KR102652766B1 - 치과 진단 장치 및 치과 진단을 위한 정보 제공 방법 - Google Patents
치과 진단 장치 및 치과 진단을 위한 정보 제공 방법 Download PDFInfo
- Publication number
- KR102652766B1 KR102652766B1 KR1020210128620A KR20210128620A KR102652766B1 KR 102652766 B1 KR102652766 B1 KR 102652766B1 KR 1020210128620 A KR1020210128620 A KR 1020210128620A KR 20210128620 A KR20210128620 A KR 20210128620A KR 102652766 B1 KR102652766 B1 KR 102652766B1
- Authority
- KR
- South Korea
- Prior art keywords
- age
- technique
- patient
- information
- dental
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 321
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 description 9
- 208000004434 Calcinosis Diseases 0.000 description 7
- 230000002308 calcification Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 210000001847 jaw Anatomy 0.000 description 5
- 210000004262 dental pulp cavity Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 210000004268 dentin Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000004499 secondary dentin Anatomy 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000004357 third molar Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000006386 Bone Resorption Diseases 0.000 description 1
- 208000005888 Periodontal Pocket Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000024279 bone resorption Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 208000002925 dental caries Diseases 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002050 maxilla Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000000276 neural tube Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000006860 root resorption Diseases 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000001738 temporomandibular joint Anatomy 0.000 description 1
- 230000036346 tooth eruption Effects 0.000 description 1
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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
- A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
- A61B5/1178—Identification of persons based on the shapes or appearances of their bodies or parts thereof using dental data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- 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
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
-
- 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
- G06T2207/20084—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 개시는 치과 진단 장치 및 방법에 관한 것으로서, 특히 치과 파노라마 영상 데이터에 대하여 인공 지능 기법을 포함한 적어도 하나의 이상의 기법을 적용하여 치아 연령을 판단하는 치과 진단 장치 및 방법을 제공할 수 있다. 또한, 환자의 치아 연령을 판단하기 위한 각각의 기법을 비교하여 환자의 연령, 성별 및 인종에 따라 최적화 기법을 추천하는 치과 진단 장치 및 방법을 제공할 수 있다.
Description
본 실시예들은 치과 진단 장치 및 방법을 제공한다.
재해와 같이 신원 확인이 어려운 상황에서는 연령 감정을 필요로 한다. 특히 법치의학에 있어 신원 미상의 사망자에 대하여 연령대를 알 수 있으면 조사 대상자의 범위를 줄일 수 있으므로 연령 감정은 필수적이다. 뿐만 아니라 살아있는 사람 중에서도 다양한 사회적, 경제적 문제로 인하여 호적에 출생일자가 잘못 기재됨으로써 이를 정정하기 위해 정확한 연령 감정을 필요로 한다. 또한, 연령 감정은 발육 상태에 따라 성장 정도를 판단하는 가이드 라인을 제공해 줄 수도 있다. 이러한 연령 감정에는 다양한 방법들이 있으나 그 중 치아를 이용하는 방법은 연령 감정에 가장 적합한 특징을 가지고 있다. 즉, 치아는 다른 장기의 발생과 성장 과정에 비해 개인차나 다양성이 훨씬 적고, 인체 조직 중에서 가장 견고한 조직으로서 오랜 세월이 지나도 부패가 거의 되지 않고, 고온, 고압, 고열과 같은 극한의 환경에서도 안정적으로 원형을 유지하는 특성들을 지닌다.
이에 따라, 치아 상태를 촬영한 치과 파노라마 영상은 환자의 연령 감정을 위한 도구로 사용되고 있다. 이러한 치과 파노라마 영상은 파노라마 영상 기법을 도입하여 인체의 구강 내부를 촬영하는 장치에 의해 촬영된 영상이다. 또한, 치과 파노라마 영상은 환자가 초진 내원시 촬영하는 가장 기본적인 방사선 영상으로서, 환자의 치아, 악골, 상악동, 턱관절 등의 다양한 턱뼈의 정보를 한 장으로 보여주는 영상을 의미한다. 다만, 치과 파노라마 영상을 이용하여 감정한 치아 연령은 환자의 성별, 나이, 인종 등에 따라서 실제 연령과 동일하지 않는 경우가 많아 정확한 연령 감정에 제한이 많다는 문제점이 있다.
따라서, 기존의 치아 연령을 감정하는 기술뿐만 아니라 최신의 인공 지능(AI)을 활용하여 치과 파노라마 영상으로부터 치아 연령을 정확하게 판단할 수 있는 치과 진단 기술을 필요로 한다. 또한, 환자의 성별, 나이, 인종에 따라 가장 정확하게 치아 연령을 판단할 수 있는 연령 감정 기술을 선택하여 적용할 수 있는 치과 진단 기술을 필요로 한다.
이러한 배경에서, 본 실시예들의 목적은 치과 파노라마 영상 데이터에 대하여 인공 지능 기법을 포함한 적어도 하나 이상의 기법을 적용하여 치아 연령을 판단하는 치과 진단 장치 및 방법 제공하는데 있다.
전술한 목적을 달성하기 위하여, 일 측면에서, 본 실시예는 치과 진단 장치에 있어서, 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별하는 데이터 선별부, 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 환자의 치아 연령을 판단하는 연령 판단부 및 환자 정보에 따라 정확도가 높은 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천하는 기법 추천부를 포함하는 것을 특징으로 하는 치과 진단 장치를 제공할 수 있다.
다른 측면에서, 본 실시예는 치과 진단 방법에 있어서, 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별하는 데이터 선별 단계, 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 환자의 치아 연령을 판단하는 연령 판단 단계 및 환자 정보에 따라 정확도가 높은 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천하는 기법 추천 단계를 포함하는 것을 특징으로 하는 치과 진단 방법을 제공할 수 있다.
본 실시예들에 의하면, 치과 파노라마 영상 데이터에 대하여 인공 지능 기법을 포함한 적어도 하나 이상의 기법을 적용하여 치아 연령을 판단하는 치과 진단 장치 및 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 치과 진단 장치가 적용될 수 있는 시스템을 예시적으로 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 치과 진단 장치의 구성을 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 치과 진단 장치의 치아 연령을 판단하고, 최적화 기법을 추천하는 동작을 설명하기 위한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 치과 진단 장치에서 환자가 어른인 경우에 적용되는 판단 기법을 설명하기 위한 흐름도이다.
도 5는 본 개시의 일 실시예에 따른 치과 진단 장치에서 환자가 어린이인 경우에 적용되는 판단 기법을 설명하기 위한 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 치과 진단 장치에서 적용되는 인공 지능 기법의 예시를 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따른 치과 진단 방법의 흐름도이다.
도 2는 본 개시의 일 실시예에 따른 치과 진단 장치의 구성을 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 치과 진단 장치의 치아 연령을 판단하고, 최적화 기법을 추천하는 동작을 설명하기 위한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 치과 진단 장치에서 환자가 어른인 경우에 적용되는 판단 기법을 설명하기 위한 흐름도이다.
도 5는 본 개시의 일 실시예에 따른 치과 진단 장치에서 환자가 어린이인 경우에 적용되는 판단 기법을 설명하기 위한 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 치과 진단 장치에서 적용되는 인공 지능 기법의 예시를 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따른 치과 진단 방법의 흐름도이다.
본 개시는 치과 진단 장치 및 방법에 관한 것이다.
이하, 본 개시의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 기술 사상의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. 본 명세서 상에서 언급된 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "~만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별한 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함할 수 있다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다.
