、プロセッサ（３１０）は２つの領域がマッチングされると決定することができる。一実施例において、プロセッサ（３１０）は、２つの領域の対応する各ピクセルのピクセル値が予め設定されたピクセル値の範囲内にあるか否かを判断し得る。予め設定されたピクセル値の範囲内に対応するピクセルのピクセル値が含まれることになる場合、プロセッサ（３１０）は２つの領域がマッチングされると決定することができる。例えば、予め設定されたピクセル値の範囲が３０であれば、前処理イメージ（５１０）のある一部領域のピクセルのピクセル値の各々と、それに対応する組み合わせられたフィルタ（４３２）のピクセルのピクセル値の各々が３０以下の差の値を有する場合、プロセッサ（３１０）は２つの領域がマッチングされると決定することができる。
一実施例において、プロセッサ（３１０）は、前処理イメージ（５１０）のある一部領域と組み合わせられたフィルタ（４３２）の間のピクセル値の偏差の平均値を計算し、計算された平均値が予め設定された基準以下である場合、２つの領域がマッチングされると決定することができる。
図６は、本開示の一実施例による、歯を示す領域以外の領域を除去することによって前処理を行う過程を示した図面である。前述した通り、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々を前処理し、複数の前処理イメージ（１３０）の各々を生成することができる。前処理過程は多様な方法で行われ得る。
一実施例において、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々において歯を示す領域（６１０）以外の領域を除去して複数の前処理イメージ（１３０）の各々を生成し得る。歯を示す領域（６１０）とは、第１歯イメージの下端の中央点（６２０）を基準として、予め設定された幅（６３０）及び予め設定された高さ（６４０）と定義される領域（６１０）であり得る。一般に、歯を撮影したＸ‐ｒａｙイメージなどは、歯の形態が中央下端に示され得る。歯の形態を有する領域を残し、残りの領域を除去することによって、イメージ内で初期フィルタ（４１０）又は組み合わせられたフィルタ（４３０）と対比すべき領域を減らすことができ、これによりプロセッサ（３１０）の演算負担を減らすことができる。予め設定された幅（６３０）及び予め設定された高さ（６４０）に関する情報は、メモリ（３２０）に格納されていることができる。
一実施例において、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々を回転させることによって複数の前処理イメージ（１３０）の各々を生成し得る。一実施例において、プロセッサ（３１０）は、１つの第１歯イメージを予め設定された少なくとも２つ以上の角度で回転させることによって、複数の前処理イメージ（１３０）を生成し得る。例えば、プロセッサ（３１０）は、１つの第１歯イメージを時計方向に、１、３、５度それぞれ回転させ、反時計方向に１、３、５度それぞれ回転させ、計７つの前処理イメージを生成し得る（回転させなかった場合を含む）。予め設定された少なくとも２つ以上の角度に関する情報は、メモリ（３２０）に格納されていることができる。
また、一実施例において、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々を拡大又は縮小することによって、複数の前処理イメージ（１３０）の各々を生成し得る。一実施例において、プロセッサ（３１０）は、１つの第１歯イメージを予め設定された比率の範囲で拡大したり縮小して複数の前処理イメージ（１３０）の各々を生成し得る。例えば、プロセッサ（３１０）は、１つの第１歯イメージを３％又は５％だけ拡大したり縮小して、計５つの前処理イメージを生成し得る（拡大又は縮小しなかった場合を含む）。予め設定された比率に関する情報は、メモリ（３２０）に格納されていることができる。
上述の方法を通じて、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）から、複数の第１歯イメージ（１２０）の個数より多くの個数の前処理イメージ（１３０）の各々を生成することができる。ニューラルネットワークモデル（１４０）の学習に用いられる母集団である複数の前処理イメージ（１３０）の個数を増やすことによって、プロセッサ（３１０）は学習過程で導き出される判断フィルタ（１５０）の精度をより高めることができる。
図７は、本開示の一実施例による、歯の治療跡に該当する部分を除去することによって前処理を行う過程を示した図面である。歯を撮影した歯イメージには、当該歯を治療（補綴治療、虫歯治療、人工クラウン（ａｒｔｉｆｉｃｉａｌ ｃｒｏｗｎ）治療など）した跡に該当する部分も示され得る。治療跡に該当する部分は、当該歯の骨年齢又は骨成熟度とは関係なく示される特徴であり得る。即ち、当該跡は歯の特定の骨年齢のみで示される特徴であると見難く、すべての骨年齢にわたって示される特徴であり得る。このような部分まで含めてニューラルネットワークモデル（１４０）を学習させる場合、骨年齢を決定するのに精度が落ちることがある。これにより、学習演算を行うのに先立ち、学習データで治療跡に該当する部分を除去することができる。
具体的には、メモリ（３２０）は、複数の第１歯イメージ（１２０）又は歯を示す何れか１つのイメージで、予め設定された特徴（即ち、治療跡）を識別するための基準ピクセル値（７１０）を指す情報を格納することができる。一般に、補綴治療、人工クラウン治療などの跡は、一般の歯に比べてＸ‐ｒａｙイメージ上で均一の白色で示され得る。従って、均一の白色などで示される当該特徴を識別するための基準ピクセル値（７１０）が予め定義され得る。一実施例において、基準ピクセル値（７１０）は、白色を意味する２５５であり得る。一実施例において、基準ピクセル値（７１０）は、「２２０以上」のように範囲の形態で定義されることもできる。
プロセッサ（３１０）は、基準ピクセル値（７１０）に基づいて、基準フィルタ（７２０）を生成し得る。基準フィルタ（７２０）は、１つ以上のピクセルを含み得、各ピクセルは基準ピクセル値（７１０）（例：ａ）を有し得る。プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々において基準フィルタ（７２０）にマッチングされる領域を識別し得る。マッチングの有無の判断は、前述した通り行われ得る。プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々において識別された領域を除去し、複数の前処理イメージ（１３０）の各々を生成し得る。
図８は、本開示の一実施例による、第１歯イメージ（１２０）から前処理イメージ（１３０）を生成する過程の例示を示した図面である。歯の撮影環境に応じて、第１歯イメージ（１２０）は傾いた状態で撮影されることがある。また、撮影環境に応じて、第１歯イメージ（１２０）は対象歯を大きく又は小さく示すように撮影されることがある。このような差を補完するために、前処理過程で、プロセッサ（３１０）は第１歯イメージ（１２０）を予め設定された基準に従って、調整し得る。また、実施例によって、前述した前処理過程のうち一部が、本例示による前処理過程に含まれて行われ得る。
具体的には、メモリ（３２０）は、複数の前処理イメージ（１３０）の各々が示す歯形状の基準傾き及び基準大きさを指す情報を格納し得る。即ち、効率のよい学習演算を行うために、複数の前処理イメージ（１３０）の各々が有するべき基準傾き及び基準大きさを示す情報がメモリ（３２０）に格納されていることがある。また、メモリ（３２０）は、予め設定された特徴（前述した歯の治療跡）を識別するための基準ピクセル値（７１０）を指す情報をさらに含み得る。
プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々が示す歯形状が、メモリ（３２０）に格納された基準傾きを有するように、複数の第１歯イメージ（１２０）の各々を回転させ得る（８１０）。これを通じて、プロセッサ（３１０）は、傾いたまま撮影された歯形状を、基準傾き（例：垂直）に合わせて回転させ得る。
プロセッサ（３１０）は、回転した複数のイメージの各々が示す歯形状が、メモリ（３２０）に格納された基準大きさを有するように、回転した複数のイメージの各々を拡大又は縮小し得る（８２０）。本例示において、回転した複数のイメージは基準大きさに合うように拡大され得る。
プロセッサ（３１０）は、拡大又は縮小された複数のイメージの各々において、歯を示す領域（６１０）以外の領域を除去し得る（８３０）。前述した通り、歯を示す領域（６１０）は、拡大又は縮小された複数のイメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
プロセッサ（３１０）は、歯を示す領域（６１０）以外の領域が除去された複数のイメージの各々において、基準フィルタ（７２０）にマッチングされる領域を除去し得る（８４０）。前述した通り、基準ピクセル値（７１０）に基づいて基準フィルタ（７２０）が生成され得る。プロセッサ（３１０）は、基準フィルタ（７２０）により識別される領域を、歯を示す領域（６１０）以外の領域が除去された複数のイメージの各々において除去し得る。
図９は、本開示による装置（１００）により行われ得る、歯の骨年齢を決定するための方法の一実施例を示した図面である。本開示による歯の骨年齢を決定するための方法は、コンピュータで具現された方法であり得る。示されたフローチャートにおいて、本開示による方法又はアルゴリズムの各段階は、順次的な順序で説明されたが、各段階は順次行われること以外に、本開示によって任意に組み合わせられることができる順序に従って行われることもできる。本フローチャートによる説明は、方法又はアルゴリズムに変化又は修正を加えることを除外せず、任意の段階が必須であるか望ましいということを意味しない。一実施例において、少なくとも一部の段階が並列的に、繰り返し行われ得る。一実施例において、少なくとも一部の段階が省略されるか、他の段階が追加され得る。
本開示による装置（１００）は、本開示の多様な実施例による歯の骨年齢を決定するための方法を行い得る。本開示の一実施例による歯の骨年齢を決定するための方法は、複数の第１歯イメージを取得する段階（Ｓ９１０）、複数の前処理イメージの各々を生成する段階（Ｓ９２０）、判断フィルタを導き出す段階（Ｓ９３０）、第２歯イメージ及び性別情報を取得する段階（Ｓ９４０）及び／又は第２骨年齢を導き出す段階（Ｓ９５０）を含み得る。
段階Ｓ９１０で、装置（１００）のプロセッサ（３１０）は第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージ（１２０）を取得し得る。段階Ｓ９２０で、プロセッサ（３１０）は複数の第１歯イメージ（１２０）の各々に前処理を行い、複数の前処理イメージ（１３０）の各々を生成し得る。段階Ｓ９３０で、プロセッサ（３１０）は、複数の前処理イメージ（１３０）を用いて、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）を学習させ、第１性別による人体が有する第１骨年齢の歯形態を決定する判断フィルタ（１５０）を導き出し得る。段階Ｓ９４０で、プロセッサ（３１０）は、第２性別による人体の歯を撮影した第２歯イメージ（２１０）及び第２性別を示す性別情報を取得し得る。段階Ｓ９５０で、プロセッサ（３１０）は、判断フィルタ（１５０）に基づいて、第２歯イメージ（２１０）及び性別情報から第２歯イメージ（２１０）に該当する歯の第２骨年齢を導き出し得る。
一実施例において、段階Ｓ９５０は、プロセッサ（３１０）が、第２性別が第１性別と一致するか否かを決定する段階；第２性別が第１性別と一致するという決定に従って、第２歯イメージ（２１０）のうち判断フィルタ（１５０）にマッチングされる領域が存在するか否かを決定する段階；及び／又は判断フィルタ（１５０）にマッチングされる領域が存在するという決定に従って、第１骨年齢を第２骨年齢として導き出す段階を含み得る。
一実施例において、段階Ｓ９３０は、プロセッサ（３１０）がそれぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタ（４１０）を生成する段階；複数の初期フィルタ（４１０）のうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つの初期フィルタを選別する段階；少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行う段階；及び／又は学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを判断フィルタ（１５０）に決定する段階を含み得る。学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、組み合わせられたフィルタのうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算であり得る。Ｎは、予め設定された定数であり得る。
