KR102640126B1 - 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법 - Google Patents

인공지능 학습을 통한 악궁 라인 추론 장치 및 방법 Download PDF

Info

Publication number
KR102640126B1
KR102640126B1 KR1020210164176A KR20210164176A KR102640126B1 KR 102640126 B1 KR102640126 B1 KR 102640126B1 KR 1020210164176 A KR1020210164176 A KR 1020210164176A KR 20210164176 A KR20210164176 A KR 20210164176A KR 102640126 B1 KR102640126 B1 KR 102640126B1
Authority
KR
South Korea
Prior art keywords
arch line
data
oral
arch
inference
Prior art date
Application number
KR1020210164176A
Other languages
English (en)
Other versions
KR20230022777A (ko
Inventor
조현빈
황보석
이세희
Original Assignee
주식회사 덴티움
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 주식회사 덴티움 filed Critical 주식회사 덴티움
Publication of KR20230022777A publication Critical patent/KR20230022777A/ko
Application granted granted Critical
Publication of KR102640126B1 publication Critical patent/KR102640126B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/51—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for dentistry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis 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
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 학습용 구강 CT 데이터를 수집하기 위한 학습용 CT 데이터 수집부; 추론용 구강 CT 데이터를 수집하기 위한 추론용 CT 데이터 수집부; 상기 학습용 구강 CT 데이터에 대한 기준 악궁 라인을 생성하기 위한 기준 악궁 라인 생성부; 상기 기준 악궁 라인을 기설정된 범위로 후선화(Dilation)시킨 후선화 악궁 라인을 생성하기 위한 기준 악궁 라인 후선화부; 및 상기 학습용 구강 CT 데이터 및 상기 후선화 악궁 라인과 매칭 시킨 악궁 라인 추론 테이블 정보를 생성하고, 상기 추론용 구강 CT 데이터가 수신되는 경우, 상기 악궁 라인 추론 테이블 정보와 비교하여 이에 대응되는 추론 악궁 라인을 산출하는 제어부;를 포함하는, 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법에 관한 것이다.