구성 요소들의 위치 관계에 대한 설명에 있어서, 둘 이상의 구성 요소가 "연결", "결합" 또는 "접속" 등이 된다고 기재된 경우, 둘 이상의 구성 요소가 직접적으로 "연결", "결합" 또는 "접속" 될 수 있지만, 둘 이상의 구성 요소와 다른 구성 요소가 더 "개재"되어 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. 여기서, 다른 구성 요소는 서로 "연결", "결합" 또는 "접속" 되는 둘 이상의 구성 요소 중 하나 이상에 포함될 수도 있다.
구성 요소들이나, 동작 방법이나 제작 방법 등과 관련한 시간적 흐름 관계에 대한 설명에 있어서, 예를 들어, "~후에", "~에 이어서", "~다음에", "~전에" 등으로 시간적 선후 관계 또는 흐름적 선후 관계가 설명되는 경우, "바로" 또는 "직접"이 사용되지 않는 이상 연속적이지 않은 경우도 포함할 수 있다.
한편, 구성 요소에 대한 수치 또는 그 대응 정보(예: 레벨 등)가 언급된 경우, 별도의 명시적 기재가 없더라도, 수치 또는 그 대응 정보는 각종 요인(예: 공정상의 요인, 내부 또는 외부 충격, 노이즈 등)에 의해 발생할 수 있는 오차 범위를 포함하는 것으로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시예에 따른 치과 진단 장치가 적용될 수 있는 시스템을 예시적으로 도시한 도면이다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 치과 진단 장치(100)가 적용될 수 있는 시스템은 서버(110) 및 네트워크(120)를 포함하여 구현될 수 있다.
치과 진단 장치(100)는, 본 개시의 실시예에 따른 치과 진단 방법을 수행할 수 있는 장치로서, 프로그램을 실행할 수 있는 전자 기기와 같은 하드웨어, 프로세서에 의해 실행되는 소프트웨어 또는 이들의 조합으로 구현될 수 있다.
일 예에 따라, 치과 진단 장치(100)가 하드웨어로 구현되는 경우, 일반적인 데스크 탑이나 노트북 등의 일반 PC를 포함하고, 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기 등을 포함할 수 있다. 다만, 이는 일 예로서, 서버(110)와 통신 가능하며 데이터를 입력할 수 있는 전자 기기라면 그 명칭이나 종류에 한정되지 않고, 폭넓게 해석될 수 있다. 또한, 일 예에 따라, 치과 진단 장치(100)는 사용자의 조작에 따라 정보의 입력이 가능하며, 본 개시의 실시예에 따른 치과 진단 방법을 수행할 수 있는 애플리케이션으로 구현될 수 있다. 일 예로, 치과 진단 애플리케이션이나 프로그램 등일 수 있으며, 다만, 그 명칭이나 종류에 한정되지 않고 폭넓게 해석될 수 있다.
서버(110)는 네트워크(120)를 통하여 불특정 다수 클라이언트 (장치(100)를 포함) 및/또는 다른 서버와 연결될 수 있다. 이에 따라, 서버(110)는 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템를 의미하거나 이러한 컴퓨터 시스템을 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 의미할 수 있다.
일 예에 따라, 서버(110)는 환자의 파노라마 영상 데이터를 저장시키고 관리할 수 있다. 그리고, 서버(110)는 치과 진단 장치(100)의 요청에 따라 해당 데이터를 전송할 수 있다. 예를 들어, 서버(110)는 치과 진단 서비스에 대응하는 애플리케이션의 통해 환경 데이터를 치과 진단 장치(100)에 제공할 수 있다.
또한, 서버(110)는 전술한 서버 프로그램 이외에도, 서버(110) 상에서 동작하는 일련의 응용 프로그램(Application Program)과, 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스를 포함하는 넓은 개념으로 이해되어야 할 것이다. 여기서, 서버(110)는, 서버 또는 다른 장치 등에 의해 사용될 목적으로 정보나 자료 등의 데이터가 구조화되어 관리되는 데이터의 집합체를 의미할 수 있으며, 이러한 데이터의 집합체를 저장하는 저장매체를 의미할 수도 있다.
또한, 이러한 서버(110)는 데이터의 구조화 방식, 관리 방식, 종류 등에 따라 분류된 복수의 데이터베이스를 포함하는 것일 수도 있다. 경우에 따라서, 서버(110)는 정보나 자료 등을 추가, 수정, 삭제 등을 할 수 있도록 해주는 소프트웨어인 데이터베이스 관리시스템(Database Management System, DBMS)을 포함할 수도 있다.
한편, 네트워크(120)는 치과 진단 장치(100)와 서버(110)를 연결해주는 망(Network)으로서, LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크일 수도 있으나, 인터넷(Internet)과 같은 개방형 네트워크일 수도 있다. 여기서, 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미한다.
간략하게 전술한 본 개시의 일 실시예에 따른 치과 진단 장치 및 방법에 대하여, 이하에서 더욱 상세하게 설명한다.
도 2는 본 개시의 일 실시예에 따른 치과 진단 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 치과 진단 장치(100)는, 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별하는 데이터 선별부(210), 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 환자의 치아 연령을 판단하는 연령 판단부(220) 및 환자 정보에 따라 정확도가 높은 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천하는 기법 추천부(230)를 포함하는 치과 진단 장치(100)를 제공한다.
일 실시예에 따라 데이터 선별부(210)는 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별할 수 있다. 예를 들어, 데이터 선별부(210)는 통신을 통해 연동되는 촬영 장치 또는 서버로부터 치아 상태를 촬영한 파노라마 영상 데이터를 수집할 수 있다. 구체적으로, 데이터 선별부(210)는 촬영 장치에 의해 촬영된 파노라마 영상이 DICOM 표준에 따라 의료영상 저장 전송 시스템(PACS)에 전송되어 수집될 수 있다. 또한, 수집된 파노라마 영상 데이터는 환자의 치아 모양, 악골, 뼈 구조 등을 포함할 수 있다. 다른 예를 들어, 데이터 선별부(210)는 수집된 파노라마 영상 데이터를 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보를 이용하여 선별할 수 있다. 구체적으로, 치아 상태는 환자의 연령, 성별 또는 인종에 따라 특징이 다양하게 나타나기 때문에 환자 정보는 치아의 연령을 판단할 수 있는 중요한 요인이 될 수 있다.
일 실시예에 따라 연령 판단부(220)는 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 환자의 치아 연령을 판단할 수 있다. 일 예로, 연령 판단부(220)는 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법을 적용하여 환자의 치아 연령을 판단할 수 있다. 예를 들어, 연령 판단부(220)는 파노라마 영상 데이터로부터 연령 정보에 기초하여 연령 별로 선별된 훈련 데이터로 훈련시켜 치아 연령을 판단하는 분류(Classification) 및 연령 별로 선별되지 않은 파노라마 영상 데이터를 유사성을 기준으로 그룹 짓는 군집화(Clustering)를 수행하는 인공 지능 기법을 적용할 수 있다. 이 때, 적용되는 인공 지능 기법은 준지도 학습 기법일 수 있다. 인공 지능 기법에 관한 자세한 내용은 도6을 참조하여 후술한다.