一実施例において、プロセッサ（３１０）は、学習演算で、少なくとも２つのｋ番目のフィルタの各々を左右又は上下に連結して組み合わせられたフィルタを生成し得る。
一実施例において、プロセッサ（３１０）は、学習演算で、複数の前処理イメージ（１３０）の各々の一部領域のピクセル値及び組み合わせられたフィルタのピクセル値の間の計算結果に基づいて、組み合わせられたフィルタが複数の前処理イメージ（１３０）でマッチングされる領域が存在するか否かを決定し得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々において歯を示す領域（６１０）以外の領域を除去し、複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々を予め設定された少なくとも２つ以上の角度で回転させ、複数の第１歯イメージ（１２０）の個数より多くの個数の複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々を予め設定された比率の範囲で拡大及び縮小し、複数の第１歯イメージ（１２０）の個数より多くの個数の複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が基準ピクセル値（７１０）を有する１つ以上のピクセルを含む基準フィルタ（７２０）を生成する段階；複数の第１歯イメージ（１２０）の各々において基準フィルタ（７２０）にマッチングされる領域を識別する段階；及び／又は複数の第１歯イメージ（１２０）の各々において識別された領域を除去し、複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々が示す歯形状が基準傾きを有するように複数の第１歯イメージ（１２０）の各々を回転させる段階；回転した複数のイメージの各々が示す歯形状が基準大きさを有するように回転した複数のイメージの各々を拡大したり縮小する段階；拡大されたり縮小された複数のイメージの各々において、歯を示す領域（６１０）以外の領域を除去する段階；及び／又は歯を示す領域（６１０）以外の領域が除去された複数のイメージの各々において、基準ピクセル値（７１０）を有する１つ以上のピクセルを含む基準フィルタ（７２０）にマッチングされる領域を除去し、複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。歯を示す領域（６１０）は、拡大されたり縮小された複数のイメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
本開示の多様な実施例は、機器（ｍａｃｈｉｎｅ）が読み取ることができる記録媒体（ｍａｃｈｉｎｅ‐ｒｅａｄａｂｌｅ ｒｅｃｏｒｄｉｎｇ ｍｅｄｉｕｍ）に記録されたソフトウェアで具現され得る。ソフトウェアは、上述の本開示の多様な実施例を実現するためのソフトウェアであり得る。ソフトウェアは、本開示が属する技術分野のプログラマーによって本開示の多様な実施例から推論され得る。例えば、ソフトウェアは、機器が読み取ることができる命令（例：コード又はコードセグメント）又はプログラムであり得る。機器は、記録媒体から呼び出された命令語によって動作が可能な装置であって、例えばコンピュータであり得る。一実施例において、機器は、本開示の実施例による装置（１００）であり得る。一実施例において、機器のプロセッサは、呼び出された命令を実行し、機器の構成要素が当該命令に該当する機能を行うようにすることができる。一実施例において、プロセッサは、本開示の実施例による１つ以上のプロセッサ（３１０）であり得る。記録媒体は、機器によって読み取られることができる、データが格納される全ての種類の記録媒体（ｒｅｃｏｒｄｉｎｇ ｍｅｄｉｕｍ）を意味し得る。記録媒体は、例えば、ＲＯＭ、ＲＡＭ、ＣＤ‐ＲＯＭ、磁気テープ、フロッピーディスク、光データ格納装置などを含み得る。一実施例において、記録媒体は、１つ以上のメモリ（３２０）であり得る。一実施例において、記録媒体は、ネットワークで連結されたコンピュータシステムなどに分散した形態として具現されることもできる。ソフトウェアは、コンピュータシステムなどに分散して格納され、実行され得る。記録媒体は、非一時的（ｎｏｎ‐ｔｒａｎｓｉｔｏｒｙ）記録媒体であり得る。非一時的記録媒体は、データが半永久的又は臨時に格納されることと関係なく実在する媒体（ｔａｎｇｉｂｌｅ ｍｅｄｉｕｍ）を意味し、一時的（ｔｒａｎｓｉｔｏｒｙ）に伝播される信号（ｓｉｇｎａｌ）を含まない。
以上、多様な実施例によって本開示の技術的思想が説明されたが、本開示の技術的思想は、本開示が属する技術分野で通常の知識を有する者が理解できる範囲でなされる多様な置換、変形及び変更を含む。また、そのような置換、変形及び変更は、添付の請求の範囲内に含まれ得ると理解されなければならない。
本開示は歯の骨年齢を決定するための技術に関するものである。
人体の歯を撮影したイメージ（例：Ｘ‐ｒａｙイメージなど）から当該歯の骨年齢が評価され得る。評価された歯の骨年齢と当該人体の実際の年齢を比較することによって、人体の実際の年齢に比べて歯が正常に成長中であるか否かを判断することができる。また、歯が正常に成長中ではなければ、その発育がどのくらい早いか又は遅いか判断することができる。
歯の骨年齢を決定するために、歯を撮影したイメージが人間である使用者によって分析され得る。使用者は、歯を実際に撮影した歯イメージと、歯の各骨年齢を代表する基準イメージを比較して、基準イメージの中で当該歯イメージと歯の骨成熟度が最も類似している基準イメージを決定し、決定された基準イメージに該当する歯の骨年齢を当該歯イメージが示す歯の骨年齢として決定することができる。しかし、このような方法は、使用者の能力、専門性によって歯イメージに対する骨年齢の分析結果が変わり得るという問題がある。特に、歯イメージが示す歯の形態は定量化されていないデータであるため、歯の骨年齢の分析結果は使用者間で大きな偏差を示し得る。これにより、上述した方法による分析結果は精度及び信頼性が大きく落ちることがある。
本開示は歯の骨年齢を決定するための技術を提供する。
本開示の一側面として、歯の骨年齢を決定するための装置が提案され得る。本開示の一側面による装置は、１つ以上のプロセッサ；及び上記１つ以上のプロセッサによる実行時に上記１つ以上のプロセッサが動作を行うようにする命令及び歯の骨年齢を決定するためのニューラルネットワークモデルが格納された１つ以上のメモリを含み得る。上記１つ以上のプロセッサは、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得し、上記複数の第１歯イメージの各々に前処理を行い、複数の前処理イメージの各々を生成し、上記複数の前処理イメージを用いて上記ニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出し、第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得し、上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出し得る。
一実施例において、１つ以上のプロセッサは、上記第２性別が上記第１性別と一致するか否かを決定し、上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定し、上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出し得る。
一実施例において、１つ以上のプロセッサは、それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成し、上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別し、上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行い－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－、上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定し、上記Ｎは予め設定された定数であり得る。
一実施例において、１つ以上のプロセッサは、上記学習演算で、上記少なくとも２つのｋ番目のフィルタの各々を左右又は上下に連結して上記組み合わせられたフィルタを生成し得る。
一実施例において、１つ以上のプロセッサは、上記学習演算で、上記複数の前処理イメージの各々の一部領域のピクセル値及び上記組み合わせられたフィルタのピクセル値の間の計算結果に基づいて、上記組み合わせられたフィルタが上記複数の前処理イメージでマッチングされる領域が存在するか否かを決定し得る。
一実施例において、１つ以上のプロセッサは、上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成し、上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
一実施例において、１つ以上のプロセッサは、上記複数の第１歯イメージの各々を予め設定された少なくとも２つ以上の角度で回転させ、上記複数の第１歯イメージの個数より多くの個数の上記複数の前処理イメージの各々を生成し得る。
一実施例において、１つ以上のプロセッサは、上記複数の第１歯イメージの各々を予め設定された比率の範囲で拡大及び縮小して、上記複数の第１歯イメージの個数より多くの個数の上記複数の前処理イメージの各々を生成し得る。
一実施例において、１つ以上のメモリは、上記複数の第１歯イメージで予め設定された特徴を識別するための基準ピクセル値を指す情報を含み得る。上記１つ以上のプロセッサは、上記基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成し、上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別し、上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成し得る。
一実施例において、１つ以上のメモリは、上記複数の前処理イメージの各々が示す歯形状の基準傾き及び基準大きさを指す情報、及び予め設定された特徴を識別するための基準ピクセル値を指す情報を含み得る。上記１つ以上のプロセッサは、上記複数の第１歯イメージの各々が示す歯形状が上記基準傾きを有するように上記複数の第１歯イメージの各々を回転させ、上記回転した複数のイメージの各々が示す歯形状が上記基準大きさを有するように上記回転した複数のイメージの各々を拡大したり縮小し、上記拡大されたり縮小された複数のイメージの各々において、歯を示す領域以外の領域を除去し－上記歯を示す領域は、上記拡大されたり縮小された複数のイメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域である－、上記歯を示す領域以外の領域が除去された複数のイメージの各々において、上記基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタにマッチングされる領域を除去して、上記複数の前処理イメージの各々を生成し得る。
本開示の一側面として、歯の骨年齢を決定するための方法が提案され得る。本開示の一側面による方法は、１つ以上のプロセッサ及び上記１つ以上のプロセッサによって実行されるための命令が格納された１つ以上のメモリを含むコンピュータで行われる方法であり得る。本開示の一側面による方法は、上記１つ以上のプロセッサが、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得する段階；上記複数の第１歯イメージの各々に前処理を行って、複数の前処理イメージの各々を生成する段階；上記複数の前処理イメージを用いて、歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出す段階；第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得する段階；及び上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出す段階を含み得る。
一実施例において、第２骨年齢を導き出す段階は、上記第２性別が上記第１性別と一致するか否かを決定する段階；上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定する段階；及び上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出す段階を含み得る。