Description

인공지능 학습을 통한 악궁 라인 추론 장치 및 방법{DENTAL ARCH LINE INFERENCE DEVICE AND METHOD THROUGH ARTIFICIAL INTELLIGENCE LEARNING}
본 발명은 구강 CT 이미지를 통해 환자의 치아 악궁 라인을 자동으로 추론할 수 있는 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법에 관한 것이다.
치아는 구강 내부로 인입되는 음식물을 절단하여 1차적인 소화 기능을 실시하는 기관이다. 인간은 유치(Milk Tooth)와 영구치(Permanent Tooth)로 치아가 변형이 이루어지며 유치의 탈락 후 영구치가 생성되면 영구치의 손상이 발생되더라도 더 이상 새로운 치아가 생성되지 않는다. 따라서, 영유아를 제외한 모든 나이대의 인간들은 추가적인 치아 형성이 이루어지지 않음에 따라 영구치에 대한 관리가 중요한 것이다.
하지만, 사용자의 관리 부족, 사고에 의한 손상, 치아 형성 과정 중 발생된 배열 문제 등의 다양한 사유에 의해 영구치에 대한 교정 등의 치과 치료가 요구되는 상황이 자주 발생되는 것이 현실이다.
이와 같은 상황 발생 시 치과에서는 환자의 치료를 위해 악궁 커브 라인(Dental Arch Curve Line: 이하 '악궁 라인' 이라 함)을 생성하여 이에 대응되는 치아 시술을 실시한다.
이러한 악궁 라인 생성을 위해 기존에는 환자 구강 CT(Computed Tomography) 슬라이스에 대하여 관리자가 직접 기준점들을 입력하고, 입력된 기준점을 소프트웨어가 곡선으로 이음으로써 '커브'가 생성되었다. 즉, 기존 악궁 라인 생성 방식은 관리자의 수동적인 주석 처리를 통해 이루어지는 것이 일반적이었다.
하지만, 이러한 주석 처리 방식은 관리자의 직접적인 입력이 요구되는 작업임에 따라 관리자의 숙련도에 따라 산출되는 악궁 라인의 품질에서 차이가 발생되고, 입력 실수에 따른 문제점 역시 상존했다.
이와 같은 문제점을 해소하기 위한 방안으로 소프트웨어적인 방식을 통해 자동으로 악궁 라인을 산출하기 위한 노력이 이루어지고 있다. 다시 말해, 구강 CT 데이터를 이미지 처리하여 악궁 라인을 자동으로 산출하는 기술에 대한 연구들이 다수 이루어지고 있는 것이다.
그러나, 이와 같은 악궁 라인 자동 산출 방법은 입력된 구강 CT 데이터에 대하여 이미지 분석을 통해 설정된 라인을 자동으로 생성하는 방법임에 따라, 다양한 환자의 구강 상태 및 CT 데이터 상태 등에 따라 불명확 악궁 라인이 산출되는 문제점이 여전히 존재한다.
도 1은 상술한 기존 악궁 라인 자동 산출 방법에서 발생되는 문제점들을 상황 별로 제시한 것이다.
먼저, Case1의 경우 CT 영상 데이터에 보형물이나 보철물같은 금속물질이 존재하는 경우, 흰색-검은색 줄무늬(Streaking)의 Metal Artifact로 표현되어 금속과 인접한 부위의 영상이 왜곡됨으로써 프로그램이 이를 잘못 인식하여 불명확한 악궁 라인(AL)이 도출된다.
Case2의 경우 무치악(Edentulous Jaw) 상태로 프로그램이 인식해야할 치아가 존재하지 않아 역시 불명확한 악궁 라인(AL)이 도출된다.
Case3의 경우 구강 CT 데이터의 일부만이 존재하는 상태로 프로그램은 실제 입력된 이미지 자체만을 통해 분석함에 따라 전체 악궁 라인(AL)을 산출할 수 없다.
Case4의 경우 치아가 일부만 존재하는 상태로 프로그램은 비어있는 치아 부분을 인식하지 못하여 불명확한 악궁 라인(AL)이 도출된다.
이렇게 도 1에서와 같이 기존 악궁 라인 자동 산출 방법에서는 입력된 정보만 대상으로 일차적인 분석을 실시함에 따라, 입력 데이터의 상태에 따라 산출되는 악궁 라인(AL)의 신뢰성이 저하되는 문제점이 여전히 존재하였다.
본 발명은 상술한 문제점을 해소하기 위한 것으로 인공지능 학습을 통해 다양한 구강 CT 데이터에 능동적으로 대처하여 보다 신뢰도 높은 악궁 라인을 자동을 산출할 수 있는 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법을 제공하는 것을 그 목적으로 한다.
상술한 목적을 실현하기 위한 본 발명의 일 실시예에 따른 인공지능 학습을 통한 악궁 라인 추론 장치는, 학습용 구강 CT 데이터를 수집하기 위한 학습용 CT 데이터 수집부; 추론용 구강 CT 데이터를 수집하기 위한 추론용 CT 데이터 수집부; 상기 학습용 구강 CT 데이터에 대한 기준 악궁 라인을 생성하기 위한 기준 악궁 라인 생성부; 상기 기준 악궁 라인을 기설정된 범위로 후선화(Dilation)시킨 후선화 악궁 라인을 생성하기 위한 기준 악궁 라인 후선화부; 및 상기 학습용 구강 CT 데이터 및 상기 후선화 악궁 라인과 매칭 시킨 악궁 라인 추론 테이블 정보를 생성하고, 상기 추론용 구강 CT 데이터가 수신되는 경우, 상기 악궁 라인 추론 테이블 정보와 비교하여 이에 대응되는 추론 악궁 라인을 산출하는 제어부;를 포함할 수 있다.
여기서, 상기 제어부는, 상기 추론용 구강 CT 데이터를 상기 학습용 구강 CT 데이터와 비교하여 대응되는 상기 후선화 악궁 라인을 산출할 수 있다.
여기서, 상기 후선화 악궁 라인을 기설정된 범위로 세선화시킨 세선화 악궁 라인을 생성하는 악궁 라인 세선화부를 더 포함하고, 상기 제어부는, 산출된 상기 후선화 악궁 라인이 상기 세선화 악궁 라인으로 변환되는 경우, 이를 상기 추론 악궁 라인으로 판단할 수 있다.
여기서, 상기 악궁 라인 세선화부는, 상기 후선화 악궁 라인이 제1 후선화 악궁 라인 및 상기 제1 후선화 악궁 라인보다 작은 영역을 갖는 제2 후선화 악궁 라인을 포함하는 경우, 상기 제2 후선화 악궁 라인을 삭제하고 상기 제1 후선화 악궁 라인을 대상으로 세선화를 실시할 수 있다.
여기서, 상기 학습용 구강 CT 데이터는, 상기 기준 악궁 라인의 대상 CT 데이터인 메인 슬라이스; 및 상기 메인 슬라이스와 인접한 구강 위치를 갖는 CT 데이터인 복수의 보조 슬라이스;를 포함할 수 있다.