다른 예를 들어, 연령 판단부(220)는 특정 연령을 기준으로 특정 연령의 미만에 해당되면 연령을 제 1 단위로 하여 훈련 데이터를 선별하고, 특정 연령의 이상에 해당되면 연령을 제 2 단위로 하여 훈련 데이터를 선별할 수 있다. 구체적인 예를 들면, 연령 판단부(220)는 환자가 20세 미만에 해당되면 연령을 1년 단위로 하여 훈련 데이터를 선별하고 환자가 20세 이상에 해당되면 연령을 5년 단위로 하여 훈련 데이터를 선별할 수 있다. 또한, 연령 판단부(220)는 환자가 40세 이상에 해당되면 연령을 10년 단위로 하여 훈련 데이터를 선별할 수 있다. 다만, 특정 연령과 연령 단위는 일 예로, 이에 한정되는 것은 아니다. 또한, 구체적인 다른 예를 들면, 연령 판단부(220)는 6세에서 90세까지 연령 별로 무작위로 영상 데이터를 100장씩 선별할 수 있다. 또한, 연령 판단부(220)는 각각의 연령 별로 성별에 따라 100장씩 기본 훈련 데이터로 선별하여 분류를 수행할 수 있다.
다른 일 예로, 연령 판단부(220)는 미리 설정된 연령을 기준으로 환자를 어른 또는 어린이로 판단하고, 판단 결과에 따라 미리 설정된 판단 기법 중 적어도 하나의 기법을 선택하여 적용할 수 있다. 여기서, 어른에 적용되는 적어도 하나의 기법은 어린이에 적용되는 적어도 하나의 기법과 서로 상이할 수 있다. 예를 들어, 연령 판단부(220)는 환자를 어른 또는 어린이로 판단하기 위해 특정 연령을 미리 설정할 수 있다. 구체적으로, 연령 판단부(220)는 특정 연령을 20세를 기준으로 설정하여, 환자가 20세 이상에 해당되면 어른으로 판단하고, 20세 미만에 해당되면 어린이로 판단할 수 있다. 다만, 20세는 일 예로 이에 한정되는 것은 아니다. 이에 따라, 연령 판단부(220)는 환자의 연령 정보에 기초하여 환자를 어른 또는 어린이로 판단하고, 판단 결과에 따라 미리 설정된 판단 기법을 적용하여 환자의 치아 연령을 판단할 수 있다. 다른 예를 들어, 연령 판단부(220)는 환자가 어른이라고 판단되면, Gustafson 기법 및 TCI (tooth-coronal index) 기법 중 적어도 하나의 기법으로 설정된 판단 기법을 적용할 수 있다. 다른 또 다른 예를 들어, 연령 판단부(220)는 환자가 어린이라고 판단되면, Demirjian 기법, Willems 기법 및 Nolla 기법 중 적어도 하나의 기법으로 설정된 판단 기법을 적용할 수 있다. 구체적으로, 치아의 연령을 판단하는 판단 기법에는 치아의 맹출 시기, 치아의 석회화 정도, 치아의 교모도, 치수강의 크기 등을 이용하는 다양한 방법이 있다. 다만, 어른은 생리적 증력적 변화로서의 교모도를 이용하는 것이 효율적이고, 어린이는 발육성장기에 해당되어 치아의 맹출 시기 및 석회화 정도를 이용하는 것이 효율적이라는 점에서 차이가 있다. 따라서, 전술한 각각의 기법은 어른과 어린이의 구분되는 특징에 따른 치아 연령의 판단 기법의 일 예로, 이에 한정되는 것은 아니다. 판단 기법에 관한 자세한 내용은 도4 및 도5를 참조하여 후술한다.
일 실시예에 따라 기법 추천부(230)는 환자 정보에 따라 정확도가 높은 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천할 수 있다. 일 예로, 기법 추천부(230)는 환자의 실제 연령과 각각의 기법으로 판단한 치아 연령이 일치하는 정도를 비교하여 정확도가 높은 기법을 특정 기법으로 결정할 수 있다. 그리고 기법 추천부(230)는 결정된 특정 기법을 최적화 기법으로 추천할 수 있다. 예를 들어, 기법 추천부(230)는 환자 별로 연령 정보, 성별 정보 및 인종 정보의 조합이 서로 다름에 따라 각각의 환자에게 서로 다른 기법을 최적화 기법으로 추천할 수 있다. 이는 환자의 연령 정보, 성별 정보 및 인종 정보 중 하나의 요소라도 다르면, 동일한 판단 기법을 적용하더라도 판단된 환자의 치아 연령은 차이가 날 수 있기 때문이다. 따라서, 기법 추천부(230)는 환자의 연령 정보, 성별 정보 및 인종 정보에 따라 각각의 기법 중에서 환자의 치아 연령을 실제 연령과 가장 유사하게 판단한 기법을 결정하여 최적화 기법으로 추천할 수 있다.
도 3은 본 개시의 일 실시예에 따른 치과 진단 장치의 치아 연령을 판단하고, 최적화 기법을 추천하는 동작을 설명하기 위한 흐름도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 치과 진단 장치의 데이터 선별부(210)는 치아 상태를 촬영한 파노라마 영상 데이터를 환자 정보에 따라 선별할 수 있다(S310). 일 예로, 데이터 선별부(210)는 환자의 치아 모양, 악골, 뼈 구조 등을 포함하는 특정 영역이 촬영된 파노라마 영상 데이터를 수집할 수 있다. 그리고 데이터 선별부(210)는 수집된 파노라마 영상 데이터를 환자의 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별할 수 있다. 예를 들어, 데이터 선별부(210)는 파노라마 영상 데이터를 환자의 연령 정보에 따라 6세에서 90세까지 연령 별로 선별하고, 성별 정보에 따라 남여로 구분하여 선별할 수 있다. 또한, 데이터 선별부(210)는 파노라마 영상 데이터를 환자의 인종 정보에 따라 아시아인, 유럽인, 아프리카인 등으로 구분하거나 나라 별로 구분하여 선별할 수도 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 환자의 치아 연령을 판단할 수 있다(S320). 일 예로, 연령 판단부(220)는 환자 정보에 따라 선별된 각각의 파노라마 영상 데이터에 전처리(pre-processing)를 수행하여 인공 지능 기법을 적용할 수 있다. 예를 들어, 연령 판단부(220)는 각각의 파노라마 영상 데이터를 회전, 확대, 축소, 불필요한 영역 제거 등의 동작을 통해 기준에 따라 일관된 포맷으로 변환하는 전처리를 수행할 수 있다. 또한, 예를 들어, 연령 판단부(220)는 각각의 파노라마 영상 데이터에 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보를 이용하여 라벨링을 수행할 수 있다. 그리고, 연령 판단부(220)는 최소한의 라벨링된 파노라마 영상 데이터와 라벨링 되지 않은 파노라마 영상 데이터를 이용하여 인공 지능 기법으로 분석을 수행할 수 있다.
다른 일 예로, 연령 판단부(220)는 미리 설정된 연령을 기준으로 환자를 어른 또는 어린이로 판단하고, 판단 결과에 따라 미리 설정된 판단 기법을 적용할 수 있다. 여기서, 어른에 적용되는 적어도 하나의 기법은 어린이에 적용되는 적어도 하나의 기법과 서로 상이할 수 있다. 예를 들어, 연령 판단부(220)는 환자가 어른이라고 판단되면, Gustafson 기법 및 TCI(tooth-coronal index) 기법 중 적어도 하나의 기법으로 설정된 판단 기법을 적용할 수 있다. 구체적으로, 연령 판단부(220)는 어른의 경우 치아 연령을 판단하기 위해 생리적 증력적 변화로서의 교모도를 이용하는 Gustafson 기법 및 TCI 기법을 판단 기법으로 미리 설정할 수 있다. 여기서, 치아의 교모도는 상하악 상호 치아의 마찰 및 음식물과의 접촉에 의해 치면이 마찰된 경과로써 교합면의 상아질 노출 비율(Percentages of Dentine Exposure, PDE)을 이용하여 측정될 수 있다. 일반적으로, 교모의 형태는 주로 시간적 요소에 의하여 불가역적으로 변화하는 것으로 어른의 치아 연령을 판단하기 위한 기법으로 적합할 수 있다. 다만, 판단 기법은 기존에 존재하는(classic) 판단 기법의 일 예로, Gustafson 기법 및 TCI 기법에 한정되는 것은 아니다.