一実施例において、判断フィルタを導き出す段階は、それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成する段階；上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別する段階；上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行う段階－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－；及び上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定する段階を含み、上記Ｎは予め設定された定数であり得る。
一実施例において、複数の前処理イメージの各々を生成する段階は、上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成する段階を含み、上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
一実施例において、複数の前処理イメージの各々を生成する段階は、基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成する段階；上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別する段階；及び上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成する段階を含み、上記基準ピクセル値は、上記複数の第１歯イメージで予め設定された特徴を識別するためのピクセル値であり得る。
本開示の一側面として、歯の骨年齢を決定するための命令を記録した非一時的コンピュータ読み出し可能記録媒体が提案され得る。本開示の一側面による記録媒体に記録された命令は、コンピュータ上で行われるための命令であって、１つ以上のプロセッサによる実行時に、１つ以上のプロセッサが、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得し、上記複数の第１歯イメージの各々に前処理を行って、複数の前処理イメージの各々を生成し、上記複数の前処理イメージを用いて歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出し、第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得し、上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出すようにし得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、上記第２性別が上記第１性別と一致するか否かを決定し、上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定し、上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出すようにし得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成し、上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別し、上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行い－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－、上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定するようにし、上記Ｎは予め設定された定数であり得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成するようにし、上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
一実施例において、上記命令は、上記１つ以上のプロセッサが、基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成し、上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別し、上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成するようにし、上記基準ピクセル値は、上記複数の第１歯イメージで予め設定された特徴を識別するためのピクセル値であり得る。
本開示の多様な実施例によれば、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）アルゴリズムによって学習されたニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデルを用いて、歯を撮影した歯イメージから当該歯の骨年齢が決定されることができる。
本開示の多様な実施例によれば、歯イメージ、性別、骨年齢などの情報を含む学習データを前処理することにより、ニューラルネットワークモデルを効率よく学習させることができる。
本開示の多様な実施例によれば、ニューラルネットワークモデルを用いて歯の骨年齢を決定することにより、歯の骨年齢に関する分析結果の精度及び信頼性が保証されることができる。
本開示の多様な実施例によれば、患者の歯の骨年齢に関する分析結果が当該患者に関する小児内分泌疾患（例：成長ホルモン欠乏症、性早熟症など）の診断に用いられることができる。
本開示の多様な実施例によれば、歯科での矯正又は歯科治療中に撮影された歯のパノラミックビュー（ｐａｎｏｒａｍｉｃ ｖｉｅｗ）を基礎として歯の骨年齢が評価されることができ、骨年齢に異常がある場合、小児内分泌課と連係して当該患者に関する小児内分泌疾患の診断が行われることができる。
図１は、本開示の一実施例による装置がニューラルネットワークモデルを学習させる過程を示した図面である。 図２は、本開示の一実施例による装置が、入力された１つのイメージから当該歯の骨年齢を導き出す過程を示した図面である。 図３は、本開示の多様な実施例による装置のブロック図を示した図面である。 図４は、本開示の一実施例による、判断フィルタを導き出す過程を示した図面である。 図５は、本開示の一実施例による、フィルタが１つのイメージでマッチングされる領域を有するか否かを判断する過程を示した図面である。 図６は、本開示の一実施例による、歯を示す領域以外の領域を除去することによって前処理を行う過程を示した図面である。 図７は、本開示の一実施例による、歯の治療跡に該当する部分を除去することによって前処理を行う過程を示した図面である。 図８は、本開示の一実施例による、第１歯イメージから前処理イメージを生成する過程の例示を示した図面である。 図９は、本開示による装置によって行われ得る、歯の骨年齢を決定するための方法の一実施例を示した図面である。
本開示に記載された多様な実施例は、本開示の技術的思想を明確に説明する目的で例示されたものであり、これを特定の実施形態に限定しようとするものではない。本開示の技術的思想は、本開示に記載された各実施例の多様な変更（ｍｏｄｉｆｉｃａｔｉｏｎｓ）、均等物（ｅｑｕｉｖａｌｅｎｔｓ）、代替物（ａｌｔｅｒｎａｔｉｖｅｓ）及び各実施例の全て又は一部から選択的に組み合わせられた実施例を含む。また、本開示の技術的思想の権利範囲は、以下に提示される多様な実施例やこれに関する具体的説明に限定されない。
技術的や科学的な用語を含め、本開示で用いられる用語は、特に定義されない限り、本開示が属する技術分野で通常の知識を有する者に一般に理解される意味を有し得る。
本開示で用いられる「含む」、「含み得る」、「備える」、「備え得る」、「有する」、「有し得る」等のような表現は、対象となる特徴（例：機能、動作又は構成要素など）が存在することを意味し、他の追加の特徴の存在を排除しない。即ち、このような表現は、他の実施例を含む可能性を内包する開放型用語（ｏｐｅｎ‐ｅｎｄｅｄ ｔｅｒｍｓ）と理解されるべきである。
本開示で用いられる単数型の表現は、文脈上異なって意味しない限り、複数型の意味を含み得、これは請求項に記載された単数型の表現にも同様に適用される。
本開示で用いられる「第１」、「第２」、又は「１番目」、「２番目」等の表現は、文脈上異なって意味しない限り、複数の同種対象を指すにおいて、ある対象を他の対象と区分するために用いられ、当該対象の間の順序又は重要度を限定するわけではない。
本開示で用いられる「Ａ、Ｂ、及びＣ」、「Ａ、Ｂ、又はＣ」、「Ａ、Ｂ、及び／又はＣ」又は「Ａ、Ｂ、及びＣのうちの少なくとも１つ」、「Ａ、Ｂ、又は、Ｃのうちの少なくとも１つ」、「Ａ、Ｂ、及び／又はＣのうちの少なくとも１つ」、「Ａ、Ｂ、及びＣのうちから選択された少なくとも１つ」、「Ａ、Ｂ、又はＣのうちから選択された少なくとも１つ」、「Ａ、Ｂ、及び／又はＣのうちから選択された少なくとも１つ」等の表現は、各々の羅列された項目又は羅列された項目の可能な全ての組合わせを意味し得る。例えば、「Ａ及びＢのうちから選択された少なくとも１つ」は、（１）Ａ、（２）Ａのうちの少なくとも１つ、（３）Ｂ、（４）Ｂのうちの少なくとも１つ、（５）Ａのうちの少なくとも１つ及びＢのうちの少なくとも１つ、（６）Ａのうちの少なくとも１つ及びＢ、（７）Ｂのうちの少なくとも１つ及びＡ、（８）Ａ及びＢをいずれも指し得る。
本開示で用いられる「～に基づいて」という表現は、当該表現が含まれる語句又は文章で記述される、決定、判断の行為又は動作に影響を与える１つ以上の因子を記述するのに用いられ、この表現は、当該決定、判断の行為又は動作に影響を与える追加の因子を排除しない。
本開示で用いられる、ある構成要素（例：第１構成要素）が他の構成要素（例：第２構成要素）に「連結されて」いるとか「接続されて」いるという表現は、上記ある構成要素が上記他の構成要素に直接的に連結又は接続されることだけでなく、新たな他の構成要素（例：第３構成要素）を媒介として連結又は接続されることを意味し得る。
本開示で用いられた「～するように構成された（ｃｏｎｆｉｇｕｒｅｄ ｔｏ）」という表現は、文脈によって「～するように設定された」、「～する能力を有する」、「～するように変更された」、「～するように作られた」、「～ができる」等の意味を有し得る。当該表現は、「ハードウェア的に特に設計された」という意味に制限されず、例えば、特定の動作を行うように構成されたプロセッサとは、ソフトウェアを実行することによってその特定の動作を行うことができる汎用プロセッサ（ｇｅｎｅｒｉｃ‐ｐｕｒｐｏｓｅ ｐｒｏｃｅｓｓｏｒ）を意味し得る。
以下、添付の図面を参照して、本開示の多様な実施例を説明する。添付の図面及び図面に関する説明において、同一又は実質的に同等の（ｓｕｂｓｔａｎｔｉａｌｌｙ ｅｑｕｉｖａｌｅｎｔ）構成要素には同一の参照符号が付与され得る。また、以下の多様な実施例の説明において、同一又は対応する構成要素を重複して記述することが省略され得るが、これは当該構成要素がその実施例に含まれないことを意味するわけではない。
図１は、本開示の一実施例による装置（１００）がニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデル（１４０）を学習させる過程を示した図面である。本開示の一実施例による装置（１００）は、歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、ニューラルネットワークモデルを用いて対象歯の骨年齢を決定することができる。
具体的には、装置（１００）は、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）を格納することができる。装置（１００）は、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）アルゴリズムによって、学習データ（１１０）を用いてニューラルネットワークモデル（１４０）を学習させることができる。本開示において、ディープラーニングは、データ及びデータを処理した経験を用いた学習を通じて、コンピュータのソフトウェアがデータ処理能力を向上させることを意味し得る。ニューラルネットワークモデルは、データ間の相関関係をモデリングして構築されたものであって、ニューラルネットワークモデルの相関関係は複数のパラメータによって表現され得る。
ニューラルネットワークモデルは、与えられたデータから特徴を抽出して分析し、データ間の相関関係を導き出すが、このような過程を繰り返してパラメータを最適化していくことがディープラーニング又は機械学習といえる。