여기서, 상기 복수의 보조 슬라이스는, 상기 메인 슬라이스를 중심으로 구강 내에서 상부 1mm에서 하부 9mm 범위에 포함되는 슬라이스 포함할 수 있다.
여기서, 상기 제어부는, 상기 메인 슬라이스 및 상기 복수의 보조 슬라이스를 동일한 상기 후선화 악궁 라인이 매칭되도록 상기 악궁 라인 추론 테이블정보를 생성할 수 있다.
여기서, 상기 학습용 구강 CT 데이터 및 상기 추론용 구강 CT 데이터 중 적어도 어느 하나를 기설정된 통합 형식으로 변환시키는 표준 데이터 변환부를 더 포함할 수 있다.
상술한 목적을 실현하기 위한 본 발명의 다른 실시예에 따른 인공지능 학습을 통한 악궁 라인 추론 방법은, 학습용 CT 데이터 수집부를 통해 학습용 구강 CT 데이터를 수집하는 단계; 기준 악궁 라인 생성부를 통해 상기 학습용 구강 CT 데이터에 대한 기준 악궁 라인을 생성하는 단계; 기준 악궁 라인 후선화부를 통해 기준 악궁 라인을 기설정된 범위로 후선화(Dilation)시킨 후선화 악궁 라인을 생성하는 단계; 제어부를 통해 학습용 구강 CT 데이터와 후선화 악궁 라인을 매칭 시킨 악궁 라인 추론 테이블 정보를 생성하는 단계; 추론용 CT 데이터 수집부를 통해 추론용 구강 CT 데이터를 수집하는 단계; 및 상기 제어부가 상기 추론용 구강 CT 데이터를 상기 악궁 라인 추론 테이블 정보와 비교하여 이에 대응되는 추론 악궁 라인을 산출하는 단계;를 포함할 수 있다.
여기서, 상기 제어부를 통해 학습용 구강 CT 데이터와 후선화 악궁 라인을 매칭 시킨 악궁 라인 추론 테이블 정보를 생성하는 단계는, 상기 기준 악궁 라인의 대상 CT 데이터인 메인 슬라이스와, 상기 메인 슬라이스에 인접한 구강 위치를 갖는 CT 데이터인 복수의 보조 슬라이스를 동일한 상기 후선화 악궁 라인에 매칭시키는 단계를 포함할 수 있다.
여기서, 상기 제어부가 상기 추론용 구강 CT 데이터를 상기 악궁 라인 추론 테이블 정보와 비교하여 이에 대응되는 추론 악궁 라인을 산출하는 단계는, 상기 제어부가 상기 추론용 구강 CT 데이터에 대응되는 상기 후선화 악궁 라인을 산출하는 단계; 악궁 라인 세선화부를 통해 상기 후선화 악궁 라인은 기설정된 범위로 세선화한 세선화 악궁 라인으로 변환시키는 단계; 및 상기 제어부가 상기 세선화 악궁 라인을 상기 추론 악궁 라인으로 판단하는 단계;를 포함할 수 있다.
여기서, 상기 악궁 라인 세선화부를 통해 상기 후선화 악궁 라인은 기설정된 범위로 세선화한 세선화 악궁 라인으로 변환시키는 단계는, 상기 후선화 악궁 라인이 제1 후선화 악궁 라인 및 상기 제1 후선화 악궁 라인보다 작은 영역을 갖는 제2 후선화 악궁 라인을 포함하는 경우, 상기 제2 후선화 악궁 라인을 삭제하고 상기 제1 후선화 악궁 라인을 세선화 대상으로 설정하는 단계를 포함할 수 있다.
여기서, 표준 데이터 변환부를 통해 상기 학습용 구강 CT 데이터 및 상기 추론용 구강 CT 데이터 중 적어도 어느 하나를 기설정된 통합 형식으로 변환시키는 단계를 더 포함 할 수 있다.
상술한 구성을 갖는 본 발명의 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법에 의하면 다양한 구강 CT 데이터에 의한 학습을 통해 추론되는 악궁 라인 신뢰도를 보다 향상시킬 수 있다.
또한, 인공지능 학습 시 기준 악궁 라인보다 더 두껍게 후선화된 악궁 라인을 구강 CT 데이터와 매칭시킴에 따라 저품질 영상 및 일부가 삭제된 영상에 대해서도 악궁 라인 추론이 가능해진다.
또한, 단일 구강에 대한 복수의 슬라이스를 매칭 대상 영상으로 설정함에 따라 학습 정확도를 보다 향상시킬 수 있다.
도 1은 기존 악궁 라인 자동 산출 방법에 따른 문제점을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 학습을 통한 악궁 라인 추론 장치(100)의 구성을 설명하기 위한 블록도이다.
도 3은 메인 슬라이스(MS) 및 보조 슬라이스(SS)의 위치 관계를 설명하기 위한 도면이다.
도 4은 도 2 장치를 통해 생성되는 악궁 라인 추론 테이블 정보를 설명하기 위한 도면이다.
도 5 및 도 6은 본 발명의 다른 실시예에 따른 인공지능 학습을 통한 악궁 라인 추론 방법을 순차적으로 설명하기 위한 흐름도이다.
도 7은 도 6의 악궁 라인 세선화 방법을 설명하기 위한 흐름도이다.
도 8은 도 7의 악궁 라인 세선화 방법의 일 실시예를 설명하기 위한 도면이다.
도 9 내지 도 11은 본 발명에 따른 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법의 실험 결과를 설명하기 위한 도면이다.
이하, 본 발명의 바람직한 실시예에 따른 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법에 대하여 도면을 참조하여 상세히 설명한다. 본 명세서에서는 서로 다른 실시예라도 동일·유사한 구성에 대해서는 동일·유사한 참조번호를 부여하고, 그 설명은 처음 설명으로 갈음한다.
도 2는 본 발명의 일 실시예에 따른 인공지능 학습을 통한 악궁 라인 추론 장치(100)의 구성을 설명하기 위한 블록도이고, 도 3은 메인 슬라이스(MS) 및 보조 슬라이스(SS)의 위치 관계를 설명하기 위한 도면이고, 도 4는 도 2 장치를 통해 생성되는 악궁 라인 추론 테이블 정보를 설명하기 위한 도면이다.
도시된 바와 같이, 본 발명에 따른 인공지능 학습을 통한 악궁 라인 추론 장치(100)(이하, '악궁 라인 추론 장치'라고 함)는 다수의 학습용 구강 CT 데이터를 기반으로 이에 대응되는 후선화 악궁 라인을 매칭 시키도록 인공지능 학습을 실시하고, 이를 기초로 추론용 구강 CT 데이터가 입력되는 경우 상술한 학습 과정 결과를 참고하여 대응되는 추론 악궁 라인을 자동으로 산출하는 것을 특징으로 한다.