다른 예를 들어, 연령 판단부(220)는 환자가 어린이라고 판단되면, Demirjian 기법, Willems 기법 및 Nolla 기법 중 적어도 하나의 기법으로 설정된 판단 기법을 적용할 수 있다. 구체적으로, 연령 판단부(220)는 어린이의 경우 치아 연령을 판단하기 위해 치아의 맹출 시기 및 석회화 정도를 이용하는 Demirjian 기법, Willems 기법 및 Nolla 기법을 판단 기법으로 미리 설정할 수 있다. 치아의 맹출 시기 및 석회화 정도는 주로 치아 발육이 완성되지 않은 유아나 소아 및 사춘기 청소년을 대상으로 치아의 연령을 판단하기 위한 기법으로 적합할 수 있다. 다만, 판단 기법은 기존에 존재하는(classic) 판단 기법의 일 예로, Demirjian 기법, Willems 기법 및 Nolla 기법에 한정되는 것은 아니다.
또 다른 예를 들어, 연령 판단부(220)는 환자가 어른인지 어린이인지 불명확한 경우에는 인공 지능 기법을 통해 연령을 판단할 수 있다. 그리고, 연령 판단부(220)는 판단된 연령을 이용하여 환자를 어른 또는 어린이로 판단하고, 판단 결과에 따라 미리 설정된 판단 기법으로 연령을 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 기법 추천부(230)는 환자 정보에 따라 정확도가 높은 특정 기법을 결정할 수 있다(S330). 일 예로, 기법 추천부(230)는 환자의 정보에 따라 인공 지능 기법 및 미리 설정된 판단 기법을 포함하는 각각의 기법 중에서 정확도가 높은 특정 기법을 결정할 수 있다. 예를 들어, 기법 추천부(230)는 미리 설정된 판단 기법을 대조군으로 하고 인공 지능 기법을 실험군으로 하여 각각의 기법으로 판단한 환자의 치아 연령을 비교할 수 있다. 이 때, 기법 추천부(230)는 환자가 어른인지 어린이인지 여부에 따라 각각 서로 다른 기법으로 설정된 판단 기법을 적용하여 대조군을 형성할 수 있다. 다른 예를 들어, 기법 추천부(230)는 일반적인 지도 학습(Supervised Learning) 기법을 대조군으로 하고, 준지도 학습(Semi-Supervised Learning) 기법을 실험군으로 하여 각각의 인공 지능 기법으로 판단한 환자의 치아 연령을 비교할 수 있다. 이에 따라, 기법 추천부(230)는 각각의 기법으로 판단한 환자의 치아 연령과 실제 연령이 일치하는 정도를 비교하여 정확도가 높은 기법을 특정 기법으로 결정할 수 있다. 또는 기법 추천부(230)는 인공 지능 기법으로 판단한 환자의 치아 연령과 미리 설정된 판단 기법으로 판단한 환자의 치아 연령을 비교하여 정확도가 높은 기법을 특정 기법으로 결정할 수도 있다.
일 실시예에 따른 치과 진단 장치의 기법 추천부(230)는 결정된 특정 기법을 최적화 기법으로 추천할 수 있다(S340). 일 예로, 기법 추천부(230)는 비교 결과 정확도가 높은 특정 기법을 결정하여 사용자에게 최적화 기법으로 추천할 수 있다. 예를 들어, 사용자는 환자의 치아 연령을 판단하기 위하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 추천 받아 선택할 수 있다. 따라서, 기법 추천부(230)는 사용자가 보다 정확한 판단 기법을 선택할 수 있도록 사용자에게 정확도가 높은 특정 기법을 결정하여 최적화 기법으로 추천할 수 있다.
도 4는 본 개시의 일 실시예에 따른 치과 진단 장치에서 환자가 어른인 경우에 적용되는 판단 기법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 치과 진단 장치의 데이터 선별부(210)는 치아 상태를 촬영한 파노라마 영상 데이터를 환자 정보에 따라 선별할 수 있다(S310). 일 예로, 데이터 선별부(210)는 수집한 파노라마 영상 데이터 중에서 연령 정보에 기초하여 어른에 해당되는 환자의 파노라마 영상 데이터를 선별할 수 있다. 예를 들어, 데이터 선별부(210)는 20세 이상에 해당되는 환자의 파노라마 영상 데이터를 선별하여 인공 지능 기법에서 어른 환자의 훈련 데이터로 활용할 수 있다. 또한, 선별된 파노라마 영상 데이터는 환자가 어른인 경우에 있어서 인공 지능 기법과 비교되는 판단 기법을 평가하기 위해 활용될 수도 있다. 다만, 20세는 환자 중 어른을 구분하기 위한 일 예로, 이에 한정되지는 않는다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 신규 파노라마 영상 데이터가 입력되면, 어른 환자의 영상 데이터인지 여부를 판단할 수 있다(S410). 예를 들어, 연령 판단부(220)는 입력된 환자의 파노라마 영상 데이터에 기초하여 환자가 어른인지 여부를 판단할 수 있다. 또는, 연령 판단부(220)는 환자의 연령 정보에 기초하여 해당 파노라마 영상 데이터의 환자가 어른인지 여부를 판단할 수 있다. 구체적인 예를 들면, 연령 판단부(220)는 입력된 환자의 파노라마 영상 데이터에 포함된 사랑니 또는 신경관의 발달 정도에 따라 환자가 어른인지 여부를 판단할 수 있다. 또는, 연령 판단부(220)는 환자의 대략적인 연령 대를 기준으로 파노라마 영상 데이터의 환자가 어른인지 여부를 판단할 수 있다. 다른 예를 들어, 연령 판단부(220)는 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법을 적용하여 연령을 판단하고, 판단된 연령을 기준으로 환자가 어른인지 여부를 판단할 수 있다. 이에 따라 연령 판단부(220)는 환자가 어른이라고 판단되면 미리 설정된 판단 기법을 적용하여 치아 연령을 다시 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법을 적용할 수 있다(S420). 일 예로, 연령 판단부(220)는 파노라마 영상 데이터로부터 연령 정보에 기초하여 연령 별로 선별된 훈련 데이터로 훈련시켜 치아 연령을 판단하는 분류 및 연령 별로 선별되지 않은 파노라마 영상 데이터를 유사성을 기준으로 그룹 짓는 군집화를 수행하는 인공 지능 기법을 적용할 수 있다. 예를 들어, 연령 판단부(220)는 분류를 수행하기 위해 특정 연령을 기준으로 연령을 단위 별로 구분하여 훈련 데이터를 선별할 수 있다. 구체적인 예를 들면, 연령 판단부(220)는 환자가 20세 이상에 해당되면 연령을 5년 단위로 하여 훈련 데이터를 선별할 수 있다. 또한, 연령 판단부(220)는 환자가 40세 이상에 해당되면 연령을 10년 단위로 하여 훈련 데이터를 선별할 수 있다. 다만, 특정 연령과 연령 단위는 일 예로, 이에 한정되는 것은 아니다. 또한, 구체적인 다른 예를 들면, 연령 판단부(220)는 20세에서 90세까지 연령 별로 무작위로 영상 데이터를 100장씩 선별할 수 있다. 또한, 연령 판단부(220)는 각각의 연령을 성별에 따라 100장씩 기본 훈련 데이터로 선별하여 분류를 수행할 수 있다. 다만, 선별된 영상 데이터의 장수는 일 예로, 이에 한정되는 것은 아니다.