装置（１００）は、学習データ（１１０）の入力を受け得る。学習データ（１１０）は、複数の人体の歯の各々を撮影した複数の歯イメージを含み得る。複数の歯イメージの各々は、当該歯の人体が有する性別（例：男、女）に関する情報及び当該歯の実際の骨年齢（例：５.２４歳）に関する情報と連係し得る。一実施例において、装置（１００）は、学習データ（１１０）として、ある性別（以下、第１性別）の人体に該当し、ある骨年齢（以下、第１骨年齢）を有する歯を撮影した複数の歯イメージ（以下、第１歯イメージ（１２０））の入力を受け得る。即ち、装置（１００）は、第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージ（１２０）を取得し得る。本開示において、他の性別及び他の骨年齢による複数の歯イメージも装置（１００）に入力され、ニューラルネットワークモデル（１４０）を学習させるのに用いられるが、第１性別及び第１骨年齢に該当する複数の第１歯イメージ（１２０）と類似の方式で装置（１００）により処理されることができるので、以下、本開示の技術は複数の第１歯イメージ（１２０）を基準として説明する。
装置（１００）は、複数の第１歯イメージ（１２０）の各々に前処理（ｐｒｅ‐ｐｒｏｃｅｓｓｉｎｇ）を行って、複数の前処理されたイメージ（以下、前処理イメージ（１３０））の各々を生成し得る。前処理過程で装置（１００）は、複数の第１歯イメージ（１２０）の各々を回転させたり、拡大/縮小したり、不必要な領域を除去したりするなどの動作を行い得る。具体的な前処理過程については後述する。多様な方式に従って前処理された複数の前処理イメージ（１３０）がニューラルネットワークモデル（１４０）に入力されることによって、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）の学習効率が高くなり得る。
装置（１００）は、複数の前処理イメージ（１３０）を用いてニューラルネットワークモデル（１４０）を学習させ、第１性別及び第１骨年齢に該当する判断フィルタ（１５０）を導き出し得る。当該判断フィルタ（１５０）は、第１性別を有する人体が、第１骨年齢に該当する歯を有した時、当該歯が有する基準形態を示し得る。装置（１００）は、判断フィルタ（１５０）を用いて、ある歯イメージが第１性別及び第１骨年齢による歯形態を示すか否かを決定し得る。具体的な判断フィルタ（１５０）の導出過程については後述する。前述した通り、多様な性別及び骨年齢による歯イメージが学習されることによって、他の性別及び骨年齢による判断フィルタも導き出され得る。
図２は、本開示の一実施例による装置（１００）が、入力されたあるイメージから当該歯の骨年齢を導き出す過程を示した図面である。本開示による装置（１００）は、ニューラルネットワークモデル（１４０）の学習過程で導き出された判断フィルタ（１５０）を用いて、装置（１００）に入力される対象歯イメージ（以下、第２歯イメージ（２１０））から、第２歯イメージ（２１０）が示す対象歯の骨年齢（以下、第２骨年齢）を導出（決定）し得る。
具体的には、装置（１００）は、第２歯イメージ（２１０）及び性別情報の入力を受け得る。第２歯イメージ（２１０）は、ある性別（以下、第２性別）による人体の歯を撮影した歯イメージであり得る。第２歯イメージ（２１０）は、歯の骨年齢を評価しようとする対象歯を撮影したイメージであり得る。性別情報は、第２歯イメージ（２１０）に該当する人体の性別（即ち、第２性別）を示す情報であり得る。
装置（１００）は、判断フィルタ（１５０）に基づいて第２歯イメージ（２１０）及び性別情報から、第２歯イメージ（２１０）に該当する歯の第２骨年齢を導き出し得る。具体的には、装置（１００）は、第２性別が第１性別と一致するか否かを決定し得る。第２性別が第１性別と一致する場合、前述した第１性別による判断フィルタ（１５０）が骨年齢の導出に用いられるが、そうではない場合、他の判断フィルタが骨年齢の導出に用いられなければならないこともある。第２性別が第１性別と一致するという決定に従って、装置（１００）は第２歯イメージ（２１０）と判断フィルタ（１５０）を比較し得る。装置（１００）は、第２歯イメージ（２１０）のうち、判断フィルタ（１５０）とマッチングされる領域が存在するか否かを決定し得る。マッチングの有無の判断は、判断フィルタ（１５０）が示す領域のピクセル値と一致するピクセル値を有する領域が第２歯イメージ（２１０）中にあるか否かを判断することによって行われ得る。一実施例において、マッチングの有無の判断は、判断フィルタ（１５０）のピクセル値を基準として予め設定された範囲内のピクセル値を有する領域が、第２歯イメージ（２１０）中にあるか判断することによって行われることもできる。
判断フィルタ（１５０）が示す特定の歯形態と一致する領域が第２歯イメージ（２１０）中に発見されるならば、即ち、判断フィルタ（１５０）にマッチングされる領域が第２歯イメージ（２１０）中に存在すると決定されれば、装置（１００）は第１骨年齢を第２歯イメージ（２１０）の第２骨年齢として導き出すことができる。判断フィルタ（１５０）にマッチングされる領域が存在しない場合、装置（１００）は、第２歯イメージ（２１０）が第１骨年齢を有しないと判断し、他の骨年齢による判断フィルタと第２歯イメージ（２１０）を対比することができる。
図３は、本開示の多様な実施例による装置（１００）のブロック図を示した図面である。一実施例において、装置（１００）は、１つ以上のプロセッサ（３１０）及び／又は１つ以上のメモリを含み得る。一実施例において、装置（１００）のこのような構成要素のうち少なくとも１つが省略されるか、他の構成要素が装置（１００）に追加され得る。一実施例において、追加で（ａｄｄｉｔｉｏｎａｌｌｙ）又は代替で（ａｌｔｅｒｎａｔｉｖｅｌｙ）、一部の構成要素が統合されて具現されるか、単数又は複数の個体として具現され得る。本開示において、１つ以上のプロセッサ（３１０）はプロセッサ（３１０）と表現され得る。プロセッサ（３１０）という表現は、文脈上、明確に異なって表現しない以上、１つ又はそれ以上のプロセッサの集合を意味し得る。本開示において、１つ以上のメモリ（３２０）はメモリ（３２０）と表現され得る。メモリ（３２０）という表現は、文脈上、明確に異なって表現しない以上、１つ又はそれ以上のメモリの集合を意味し得る。一実施例において、装置（１００）内／外部の構成要素のうち少なくとも一部の構成要素は、バス、ＧＰＩＯ（ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｉｎｐｕｔ／ｏｕｔｐｕｔ）、ＳＰＩ（ｓｅｒｉａｌ ｐｅｒｉｐｈｅｒａｌ ｉｎｔｅｒｆａｃｅ）又はＭＩＰＩ（ｍｏｂｉｌｅ ｉｎｄｕｓｔｒｙ ｐｒｏｃｅｓｓｏｒ ｉｎｔｅｒｆａｃｅ）等を通して互いに連結され、データ及び／又はシグナルをやり取りすることができる。
プロセッサ（３１０）は、ソフトウェア（例：命令、プログラムなど）を駆動してプロセッサ（３１０）に連結された装置（１００）の少なくとも１つの構成要素を制御し得る。また、プロセッサ（３１０）は、本開示と関連した多様な演算、処理、データの生成、加工などの動作を行い得る。また、プロセッサ（３１０）は、データなどをメモリ（３２０）からロードしたり、メモリ（３２０）に格納し得る。プロセッサ（３１０）は、複数の第１歯イメージ（１２０）を取得し、複数の第１歯イメージ（１２０）の各々に前処理を行って複数の前処理イメージ（１３０）の各々を生成し得る。プロセッサ（３１０）は、複数の前処理イメージ（１３０）を用いてニューラルネットワークモデル（１４０）を学習させ、上述の判断フィルタ（１５０）を導き出し得る。プロセッサ（３１０）は、第２歯イメージ（２１０）及び第２歯イメージ（２１０）に該当する性別情報を取得し、判断フィルタ（１５０）に基づいて第２歯イメージ（２１０）に該当する対象歯の第２骨年齢を導き出し得る。
メモリ（３２０）は、多様なデータを格納し得る。メモリ（３２０）に格納されるデータは、装置（１００）の少なくとも１つの構成要素によって取得されるか、処理されるか、用いられるデータであって、ソフトウェア（例：命令、プログラムなど）を含み得る。メモリ（３２０）は、揮発性及び／又は非揮発性メモリを含み得る。本開示において、命令又はプログラムは、メモリ（３２０）に格納されるソフトウェアであって、装置（１００）のリソースを制御するためのオペレーションシステム、アプリケーション及び／又はアプリケーションが装置のリソースを活用できるように多様な機能をアプリケーションに提供するミドルウェアなどを含み得る。メモリ（３２０）は、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）を格納し得る。また、メモリ（３２０）は、プロセッサ（３１０）による実行時に、プロセッサ（３１０）が動作（演算）を行うようにする命令を格納し得る。一実施例において、メモリ（３２０）は、複数の第１歯イメージ（１２０）、複数の前処理イメージ（１３０）、１つ以上のディープラーニングアルゴリズム、第２歯イメージ（２１０）及び／又は第２歯イメージ（２１０）に該当する性別情報などを格納し得る。
一実施例において、装置（１００）は、送受信機（３３０）をさらに含み得る。送受信機（３３０）は、装置（１００）とサーバー又は装置（１００）と他の装置間の無線又は有線通信を行い得る。例えば、送受信機（３３０）は、ｅＭＢＢ（ｅｎｈａｎｃｅｄ Ｍｏｂｉｌｅ Ｂｒｏａｄｂａｎｄ）、ＵＲＬＬＣ（Ｕｌｔｒａ Ｒｅｌｉａｂｌｅ Ｌｏｗ‐Ｌａｔｅｎｃｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＭＭＴＣ（Ｍａｓｓｉｖｅ Ｍａｃｈｉｎｅ Ｔｙｐｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＬＴＥ（ｌｏｎｇ‐ｔｅｒｍ ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ‐Ａ（ＬＴＥ Ａｄｖａｎｃｅ）、ＵＭＴＳ（Ｕｎｉｖｅｒｓａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＣＤＭＡ（ｃｏｄｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＷＣＤＭＡ（ｗｉｄｅｂａｎｄ ＣＤＭＡ）（登録商標）、ＷｉＢｒｏ（Ｗｉｒｅｌｅｓｓ Ｂｒｏａｄｂａｎｄ）、ＷｉＦｉ（ｗｉｒｅｌｅｓｓ ｆｉｄｅｌｉｔｙ）、ブルートゥース（Ｂｌｕｅｔｏｏｔｈ）（登録商標）、ＮＦＣ（ｎｅａｒ ｆｉｅｌｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）又はＧＮＳＳ（ｇｌｏｂａｌ ｎａｖｉｇａｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｓｙｓｔｅｍ）等の方式による無線通信を行い得る。例えば、送受信機（３３０）は、ＵＳＢ（ｕｎｉｖｅｒｓａｌ ｓｅｒｉａｌ ｂｕｓ）、ＨＤＭＩ（ｈｉｇｈ ｄｅｆｉｎｉｔｉｏｎ ｍｕｌｔｉｍｅｄｉａ ｉｎｔｅｒｆａｃｅ）（登録商標）、ＲＳ‐２３２（ｒｅｃｏｍｍｅｎｄｅｄ ｓｔａｎｄａｒｄ２３２）又はＰＯＴＳ（ｐｌａｉｎ ｏｌｄ ｔｅｌｅｐｈｏｎｅ ｓｅｒｖｉｃｅ）等の方式による有線通信を行い得る。
一実施例において、プロセッサ（３１０）は、送受信機（３３０）を制御してサーバーから情報を取得し得る。サーバーから取得された情報はメモリ（３２０）に格納され得る。一実施例において、サーバーから取得される情報は、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）、複数の第１歯イメージ（１２０）、１つ以上のディープラーニングアルゴリズム、第２歯イメージ（２１０）及び／又は第２歯イメージ（２１０）に該当する性別情報などを含み得る。
一実施例において、装置（１００）は、入力装置（図示せず）をさらに含み得る。入力装置は、外部から装置（１００）の少なくとも１つの構成要素に伝達するためのデータ（例：学習データ（１１０）、第２歯イメージ（２１０）及び／又は第２歯イメージ（２１０）に該当する性別情報など）の入力を受ける装置であり得る。例えば、入力装置は、マウス、キーボード、タッチパッドなどを含み得る。一実施例において、装置（１００）は、出力装置（図示せず）をさらに含み得る。出力装置は、装置（１００）の動作による多様なデータ（例：第２骨年齢など）を使用者に視覚的形態で提供する装置であり得る。例えば、出力装置は、ディスプレイ、プロジェクターなどを含み得る。
一実施例において、装置（１００）は、多様な形態の装置になり得る。例えば、装置（１００）は、携帯用通信装置、コンピュータ装置、携帯用マルチメディア装置、ウェアラブル（ｗｅａｒａｂｌｅ）装置又は上述の装置のうちの１つ又はそれ以上の組合わせによる装置であり得る。本開示の装置（１００）は、前述した装置に限定されない。