이를 위해 악궁 라인 추론 장치(100)는 학습용 CT 데이터 수집부(110), 추론용 CT 데이터 수집부(120), 표준 데이터 변환부(130), 기준 악궁 라인 생성부(140), 기준 악궁 라인 후선화부(150), 악궁 라인 세선화부(160) 및 제어부(170)를 포함할 수 있다.
학습용 CT 데이터 수집부(110)는, 학습용 구강 CT 데이터를 수집하기 위한 수단으로 환자의 구강에 대하여 Cone-beam CT 촬영을 실시하여 생성되는 CT 데이터인 슬라이스들을 수집할 수 있다. 또한, 학습용 구강 CT 데이터는 일반 환자들의 구강을 촬영하여 수집되는 CT 데이터일 수 있으나, 도시하지 않은 통신부를 통해 외부 단말기(서버, PC)로부터 전송되는 CT 데이터일 수 있다.
이때, 슬라이스는 단일 슬라이스로 구성될 수 있으나 본 실시예에서는 메인 슬라이스(MS)와 보조 슬라이스(SS)를 포함할 수 있다.
도 3에 도시된 바와 같이 메인 슬라이스(MS)는 기준 악궁 라인의 대상 CT 데이터일 수 있으며, 보조 슬라이스(SS)는 메인 슬라이스(MS)와 인접한 구강 위치를 갖는 복수의 슬라이스일 수 있다. 이때, 메인 슬라이스(MS)는 하악골 앞니(FDI 표기법: 31, 41번 치아)의 상부 위치의 슬라이스일 수 있다.
또한, 보조 슬라이스(SS)는 메인 슬라이스(MS)를 중심으로 구강 내 특정 범위, 예컨대 메인 슬라이스(MS)를 기준으로 상부 1mm에서 하부 9mm 범위의 슬라이스를 포함할 수 있다. 이는, 하악골 치아 크라운의 평균 길이(약 9mm)를 기준으로 하부 범위를 설정했으며 상부 범위 1mm는 오차범위로 설정할 수 있다.
추론용 CT 데이터 수집부(120)는, 치료 대상인 추론 대상 환자의 추론용 구강 CT 데이터를 수집하기 위한 수단이다. 전체 동작 및 구성은 상술한 학습용 CT 데이터 수집부(110)와 동일할 수 있으며 나아가 학습용 CT 데이터 수집부(110)와 추론용 CT 데이터 수집부(120)는 하나의 구성으로 통합되고 서로 수집하는 데이터의 종류만 다르게 할 수 있다.
표준 데이터 변환부(130)는, 학습용 구강 CT 데이터 및 추론용 구강 CT 데이터 중 적어도 어느 하나를 기설정된 통합 형식으로 변환하기 위한 수단이다.
CT 촬영 또는 외부 단말기를 통해 수집되는 CT 데이터들은 다양한 형식을 가질 수 있음에 따라 각 데이터의 변량(Variance)을 최소화시키는 것이 요구된다. 따라서, 표준 데이터 변환부(130)는 이미지 정규화(Normalize)작업을 ImageNET dataset의 Pixel값의 평균과 표준편차를 기준으로 수행할 수 있다. 또한, 표준 데이터 변환부(130)는 인공지능 학습 이전에 모든 슬라이스 영상 크기를 동일하게 변경시킬 수 있다. 이에 따라, 서로 다른 형식의 CT 데이터가 수집되더라도 인공지능 학습 과정에서는 동일한 형식의 CT 데이터가 제공됨에 따라 데이터 형식 차이에 따른 오차 발생을 저감시킬 수 있다.
기준 악궁 라인 생성부(140)는, 인공지능 학습의 1차 기준값인 기준 악궁 라인을 생성하기 위한 수단이다. 기준 악궁 라인은 학습용 구강 CT 데이터에 대해 복수의 기준점을 설정하고 해당 기준점을 연결한 곡선인 기준 악궁 라인을 생성할 수 있다. 해당 기준 악궁 라인은 본 실시예에서는 관리자가 학습용 구강 CT 데이터에 대하여 복수의 기준점을 입력하고 프로그램 설정에 따라 자동으로 각 기준점들을 연결하는 작업이 이루어질 수 있다. 본 발명은 이러한 수동적으로 주석을 실시하여 기준 악궁 라인을 생성하는 방식에 한정된 것은 아니며, 학습용 구강 CT 데이터의 이미지 정보를 분석하여 기준 악궁 라인을 자동을 생성할 수도 있다.
기준 악궁 라인 후선화부(150)는, 기준 악궁 라인을 기설정된 범위로 후선화(Dilation)시킨 후선화 악궁 라인을 생성하기 위한 수단이다. 구체적으로 후선화 악궁 라인은 기준 악궁 라인을 설정된 범위로 더 두껍게 형성되는 라인이다. 예컨대, 기준 악궁 라인은 주석 작업을 통해 1mm 두께의 라인으로 형성되었다면, 후선화 악궁 라인은 후선화 설정 두께가 기준 라인 대비 10배인 경우 기준 악궁 라인의 두께가 10mm로 확장된 라인일 수 있다. 후선화 두께는 상황 및 공정에 따라 설정될 수 있다.
이는, 기존 얇은 두께를 갖는 기준 악궁 라인으로 학습용 구강 CT 데이터를 비교하는 경우, 치아가 일부 소실된 CT 데이터, 무치악, 부분 CT 데이터, Metal artifact 등에서 발생되는 비교 인식 오류를 방지와 인공지능 학습 과정에서 발생되는 Class Imbalance 문제(주석된 영역이 전체 영상영역에 비해 작아서 생기는 문제)를 해소하기 위한 학습 능력을 부여하기 위한 것이다. 이를 통한 비교 효과는 도 10에서 후술하도록 한다.
악궁 라인 세선화부(160)는, 후선화 악궁 라인을 기설정된 범위로 세선화(Skeletonization)시킨 세선화 악궁 라인을 생성하기 위한 수단이다. 추론용 구강 CT 데이터와 이에 대응되는 후선화 악궁 라인이 산출되면, 해당 후선화 악궁 라인을 세선화시켜 이를 추론 악궁 라인으로 제시할 필요가 있다. 본 실시예에서는 후선화 악궁 라인에 대하여 Lee의 Skeletonization 알고리즘(Building Skeleton Models via 3-D Medial Surface Axis Thinning Algorithms. 2002.05.25 Lee T.C)을 적용하여 세선화를 실시할 수 있다. 세선화 방식은 한정된 것은 아니며 상황 및 공정에 따라 기존 알고리즘 또는 신규 알고리즘이 적용될 수 있다.
제어부(170)는, 먼저 학습용 구강 CT 데이터 및 후선화 악궁 라인을 매칭시켜 악궁 라인 추론 테이블 정보를 생성할 수 있다. 악궁 라인 추론 테이블은 도 4에서처럼 학습용 구강 CT 데이터, 기준 악궁 라인 및 후선화 악궁 라인이 서로 매칭된 테이블 정보일 수 있다. 즉, 인공지능 학습은 학습용 구강 CT 데이터 및 이에 대응되는 후선화 악궁 라인을 기초로 학습이 이루어질 수 있다.