다른 예를 들어, 연령 판단부(220)는 군집화를 수행하기 위해 연령 별로 선별되지 않은 영상 데이터에 대한 군집화를 수행하여 복수의 부분 그룹으로 구분할 수 있다. 각각의 그룹은 유사성을 가지는 영상 데이터로 구성될 수 있다. 또한, 연령 판단부(220)는 동일한 그룹에 포함된 각각의 영상 데이터를 동일한 연령 정보로 선별하여 훈련 데이터로 활용할 수 있다. 이에 따라, 연령 판단부(220)는 신규 입력된 파노라마 영상 데이터에 대하여 전술한 인공 지능 기법이 적용된 학습 모델을 통해 환자의 치아 연령을 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 환자가 어른이라고 판단되면, 파노라마 영상 데이터에 대하여 Gustafson 기법을 적용할 수 있다(S430). 예를 들어, 연령 판단부(220)는 환자 치아의 연마표본으로부터 미세조직변화 6가지를 관찰하여 각각의 변화 항목에 4단계 점수를 부여한 후 이들의 총합에 따라 환자의 치아 연령을 결정하는 Gustafson 기법을 적용할 수 있다. 구체적으로, Gustafson 기법은 연령 증가에 따라 치수강 길이가 감소하는 것에 기초를 둔 기법일 수 있다. 또한, Gustafson 기법에서 관찰하는 미세조직변화 6가지는 치아의 절단 및 교합면에서의 교모, 치조골의 흡수 또는 치주낭의 깊이, 2차 상아질 첨가량, 백악질 침착량, 치근의 재흡수, 상아질 투명층의 양에 관한 것일 수 있다. 이에 따라, 연령 판단부(220)는 신규 입력된 파노라마 영상 데이터에 Gustafson 기법을 적용하여 환자의 치아 연령을 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 환자가 어른이라고 판단되면, 파노라마 영상 데이터에 대하여 TCI(tooth-coronal index) 기법을 적용할 수 있다(S440). 예를 들어, 연령 판단부(220)는 환자 치아의 치관 높이 (coronal height,CH)와 치관 치수강 높이(coronal pulp cavity height,CPCH)를 측정하여 치아 관상 지수(tooth-coronal index,TCI)를 계산하는 TCI 기법을 적용할 수 있다. 구체적으로, TCI 기법은 연령 증가에 따라 이차 상아질 축적에 따른 치수강의 크기 변화에 기초를 둔 기법일 수 있다. 여기서, 치관 높이는 치경선(cervical line)에서 가장 높은 교두정까지 수직 거리를 측정한 값이고, 치관 치수강 높이는 치경선에서 가장 높은 치수각까지의 수직 거리를 측정한 값일 수 있다. 이에 따라, 연령 판단부(220)는 신규 입력된 파노라마 영상 데이터에 TCI 기법을 적용하여 환자의 치아 연령을 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 기법 추천부(230)는 인공 지능 기법 및 판단 기법 중에서 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천할 수 있다(S450). 일 예로, 치아 연령의 정확도는 환자의 연령 정보, 성별 정보 및 인종 정보에 따라 특정 기법에서 높게 판단될 수 있다. 따라서, 기법 추천부(230)는 환자 정보에 따라 정확도가 높게 판단된 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천할 수 있다. 예를 들어, 기법 추천부(230)는 각각의 인공 지능 기법, Gustafson 기법 및 TCI 기법으로 판단한 환자의 치아 연령과 환자의 실제 연령이 일치하는 정도를 비교하여 가장 정확도가 높은 특정 기법을 최적화 기법으로 추천할 수 있다. 또는 기법 추천부(230)는 각각의 기법으로 판단한 환자의 치아 연령의 비교를 통해 특정 기법을 결정하여 최적화 기법으로 추천할 수 있다. 즉, 최적화 기법은 환자 별로 연령 정보, 성별 정보 및 인종 정보의 조합이 서로 다름에 따라 서로 다른 기법으로 추천될 수 있다.
도 5는 본 개시의 일 실시예에 따른 치과 진단 장치에서 환자가 어린이인 경우에 적용되는 판단 기법을 설명하기 위한 흐름도이다
도 5를 참조하면, 본 개시의 일 실시예에 따른 치과 진단 장치의 데이터 선별부(210)는 치아 상태를 촬영한 파노라마 영상 데이터를 환자 정보에 따라 선별할 수 있다(S310). 일 예로, 데이터 선별부(210)는 수집한 파노라마 영상 데이터 중에서 연령 정보에 기초하여 어린이에 해당되는 환자의 파노라마 영상 데이터를 선별할 수 있다. 예를 들어, 데이터 선별부(210)는 20세 미만에 해당되는 환자의 파노라마 영상 데이터를 선별하여 인공 지능 기법에서 어린이 환자의 훈련 데이터로 활용할 수 있다. 또한, 선별된 파노라마 영상 데이터는 환자가 어린이인 경우에 있어서 인공 지능 기법과 비교되는 판단 기법을 평가하기 위해 활용될 수도 있다. 다만, 20세는 환자 중 어린이를 구분하기 위한 일 예로, 이에 한정되지는 않는다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 입력된 파노라마 영상 데이터가 어린이 환자의 영상 데이터인지 여부를 판단할 수 있다(S510). 예를 들어, 연령 판단부(220)는 입력된 환자의 파노라마 영상 데이터에 기초하여 환자가 어린이인지 여부를 판단할 수 있다. 또는, 연령 판단부(220)는 환자의 연령 정보에 기초하여 해당 파노라마 영상 데이터의 환자가 어린이인지 여부를 판단할 수 있다. 다른 예를 들어, 연령 판단부(220)는 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법을 적용하여 연령을 판단하고, 판단된 연령을 기준으로 환자가 어린이인지 여부를 판단할 수 있다. 이에 따라 연령 판단부(220)는 환자가 어린이이라고 판단되면 미리 설정된 판단 기법을 적용하여 치아 연령을 다시 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법을 적용할 수 있다(S520). 예를 들어, 연령 판단부(220)는 분류를 수행하기 위해 특정 연령을 기준으로 연령을 단위 별로 구분하여 훈련 데이터를 선별할 수 있다. 구체적인 예를 들면, 연령 판단부(220)는 환자가 20세 미만에 해당되면 연령을 1년 단위로 하여 훈련 데이터를 선별할 수 있다. 또는, 연령 판단부(220)는 6세에서 20세까지 연령 별로 무작위로 영상 데이터를 선별하되, 각각의 연령을 성별에 따라 100장씩 기본 훈련 데이터로 선별하여 분류를 수행할 수 있다. 다만, 인공 지능 기법은 전술한 환자가 어른인 경우에 적용되는 인공 지능 기법과 동일하게 적용될 수 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 환자가 어린이라고 판단되면, 파노라마 영상 데이터에 대하여 Demirjian 기법을 적용할 수 있다(S530). 예를 들어, 연령 판단부(220)는 환자 치아의 치관 및 치근의 발육 정도에 따라 등급을 나누어 평가하는 Demirjian 기법을 적용할 수 있다. 구체적으로, Demirjian 기법은 치관에서 석회화가 시작되는 시기를 1단계로 하여 치근단이 폐쇠되는 8단계까지 8단계로 분류하여 판단하는 기법일 수 있다. 또한, Demirjian 기법은 치아 별 그리고 성별에 따라 차등화된 점수를 합하여 치아 연령을 판단할 수 있다. 이에 따라, 연령 판단부(220)는 신규 입력된 파노라마 영상 데이터에 Demirjian 기법을 적용하여 환자의 치아 연령을 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 환자가 어린이라고 판단되면, 파노라마 영상 데이터에 대하여 Willems 기법을 적용할 수 있다(S540). 예를 들어, 연령 판단부(220)는 Demirjian 기법에 인종 별로 발생되는 차이를 보완하는 Willems 기법을 적용할 수 있다. 이에 따라, 연령 판단부(220)는 신규 입력된 파노라마 영상 데이터에 Willems 기법을 적용하여 환자의 치아 연령을 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 연령 판단부(220)는 환자가 어린이라고 판단되면, 파노라마 영상 데이터에 대하여 Nolla 기법을 적용할 수 있다(S550). 예를 들어, 연령 판단부(220)는 치아의 발육 및 석회화 정도를 기준으로 판정하는 Nolla 기법을 적용할 수 있다. 구체적으로, Nolla 기법은 제3대구치를 제외한 좌측 상, 하악 영구치의 치아 석회화 단계를 0부터 10까지의 11단계로 평가하는 기법일 수 있다. 이에 따라, 연령 판단부(220)는 신규 입력된 파노라마 영상 데이터에 Nolla 기법을 적용하여 환자의 치아 연령을 판단할 수 있다.