本開示による装置（１００）の多様な実施例は互いに組み合わせられ得る。各実施例はケースに応じて組み合わせられ得、組み合わせられて作られた装置（１００）の実施例も本開示の範囲に属する。また、前述した本開示による装置（１００）の内／外部の構成要素は、実施例によって追加、変更、代替又は削除され得る。また、前述した装置（１００）の内／外部の構成要素は、ハードウェアコンポーネントで具現され得る。
図４は、本開示の一実施例による、判断フィルタ（１５０）を導き出す過程を示した図面である。一実施例において、装置（１００）は、ピクセル値をランダムで有する複数のフィルタを生成し、このうち複数の前処理イメージ（１３０）にマッチングされるフィルタを選別し、選別されたフィルタを組み合わせて新たなフィルタを生成し、その組み合わせられたフィルタのうち再び複数の前処理イメージ（１３０）にマッチングされるフィルタを選別する過程を繰り返し得る。装置（１００）が当該過程を予め設定された回数繰り返した後に導き出されるフィルタが判断フィルタ（１５０）に決定され得る。
具体的には、プロセッサ（３１０）は、複数の初期フィルタ（４１０）を生成し得る。初期フィルタ（４１０）は、２つ以上のピクセルを含み得る。初期フィルタ（４１０）の各ピクセルは、任意に（ランダムで）設定されたピクセル値を有し得る。示された初期フィルタ（４１０）は、各９つのピクセルを有するものとして例示された。各ピクセルは、任意に設定されたピクセル値に応じて明暗を有するものとして示された。本開示において、ピクセル値は０～２５５の間の値を有し得、０は黒色、２５５は白色、０～２５５の間の値は当該値に応じた明度を有する灰色を意味し得る。
プロセッサ（３１０）は、複数の初期フィルタ（４１０）のうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つの初期フィルタ（４２０）を選別し得る。マッチングの有無の判断は、前述した通り行われ得る。即ち、ある初期フィルタが示す領域と、複数の前処理イメージ（１３０）のある領域が有するピクセル値を比較し、各ピクセル値が一致したり、一定の範囲内に存在するならば、当該前処理イメージには当該初期フィルタがマッチングされる領域が存在すると判断することができる。例えば、このマッチング過程で、示された初期フィルタ（４２１，４２２，４２３，４２４，４２５，４２６）等が選別されることができる。
その後、プロセッサ（３１０）は、選別された初期フィルタ（４１０）のうち少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして学習演算を行い得る。具体的には、プロセッサ（３１０）は、１番目のフィルタとした少なくとも２つの初期フィルタを組み合わせることによって、組み合わせられたフィルタ（４３０）を生成し得る。
一実施例において、プロセッサ（３１０）は、少なくとも２つの初期フィルタの各々を左右又は上下に連結することによって、組み合わせられたフィルタ（４３０）を生成し得る。例えば、プロセッサ（３１０）は、初期フィルタ（４２４）及び初期フィルタ（４２６）を上下に連結することによって、組み合わせられたフィルタ（４３２）を生成し得る。また、プロセッサ（３１０）は、初期フィルタ（４２１）、初期フィルタ（４２２）及び初期フィルタ（４２３）を上下又は左右に連結することによって、組み合わせられたフィルタ（４３４）を生成し得る。また、プロセッサ（３１０）は、初期フィルタ（４２１）及び初期フィルタ（４２３）を上下に連結することによって、組み合わせられたフィルタ（４３６）を生成し得る。
プロセッサ（３１０）は、組み合わせられたフィルタ（４３０）を複数の前処理イメージ（１３０）と比較し、組み合わせられたフィルタ（４３０）のうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタ（４４０）を選別し得る。マッチングの有無の判断は前述した通りである。例えば、組み合わせられたフィルタ（４３２，４３４，４３６）のうち、フィルタ（４３２，４３４）が複数の前処理イメージ（１３０）とマッチングされるものとして選別され得る。
プロセッサ（３１０）は、マッチング過程で選別されたフィルタ（４４０）を再び組み合わせることによって、再び組み合わせられたフィルタを生成し得る。例えば、フィルタ（４３２）及びフィルタ（４３４）が組み合わせられ、新たに組み合わせられたフィルタが生成され得る。プロセッサ（３１０）は、新たに生成された組み合わせられたフィルタを用いて、再び学習演算を行い得る。即ち、プロセッサ（３１０）は、新たに組み合わせられたフィルタのうち複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタを再び選別し得る。選別されたフィルタは再び組み合わせられ、複数の前処理イメージ（１３０）とマッチング過程を経ることができる。プロセッサ（３１０）は、上述の方式に従って学習演算を予め設定された回数（Ｎ）繰り返し行い得る。
即ち、学習演算は、プロセッサ（３１０）が少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、組み合わせられたフィルタのうち複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタを選別し、選別されたフィルタをｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算であり得る。ｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタは、次に行われる学習演算で、互いに組み合わせられるフィルタとして用いられ得る。
前述した通り、プロセッサ（３１０）が学習演算をＮ回繰り返すと、Ｎ＋１番目のフィルタが少なくとも２つ以上決定され得る。プロセッサ（３１０）は、生成された少なくとも２つのＮ＋１番目のフィルタのうちの１つを判断フィルタ（１５０）に決定し得る。前述した通り、当該判断フィルタ（１５０）は、第１性別を有する人体が、第１骨年齢に該当する歯を有した時、当該歯が有する基準形態を示し得る。
図５は、本開示の一実施例による、フィルタがあるイメージでマッチングされる領域を有するか否かを判断する過程を示した図面である。プロセッサ（３１０）は、あるフィルタ（例：初期フィルタ（４１０）、組み合わせられたフィルタ（４３０）、判断フィルタ（１５０）等）があるイメージでマッチングされる領域を有するか判断することができる。本開示において、フィルタ及びイメージの種類と関係なく、マッチングの有無の判断は同一の方法で行われ得る。以下、前述した学習演算で、組み合わせられたフィルタ（４３２）が複数の前処理イメージ（１３０）でマッチングされる領域を有するか否かを判断することを基準として、マッチングの有無の判断過程を説明する。
プロセッサ（３１０）は、前述した組み合わせられたフィルタのうちの１つ（４３２）と、複数の前処理イメージ（１３０）の各々を段階的又は並列的に比較することができる。プロセッサ（３１０）は、複数の前処理イメージ（１３０）のうちある前処理イメージ（５１０）の各一部領域と当該フィルタ（４３２）を比較していくことができる。前処理イメージ（５１０）でフィルタ（４３２）と比較される一部領域は、フィルタ（４３２）が有するピクセル数と同じピクセル数を有し得る。
プロセッサ（３１０）は、前処理イメージ（５１０）の各一部領域のピクセル値及び組み合わせられたフィルタ（４３２）のピクセル値の間で計算を行うことができる。例えば、前処理イメージ（５１０）のある一部領域が有するピクセルのピクセル値は、示された表（５２０）のように示され得る。また、組み合わせられたフィルタ（４３２）が有するピクセルのピクセル値は、示された表（５３０）のように示され得る。一実施例において、プロセッサ（３１０）は、２つの領域の対応する各ピクセルのピクセル値が互いに一致するか否かを判断し得る。ピクセル値が一致する場合、プロセッサ（３１０）は２つの領域がマッチングされると決定することができる。一実施例において、プロセッサ（３１０）は、２つの領域の対応する各ピクセルのピクセル値が予め設定されたピクセル値の範囲内にあるか否かを判断し得る。予め設定されたピクセル値の範囲内に対応するピクセルのピクセル値が含まれることになる場合、プロセッサ（３１０）は２つの領域がマッチングされると決定することができる。例えば、予め設定されたピクセル値の範囲が３０であれば、前処理イメージ（５１０）のある一部領域のピクセルのピクセル値の各々と、それに対応する組み合わせられたフィルタ（４３２）のピクセルのピクセル値の各々が３０以下の差の値を有する場合、プロセッサ（３１０）は２つの領域がマッチングされると決定することができる。
一実施例において、プロセッサ（３１０）は、前処理イメージ（５１０）のある一部領域と組み合わせられたフィルタ（４３２）の間のピクセル値の偏差の平均値を計算し、計算された平均値が予め設定された基準以下である場合、２つの領域がマッチングされると決定することができる。
図６は、本開示の一実施例による、歯を示す領域以外の領域を除去することによって前処理を行う過程を示した図面である。前述した通り、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々を前処理し、複数の前処理イメージ（１３０）の各々を生成することができる。前処理過程は多様な方法で行われ得る。
一実施例において、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々において歯を示す領域（６１０）以外の領域を除去して複数の前処理イメージ（１３０）の各々を生成し得る。歯を示す領域（６１０）とは、第１歯イメージの下端の中央点（６２０）を基準として、予め設定された幅（６３０）及び予め設定された高さ（６４０）と定義される領域（６１０）であり得る。一般に、歯を撮影したＸ‐ｒａｙイメージなどは、歯の形態が中央下端に示され得る。歯の形態を有する領域を残し、残りの領域を除去することによって、イメージ内で初期フィルタ（４１０）又は組み合わせられたフィルタ（４３０）と対比すべき領域を減らすことができ、これによりプロセッサ（３１０）の演算負担を減らすことができる。予め設定された幅（６３０）及び予め設定された高さ（６４０）に関する情報は、メモリ（３２０）に格納されていることができる。
一実施例において、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々を回転させることによって複数の前処理イメージ（１３０）の各々を生成し得る。一実施例において、プロセッサ（３１０）は、１つの第１歯イメージを予め設定された少なくとも２つ以上の角度で回転させることによって、複数の前処理イメージ（１３０）を生成し得る。例えば、プロセッサ（３１０）は、１つの第１歯イメージを時計方向に、１、３、５度それぞれ回転させ、反時計方向に１、３、５度それぞれ回転させ、計７つの前処理イメージを生成し得る（回転させなかった場合を含む）。予め設定された少なくとも２つ以上の角度に関する情報は、メモリ（３２０）に格納されていることができる。
また、一実施例において、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々を拡大又は縮小することによって、複数の前処理イメージ（１３０）の各々を生成し得る。一実施例において、プロセッサ（３１０）は、１つの第１歯イメージを予め設定された比率の範囲で拡大したり縮小して複数の前処理イメージ（１３０）の各々を生成し得る。例えば、プロセッサ（３１０）は、１つの第１歯イメージを３％又は５％だけ拡大したり縮小して、計５つの前処理イメージを生成し得る（拡大又は縮小しなかった場合を含む）。予め設定された比率に関する情報は、メモリ（３２０）に格納されていることができる。
上述の方法を通じて、プロセッサ（３１０）は、複数の第１歯イメージ（１２０）から、複数の第１歯イメージ（１２０）の個数より多くの個数の前処理イメージ（１３０）の各々を生成することができる。ニューラルネットワークモデル（１４０）の学習に用いられる母集団である複数の前処理イメージ（１３０）の個数を増やすことによって、プロセッサ（３１０）は学習過程で導き出される判断フィルタ（１５０）の精度をより高めることができる。
図７は、本開示の一実施例による、歯の治療跡に該当する部分を除去することによって前処理を行う過程を示した図面である。歯を撮影した歯イメージには、当該歯を治療（補綴治療、虫歯治療、人工クラウン（ａｒｔｉｆｉｃｉａｌ ｃｒｏｗｎ）治療など）した跡に該当する部分も示され得る。治療跡に該当する部分は、当該歯の骨年齢又は骨成熟度とは関係なく示される特徴であり得る。即ち、当該跡は歯の特定の骨年齢のみで示される特徴であると見難く、すべての骨年齢にわたって示される特徴であり得る。このような部分まで含めてニューラルネットワークモデル（１４０）を学習させる場合、骨年齢を決定するのに精度が落ちることがある。これにより、学習演算を行うのに先立ち、学習データで治療跡に該当する部分を除去することができる。