학습용 구강 CT 데이터01이 기준 악궁 라인 생성부(140)를 통해 주석 작업이 실시된 기준 악궁 라인01을 생성할 수 있다. 이 후, 기준 악궁 라인01을 기초로 기준 악궁 라인 후선화부(150)를 통해 후선화 악궁 라인01을 생성할 수 있다. 따라서, 학습용 구강 CT 데이터01은 기준 악궁 라인01 및 후선화 악궁 라인01과 각각 매칭되도록 학습될 수 있다.
따라서, 제어부(170)는 추론용 구강 CT 데이터가 수신되는 경우, 악궁 라인 추론 테이블 정보와 추론용 구강 CT 데이터 정보를 수신하여 이에 대응되는 추론 악궁 라인을 산출할 수 있다.
예컨대, 추론용 구강 CT 데이터가 수신되면 제어부(170)는 이를 학습용 구강 CT 데이터와 비교하고, 비교 결과 학습용 구강 CT 데이터01과 대응되는 경우 이에 매칭되는 후선화 악궁 라인01을 산출할 수 있다. 이 후 후선화 악궁 라인01이 악궁 라인 세선화부(160)를 통해 세선화 악궁 라인으로 변환되면 제어부(170)는 이를 추론 악궁 라인으로 판단할 수 있다. 다시 말해, 제어부(170)는 추론 대상 환자의 추론용 구강 CT 데이터가 입력되면 인공지능 학습으로 생성된 악궁 라인 추론 테이블 정보를 참고하여 대응되는 후선화 악궁 라인 및 이를 세선화한 세선화 악궁 라인을 도출하며 이를 해당 환자의 추론 악궁 라인으로 제공할 수 있다.
여기서, 학습용 구강 CT 데이터는, 복수의 슬라이스로 구성될 수 있으며 구체적으로 기준 악궁 라인의 대상 CT 데이터인 메인 슬라이스(MS), 메인 슬라이스(MS)와 인접한 구강 위치를 갖는 CT 데이터인 복수의 보조 슬라이스(SS)를 포함할 수 있다. 이를 통해 단일 후선화 악궁 라인에 매칭되는 슬라이스는 메인 슬라이스(MS)뿐 아니라 메인 슬라이스(MS)와 인접한 거리를 갖는 복수의 보조 슬라이스(SS)들이 포함될 수 있다.
이에 따라, 추론용 구강 CT 데이터가 입력되는 경우, 제어부(170)는 메인 슬라이스(MS)뿐 아니라 복수의 보조 슬라이스(SS)들을 서로 매칭시키고, 매칭되는 경우 이에 관련된 후선화 악궁 라인을 산출할 수 있는 것이다. 예컨대, 추론용 구강 CT 데이터의 매칭 결과 보조슬라이스2-20과 매칭되는 경우 메인 슬라이스02와 매칭되지 않았으나 이들을 포괄적으로 포함하는 후선화 악궁 라인02를 산출할 수 있는 것이다.
이와 같은 인공지능 학습을 통한 악궁 라인 추론 장치(100)에 의하면 학습용 구강 CT 데이터와 기준 악궁 라인을 후선화시킨 후선화 악궁 라인을 통해 구강 CT 및 대응되는 악궁 라인의 인공지능 학습을 실시함으로써, 다양한 CT 형상 및 데이터 상황에 대하여 안정적으로 추론 악궁 라인을 도출할 수 있다.
이상은, 인공지능 학습을 통한 악궁 라인 추론 장치(100)의 구성에 대하여 설명하였다. 도 5 내지 도 8에서는 인공지능 학습을 통한 악궁 라인 추론 방법에 대하여 순차적으로 설명하도록 한다.
도 5 및 도 6은 본 발명의 다른 실시예에 따른 인공지능 학습을 통한 악궁 라인 추론 방법을 순차적으로 설명하기 위한 흐름도이고, 도 7은 도 6의 악궁 라인 세선화 방법을 설명하기 위한 흐름도이고, 도 8은 도 7의 악궁 라인 세선화 방법의 일 실시예를 설명하기 위한 도면이다.
먼저, 인공지능 학습을 통한 악궁 라인 추론 방법의 전반적인 프로세스는 도 5에 도시된 바와 같다.
최초 인공지능 학습을 위한 전처리 과정을 가질 수 있다. 학습용 구강 CT 데이터가 수집하여(S11) 이에 대한 기준 악궁 라인을 후선화하는 전처리 과정(S12)을 거쳐 인공지능 학습을 실시할 수 있다(S13).
이는, 다양한 CT 데이터에 관하여 이에 대응되는 후선화 악궁 라인을 매칭시키는 학습 과정을 반복하는 과정으로 그 결과물로 악궁 라인 추론 테이블 정보가 생성될 수 있다.
이 후 추론용 구강 CT 데이터가 수집되면(S14), 이를 악궁 라인 추론 테이블 정보와 비교하여 대응되는 후선화 악궁 라인을 산출한 뒤(S15) 설정된 방식에 따라 세선화를 실시하여 추론 악궁 라인을 생성할 수 있다(S16).
이와 같은 전반적인 프로세스를 갖는 인공지능 학습을 통한 악궁 라인 추론 방법의 세부적인 동작 방법은 도 6과 같다.
먼저, 학습용 CT 데이터 수집부를 통해 학습용 구강 CT 데이터를 수집할 수 있다(S21).
학습용 구강 CT 데이터는 기존 환자들의 구강 CT 데이터를 포함할 수 있으며, 외부 서버에서 수신되는 CT 데이터들도 포함할 수 있다.
이렇게 학습용 구강 CT 데이터가 수집되면 이들의 형식 및 사이즈를 통일하기 위해 표준 데이터 변환부를 통해 학습용 구강 CT 데이터를 통합 형식으로 변환시킬 수 있다(S22).
인공지능 학습 간에 데이터 형식이나 사이즈 차이에 따른 인식 오류를 방지하기 위한 방법으로 해당 변환 과정을 통해 수집되는 학습용 구강 CT 데이터는 모두 동일한 형식 및 사이즈를 가질 수 있다. 이러한 변환 과정은 학습용 구강 CT 데이터에 한정된 것은 아니며 추론용 구강 CT 데이터의 수집 시에도 동일하게 적용될 수 있다.
이렇게 기설정된 통합 형식으로 변환된 학습용 구강 CT 데이터는 기준 악궁 라인 생성부를 통해 기준 악궁 라인이 생성될 수 있다(S23).
기준 악궁 라인은, 관리자의 입력 또는 자동으로 설정되는 악궁 라인으로 전자의 경우 학습용 구강 CT 데이터에 대하여 각 치열에 대한 복수의 기준점을 관리자가 입력하고 해당 기준점들을 선으로 연결하여 생성될 수 있다. 후자의 경우에는 학습용 구강 CT 데이터의 이미지 분석을 통해 치열 위치를 자동을 검출하고 이에 대한 악궁 라인을 생성할 수 있다. 본 실시예에서는 관리자가 학습용 구강 CT 데이터에 대하여 각각 악궁 라인을 주석 처리하는 것을 예로 설명하도록 한다.
이렇게 각 학습용 구강 CT 데이터에 대한 기준 악궁 라인이 생성되면 기준 악궁 라인 후선화부를 통해 기준 악궁 라인을 후선화시킨 후선화 악궁 라인을 생성할 수 있다(S24).
후선화 악궁 라인은 기준 악궁 라인보다 그 두께를 더 두껍게 하는 후선화 작업을 실시한 라인으로, 만약 기준 악궁 라인의 두께가 1mm인 경우 해당 후선화 과정을 통해 10mm 정도로 두께가 확장될 수 있다. 두께 확장 범위는 상황 및 공정 등에 따라 다르게 적용될 수 있다.