일 실시예에 따른 치과 진단 장치의 기법 추천부(230)는 인공 지능 기법 및 판단 기법 중에서 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천할 수 있다(S450). 예를 들어, 기법 추천부(230)는 각각의 인공 지능 기법, Demirjian 기법, Willems 기법 및 Nolla 기법으로 판단한 환자의 치아 연령과 환자의 실제 연령이 일치하는 정도를 비교하여 가장 정확도가 높은 특정 기법을 최적화 기법으로 추천할 수 있다. 또는 기법 추천부(230)는 각각의 기법으로 판단한 환자의 치아 연령의 비교를 통해 특정 기법을 결정하여 최적화 기법으로 추천할 수 있다.
도 6은 본 개시의 일 실시예에 따른 치과 진단 장치에서 적용되는 인공 지능 기법의 예시를 도시한 도면이다.
도 6을 참조하면, 본 개시의 일 실시 예에 따른 치과 진단 장치의 연령 판단부(220)의 파노라마 영상 데이터에 대하여 인공 지능 기법을 적용하여 환자의 치아 연령을 판단할 수 있다. 다만, 파노라마 영상 데이터는 환자의 움직임에 의한 영상의 질적 저하가 있는 경우와 같이 화질이 좋지 않거나 완전 무치악, 악골, 및 심한 치아의 기형을 동반한 환자의 영상 데이터가 제외된 것일 수 있다.
일 예로, 연령 판단부(220)는 지도 학습(Supervised learning)과 비지도 학습(Unsupervised Learning)을 조합한 준지도 학습(Semi-Supervised Learning) 기법에 해당되는 인공 지능 기법을 적용할 수 있다. 즉, 연령 판단부(220)는 파노라마 영상 데이터를 일부는 지도 학습의 데이터 형태로 활용하고, 일부는 비지도 학습의 데이터 형태로 활용할 수 있다. 예를 들어, 연령 판단부(220)는 파노라마 영상 데이터로부터 연령 정보에 기초하여 연령 별로 선별된 데이터를 훈련 데이터로 치아 연령을 판단하는 분류 기법(610)을 수행할 수 있다. 그리고, 연령 판단부(220)는 연령 별로 선별되지 않은 파노라마 영상 데이터(630)를 유사성을 기준으로 그룹 짓는 군집화 기법(620)을 수행할 수 있다. 또한, 연령 판단부(220)는 연령 별로 선별되지 않은 데이터의 연령을 추론한 후 추론된 연령을 이용하여 재훈련을 수행하는 준지도 학습 기법을 수행할 수 있다. 이러한 준지도 학습 기법은 부족한 학습으로 인한 정확성의 오류뿐만 아니라 무분별한 방대한 데이터 처리로 인한 학습 효과 저하 문제를 해결할 수 있다.
여기서, 분류 기법(610)은 지도 학습의 일종으로 기존에 존재하는 데이터의 카테고리 관계를 파악하고, 새롭게 관측된 데이터의 카테고리를 스스로 판단하여 분류하는 기법일 수 있다. 구체적으로, 분류 기법(610)은 KNN 알고리즘(k-nearest neighbor algorithm), 의사결정 트리 알고리즘(Decision Tree algorithm), 랜덤 포레스트 알고리즘(Random Forest algorithm), 서포트 벡터 머신 알고리즘(Support Vector Machine) 등이 있을 수 있다. 또한, 군집화 기법(620)은 비지도 학습의 일종으로 정해지지 않은 카테고리를 데이터들의 특성을 고려하여 그룹핑하는 기법일 수 있다. 구체적으로, 군집화 기법(620)은 K 평균 알고리즘(K-Means algorithm), 평균 이동 알고리즘(Mean Shift algorithm) GMM 알고리즘(Gaussian Mixture Model) 등이 있을 수 있다. 다만, 전술한 알고리즘은 일 예로 이에 한정되는 것은 아니다.
이하에서는 도 1 내지 도6를 참조하여 설명한 치과 진단 장치가 수행할 수 있는 치과 진단 방법에 대해서 설명한다. 단, 아래에서는 도 1 내지 도 6에서 설명한 일부 실시예 또는 일부 동작에 대한 상세한 설명을 생략할 수 있으나, 이는 설명의 중복을 방지하기 위한 것일 뿐이므로 치과 진단 방법은 전술한 치과 진단 장치를 동일하게 제공할 수 있다.
도 7은 본 개시의 일 실시예에 따른 치과 진단 방법의 흐름도이다.
도 7을 참조하면, 본 개시의 일 실시예에 따른 치과 진단 방법은 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 환자 정보에 따라 선별하는 데이터 선별 단계를 포함할 수 있다(S710). 일 예로, 치과 진단 장치는 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별할 수 있다. 예를 들어, 치과 진단 장치는 통신을 통해 연동되는 촬영 장치 또는 서버로부터 치아 상태를 촬영한 파노라마 영상 데이터를 수집할 수 있다. 또한, 수집된 파노라마 영상 데이터는 환자의 치아 모양, 악골, 뼈 구조 등을 포함할 수 있다. 다른 예를 들어, 치과 진단 장치는 수집된 파노라마 영상 데이터를 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보로 라벨링하여 선별할 수 있다. 구체적으로, 치아 상태는 환자의 연령, 성별 또는 인종에 따라 특징이 다양하게 나타나기 때문에 환자 정보는 치아의 연령을 판단할 수 있는 중요한 요인이 될 수 있다.
일 실시예에 따른 치과 진단 방법은 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별하는 데이터 선별 단계를 포함할 수 있다(S710). 일 예로, 치과 진단 장치는 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 환자의 치아 연령을 판단할 수 있다. 예를 들어, 치과 진단 장치는 는 파노라마 영상 데이터로부터 연령 정보에 기초하여 연령 별로 선별된 훈련 데이터로 훈련시켜 치아 연령을 판단하는 분류(Classification) 및 연령 별로 선별되지 않은 파노라마 영상 데이터를 유사성을 기준으로 그룹 짓는 군집화(Clustering)를 수행하는 인공 지능 기법을 적용할 수 있다. 또한, 치과 진단 장치는 는 파노라마 영상 데이터로부터 연령 정보에 기초하여 연령 별로 선별된 훈련 데이터로 훈련시켜 치아 연령을 판단하는 분류(Classification) 및 연령 별로 선별되지 않은 파노라마 영상 데이터를 유사성을 기준으로 그룹 짓는 군집화(Clustering)를 수행하는 인공 지능 기법을 적용할 수 있다.