具体的には、メモリ（３２０）は、複数の第１歯イメージ（１２０）又は歯を示す何れか１つのイメージで、予め設定された特徴（即ち、治療跡）を識別するための基準ピクセル値（７１０）を指す情報を格納することができる。一般に、補綴治療、人工クラウン治療などの跡は、一般の歯に比べてＸ‐ｒａｙイメージ上で均一の白色で示され得る。従って、均一の白色などで示される当該特徴を識別するための基準ピクセル値（７１０）が予め定義され得る。一実施例において、基準ピクセル値（７１０）は、白色を意味する２５５であり得る。一実施例において、基準ピクセル値（７１０）は、「２２０以上」のように範囲の形態で定義されることもできる。
プロセッサ（３１０）は、基準ピクセル値（７１０）に基づいて、基準フィルタ（７２０）を生成し得る。基準フィルタ（７２０）は、１つ以上のピクセルを含み得、各ピクセルは基準ピクセル値（７１０）（例：ａ）を有し得る。プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々において基準フィルタ（７２０）にマッチングされる領域を識別し得る。マッチングの有無の判断は、前述した通り行われ得る。プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々において識別された領域を除去し、複数の前処理イメージ（１３０）の各々を生成し得る。
図８は、本開示の一実施例による、第１歯イメージ（１２０）から前処理イメージ（１３０）を生成する過程の例示を示した図面である。歯の撮影環境に応じて、第１歯イメージ（１２０）は傾いた状態で撮影されることがある。また、撮影環境に応じて、第１歯イメージ（１２０）は対象歯を大きく又は小さく示すように撮影されることがある。このような差を補完するために、前処理過程で、プロセッサ（３１０）は第１歯イメージ（１２０）を予め設定された基準に従って、調整し得る。また、実施例によって、前述した前処理過程のうち一部が、本例示による前処理過程に含まれて行われ得る。
具体的には、メモリ（３２０）は、複数の前処理イメージ（１３０）の各々が示す歯形状の基準傾き及び基準大きさを指す情報を格納し得る。即ち、効率のよい学習演算を行うために、複数の前処理イメージ（１３０）の各々が有するべき基準傾き及び基準大きさを示す情報がメモリ（３２０）に格納されていることがある。また、メモリ（３２０）は、予め設定された特徴（前述した歯の治療跡）を識別するための基準ピクセル値（７１０）を指す情報をさらに含み得る。
プロセッサ（３１０）は、複数の第１歯イメージ（１２０）の各々が示す歯形状が、メモリ（３２０）に格納された基準傾きを有するように、複数の第１歯イメージ（１２０）の各々を回転させ得る（８１０）。これを通じて、プロセッサ（３１０）は、傾いたまま撮影された歯形状を、基準傾き（例：垂直）に合わせて回転させ得る。
プロセッサ（３１０）は、回転した複数のイメージの各々が示す歯形状が、メモリ（３２０）に格納された基準大きさを有するように、回転した複数のイメージの各々を拡大又は縮小し得る（８２０）。本例示において、回転した複数のイメージは基準大きさに合うように拡大され得る。
プロセッサ（３１０）は、拡大又は縮小された複数のイメージの各々において、歯を示す領域（６１０）以外の領域を除去し得る（８３０）。前述した通り、歯を示す領域（６１０）は、拡大又は縮小された複数のイメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
プロセッサ（３１０）は、歯を示す領域（６１０）以外の領域が除去された複数のイメージの各々において、基準フィルタ（７２０）にマッチングされる領域を除去し得る（８４０）。前述した通り、基準ピクセル値（７１０）に基づいて基準フィルタ（７２０）が生成され得る。プロセッサ（３１０）は、基準フィルタ（７２０）により識別される領域を、歯を示す領域（６１０）以外の領域が除去された複数のイメージの各々において除去し得る。
図９は、本開示による装置（１００）により行われ得る、歯の骨年齢を決定するための方法の一実施例を示した図面である。本開示による歯の骨年齢を決定するための方法は、コンピュータで具現された方法であり得る。示されたフローチャートにおいて、本開示による方法又はアルゴリズムの各段階は、順次的な順序で説明されたが、各段階は順次行われること以外に、本開示によって任意に組み合わせられることができる順序に従って行われることもできる。本フローチャートによる説明は、方法又はアルゴリズムに変化又は修正を加えることを除外せず、任意の段階が必須であるか望ましいということを意味しない。一実施例において、少なくとも一部の段階が並列的に、繰り返し行われ得る。一実施例において、少なくとも一部の段階が省略されるか、他の段階が追加され得る。
本開示による装置（１００）は、本開示の多様な実施例による歯の骨年齢を決定するための方法を行い得る。本開示の一実施例による歯の骨年齢を決定するための方法は、複数の第１歯イメージを取得する段階（Ｓ９１０）、複数の前処理イメージの各々を生成する段階（Ｓ９２０）、判断フィルタを導き出す段階（Ｓ９３０）、第２歯イメージ及び性別情報を取得する段階（Ｓ９４０）及び／又は第２骨年齢を導き出す段階（Ｓ９５０）を含み得る。
段階Ｓ９１０で、装置（１００）のプロセッサ（３１０）は第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージ（１２０）を取得し得る。段階Ｓ９２０で、プロセッサ（３１０）は複数の第１歯イメージ（１２０）の各々に前処理を行い、複数の前処理イメージ（１３０）の各々を生成し得る。段階Ｓ９３０で、プロセッサ（３１０）は、複数の前処理イメージ（１３０）を用いて、歯の骨年齢を決定するためのニューラルネットワークモデル（１４０）を学習させ、第１性別による人体が有する第１骨年齢の歯形態を決定する判断フィルタ（１５０）を導き出し得る。段階Ｓ９４０で、プロセッサ（３１０）は、第２性別による人体の歯を撮影した第２歯イメージ（２１０）及び第２性別を示す性別情報を取得し得る。段階Ｓ９５０で、プロセッサ（３１０）は、判断フィルタ（１５０）に基づいて、第２歯イメージ（２１０）及び性別情報から第２歯イメージ（２１０）に該当する歯の第２骨年齢を導き出し得る。
一実施例において、段階Ｓ９５０は、プロセッサ（３１０）が、第２性別が第１性別と一致するか否かを決定する段階；第２性別が第１性別と一致するという決定に従って、第２歯イメージ（２１０）のうち判断フィルタ（１５０）にマッチングされる領域が存在するか否かを決定する段階；及び／又は判断フィルタ（１５０）にマッチングされる領域が存在するという決定に従って、第１骨年齢を第２骨年齢として導き出す段階を含み得る。
一実施例において、段階Ｓ９３０は、プロセッサ（３１０）がそれぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタ（４１０）を生成する段階；複数の初期フィルタ（４１０）のうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つの初期フィルタを選別する段階；少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行う段階；及び／又は学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを判断フィルタ（１５０）に決定する段階を含み得る。学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、組み合わせられたフィルタのうち、複数の前処理イメージ（１３０）でマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算であり得る。Ｎは、予め設定された定数であり得る。
一実施例において、プロセッサ（３１０）は、学習演算で、少なくとも２つのｋ番目のフィルタの各々を左右又は上下に連結して組み合わせられたフィルタを生成し得る。
一実施例において、プロセッサ（３１０）は、学習演算で、複数の前処理イメージ（１３０）の各々の一部領域のピクセル値及び組み合わせられたフィルタのピクセル値の間の計算結果に基づいて、組み合わせられたフィルタが複数の前処理イメージ（１３０）でマッチングされる領域が存在するか否かを決定し得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々において歯を示す領域（６１０）以外の領域を除去し、複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々を予め設定された少なくとも２つ以上の角度で回転させ、複数の第１歯イメージ（１２０）の個数より多くの個数の複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々を予め設定された比率の範囲で拡大及び縮小し、複数の第１歯イメージ（１２０）の個数より多くの個数の複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が基準ピクセル値（７１０）を有する１つ以上のピクセルを含む基準フィルタ（７２０）を生成する段階；複数の第１歯イメージ（１２０）の各々において基準フィルタ（７２０）にマッチングされる領域を識別する段階；及び／又は複数の第１歯イメージ（１２０）の各々において識別された領域を除去し、複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。
一実施例において、段階Ｓ９２０は、プロセッサ（３１０）が複数の第１歯イメージ（１２０）の各々が示す歯形状が基準傾きを有するように複数の第１歯イメージ（１２０）の各々を回転させる段階；回転した複数のイメージの各々が示す歯形状が基準大きさを有するように回転した複数のイメージの各々を拡大したり縮小する段階；拡大されたり縮小された複数のイメージの各々において、歯を示す領域（６１０）以外の領域を除去する段階；及び／又は歯を示す領域（６１０）以外の領域が除去された複数のイメージの各々において、基準ピクセル値（７１０）を有する１つ以上のピクセルを含む基準フィルタ（７２０）にマッチングされる領域を除去し、複数の前処理イメージ（１３０）の各々を生成する段階を含み得る。歯を示す領域（６１０）は、拡大されたり縮小された複数のイメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域であり得る。
本開示の多様な実施例は、機器（ｍａｃｈｉｎｅ）が読み取ることができる記録媒体（ｍａｃｈｉｎｅ‐ｒｅａｄａｂｌｅ ｒｅｃｏｒｄｉｎｇ ｍｅｄｉｕｍ）に記録されたソフトウェアで具現され得る。ソフトウェアは、上述の本開示の多様な実施例を実現するためのソフトウェアであり得る。ソフトウェアは、本開示が属する技術分野のプログラマーによって本開示の多様な実施例から推論され得る。例えば、ソフトウェアは、機器が読み取ることができる命令（例：コード又はコードセグメント）又はプログラムであり得る。機器は、記録媒体から呼び出された命令語によって動作が可能な装置であって、例えばコンピュータであり得る。一実施例において、機器は、本開示の実施例による装置（１００）であり得る。一実施例において、機器のプロセッサは、呼び出された命令を実行し、機器の構成要素が当該命令に該当する機能を行うようにすることができる。一実施例において、プロセッサは、本開示の実施例による１つ以上のプロセッサ（３１０）であり得る。記録媒体は、機器によって読み取られることができる、データが格納される全ての種類の記録媒体（ｒｅｃｏｒｄｉｎｇ ｍｅｄｉｕｍ）を意味し得る。記録媒体は、例えば、ＲＯＭ、ＲＡＭ、ＣＤ‐ＲＯＭ、磁気テープ、フロッピーディスク、光データ格納装置などを含み得る。一実施例において、記録媒体は、１つ以上のメモリ（３２０）であり得る。一実施例において、記録媒体は、ネットワークで連結されたコンピュータシステムなどに分散した形態として具現されることもできる。ソフトウェアは、コンピュータシステムなどに分散して格納され、実行され得る。記録媒体は、非一時的（ｎｏｎ‐ｔｒａｎｓｉｔｏｒｙ）記録媒体であり得る。非一時的記録媒体は、データが半永久的又は臨時に格納されることと関係なく実在する媒体（ｔａｎｇｉｂｌｅ ｍｅｄｉｕｍ）を意味し、一時的（ｔｒａｎｓｉｔｏｒｙ）に伝播される信号（ｓｉｇｎａｌ）を含まない。
以上、多様な実施例によって本開示の技術的思想が説明されたが、本開示の技術的思想は、本開示が属する技術分野で通常の知識を有する者が理解できる範囲でなされる多様な置換、変形及び変更を含む。また、そのような置換、変形及び変更は、添付の請求の範囲内に含まれ得ると理解されなければならない。