이렇게 후선화 악궁 라인까지 생성되면, 제어부는 학습용 구강 CT 데이터와 이에 대응되는 후선화 악궁 라인을 매칭한 악궁 라인 추론 테이블 정보를 생성할 수 있다(S25).
학습용 구강 CT 데이터는 복수의 슬라이스로 구성되고, 특히 기준 악궁 라인의 대상이 되는 메인 슬라이스 및 이와 인접한 구강 위치를 갖는 복수의 보조 슬라이스를 포함할 수 있다. 따라서, 악궁 라인 추론 테이블 정보를, 메인 슬라이스와 복수의 보조 슬라이스를 단일 후선화 악궁 라인과 매칭 시킨 테이블 정보일 수 있다. 따라서, 학습용 구강 CT 데이터 및 이에 대응되는 후선화 악궁 라인의 매칭을 통한 인공지능 학습이 이루어질 수 있다.
여기까지가 인공지능 학습을 실시하는 과정으로 후선화된 악궁 라인을 학습용 구강 CT 데이터와 매칭 되도록 여러 epoch으로 반복학습을 실시하는 것을 특징으로 한다.
이러한 인공지능 학습 과정이 완료된 상태에서 추론용 CT 데이터 수집부를 통해 추론 대상 환자의 추론용 구강 CT 데이터가 수집될 수 있다(S26).
이는, 추론 대상 환자의 치아 배열 상태에 관한 악궁 라인을 생성하기 위한 것으로, 기존 인공학습 결과를 추론 대상 환자의 추론용 구강 CT 데이터에 적용한다.
제어부는, 추론용 구강 CT 데이터가 수집되면 이를 악궁 라인 추론 테이블 정보와 비교하여 대응되는 후선화 악궁 라인을 산출할 수 있다(S27).
구체적으로, 제어부는 추론용 구강 CT 데이터가 수집되면 이를 악궁 라인 추론 테이블 정보의 학습용 구강 CT 데이터와 비교할 수 있다. 추론용 구강 CT 데이터의 슬라이스로 구성되는 경우, 학습용 구강 CT 데이터의 메인 슬라이스 및 복수의 슬라이스와 각각 비교를 실시할 수 있다. 추론용 구강 CT 데이터가 복수의 슬라이스로 구성되는 경우, 해당 복수의 슬라이스를 메인 슬라이스 및 복수의 슬라이스와 비교할 수 있다.
학습용 구강 CT 데이터는 수천, 수만, 수십만 등의 데이터가 저장되어 있을 수 있어, 이들과의 비교를 통해 유사도가 가장 높은 학습용 구강 CT 데이터를 선택할 수 있다.
유사도가 높은 학습용 구강 CT 데이터가 검색되면 이에 대응되는 후선화 악궁 라인을 선택하여, 이를 추론용 구강 CT 데이터에 대응되는 후선화 악궁 라인으로 선정할 수 있다.
후선화 악궁 라인이 선정되면 악궁 라인 세선화부를 통해 기존 두껍게 후선화 되었던 악궁 라인을 세선화 시킬 수 있다(S28).
도 7 및 도 8을 참고하여 세선화 방법을 구체적으로 설명하면,
악궁 라인 세선화부는 후선화 악궁 라인을 수신한다(S28-1).
이 후, 해당 후선화 악궁 라인이 복수로 구성되었는지를 판단한다(S28-2).
본 실시예에서는 후선화 악궁 라인이 2개로 구성된 제1 후선화 악궁 라인 및 제2 후선화 악궁 라인으로 구성되었는지를 판단할 수 있다.
이는, 인공지능 학습 과정의 자동화 시에 발생될 수 있는 인식 오류를 방지하기 위한 방법으로, 일반적으로는 도 8(a)와 같이 단일한 후선화 악궁 라인(DL)이 인식되어 세선화가 이루어지지만, 실험 결과 아주 드물게 도 8(b)와 같이 2개가 후선화 악궁 라인(DL1, DL2)이 인식되는 상황이 발생되기도 한다.
이에 악궁 라인 세선화부는, 제1,2 후선화 악궁 라인(DL1, DL2)이 존재하는 경우, 이들의 영역 크기를 비교할 수 있다(S28-3).
악궁 라인은 서로 연속되는 라인임에 따라 노이즈로 발생되는 악궁 라인은 정상 악궁 라인에 대비하여 짧은 영역을 가진다.
따라서, 악궁 라인 세선화부는 제1,2 후선화 악궁 라인(DL1, DL2)의 영역 크기를 비교하여 제2 후선화 악궁 라인(DL2)의 영역이 더 클 경우, 제1 후선화 악궁 라인(DL1)을 노이즈로 판단하여 삭제하고(S28-4), 반대의 경우에는 제2 후선화 악궁 라인(DL2)을 삭제할 수 있다(S28-5).
이러한 필터링 과정을 거쳐 단일한 후선화 악궁 라인만이 존재하게 되면, 악궁 라인 후선화부는 해당 후선화 악궁 라인을 기설정된 범위로 그 두께를 좁게 하는 세선화 작업을 실시한 세선화 악궁 라인을 생성할 수 있다(S28-6).
제어부는, 세선화가 완료되면 세선화 악궁 라인을 해당 환자의 추론용 구강 CT 데이터에 대응되는 추론 악궁 라인으로 판단하고, 이를 출력부(미도시)에 제공하여 관리자 및 환자에 제공하도록 할 수 있다.
이러한 일련의 과정을 지속적으로 반복될 수 있고, 또한 본 실시예에서 도시하지 않았으나, 피드백부를 통한 업데이트를 실시할 수 있다.
피드백부는, 추론용 구강 CT 데이터를 통해 산출되는 추론 악궁 라인의 유효도에 관한 정보가 입력되는 경우, 이에 관한 피드백 정보를 생성하고 악궁 라인 추론 테이블 정보에 반영할 수 있다. 뿐만 아니라, 피드백부는 추론용 구강 CT 데이터를 통해 이루어진 경과를 학습용 구강 CT 데이터에 반영하여 인공지능 학습을 업데이트할 수도 있다. 여기서 피드백 정보는, Binary Cross Entropy Loss와 Dice Loss를 포함할 수 있다.
이와 같이, 인공지능 학습을 통한 악궁 라인 추론 방법에 의하면 기준 악궁 라인을 후선화하여 인공지능 학습된 내용을 기초로 추론 대상 환자의 악궁 라인을 추론함에 따라, 검사 신속성, 신뢰성, 정확도 및 적용성 등의 다양한 효과들을 구현할 수 있다.
이하에서는, 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법에 관련된 실제 실험 결과를 제시하여 본 발명의 효과에 대하여 설명하도록 한다.
도 9 내지 도 11은 본 발명에 따른 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법의 실험 결과를 설명하기 위한 도면이다.
도 9는 메인 슬라이스로만 학습한 결과와 메인 슬라이스 및 복수의 보조 슬라이스로 학습한 결과를 비교하여 설명하기 위한 도면이다.
인공지능 학습 방법 IoU DSC