다른 일 예로, 치과 진단 장치는 미리 설정된 연령을 기준으로 환자를 어른 또는 어린이로 판단하고, 판단 결과에 따라 미리 설정된 판단 기법 중 적어도 하나의 기법을 선택하여 적용할 수 있다. 여기서, 어른에 적용되는 적어도 하나의 기법은 어린이에 적용되는 적어도 하나의 기법과 서로 상이할 수 있다. 예를 들어, 치과 진단 장치는 환자를 어른 또는 어린이로 판단하기 위해 특정 연령을 미리 설정할 수 있다. 그리고, 치과 진단 장치는 환자의 연령 정보에 기초하여 어른 또는 어린이로 판단하고, 판단 결과에 따라 미리 설정된 판단 기법을 적용하여 환자의 치아 연령을 판단할 수 있다. 다른 예를 들어, 치과 진단 장치는 환자가 어른이라고 판단되면, Gustafson 기법 및 TCI (tooth-coronal index) 기법 중 적어도 하나의 기법으로 설정된 판단 기법을 적용할 수 있다. 또 다른 예를 들어, 치과 진단 장치는 환자가 어린이라고 판단되면, Demirjian 기법, Willems 기법 및 Nolla 기법 중 적어도 하나의 기법으로 설정된 판단 기법을 적용할 수 있다. 다만, 각각의 기법은 일 예로, 어른과 어린이의 구분되는 특징에 따라 치아의 연령을 판단하는 판단 기법에 해당되면 이에 한정되는 것은 아니다.
일 실시예에 따른 치과 진단 방법은 환자의 치아 연령 판단을 위한 최적화 기법을 추천하는 기법 추천 단계를 포함할 수 있다(S730). 일 예로, 치과 진단 장치는 환자 정보에 따라 정확도가 높은 특정 기법을 결정하여 환자의 치아 연령 판단을 위한 최적화 기법으로 추천할 수 있다. 예를 들어, 치과 진단 장치는 환자의 실제 연령과 각각의 기법으로 판단한 치아 연령이 일치하는 정도를 비교하여 정확도가 높은 기법을 특정 기법으로 결정할 수 있다. 그리고, 치과 진단 장치는 결정된 특정 기법을 최적화 기법으로 추천할 수 있다. 또한, 치과 진단 장치는 환자 별로 연령 정보, 성별 정보 및 인종 정보의 조합이 서로 다름에 따라 각각의 환자에게 서로 다른 기법을 최적화 기법으로 추천할 수 있다.
이상에서 설명한 바와 같이 본 개시에 의하면, 치과 파노라마 영상 데이터에 대하여 인공 지능 기법을 포함한 적어도 하나의 이상의 기법을 적용하여 치아 연령을 판단하는 치과 진단 장치 및 방법을 제공할 수 있다. 또한, 환자의 치아 연령을 판단하기 위한 각각의 기법을 비교하여 환자의 연령, 성별 및 인종에 따라 최적화 기법을 추천하는 치과 진단 장치 및 방법을 제공할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (16)
- 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별하는 데이터 선별부;
환자의 파노라마 영상 데이터에 대하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 상기 환자의 치아 연령을 판단하는 연령 판단부; 및
상기 환자 정보에 따라 정확도가 높은 특정 기법을 결정하여 상기 환자의 치아 연령 판단을 위한 최적화 기법으로 추천하는 기법 추천부;를 포함하고,
상기 연령 판단부는,
미리 설정된 연령을 기준으로 상기 환자를 어른 또는 어린이로 판단하고, 판단 결과에 따라 상기 미리 설정된 판단 기법 중 적어도 하나의 기법을 선택하여 적용하되,
상기 어른에 적용되는 적어도 하나의 기법과 상기 어린이에 적용되는 적어도 하나의 기법은 서로 상이한 것을 특징으로 하는 치과 진단 장치. - 삭제
- 제 1 항에 있어서,
상기 연령 판단부는,
상기 환자가 어른이라고 판단되면, Gustafson 기법 및 TCI(Tooth-coronal index) 기법 중 적어도 하나의 기법으로 설정된 상기 판단 기법을 적용하는 것을 특징으로 하는 치과 진단 장치. - 제 1 항에 있어서,
상기 연령 판단부는,
상기 환자가 어린이라고 판단되면, Demirjian 기법, Willems 기법 및 Nolla 기법 중 적어도 하나의 기법으로 설정된 상기 판단 기법을 적용하는 것을 특징으로 하는 치과 진단 장치. - 제 1 항에 있어서,
상기 연령 판단부는,
상기 파노라마 영상 데이터로부터 상기 연령 정보에 기초하여 연령 별로 선별된 훈련 데이터로 훈련시켜 치아 연령을 판단하는 분류(Classification) 및 연령 별로 선별되지 않은 상기 파노라마 영상 데이터를 유사성을 기준으로 그룹 짓는 군집화(Clustering)를 수행하는 상기 인공 지능 기법을 적용하는 것을 특징으로 하는 치과 진단 장치. - 제 5 항에 있어서,
상기 연령 판단부는,
특정 연령을 기준으로 상기 특정 연령의 미만에 해당되면 연령을 제 1 단위로 하여 상기 훈련 데이터를 선별하고, 상기 특정 연령의 이상에 해당되면 연령을 제 2 단위로 하여 상기 훈련 데이터를 선별하는 것을 특징으로 하는 치과 진단 장치. - 제 1 항에 있어서,
상기 기법 추천부는,
상기 환자의 실제 연령과 각각의 기법으로 판단한 상기 치아 연령이 일치하는 정도를 비교하여 상기 특정 기법을 결정하고, 상기 특정 기법을 상기 최적화 기법으로 추천하는 것을 특징으로 하는 치과 진단 장치. - 제 7 항에 있어서,
상기 기법 추천부는,
환자 별로 상기 연령 정보, 상기 성별 정보 및 상기 인종 정보의 조합이 서로 다름에 따라 각각의 환자에게 서로 다른 기법을 상기 최적화 기법으로 추천하는 것을 특징으로 하는 치과 진단 장치. - 데이터 선별부가, 치아 상태를 촬영한 파노라마 영상 데이터를 수집하여 연령 정보, 성별 정보 및 인종 정보 중 적어도 하나의 환자 정보에 따라 선별하는 데이터 선별 단계;
연령 판단부가, 환자의 파노라마 영상 데이터에 대하여 인공 지능 기법 및 미리 설정된 판단 기법 중 적어도 하나의 기법을 적용하여 상기 환자의 치아 연령을 판단하는 연령 판단 단계; 및
기법 추천부가, 상기 환자 정보에 따라 정확도가 높은 특정 기법을 결정하여 상기 환자의 치아 연령 판단을 위한 최적화 기법으로 추천하는 기법 추천 단계;를 포함하고,
상기 연령 판단부는,
미리 설정된 연령을 기준으로 상기 환자를 어른 또는 어린이로 판단하고, 판단 결과에 따라 상기 미리 설정된 판단 기법 중 적어도 하나의 기법을 선택하여 적용하되,
상기 어른에 적용되는 적어도 하나의 기법과 상기 어린이에 적용되는 적어도 하나의 기법은 서로 상이한 것을 특징으로 하는 치과 진단을 위한 정보 제공 방법. - 삭제
- 제 9 항에 있어서,
상기 연령 판단부는,
상기 환자가 어른이라고 판단되면, Gustafson 기법 및 TCI(tooth-coronal index) 기법 중 적어도 하나의 기법으로 설정된 상기 판단 기법을 적용하는 것을 특징으로 하는 치과 진단을 위한 정보 제공 방법. - 제 9 항에 있어서,
상기 연령 판단부는,
상기 환자가 어린이라고 판단되면, Demirjian 기법, Willems 기법 및 Nolla 기법 중 적어도 하나의 기법으로 설정된 상기 판단 기법을 적용하는 것을 특징으로 하는 치과 진단을 위한 정보 제공 방법. - 제 9 항에 있어서,
상기 연령 판단부는,
상기 파노라마 영상 데이터로부터 상기 연령 정보에 기초하여 연령 별로 선별된 훈련 데이터로 훈련시켜 치아 연령을 판단하는 분류(Classification) 및 연령 별로 선별되지 않은 상기 파노라마 영상 데이터를 유사성을 기준으로 그룹 짓는 군집화(Clustering)를 수행하는 상기 인공 지능 기법을 적용하는 것을 특징으로 하는 치과 진단을 위한 정보 제공 방법. - 제 13 항에 있어서,
상기 연령 판단부는,
특정 연령을 기준으로 상기 특정 연령의 미만에 해당되면 연령을 제 1 단위로 하여 상기 훈련 데이터를 선별하고, 상기 특정 연령의 이상에 해당되면 연령을 제 2 단위로 하여 상기 훈련 데이터를 선별하는 것을 특징으로 하는 치과 진단을 위한 정보 제공 방법. - 제 9 항에 있어서,
상기 기법 추천부는,
상기 환자의 실제 연령과 각각의 기법으로 판단한 상기 치아 연령이 일치하는 정도를 비교하여 상기 특정 기법을 결정하고, 상기 특정 기법을 상기 최적화 기법으로 추천하는 것을 특징으로 하는 치과 진단을 위한 정보 제공 방법. - 제 15 항에 있어서,
상기 기법 추천부는,
환자 별로 상기 연령 정보, 상기 성별 정보 및 상기 인종 정보의 조합이 서로 다름에 따라 각각의 환자에게 서로 다른 기법을 상기 최적화 기법으로 추천하는 것을 특징으로 하는 치과 진단을 위한 정보 제공 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210128620A KR102652766B1 (ko) | 2021-09-29 | 2021-09-29 | 치과 진단 장치 및 치과 진단을 위한 정보 제공 방법 |