Claims (20)

  1. １つ以上のプロセッサ；及び
    上記１つ以上のプロセッサによる実行時に上記１つ以上のプロセッサが動作を行うようにする命令及び歯の骨年齢を決定するためのニューラルネットワークモデルが格納された１つ以上のメモリを含み、
    上記１つ以上のプロセッサは、
    第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得し、
    上記複数の第１歯イメージの各々に前処理を行い、複数の前処理イメージの各々を生成し、
    上記複数の前処理イメージを用いて上記ニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出し、
    第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得し、
    上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出す、装置。
  2. 第１項において、
    上記１つ以上のプロセッサは、
    上記第２性別が上記第１性別と一致するか否かを決定し、
    上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定し、
    上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出す、装置。
  3. 第２項において、
    上記１つ以上のプロセッサは、
    それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成し、
    上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別し、
    上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行い－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－、
    上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定し、上記Ｎは予め設定された定数である、装置。
  4. 第３項において、
    上記１つ以上のプロセッサは、
    上記学習演算で、上記少なくとも２つのｋ番目のフィルタの各々を左右又は上下に連結して上記組み合わせられたフィルタを生成する、装置。
  5. 第３項において、
    上記１つ以上のプロセッサは、
    上記学習演算で、上記複数の前処理イメージの各々の一部領域のピクセル値及び上記組み合わせられたフィルタのピクセル値の間の計算結果に基づいて、上記組み合わせられたフィルタが上記複数の前処理イメージでマッチングされる領域が存在するか否かを決定する、装置。
  6. 第１項において、
    上記１つ以上のプロセッサは、
    上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成し、
    上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域である、装置。
  7. 第１項において、
    上記１つ以上のプロセッサは、
    上記複数の第１歯イメージの各々を予め設定された少なくとも２つ以上の角度で回転させ、上記複数の第１歯イメージの個数より多くの個数の上記複数の前処理イメージの各々を生成する、装置。
  8. 第１項において、
    上記１つ以上のプロセッサは、
    上記複数の第１歯イメージの各々を予め設定された比率の範囲で拡大及び縮小して、上記複数の第１歯イメージの個数より多くの個数の上記複数の前処理イメージの各々を生成する、装置。
  9. 第１項において、
    上記１つ以上のメモリは、上記複数の第１歯イメージで予め設定された特徴を識別するための基準ピクセル値を指す情報を含み、
    上記１つ以上のプロセッサは、
    上記基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成し、
    上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別し、
    上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成する、装置。
  10. 第１項において、
    上記１つ以上のメモリは、上記複数の前処理イメージの各々が示す歯形状の基準傾き及び基準大きさを指す情報、及び予め設定された特徴を識別するための基準ピクセル値を指す情報を含み、
    上記１つ以上のプロセッサは、
    上記複数の第１歯イメージの各々が示す歯形状が上記基準傾きを有するように上記複数の第１歯イメージの各々を回転させ、
    上記回転した複数のイメージの各々が示す歯形状が上記基準大きさを有するように上記回転した複数のイメージの各々を拡大したり縮小し、
    上記拡大されたり縮小された複数のイメージの各々において、歯を示す領域以外の領域を除去し－上記歯を示す領域は、上記拡大されたり縮小された複数のイメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域である－、
    上記歯を示す領域以外の領域が除去された複数のイメージの各々において、上記基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタにマッチングされる領域を除去して、上記複数の前処理イメージの各々を生成する、装置。
  11. １つ以上のプロセッサ及び上記１つ以上のプロセッサによって実行されるための命令が格納された１つ以上のメモリを含むコンピュータで行われる方法において、上記１つ以上のプロセッサが、
    第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得する段階；
    上記複数の第１歯イメージの各々に前処理を行って、複数の前処理イメージの各々を生成する段階；
    上記複数の前処理イメージを用いて、歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出す段階；
    第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得する段階；及び
    上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出す段階を含む、方法。
  12. 第１１項において、
    上記第２骨年齢を導き出す段階は、
    上記第２性別が上記第１性別と一致するか否かを決定する段階；
    上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定する段階；及び
    上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出す段階を含む、方法。
  13. 第１２項において、
    上記判断フィルタを導き出す段階は、
    それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成する段階；
    上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別する段階； 上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行う段階－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－；及び
    上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定する段階を含み、
    上記Ｎは予め設定された定数である、方法。
  14. 第１１項において、
    上記複数の前処理イメージの各々を生成する段階は、
    上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成する段階を含み、
    上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域である、方法。
  15. 第１１項において、
    上記複数の前処理イメージの各々を生成する段階は、
    基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成する段階；
    上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別する段階；及び
    上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成する段階を含み、
    上記基準ピクセル値は、上記複数の第１歯イメージで予め設定された特徴を識別するためのピクセル値である、方法。
  16. １つ以上のプロセッサによる実行時に、上記１つ以上のプロセッサが動作を行うようにする命令を記録した非一時的コンピュータ読み出し可能記録媒体において、
    上記命令は、上記１つ以上のプロセッサが、
    第１性別に該当し、第１骨年齢を有する複数の歯の各々を撮影した複数の第１歯イメージを取得し、
    上記複数の第１歯イメージの各々に前処理を行って、複数の前処理イメージの各々を生成し、
    上記複数の前処理イメージを用いて歯の骨年齢を決定するためのニューラルネットワークモデルを学習させ、上記第１性別による人体が有する上記第１骨年齢の歯形態を決定する判断フィルタを導き出し、
    第２性別による人体の歯を撮影した第２歯イメージ及び上記第２性別を示す性別情報を取得し、
    上記判断フィルタに基づいて、上記第２歯イメージ及び上記性別情報から上記第２歯イメージに該当する歯の第２骨年齢を導き出すようにする、コンピュータ読み出し可能な記録媒体。
  17. 第１６項において、
    上記命令は、上記１つ以上のプロセッサが、
    上記第２性別が上記第１性別と一致するか否かを決定し、
    上記第２性別が上記第１性別と一致するという決定に従って、上記第２歯イメージのうち、上記判断フィルタにマッチングされる領域が存在するか否かを決定し、
    上記判断フィルタにマッチングされる領域が存在するという決定に従って、上記第１骨年齢を上記第２骨年齢として導き出すようにする、コンピュータ読み出し可能な記録媒体。
  18. 第１７項において、
    上記命令は、上記１つ以上のプロセッサが、
    それぞれ任意に設定されたピクセル値を有する２つ以上のピクセルを含む複数の初期フィルタを生成し、
    上記複数の初期フィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つの初期フィルタを選別し、
    上記少なくとも２つの初期フィルタを１番目（ｆｉｒｓｔ）のフィルタとして、学習演算をＮ回繰り返し行い－上記学習演算は、少なくとも２つのｋ番目（ｋ－ｔｈ）のフィルタを連結して組み合わせられたフィルタを生成し、上記組み合わせられたフィルタのうち、上記複数の前処理イメージでマッチングされる領域が存在する少なくとも２つのフィルタを選別してｋ＋１番目（（ｋ＋１）－ｔｈ）のフィルタに決定する演算である－、
    上記学習演算の繰り返し実行により決定された少なくとも２つのＮ＋１番目のフィルタのうちの１つを上記判断フィルタに決定するようにし、
    上記Ｎは予め設定された定数である、コンピュータ読み出し可能な記録媒体。
  19. 第１６項において、
    上記命令は、上記１つ以上のプロセッサが、
    上記複数の第１歯イメージの各々において歯を示す領域以外の領域を除去して、上記複数の前処理イメージの各々を生成するようにし、
    上記歯を示す領域は、上記複数の第１歯イメージの各々の下端の中央点を基準として予め設定された幅及び高さを有する領域である、コンピュータ読み出し可能な記録媒体。
  20. 第１６項において、
    上記命令は、上記１つ以上のプロセッサが、
    基準ピクセル値を有する１つ以上のピクセルを含む基準フィルタを生成し、
    上記複数の第１歯イメージの各々において上記基準フィルタにマッチングされる領域を識別し、
    上記複数の第１歯イメージの各々において上記識別された領域を除去して、上記複数の前処理イメージの各々を生成するようにし、
    上記基準ピクセル値は、上記複数の第１歯イメージで予め設定された特徴を識別するためのピクセル値である、コンピュータ読み出し可能な記録媒体。
JP2021541242A 2019-03-25 2019-03-25 歯の骨年齢を決定するための装置、方法及び命令を記録した記録媒体 Active JP7202739B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/003422 WO2020196939A1 (ko) 2019-03-25 2019-03-25 치아의 골 연령을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체