메인 슬라이스로만 학습
0.138±0.006
0.239±0.009

메인 슬라이스 및
복수의 보조 슬라이스 학습

0.222±0.008

0.357±0.011
(수치는 평균 ± 95% 신뢰구간으로 나타냄. 환자 약 300명의 메인 슬라이스로 성능 평가. 보조 슬라이스는 메인 슬라이스 기준 상위 1mm, 하위 9mm 범위 내의 슬라이스를 말함)
표 1은 기준 악궁 라인의 대상인 메인 슬라이스만으로 학습한 경우와 메인 슬라이스 및 이와 인접한 구강 위치의 복수의 보조 슬라이스로 학습한 경우 성능 비교를 실시하였다.
학습용 구강 CT 데이터는 메인 슬라이스 약 1,200개, 보조 슬라이스 약 54,000개로 구성됨에 따라 메인 슬라이스만으로 학습한 경우에는 약 1,200개의 슬라이스 데이터로 학습하게 된다. 추론용 구강 CT 데이터는 약 300개의 메인 슬라이스로 구성되며, IoU(Intersection over Union) 및 DSC(Dice Similarity Coefficient)로 성능을 평가했다.
메인 슬라이스 및 보조 슬라이스를 동시에 이용하여 학습된 모델은 메인 슬라이스만으로 학습된 모델보다 IoU, DSC 수치가 각각 0.084, 0.118 높게 산출되었다.
도 9의 (a)는 추론용 구강 CT 데이터의 슬라이스, (b)는 (a) 슬라이스에 직접 주석 처리한 기준 악궁 라인, (c)는 메인 슬라이스만을 통해 학습한 경우 도출된 추론 악궁 라인, (d)는 메인 슬라이스 및 복수의 보조 슬라이스를 통해 도출된 추론 악궁 라인이다.
메인 슬라이스만으로 학습된 모델은 뼈 및 치아가 없는 구역에서는 악궁 라인을 예측하지 못하는 경향을 나타내는 반면, 메인 슬라이스 및 복수의 보조 슬라이스로 학습된 모델은 뼈 및 치아가 없더라도 악궁 라인을 추론하는 결과를 보인다.
특히, 4열에서 메인 슬라이스로만 학습한 모델은 악궁 영역과 목뼈를 구분하지 못하였지만, 메인 슬라이스 및 복수의 보조 슬라이스로 학습한 모델은 정상적으로 악궁 영역을 구분할 수 있었다. 따라서, 학습용 슬라이스 데이터 증가가 인공지능 학습의 악궁 추론 성능을 향상시킨다는 것을 증명하였다고 할 수 있다.
도 10은 기준 악궁 라인과 후선화 악궁 라인으로 각각 학습한 모델들의 성능 결과를 설명하기 위한 도면이다.
인공지능 학습 방법 IoU DSC
기준 악궁 라인으로 학습 0.222±0.008 0.357±0.011
후선화 악궁 라인으로 학습 0.808±0.007 0.892±0.005
표 2는 표 1과 동일한 실험 대상으로 하였으며 모두 메인 슬라이스 및 복수의 보조 슬라이스를 반영하도록 하였다. 다만, 학습 대상의 차이는 악궁 라인의 두께 차이인, 기준 악궁 라인과 후선화 악궁 라인으로 각각 적용하였다.
도 10은 (a) 슬라이스, (b) 기준 악궁 라인, (c) 후선화 악궁 라인, (d) 기준 악궁 라인으로 학습한 추론 결과, (e) 후선화 악궁 라인으로 학습한 추론 결과에 관한 것이다.
기준 악궁 라인으로 학습한 모델은 도 10 (b), (d)를 이용하여 평가하였으며, 후선화 악궁 라인으로 학습한 모델은 도 10 (c), (e)를 이용해서 평가하였다.
후선화 악궁 라인으로 학습한 모델은 기준 악궁 라인으로 학습한 모델보다 IoU와 DSC가 약 0.6 이상 높게 나왔다. 특히, 후선화 악궁 라인으로 학습한 모델은 IoU와 DSC가 각각 약 0.81, 0.89로 상당히 높은 수치를 보였다.
또한, 기준 악궁 라인으로 학습한 모델은 도 10 (d)와 같이 추론 악궁 라인이 중간에 끊겨지는 경우를 보이지만, 후선화 악궁 라인으로 학습한 모델은 도 10 (e)와 같이 치아 및 뼈대가 안보이더라도 정상적으로 악궁 라인을 추론하였다. 특히, 도 10 (e)의 4열과 같이 치아가 거의 없는 케이스에서도 정상적으로 악궁 라인을 추론한 것을 확인할 수 있었다.
인공지능 모델 보조 슬라이스 추가 후선화 실시 MSD(mm) RMS(mm) HD(mm)
모델1 × × 7.556±0.641 12.231±0.906 36.642±2.235
모델2 × ○ 5.959±0.526 10.242±0.894 32.289±2.365
모델3 ○ × 1.739±0.200 2.992±0.403 11.253±1.511
본 발명 ○ ○ 1.145±0.051 1.491±0.080 4.650±0.376
(수치는 평균 ± 95% 신뢰구간으로 나타냄. 환자 약 300명의 메인 슬라이스로 성능 평가. 보조 슬라이스는 메인 슬라이스 기준 상위 1mm, 하위 9mm 범위 내의 슬라이스를 말함. 후선화 악궁 라인은 10mm로 증가해서 학습함. MSD=Mean Surface Distance, RMS=Residual Mean Square Distance, HD=Hausdorff Distance)
표 3의 모델1은 보조 슬라이스를 추가하지 않고 후선화를 실시하는 않은 경우, 모델2는 후선화만 실시한 경우, 모델3은 보조 슬라이스를 추가했지만 후선화를 실시하지 않은 경우, 본 발명은 모든 학습 조건을 포함한 경우에 대해서 그 결과 값을 개별적으로 도출하였다.
모델1, 모델2, 모델3, 본 발명 순서로 악궁 라인 추론 성능이 개선되었으며, 특허 본 발명에서 가장 낮은 MSD, RMS, HD 수치를 보이면서 월등한 성능 개선을 나타내었다.
여기서, MSD(Mean Surface Distance)는 평균 표면 거리에 관한 것으로 아래의 공식으로 통해 산출될 수 있다.
여기서, RMS(Residual Mean Square Distance)는 추정 값 또는 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 다룰때 흔히 사용하는 측도로 사용되는 평균 제곱근 편차에 관한 것으로 아래의 공식을 통해 산출될 수 있다.
여기서, HD(Hausdorff Distance)는 임의의 두 점이 disjoint open neighborhood를 갖는 위상공간에 관한 하우스 도르프 거리로 아래의 공식을 통해 산출될 수 있다.
따라서, MSD, RMS, HD의 수치가 낮을수록 실제 악궁 라인과의 유사도가 높은 것으로 판단할 수 있다.
도 11의 붉은색선은 관리자가 직접 생성한 기준 악궁 라인, 초록색선은 인공지능 학습 결과에 따라 추론된 추론 악궁 라인, 그리고 노란색선은 붉은색선과 초록색선이 겹치는 경우를 나타낸다.
도 11의 (a,b,c,d)는 각각 모델1, 모델2, 모델3, 본 발명으로 추론한 결과를 나타낸다. 모델1,2,3과 다르게 본 발명은 추론 악궁 라인이 끊어지지 않고 이어지는 모습을 명확하게 나타낸다. 특히, 본 발명은 다른 모델들과는 달리 Metal Artifact, 무치악, 부분 CT 영상에서도 추론 악궁 라인이 정상적으로 그려진 것을 확인할 수 있었다. 또한, 본 발명에 따른 모델은 도10 (d)와 같이 관리자가 직접 생성한 기준 악궁 라인과 인공지능 학습 결과인 추론 악궁 라인 사이의 오차거리를 짧게 하거나 일치시키도록 유도하는 결과를 확인할 수 있었다.
이와 같이, 본 발명에 따른 인공지능 학습 모델을 통하는 경우, 본 발명에서 제시된 변수들을 적용하지 않은 기존 학습 모델들이 예측한 추론 악궁 라인 대비 정확성 및 신뢰성에서 확연히 차이나는 결과 값을 가진다는 점을 실험 결과로 증명할 수 있었다.
상기와 같은 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법은, 위에서 설명된 실시예들의 구성과 작동 방식에 한정되는 것이 아니다. 상기 실시예들은 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 다양한 변형이 이루어질 수 있도록 구성될 수 있다.
100: 악궁 라인 추론 장치
110: 학습용 CT 데이터 수집부
120: 추론용 CT 데이터 수집부
130: 표준 데이터 변환부
140: 기준 악궁 라인 생성부
150: 기준 악궁 라인 후선화부
160: 악궁 라인 세선화부
170: 제어부