| PCT/KR2022/011200 WO2023054876A1 (ko) | 2021-09-29 | 2022-07-29 | 치과 진단 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210128620A KR102652766B1 (ko) | 2021-09-29 | 2021-09-29 | 치과 진단 장치 및 치과 진단을 위한 정보 제공 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230045838A KR20230045838A (ko) | 2023-04-05 |
| KR102652766B1 true KR102652766B1 (ko) | 2024-04-01 |
Family
ID=85783090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210128620A KR102652766B1 (ko) | 2021-09-29 | 2021-09-29 | 치과 진단 장치 및 치과 진단을 위한 정보 제공 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102652766B1 (ko) |
| WO (1) | WO2023054876A1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019527073A (ja) * | 2016-07-29 | 2019-09-26 | ノバダック テクノロジーズ ユーエルシー | 機械学習を用いた、対象の組織を特徴付けるための方法およびシステム |
| KR102094377B1 (ko) * | 2019-04-12 | 2020-03-31 | 주식회사 이글루시큐리티 | 비지도학습 이상탐지를 위한 모델 선택 시스템 및 그 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2425656A1 (en) * | 2000-10-11 | 2002-04-18 | Philipp Lang | Methods and devices for analysis of x-ray images |
| KR101779800B1 (ko) * | 2016-09-27 | 2017-09-19 | 이재준 | 기계학습 기반 다면적 성장 평가 방법 및 시스템 |
| KR102128997B1 (ko) * | 2019-03-25 | 2020-07-02 | 본와이즈 주식회사 | 치아의 골 연령을 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체 |
| KR102330069B1 (ko) * | 2019-04-01 | 2021-11-24 | 주식회사 뷰노 | 치과 영상으로부터 피검체의 성별 및 연령을 판정하는 방법 및 이를 이용한 장치 |
-
2021
- 2021-09-29 KR KR1020210128620A patent/KR102652766B1/ko active IP Right Grant
-
2022
- 2022-07-29 WO PCT/KR2022/011200 patent/WO2023054876A1/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019527073A (ja) * | 2016-07-29 | 2019-09-26 | ノバダック テクノロジーズ ユーエルシー | 機械学習を用いた、対象の組織を特徴付けるための方法およびシステム |
| KR102094377B1 (ko) * | 2019-04-12 | 2020-03-31 | 주식회사 이글루시큐리티 | 비지도학습 이상탐지를 위한 모델 선택 시스템 및 그 방법 |
Non-Patent Citations (1)
| Title |
|---|
| ALSOLEIHAT 등, Age Prediction in the Adult Based on the Pulp-to-Tooth Ratio in Lower Third Molars. 2017 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023054876A1 (ko) | 2023-04-06 |
| KR20230045838A (ko) | 2023-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10568716B2 (en) | Methods and systems for employing artificial intelligence in automated orthodontic diagnosis and treatment planning | |
| JP7303531B2 (ja) | 人工知能に基づく困難な気道の評価方法及び装置 | |
| Kuru et al. | Biomedical visual data analysis to build an intelligent diagnostic decision support system in medical genetics | |
| Etemad et al. | Machine learning from clinical data sets of a contemporary decision for orthodontic tooth extraction | |
| JP6425393B2 (ja) | 予測システム、予測方法、および予測プログラム | |
| KR101710357B1 (ko) | 구강 건강 관리 시스템, 구강 건강 관리 엔진 및 구강 건강 관리 방법 | |
| CN111798445B (zh) | 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统 | |
| CN116246768B (zh) | 一种基于人工智能的mri影像检查智能分析管理系统 | |
| Sha et al. | Are tooth prints a hard tissue equivalence of finger print in mass disaster: a rationalized review | |
| CN117438048A (zh) | 一种精神科患者用心理障碍测评方法及系统 | |
| CN117423423B (zh) | 一种基于卷积神经网络的健康档案整合方法、设备及介质 | |
| Antolin et al. | Tooth condition classification for dental charting using convolutional neural network and image processing | |
| Milošević et al. | A comprehensive exploration of neural networks for forensic analysis of adult single tooth x-ray images | |
| KR102652766B1 (ko) | 치과 진단 장치 및 치과 진단을 위한 정보 제공 방법 | |
| Milošević et al. | automated sex assessment of individual adult tooth X-Ray images | |
| Hasan et al. | A new ensemble classifier for multivariate medical data | |
| JP7313603B1 (ja) | 歯科情報処理装置、歯科情報処理システム、プログラム及び歯科情報処理方法 | |
| Nassar | A prototype automatic dental identification system (ADIS) | |
| Jaiswal et al. | Classification and prediction of oral diseases in dentistry using an insight from panoramic radiographs and questionnaire | |
| Li et al. | Computer-aided disease diagnosis system in TCM based on facial image analysis | |
| CN116469148A (zh) | 一种基于面部结构识别的概率预测系统及预测方法 | |
| Kajiwara et al. | Using natural language processing to develop an automated orthodontic diagnostic system | |
| WO2023089347A1 (en) | Method and system for biometric identification | |
| Jayasinghe et al. | Effectiveness of Using Radiology Images and Mask R-CNN for Stomatology | |
| CN114240934A (zh) | 一种基于肢端肥大症的图像数据分析方法及系统 |
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 |