Publications (2)

Publication Number Publication Date
JP2022521136A true JP2022521136A (ja) 2022-04-06
JP7202739B2 JP7202739B2 (ja) 2023-01-12

Family

ID=72611610

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021541242A Active JP7202739B2 (ja) 2019-03-25 2019-03-25 歯の骨年齢を決定するための装置、方法及び命令を記録した記録媒体

Country Status (5)

Country Link
US (1) US11961235B2 (ja)
EP (1) EP3967235A4 (ja)
JP (1) JP7202739B2 (ja)
CN (1) CN113573642A (ja)
WO (1) WO2020196939A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7414210B2 (ja) 2021-10-08 2024-01-16 朝日レントゲン工業株式会社 歯牙年齢算定装置及び歯牙年齢算定プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11707344B2 (en) * 2019-03-29 2023-07-25 Align Technology, Inc. Segmentation quality assessment

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006527882A (ja) * 2003-06-17 2006-12-07 三菱電機株式会社 画像内の特定のオブジェクトを検出する方法及びシステム
US20090129639A1 (en) * 2006-08-11 2009-05-21 Visionary Technologies Inc. System and method for object identification and anomaly detection
JP2013541085A (ja) * 2010-09-08 2013-11-07 インスティチュート テレコム−テレコム パリステック オブジェクトにスコアを提供する方法及び意思決定支援システム
US20130308843A1 (en) * 2011-02-10 2013-11-21 Straumann Holding Ag Method and analysis system for the geometrical analysis of scan data from oral structures
JP2014509908A (ja) * 2011-03-21 2014-04-24 ケアストリーム ヘルス インク 歯の表面の分類のための方法
US20160124920A1 (en) * 2014-10-31 2016-05-05 Douglas A. Golay Combination web browser based dental practice management software system with embedded web browser based dental imaging software
JP2016067532A (ja) * 2014-09-29 2016-05-09 メディア株式会社 歯科画像処理装置
WO2016194996A1 (ja) * 2015-06-05 2016-12-08 日本電信電話株式会社 ユーザ推定装置、ユーザ推定方法、および、ユーザ推定プログラム
KR20170135572A (ko) * 2016-05-31 2017-12-08 (주)이너웨이브 딥러닝 알고리즘을 이용한 구강 건강 관리 시스템 및 방법
WO2018057714A1 (en) * 2016-09-21 2018-03-29 The General Hospital Corporation Systems, methods and media for automatically generating a bone age assessment from a radiograph
WO2018127949A1 (ja) * 2017-01-05 2018-07-12 佳知 高石 骨質評価装置，方法およびプログラムならびに骨折リスク評価装置，方法およびプログラム
KR20190023003A (ko) * 2017-08-25 2019-03-07 남정림 영상 처리 및 기계 학습에 기초한 뼈 나이 판독 장치 및 방법

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6350120B1 (en) * 1999-11-30 2002-02-26 Orametrix, Inc. Method and apparatus for designing an orthodontic apparatus to provide tooth movement
US7987099B2 (en) * 2004-02-27 2011-07-26 Align Technology, Inc. Dental data mining
US20080172386A1 (en) * 2007-01-17 2008-07-17 Ammar Hany H Automated dental identification system
US20140227655A1 (en) * 2013-02-12 2014-08-14 Ormco Corporation Integration of model data, surface data, and volumetric data
US10242293B2 (en) * 2015-08-04 2019-03-26 The Asan Foundation Method and program for computing bone age by deep neural network
WO2017222489A1 (en) * 2016-06-21 2017-12-28 Goncu Serap Determination of cattle age with photography
KR101779800B1 (ko) 2016-09-27 2017-09-19 이재준 기계학습 기반 다면적 성장 평가 방법 및 시스템
CN110998602B (zh) * 2017-06-30 2023-12-01 普罗马顿控股有限责任公司 使用深度学习方法对3d牙颌面结构的分类和3d建模
FR3069360B1 (fr) * 2017-07-21 2022-11-04 Dental Monitoring Procede d'analyse d'une image d'une arcade dentaire
FR3069359B1 (fr) * 2017-07-21 2019-08-23 Dental Monitoring Procede d'analyse d'une image d'une arcade dentaire
CN107591200B (zh) * 2017-08-25 2020-08-14 卫宁健康科技集团股份有限公司 基于深度学习及影像组学的骨龄标记识别评估方法及系统
CN107767376B (zh) 2017-11-02 2021-03-26 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
EP3503038A1 (en) * 2017-12-22 2019-06-26 Promaton Holding B.V. Automated 3d root shape prediction using deep learning methods
EP3591616A1 (en) * 2018-07-03 2020-01-08 Promaton Holding B.V. Automated determination of a canonical pose of a 3d dental structure and superimposition of 3d dental structures using deep learning
EP3620130A1 (en) * 2018-09-04 2020-03-11 Promaton Holding B.V. Automated orthodontic treatment planning using deep learning
CN109363786B (zh) * 2018-11-06 2021-03-05 上海牙典软件科技有限公司 一种牙齿正畸矫治数据获取方法及装置
KR102128997B1 (ko) 2019-03-25 2020-07-02 본와이즈 주식회사 치아의 골 연령을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006527882A (ja) * 2003-06-17 2006-12-07 三菱電機株式会社 画像内の特定のオブジェクトを検出する方法及びシステム
US20090129639A1 (en) * 2006-08-11 2009-05-21 Visionary Technologies Inc. System and method for object identification and anomaly detection
JP2013541085A (ja) * 2010-09-08 2013-11-07 インスティチュート テレコム−テレコム パリステック オブジェクトにスコアを提供する方法及び意思決定支援システム
US20130308843A1 (en) * 2011-02-10 2013-11-21 Straumann Holding Ag Method and analysis system for the geometrical analysis of scan data from oral structures
JP2014509908A (ja) * 2011-03-21 2014-04-24 ケアストリーム ヘルス インク 歯の表面の分類のための方法
JP2016067532A (ja) * 2014-09-29 2016-05-09 メディア株式会社 歯科画像処理装置
US20160124920A1 (en) * 2014-10-31 2016-05-05 Douglas A. Golay Combination web browser based dental practice management software system with embedded web browser based dental imaging software
WO2016194996A1 (ja) * 2015-06-05 2016-12-08 日本電信電話株式会社 ユーザ推定装置、ユーザ推定方法、および、ユーザ推定プログラム
KR20170135572A (ko) * 2016-05-31 2017-12-08 (주)이너웨이브 딥러닝 알고리즘을 이용한 구강 건강 관리 시스템 및 방법
WO2018057714A1 (en) * 2016-09-21 2018-03-29 The General Hospital Corporation Systems, methods and media for automatically generating a bone age assessment from a radiograph
WO2018127949A1 (ja) * 2017-01-05 2018-07-12 佳知 高石 骨質評価装置，方法およびプログラムならびに骨折リスク評価装置，方法およびプログラム
KR20190023003A (ko) * 2017-08-25 2019-03-07 남정림 영상 처리 및 기계 학습에 기초한 뼈 나이 판독 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CULAR, LUKA ET AL.: "Dental age estimation from panoramic X-ray images using statistical models", PROCEEDINGS OF THE 10TH INTERNATIONAL SYMPOSIUM ON IMAGE AND SIGNAL PROCESSING AND ANALYSIS, JPN7022005601, 2017, pages 25 - 30, XP033228591, ISSN: 0004939294, DOI: 10.1109/ISPA.2017.8073563 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7414210B2 (ja) 2021-10-08 2024-01-16 朝日レントゲン工業株式会社 歯牙年齢算定装置及び歯牙年齢算定プログラム

Also Published As

Publication number Publication date
EP3967235A1 (en) 2022-03-16
EP3967235A4 (en) 2022-11-30
CN113573642A (zh) 2021-10-29
JP7202739B2 (ja) 2023-01-12
WO2020196939A1 (ko) 2020-10-01
US20220084205A1 (en) 2022-03-17
US11961235B2 (en) 2024-04-16

Similar Documents

Publication Publication Date Title
US20220218449A1 (en) Dental cad automation using deep learning
KR101839789B1 (ko) 치과 영상의 판독 데이터 생성 시스템
KR20130136519A (ko) 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램
KR102128997B1 (ko) 치아의 골 연령을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체
KR102289610B1 (ko) 치아 부가정보 제공 방법 및 그 장치
JP2022521136A (ja) 歯の骨年齢を決定するための装置、方法及び命令を記録した記録媒体
Zhang et al. Learning-based coronal spine alignment prediction using smartphone-acquired scoliosis radiograph images
JP2017524404A (ja) 画像をセグメント化するためのパラメータの最適化
US20220378548A1 (en) Method for generating a dental image
KR102346199B1 (ko) 파노라믹 영상 생성 방법 및 이를 위한 영상 처리장치
WO2023216720A1 (zh) 图像重建模型的训练方法、装置、设备、介质及程序产品
CN108765413B (zh) 用于图像分类的方法、装置及计算机可读介质
CN108257202B (zh) 一种基于使用场景的医学图像容积重建优化方法
KR20210015834A (ko) 진단 지원 시스템, 진단 지원 방법 및 진단 지원 프로그램
CN115937153A (zh) 模型训练方法、装置、电子设备及计算机存储介质
CN114359296A (zh) 基于深度学习的图像元素及下牙槽神经分割方法与装置
KR102200060B1 (ko) 치아의 정밀 진단 모듈로의 간편한 이동 방법 및 그 장치
JP7275961B2 (ja) 教師画像生成プログラム、教師画像生成方法、および教師画像生成システム
CN112638238A (zh) 骨龄评估装置、方法以及用于记录程序的记录介质
US20240023812A1 (en) Photographing system that enables efficient medical examination, photographing control method, and storage medium
KR102596666B1 (ko) 의료 영상 기반 통합 의료 서비스 제공 시스템 및 방법
US20220036105A1 (en) Identification Process of a Dental Implant Visible on an Input Image by Means of at Least One Convolutional Neural Network
US20240070810A1 (en) Image processing apparatus, operation method of image processing apparatus, and endoscope system
US20240122463A1 (en) Image quality assessment and multi mode dynamic camera for dental images
WO2023279201A1 (en) System and method for determining an orthodontic occlusion class

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210716

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210716

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220318

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220706

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220719

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221019

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221219

R150 Certificate of patent or registration of utility model

Ref document number: 7202739

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150