Claims (13)

  1. 학습용 구강 CT 데이터를 수집하기 위한 학습용 CT 데이터 수집부;
    추론용 구강 CT 데이터를 수집하기 위한 추론용 CT 데이터 수집부;
    상기 학습용 구강 CT 데이터에 대한 기준 악궁 라인을 생성하기 위한 기준 악궁 라인 생성부;
    상기 기준 악궁 라인을 기설정된 범위로 후선화(Dilation)시킨 후선화 악궁 라인을 생성하기 위한 기준 악궁 라인 후선화부; 및
    상기 학습용 구강 CT 데이터 및 상기 후선화 악궁 라인과 매칭 시킨 악궁 라인 추론 테이블 정보를 생성하고, 상기 추론용 구강 CT 데이터가 수신되는 경우, 상기 악궁 라인 추론 테이블 정보와 비교하여 이에 대응되는 추론 악궁 라인을 산출하는 제어부;를 포함하고,
    상기 제어부는, 상기 추론용 구강 CT 데이터를 상기 학습용 구강 CT 데이터와 비교하여 대응되는 상기 후선화 악궁 라인을 산출하는, 인공지능 학습을 통한 악궁 라인 추론 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 후선화 악궁 라인을 기설정된 범위로 세선화시킨 세선화 악궁 라인을 생성하는 악궁 라인 세선화부를 더 포함하고,
    상기 제어부는,
    산출된 상기 후선화 악궁 라인이 상기 세선화 악궁 라인으로 변환되는 경우, 이를 상기 추론 악궁 라인으로 판단하는, 인공지능 학습을 통한 악궁 라인 추론 장치.
  4. 제3항에 있어서,
    상기 악궁 라인 세선화부는,
    상기 후선화 악궁 라인이 제1 후선화 악궁 라인 및 상기 제1 후선화 악궁 라인보다 작은 영역을 갖는 제2 후선화 악궁 라인을 포함하는 경우, 상기 제2 후선화 악궁 라인을 삭제하고 상기 제1 후선화 악궁 라인을 대상으로 세선화를 실시하는, 인공지능 학습을 통한 악궁 라인 추론 장치.
  5. 제1항에 있어서,
    상기 학습용 구강 CT 데이터는,
    상기 기준 악궁 라인의 대상 CT 데이터인 메인 슬라이스; 및
    상기 메인 슬라이스와 인접한 구강 위치를 갖는 CT 데이터인 복수의 보조 슬라이스;를 포함하는, 인공지능 학습을 통한 악궁 라인 추론 장치.
  6. 제5항에 있어서,
    상기 복수의 보조 슬라이스는,
    상기 메인 슬라이스를 중심으로 구강 내에서 상부 1mm에서 하부 9mm 범위에 포함되는 슬라이스 포함하는, 인공지능 학습을 통한 악궁 라인 추론 장치.
  7. 제5항에 있어서,
    상기 제어부는,
    상기 메인 슬라이스 및 상기 복수의 보조 슬라이스를 동일한 상기 후선화 악궁 라인이 매칭되도록 상기 악궁 라인 추론 테이블 정보를 생성하는, 인공지능 학습을 통한 악궁 라인 추론 장치.
  8. 제1항에 있어서,
    상기 학습용 구강 CT 데이터 및 상기 추론용 구강 CT 데이터 중 적어도 어느 하나를 기설정된 통합 형식으로 변환시키는 표준 데이터 변환부를 더 포함하는, 인공지능 학습을 통한 악궁 라인 추론 장치.
  9. 학습용 CT 데이터 수집부를 통해 학습용 구강 CT 데이터를 수집하는 단계;
    기준 악궁 라인 생성부를 통해 상기 학습용 구강 CT 데이터에 대한 기준 악궁 라인을 생성하는 단계;
    기준 악궁 라인 후선화부를 통해 기준 악궁 라인을 기설정된 범위로 후선화(Dilation)시킨 후선화 악궁 라인을 생성하는 단계;
    제어부를 통해 학습용 구강 CT 데이터와 후선화 악궁 라인을 매칭 시킨 악궁 라인 추론 테이블 정보를 생성하는 단계;
    추론용 CT 데이터 수집부를 통해 추론용 구강 CT 데이터를 수집하는 단계; 및
    상기 제어부가 상기 추론용 구강 CT 데이터를 상기 악궁 라인 추론 테이블 정보와 비교하여 이에 대응되는 추론 악궁 라인을 산출하는 단계;를 포함하고,
    상기 제어부를 통해 학습용 구강 CT 데이터와 후선화 악궁 라인을 매칭 시킨 악궁 라인 추론 테이블 정보를 생성하는 단계는,
    상기 기준 악궁 라인의 대상 CT 데이터인 메인 슬라이스와, 상기 메인 슬라이스에 인접한 구강 위치를 갖는 CT 데이터인 복수의 보조 슬라이스를 동일한 상기 후선화 악궁 라인에 매칭시키는 단계를 포함하는, 인공지능 학습을 통한 악궁 라인 추론 방법.
  10. 삭제
  11. 제9항에 있어서,
    상기 제어부가 상기 추론용 구강 CT 데이터를 상기 악궁 라인 추론 테이블 정보와 비교하여 이에 대응되는 추론 악궁 라인을 산출하는 단계는,
    상기 제어부가 상기 추론용 구강 CT 데이터에 대응되는 상기 후선화 악궁 라인을 산출하는 단계;
    악궁 라인 세선화부를 통해 상기 후선화 악궁 라인은 기설정된 범위로 세선화한 세선화 악궁 라인으로 변환시키는 단계; 및
    상기 제어부가 상기 세선화 악궁 라인을 상기 추론 악궁 라인으로 판단하는 단계;를 포함하는, 인공지능 학습을 통한 악궁 라인 추론 방법.
  12. 제11항에 있어서,
    상기 악궁 라인 세선화부를 통해 상기 후선화 악궁 라인은 기설정된 범위로 세선화한 세선화 악궁 라인으로 변환시키는 단계는,
    상기 후선화 악궁 라인이 제1 후선화 악궁 라인 및 상기 제1 후선화 악궁 라인보다 작은 영역을 갖는 제2 후선화 악궁 라인을 포함하는 경우, 상기 제2 후선화 악궁 라인을 삭제하고 상기 제1 후선화 악궁 라인을 세선화 대상으로 설정하는 단계를 포함하는, 인공지능 학습을 통한 악궁 라인 추론 방법.
  13. 제9항에 있어서,
    표준 데이터 변환부를 통해 상기 학습용 구강 CT 데이터 및 상기 추론용 구강 CT 데이터 중 적어도 어느 하나를 기설정된 통합 형식으로 변환시키는 단계를 더 포함하는, 인공지능 학습을 통한 악궁 라인 추론 방법.
KR1020210164176A 2021-08-09 2021-11-25 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법 KR102640126B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210104579 2021-08-09
KR1020210104579 2021-08-09

Publications (2)

Publication Number Publication Date
KR20230022777A KR20230022777A (ko) 2023-02-16
KR102640126B1 true KR102640126B1 (ko) 2024-02-23

Family

ID=85325720

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210164176A KR102640126B1 (ko) 2021-08-09 2021-11-25 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102640126B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200100866A1 (en) 2018-09-27 2020-04-02 Align Technology, Inc. Aligner damage prediction using machine learning

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3462373A1 (en) * 2017-10-02 2019-04-03 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
KR102097648B1 (ko) * 2018-01-25 2020-04-06 (주)바텍이우홀딩스 3차원 ct 영상으로부터 자동 선택된 치아 ct 슬라이스 상에 악궁 형상에 대응하는 커브를 자동으로 생성하는 방법
KR102263110B1 (ko) * 2019-05-14 2021-06-09 주식회사 디오 악궁 궤적 검출 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200100866A1 (en) 2018-09-27 2020-04-02 Align Technology, Inc. Aligner damage prediction using machine learning

Also Published As

Publication number Publication date
KR20230022777A (ko) 2023-02-16

Similar Documents

Publication Publication Date Title
US11382720B2 (en) Correcting digital treatment plans with image data of a dental condition
JP7168644B2 (ja) 口腔内画像の選択及びロック
US20220218449A1 (en) Dental cad automation using deep learning
KR101915215B1 (ko) 구강내 스캔 중 관심 구역의 식별
US11734825B2 (en) Segmentation device and method of generating learning model
US11701230B2 (en) Patient-specific mandibular implant inserted into mandibular defect region and method of manufacturing the same
US20200411167A1 (en) Automated Dental Patient Identification And Duplicate Content Extraction Using Adversarial Learning
US11311247B2 (en) System and methods for restorative dentistry treatment planning using adversarial learning
CN111685899A (zh) 基于口内图像和三维模型的牙齿正畸治疗监测方法
JP2019208831A (ja) 歯科分析システムおよび歯科分析ｘ線システム
US20210217170A1 (en) System and Method for Classifying a Tooth Condition Based on Landmarked Anthropomorphic Measurements.
US20220361992A1 (en) System and Method for Predicting a Crown and Implant Feature for Dental Implant Planning
Deng et al. An automatic approach to establish clinically desired final dental occlusion for one-piece maxillary orthognathic surgery
KR102640126B1 (ko) 인공지능 학습을 통한 악궁 라인 추론 장치 및 방법
CN112837812A (zh) 一种用于牙齿矫正的智能复诊方法以及相关装置
US20220358740A1 (en) System and Method for Alignment of Volumetric and Surface Scan Images
KR102448169B1 (ko) 딥러닝 기반 치아 교정치료 결과 예측 방법 및 장치
Wu et al. Three-dimensional statistical model for gingival contour reconstruction
JP7269587B2 (ja) セグメンテーション装置
TW202127368A (zh) 基於人工智慧之口腔電腦斷層掃描影像的自動色彩轉換裝置及其驅動方法
US20230013902A1 (en) System and Method for Correcting for Distortions of a Diagnostic Image
US20230051400A1 (en) System and Method for Fusion of Volumetric and Surface Scan Images
CN110960333A (zh) 基于ai算法的错颌畸形矫治模型匹配方法
Li et al. A simple and automatic method for locating surgical guide hole
KR20230041560A (ko) 인공신경망 학습을 통한 하치조 신경 추론 장치 및 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant