KR102672173B1 - 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법 - Google Patents
인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법 Download PDFInfo
- Publication number
- KR102672173B1 KR102672173B1 KR1020230049135A KR20230049135A KR102672173B1 KR 102672173 B1 KR102672173 B1 KR 102672173B1 KR 1020230049135 A KR1020230049135 A KR 1020230049135A KR 20230049135 A KR20230049135 A KR 20230049135A KR 102672173 B1 KR102672173 B1 KR 102672173B1
- Authority
- KR
- South Korea
- Prior art keywords
- teeth
- tooth
- area
- cavity
- width
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 33
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003702 image correction Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 210000002050 maxilla Anatomy 0.000 claims description 7
- 210000003464 cuspid Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 210000004373 mandible Anatomy 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 239000007943 implant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000002925 dental caries Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001847 jaw Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 시스템은 치과용 3D CBCT(Cone Beam CT) 영상을 상악영역 및 하악 영역 각각의 치아 배열 구조가 표시된 파노라마 영상을 획득하는 파노라마 영상 획득부; 몬테랄로 전사모사를 이용하여 상기 파노라마 영상의 산란선 분포도를 분석한 후, 산란선 분포도를 제거 또는 보정하는 영상 보정부; 딥러닝 학습 알고리즘을 이용하여 얼굴중심 위치를 기초로 상기 상악영역 및 하악영역 각각의 파노라마 영상 내에서 개별 치아 및 치아간 경계영역을 경계박스로 지정하는 치아 및 치아영역 분석부; 및 상기 경계박스 내에서 기 학습된 충치 모델링 정보와 매칭되는 ROI 영역을 검출하는 충치영역 판단부를 포함한다.
Description
본 발명은 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법에 관한 것이다.
치과에서는 임플란트 시술 때문에 치과용 CT가 많이 보급되어 있다.
이러한 치과용 CT는 주로 임플란트 심을 부위의 뼈의 폭경과 3차원 모양을 미리 확인하는 용도로 사용된다.
치과 진료 시, 치아 사이 충치는 치아 파괴에 매우 중요한 질환이며, 이를 발견하기가 매우 까다롭다 기존에 사용하는 파노라마 X선은 화면이라 두 치아가 겹치게 되면 불투명도가 증가하여 치아 사이의 충치를 식별할 만큼의 식별도가 높지 않다.
또는 구강용 스탠다드 X선을 평행하게 찍어야 하는데, 필름이 센서화하고 디지털화되면서 장비의 크기가 커지고 수직으로 정확히 위치시키기가 힘들 뿐만 아니라, 촬영물 내에 치아 간이 겹치는 문제가 발생한다.
따라서, 본 발명에서는 치과용 CT 영상 내의 치아 간의 단면을 잘라서 표시하고, 충치로 인한 캐비티(Cavity)를 인공지능 알고리즘을 이용하여 추출 및 판단이 가능한 시스템 및 방법을 개시하고자 한다.
본 발명이 해결하고자 하는 과제는 종래의 문제점을 해결할 수 있도록, 치과용 CT 영상 내의 치아 간의 단면을 잘라서 표시하고, 충치로 인한 캐비티(Cavity)를 인공지능 알고리즘을 이용하여 치아 간 인접면의 충치 발생 영역을 추출 및 판단할 수 있는 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법을 제공하는 데 그 목적이 있다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 시스템은 치과용 3D CBCT(Cone Beam CT) 영상을 상악영역 및 하악 영역 각각의 치아 배열 구조가 표시된 파노라마 영상을 획득하는 파노라마 영상 획득부; 상기 파노라마 영상의 산란선 분포도를 분석한 후, 산란선 분포도를 제거 또는 보정하는 파노라마 영상 보정부; 및 딥러닝 학습 알고리즘을 이용하여 얼굴중심 위치를 기초로 상기 상악영역 및 하악영역 각각의 파노라마 영상 내에서 개별 치아 및 치아간 경계영역을 경계박스로 지정하는 치아 및 치아 간 영역 분석부를 포함하고, 상기 치아 및 치아 간 영역 분석부는 미리 학습된 인공 신경망으로 구현되고, 상악 파노라마 영상과 하악 파노라마 영상을 인가받아 학습된 방식에 따라 신경망 연산하여 상악 파노라마 영상과 하악 파노라마 영상 각각에서 다수의 치아 각각의 개별 치아의 영역을 지정하는 경계 박스(폭, 넓이) 및 폭 넓이를 기초로 각 치아 종류를 추정하여 획득하는 치아 추정부; 추정된 치아들의 폭, 넓이를 기초로 앞니(Incisivus: I), 송곳니(Canine tooth: C), 작은 어금니(Premolar: P), 어금니(Molar: M)와 같이 4개의 클래스(I, C, P, M)로 구분하고, 식별코드를 부여하는 치아 식별코드 부여부; 상기 치아 추정부에서 추청된 치아들 간의 인접영역을 지정하는 경계박스(폭, 넓이) 및 폭 넓이를 기초로 치아 간 영역을 추정하여 획득하는 치아 및 치아 간 영역 추정부; 및 상기 치아 간 영역의 경계박스 내의 치아간 경계선을 ROI(Region of interest)으로 지정한 후, 경계선의 픽셀 값에 대한 평균 및 표준 편차를 획득하고, 이를 기초로 충치 ROI를 검출하는 충치 ROI 검출 및 판단부를 포함하고, 상기 충치 ROI 검출 및 판단부는 지정된 치아 간 경계박스의 픽셀 평균값과 표준편차값을 자동적으로 추출하고, 픽셀 위치에 따른 강도(intensity)를 나타내는 프로파일, 픽셀의 강도에 따른 범위를 나눈 히스토그램 정보를 획득하는 것을 특징으로 한다.
일 실시예에서, 상기 파노라마 영상 보정부는 파노라마 영상 내의 산란 성분 중 고주파 및 저주파 성분을 분석하는 산란선 분석부; 딥러닝 알고리즘을 훈련시키기 위한 목표 시뮬레이션 영상을 학습하여 생성하는 학습영상 생성부; 및 상기 파노라마 영상에 학습된 저주파 시뮬레이션 영상 및 고주파 시뮬레이션 영상을 합성한 파노라마 영상의 산란선을 보정하는 산란선 보정부를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 학습영상 생성부는 산란선 성분만 존재하는 산란선 목표 시뮬레이션 영상에 가우시안 블러(Gaussian Blur)를 적용하여 저주파 성분을 포함하는 저주파 시뮬레이션 영상을 획득하고, 산란선 시뮬레이션 영상에서 저주파 시뮬레이션 영상를 빼서 고주파 성분을 포함하는 고주파 시뮬레이션 영상을 학습하여 획득하는 것을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
일 실시예에서, 상기 치아 및 치아 간 영역 분석부는 치아 간 경계선 영역의 신호 대 잡음비 (Signal difference-to-oise ratio, SDNR) 및 대조도 대 잡음비(Contrast-to-noise ratio, CNR), 경계선 영역의 균일성 분석을 위한 변동 계수(Coefficient-of-variation, COV), 경계선 영역의 깊이 정보를 평가하기 위한 깊이 분해능 (Artifact spread function, ASF) 등의 파라미터값을 산출하고, 기 학습된 충치 파라미터(예컨대, SDNR, CNR, COV, ASF)와의 비교를 통해 충치 영역을 판단하는 것을 특징으로 한다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 방법은 파노라마 영상 획득부에서 치과용 3D CBCT(Cone Beam CT) 영상을 상악영역 및 하악 영역 각각의 치아 배열 구조가 표시된 파노라마 영상을 획득하는 단계; 파노라마 영상 보정부에서 상기 파노라마 영상의 산란선 분포도를 분석한 후, 산란선 분포도를 제거 또는 보정하는 단계; 치아 및 치아 간 영역 분석부에서 딥러닝 학습 알고리즘을 이용하여 얼굴중심 위치를 기초로 상기 상악영역 및 하악영역 각각의 파노라마 영상 내에서 개별 치아 및 치아간 경계영역을 경계박스로 지정하는 단계; 및 상기 치아 및 치아 간 영역 분석부에서 상기 경계박스 내에서 기 학습된 충치 파라미터 정보와 매칭되는 충치 ROI 영역을 검출하는 단계를 포함하고, 상기 경계박스로 지정하는 단계는, 미리 학습된 인공 신경망으로 구현되고, 상악 파노라마 영상과 하악 파노라마 영상을 인가받아 학습된 방식에 따라 신경망 연산하여 상악 파노라마 영상과 하악 파노라마 영상 각각에서 다수의 치아 각각의 개별 치아의 영역을 지정하는 경계 박스(폭, 넓이) 및 폭 넓이를 기초로 각 치아 종류를 추정하여 획득하는 단계; 및 상기 치아 및 치아 간 영역 분석부에서 추정된 치아들의 폭, 넓이를 기초로 앞니(Incisivus: I), 송곳니(Canine tooth: C), 작은 어금니(Premolar: P), 어금니(Molar: M)와 같이 4개의 클래스(I, C, P, M)로 구분하고, 식별코드를 부여하고, 추청된 치아들 간의 인접영역을 지정하는 경계박스(폭, 넓이) 및 폭 넓이를 기초로 치아 간 영역을 추정하는 단계를 포함하고, 상기 충치 ROI 영역을 검출하는 단계는 상기 치아 간 영역의 경계박스 내의 치아간 경계선을 ROI(Region of interest)으로 지정한 후, 경계선의 픽셀 값에 대한 평균 및 표준 편차를 획득하고, 이를 기초로 충치 ROI를 검출하고, 지정된 치아 간 경계박스의 픽셀 평균값과 표준편차값을 자동적으로 추출하고, 픽셀 위치에 따른 강도(intensity)를 나타내는 프로파일, 픽셀의 강도에 따른 범위를 나눈 히스토그램 정보를 획득하는 단계를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 제거 또는 보정하는 단계는 산란선 분석부에서 파노라마 영상 내의 산란 성분 중 고주파 및 저주파 성분을 분석하는 단계; 파노라마 학습영상 생성부에서 딥러닝 알고리즘을 훈련시키기 위한 목표 시뮬레이션 영상을 학습하여 생성하는 단계; 및 산란선 보정부에서 상기 파노라마 영상에 학습된 저주파 시뮬레이션 영상 및 고주파 시뮬레이션 영상을 합성한 파노라마 영상의 산란선을 보정하는 단계를 포함하는 것을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
삭제
일 실시예에서, 상기 충치 ROI 영역을 검출하는 단계는 치아 간 경계선 영역의 신호 대 잡음비 (Signal difference-to-oise ratio, SDNR) 및 대조도 대 잡음비(Contrast-to-noise ratio, CNR), 경계선 영역의 균일성 분석을 위한 변동 계수(Coefficient-of-variation, COV), 경계선 영역의 깊이 정보를 평가하기 위한 깊이 분해능 (Artifact spread function, ASF) 등의 파라미터값을 산출하고, 기 학습된 충치 파라미터(예컨대, SDNR, CNR, COV, ASF)와의 비교를 통해 충치 영역을 판단하는 단계를 더 포함하는 것을 특징으로 한다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
따라서, 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법을 이용하면, 치과용 CT 영상 내의 치아 간의 인접면에 발생한 충치를 빠르고 정확하게 추출 및 판단할 수 있다는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 시스템의 장치 구성도이다.
도 2는 도 1에 도시된 파노라마 영상 보정부의 세부 구성도이다
도 3은 도 1에 도시된 치아 및 치아 간 영역 분석부의 장치 구성도이다.
도 4는 도 3에 도시된 치아 추정부의 DnCNN 이용하여 치아를 추정하는 과정을 설명한 예시도이다.
도 5는 도 3에 도시된 치아 및 치아 간 영역 추정부에서 추정한 치아 및 치아 간 영역의 경계박스를 표시한 예시도이다.
도 6은 스탠다드 X-ray 및 파노라마 X-ray 에서 충치 ROI 영역을 표시한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 방법을 설명한 흐름도이다.
도 2는 도 1에 도시된 파노라마 영상 보정부의 세부 구성도이다
도 3은 도 1에 도시된 치아 및 치아 간 영역 분석부의 장치 구성도이다.
도 4는 도 3에 도시된 치아 추정부의 DnCNN 이용하여 치아를 추정하는 과정을 설명한 예시도이다.
도 5는 도 3에 도시된 치아 및 치아 간 영역 추정부에서 추정한 치아 및 치아 간 영역의 경계박스를 표시한 예시도이다.
도 6은 스탠다드 X-ray 및 파노라마 X-ray 에서 충치 ROI 영역을 표시한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 방법을 설명한 흐름도이다.
이하, 본 명세서의 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 명세서에 기재된 기술을 특정한 실시 형태에 대해 한정하는 것이 아니며, 본 명세서의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 명세서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 명세서에서 사용된 "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제 1 사용자 기기와 제 2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 명세서에 기재된 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 명세서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 명세서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 명세서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 명세서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 명세서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 명세서에서 정의된 용어일지라도 본 명세서의 실시예들을 배제하도록 해석될 수 없다.
이하, 첨부된 도면들에 기초하여 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법을 보다 상세하게 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 시스템의 장치 구성도이고, 도 2는 도 1에 도시된 파노라마 영상 보정부의 세부 구성도이고, 도 3은 도 1에 도시된 치아 및 치아 간 영역 분석부의 장치 구성도이고, 도 4는 도 3에 도시된 치아 추정부의 DnCNN 이용하여 치아를 추정하는 과정을 설명한 예시도이고, 도 5는 도 3에 도시된 치아 및 치아 간 영역 추정부에서 추정한 치아 및 치아 간 영역의 경계박스를 표시한 예시도이고, 도 6은 스탠다드 X-ray 및 파노라마 X-ray 에서 충치 ROI 영역을 표시한 예시도이다.
먼저, 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반의 인접면 충치 감별 시스템(100)은 파노라마 영상 획득부(110), 파노라마 영상 보정부(120) 및 치아 및 치아 간 영역 분석부(130)를 포함한다.
상기 파노라마 영상 획득부(110)는 치아 교정이나 임플란트 시술 등과 같은 치과 진료를 위해 턱 부근에 대해 촬영된 치과용 3D CBCT(Cone Beam CT) 영상으로부터 상악영역 및 하악 영역 각각의 치아 배열 구조가 표시된 파노라마 영상을 획득하는 구성일 수 있다.
상기 파노라마 영상 획득부(110)는 CBCT 영상에서 상악 영역과 하악 영역 각각에 대응하는 상악 영상들을 구분하여 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상을 획득하고, 획득된 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상을 획득 각각을 얼굴에서 종(longitudinal)방향으로 투사하여 상악 영상 및 하악 영상을 획득한다.
그리고 2개의 상악 영상 및 하악 영상 각각에서 개별 치아의 중심점을 검출하여 곡선으로 연결함으로써 상악과 하악 각각에서 치아가 배열된 위치를 나타내는 2개의 참조 곡선을 획득한다. 이후 CBCT 영상에서 획득된 2개의 참조 곡선 각각에 대응하는 픽셀들의 픽셀값을 참조 곡선에 따라 형성되는 평면 상에 투영함으로써, 상악과 하악 각각의 다수의 치아가 일렬로 펼쳐진 형태의 2개의 파노라마 영상을 획득할 수 있다
다음으로, 파노라마 영상 보정부(120)는 파노라마 영상의 산란선 분포도를 분석한 후, 산란선 분포도를 제거 또는 보정하는 구성일 수 있다.
보다 구체적으로, 상기 파노라마 영상 보정부(120)는 산란선 분포 분석부(121), 학습영상 생성부(122) 및 산란선 보정부(123)를 포함한다.
상기 산란선 분석부(121)는 파노라마 영상 내의 산란 성분 중 고주파 및 저주파 성분을 분석하는 구성일 수 있다.
상기 학습영상 생성부(122)는 딥러닝 알고리즘을 훈련시키기 위한 목표 시뮬레이션 영상을 학습하여 생성하는 구성일 수 있다.
상기 학습영상 생성부(122)는 산란선 성분만 존재하는 산란선 목표 시뮬레이션 영상에 가우시안 블러(Gaussian Blur)를 적용하여 저주파 성분을 포함하는 저주파 시뮬레이션 영상을 획득하고, 산란선 시뮬레이션 영상에서 저주파 시뮬레이션 영상를 빼서 고주파 성분을 포함하는 고주파 시뮬레이션 영상을 학습하여 획득할 수 있다.
여기서, 저주파 성분은 넓은 영역의 주변 픽셀들에 의해 발생하는 산란 성분이고, 고주파 성분은 주로 넓지 않은 영역의 주변 픽셀들에 의해 발생하는 잡음과 산란 성분일 수 있다
참고로, 학습영상 생성부(122)는 Ds-DRCNN(Dual Scale Learing of Dilated Residual CNN)의 두 가지 네트워크를 통해 학습된 저주파 시뮬레이션 영상 및 고주파 시뮬레이션 영상 각각을 생성한다.
이때, 상기 학습영상 생성부(122)는 각각의 네트워크에서 복수의 레이어들을 통해 해당 주파수 성분의 산란선 성분을 훈련시킬 수 있다.
다음으로 상기 산란선 보정부(123)는 파노라마 영상에 학습된 저주파 시뮬레이션 영상 및 고주파 시뮬레이션 영상을 합성한 파노라마 영상의 산란선을 보정하는 구성일 수 있다.
참고로, DnCNN은 네트워크 아키텍처 설계를 위해 VGG 네트워크를 영상의 잡음 제거에 적합하게 수정하고 최근의 잡음 제 거 방법에 사용되는 유효 패치 크기를 기반으로 네트워크의 깊이를 설정할 수 있다.
모델 학습의 경우 잔여 학습 전략을 채택하고 빠른 정규 훈련 및 향상된 잡음 제거 성능을 위해 배치 정규화를 적용할 수 있다. VGG 네트 워크에서 필터 크기를 3X3으로 설정하고 모든 풀링 레이어들(pooling layers)을 제거한다.
따라서, DnCNN의 수용영역 크기는 네트워크 깊이가 d일 때 (+1) X (+1)이 된다.
네트워크 깊이 d를 가지는 DnCNN에는 하기와 같이 세 종류의 레이어가 있다.
(1) Conv+ReLU는 첫 번째 레이어에 적용되며, 64개의 feature map 생성을 위해 3 X 3 X c 크기의 필터 64개가 사용된다. 활성화 함수 ReLU(Rectified Linear Units)를 적용하여 비선형성을 추가한다. 여기서, c는 영상의 채 널을 의미하는데, 예를 들어 그레이 영상일 경우 c=1이고, 컬러 영상일 경우 c=3이다.
(2) Conv+BN+ReLU는 2번째 레이어에서 (d-1) 번째 레이어에 적용되며, 3 X 3 X 64 크기의 필터 64개가 사용된 다. 그리고 배치 정규화(Batch Normalization, BN)가 합성곱(Convolution)과 ReLU 사이에 추가된다.
(3) Conv는 마지막 레이어에 적용되며, 결과영상의 재구성을 위해 3 X 3 X 64 크기의 필터 c개가 사용된다.
또한 중간 레이어의 각 feature map이 입력 영상과 동일한 크기를 가지도록 각 레이어의 합성곱 전에 제로패딩 (zero padding)을 적용한다.
상술한 바와 같이, 본 실시예에 따른 DnCNN의 구조를 사용하여 네트워크를 구성하지만 네트워크 깊이는 동일 또는 다르게 설정할 수 있다.
이를 통해, 두 가지 네트워크의 연산량을 동일하게 유지시켜 병렬로 배치된 네트워크들의 연산 효율을 높일 수 있다.
다음으로, 치아 및 치아 간 영역 분석부(130)는 딥러닝 학습 알고리즘을 이용하여 얼굴중심 위치를 기초로 상기 상악영역 및 하악영역 각각의 스탠다드 X-ray 및 파노라마 X-ray 내에서 개별 치아 및 치아간 경계영역을 경계박스로 지정하는 구성일 수 있다.
보다 구체적으로, 상기 치아 및 치아 간 분석부(130)는 치아 추정부(131), 치아 식별코드 부여부(132), 치아 및 치아 간 영역 추정부(133), 충치 ROI 검출부(134)를 포함한다.
상기 치아 추정부(131)는 미리 학습된 인공 신경망으로 구현되고, 상악 파노라마 영상과 하악 파노라마 영상을 인가받아 학습된 방식에 따라 신경망 연산하여 상악 파노라마 영상과 하악 파노라마 영상 각각에서 다수의 치아 각각의 개별 치아의 영역을 지정하는 경계 박스(폭, 넓이) 및 폭 넓이를 기초로 각 치아 종류를 추정하여 획득한다.
상기 치아 식별코드 부여부(132)는 추정된 치아들의 폭, 넓이를 기초로 앞니(Incisivus: I), 송곳니(Canine tooth: C), 작은 어금니(Premolar: P), 어금니(Molar: M)와 같이 4개의 클래스(I, C, P, M)로 구분하고, 식별코드를 부여한다.
상기 치아 및 치아 간 영역 추정부(133)는 치아 추정부(131)에서 추청된 치아들 간의 인접영역을 지정하는 경계박스(폭, 넓이) 및 폭 넓이를 기초로 치아 간 영역을 추정하여 획득한다.
상기 충치 ROI 검출 및 판단부(134)는 상기 치아 간 영역의 경계박스 내의 치아간 경계선을 ROI(Region of interest)으로 지정한 후, 경계선의 픽셀 값에 대한 평균 및 표준 편차를 획득하고, 이를 기초로 충치 ROI를 검출한다.
상기 충치 ROI 검출부(134)는 지정된 치아 간 경계박스의 픽셀 평균값과 표준편차값을 자동적으로 추출하고, 픽셀 위치에 따른 강도(intensity)를 나타내는 프로파일, 픽셀의 강도에 따른 범위를 나눈 히스토그램 정보를 획득할 수 있다.
상기 충치 ROI 검출부(134)는 치아 간 경계선 영역의 신호 대 잡음비 (Signal difference-to-oise ratio, SDNR) 및 대조도 대 잡음비(Contrast-to-noise ratio, CNR), 경계선 영역의 균일성 분석을 위한 변동 계수(Coefficient-of-variation, COV), 경계선 영역의 깊이 정보를 평가하기 위한 깊이 분해능 (Artifact spread function, ASF) 등의 파라미터값을 산출하고, 기 학습된 충치 파라미터(예컨대, SDNR, CNR, COV, ASF)와의 비교를 통해 충치 영역을 지정한다.
도 3은 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 방법을 설명한 흐름도이다.
도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 방법(S700)은 먼저, 파노라마 영상 획득부(110)에서 치과용 3D CBCT(Cone Beam CT) 영상을 상악영역 및 하악 영역 각각의 치아 배열 구조가 표시된 파노라마 영상을 획득(S710)한 후, 파노라마 영상 보정부(120)에서 상기 파노라마 영상의 산란선 분포도를 분석한 후, 산란선 분포도를 제거 또는 보정(S720)한다.
상기 S720 과정은 산란선 분석부에서 파노라마 영상 내의 산란 성분 중 고주파 및 저주파 성분을 분석(S721)한 후, 파노라마 학습영상 생성부에서 딥러닝 알고리즘을 훈련시키기 위한 목표 시뮬레이션 영상을 학습하여 생성(S722)하고, 산란선 보정부에서 상기 파노라마 영상에 학습된 저주파 시뮬레이션 영상 및 고주파 시뮬레이션 영상을 합성한 파노라마 영상의 산란선을 보정(S723)하는 과정을 포함한다.
상기 S720 과정이 완료되면, 치아 및 치아 간 영역 분석부(130)에서 딥러닝 학습 알고리즘을 이용하여 얼굴중심 위치를 기초로 상기 상악영역 및 하악영역 각각의 파노라마 영상 내에서 개별 치아 및 치아간 경계영역을 경계박스로 지정(S730)한 후, 상기 경계박스 내에서 기 학습된 충치 파라미터 정보와 매칭되는 충치 ROI 영역을 검출(S740)하는 과정을 포함한다.
상기 S730 과정은 미리 학습된 인공 신경망으로 구현되고, 상악 파노라마 영상과 하악 파노라마 영상을 인가받아 학습된 방식에 따라 신경망 연산하여 상악 파노라마 영상과 하악 파노라마 영상 각각에서 다수의 치아 각각의 개별 치아의 영역을 지정하는 경계 박스(폭, 넓이) 및 폭 넓이를 기초로 각 치아 종류를 추정하여 획득하는 단계를 포함할 수 있다.
또한, 상기 S720 과정은 상기 치아 및 치아 간 영역 분석부에서 추정된 치아들의 폭, 넓이를 기초로 앞니(Incisivus: I), 송곳니(Canine tooth: C), 작은 어금니(Premolar: P), 어금니(Molar: M)와 같이 4개의 클래스(I, C, P, M)로 구분하고, 식별코드를 부여하고, 추청된 치아들 간의 인접영역을 지정하는 경계박스(폭, 넓이) 및 폭 넓이를 기초로 치아 간 영역을 추정하는 단계를 포함할 수 있다.
다음으로, 상기 S730 과정은 상기 치아 간 영역의 경계박스 내의 치아간 경계선을 ROI(Region of interest)으로 지정한 후, 경계선의 픽셀 값에 대한 평균 및 표준 편차를 획득하고, 이를 기초로 충치 ROI를 검출하고, 지정된 치아 간 경계박스의 픽셀 평균값과 표준편차값을 자동적으로 추출하고, 픽셀 위치에 따른 강도(intensity)를 나타내는 프로파일, 픽셀의 강도에 따른 범위를 나눈 히스토그램 정보를 획득하는 단계를 포함할 수 있다.
또한, 치아 간 경계선 영역의 신호 대 잡음비 (Signal difference-to-oise ratio, SDNR) 및 대조도 대 잡음비(Contrast-to-noise ratio, CNR), 경계선 영역의 균일성 분석을 위한 변동 계수(Coefficient-of-variation, COV), 경계선 영역의 깊이 정보를 평가하기 위한 깊이 분해능 (Artifact spread function, ASF) 등의 파라미터값을 산출하고, 기 학습된 충치 파라미터(예컨대, SDNR, CNR, COV, ASF)와의 비교를 통해 충치 영역을 판단하는 단계를 더 포함할 수 있다.
따라서, 본 발명의 일 실시예에 따른 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법을 이용하면, 치과용 CT 영상 내의 치아 간의 인접면에 발생한 충치를 빠르고 정확하게 추출 및 판단할 수 있다는 이점이 있다.
본 발명의 일 실시예에서 사용된 “~부”는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 설명한 실시 예들은 그 일 예로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 인공지능 기반의 인접면 충치 감별 시스템
110: 파노라마 영상 획득부
120: 파노라마 영상 보정부
130: 치아 및 치아 간 영역 분석부
110: 파노라마 영상 획득부
120: 파노라마 영상 보정부
130: 치아 및 치아 간 영역 분석부
Claims (15)
- 치과용 3D CBCT(Cone Beam CT) 영상을 상악영역 및 하악 영역 각각의 치아 배열 구조가 표시된 파노라마 영상을 획득하는 파노라마 영상 획득부;
상기 파노라마 영상의 산란선 분포도를 분석한 후, 산란선 분포도를 제거 또는 보정하는 파노라마 영상 보정부; 및
딥러닝 학습 알고리즘을 이용하여 얼굴중심 위치를 기초로 상기 상악영역 및 하악영역 각각의 파노라마 영상 내에서 개별 치아 및 치아간 경계영역을 경계박스로 지정하는 치아 및 치아 간 영역 분석부를 포함하고,
상기 치아 및 치아 간 영역 분석부는
미리 학습된 인공 신경망으로 구현되고, 상악 파노라마 영상과 하악 파노라마 영상을 인가받아 학습된 방식에 따라 신경망 연산하여 상악 파노라마 영상과 하악 파노라마 영상 각각에서 다수의 치아 각각의 개별 치아의 영역을 지정하는 경계 박스(폭, 넓이) 및 폭 넓이를 기초로 각 치아 종류를 추정하여 획득하는 치아 추정부;
추정된 치아들의 폭, 넓이를 기초로 앞니(Incisivus: I), 송곳니(Canine tooth: C), 작은 어금니(Premolar: P), 어금니(Molar: M)와 같이 4개의 클래스(I, C, P, M)로 구분하고, 식별코드를 부여하는 치아 식별코드 부여부;
상기 치아 추정부에서 추정된 치아들 간의 인접영역을 지정하는 경계박스(폭, 넓이) 및 폭 넓이를 기초로 치아 간 영역을 추정하여 획득하는 치아 및 치아 간 영역 추정부; 및
상기 치아 간 영역의 경계박스 내의 치아간 경계선을 ROI(Region of interest)으로 지정한 후, 경계선의 픽셀 값에 대한 평균 및 표준 편차를 획득하고, 이를 기초로 충치 ROI를 검출하는 충치 ROI 검출 및 판단부를 포함하고,
상기 충치 ROI 검출 및 판단부는
지정된 치아 간 경계박스의 픽셀 평균값과 표준편차값을 자동적으로 추출하고, 픽셀 위치에 따른 강도(intensity)를 나타내는 프로파일, 픽셀의 강도에 따른 범위를 나눈 히스토그램 정보를 획득하는
인공지능 기반의 치아 간 인접면 충치 감별 시스템.
- 제1항에 있어서,
상기 파노라마 영상 보정부는
파노라마 영상 내의 산란 성분 중 고주파 및 저주파 성분을 분석하는 산란선 분석부;
딥러닝 알고리즘을 훈련시키기 위한 목표 시뮬레이션 영상을 학습하여 생성하는 학습영상 생성부; 및
상기 파노라마 영상에 학습된 저주파 시뮬레이션 영상 및 고주파 시뮬레이션 영상을 합성한 파노라마 영상의 산란선을 보정하는 산란선 보정부를 포함하는 것을 특징으로 하는,
인공지능 기반의 치아 간 인접면 충치 감별 시스템.
- 제2항에 있어서,
상기 학습영상 생성부는
산란선 성분만 존재하는 산란선 목표 시뮬레이션 영상에 가우시안 블러(Gaussian Blur)를 적용하여 저주파 성분을 포함하는 저주파 시뮬레이션 영상을 획득하고, 산란선 시뮬레이션 영상에서 저주파 시뮬레이션 영상를 빼서 고주파 성분을 포함하는 고주파 시뮬레이션 영상을 학습하여 획득하는 것을 특징으로 하는,
인공지능 기반의 치아 간 인접면 충치 감별 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 치아 및 치아 간 영역 분석부는
치아 간 경계선 영역의 신호 대 잡음비 (Signal difference-to-oise ratio, SDNR) 및 대조도 대 잡음비(Contrast-to-noise ratio, CNR), 경계선 영역의 균일성 분석을 위한 변동 계수(Coefficient-of-variation, COV), 경계선 영역의 깊이 정보를 평가하기 위한 깊이 분해능 (Artifact spread function, ASF) 등의 파라미터값을 산출하고, 기 학습된 충치 파라미터(예컨대, SDNR, CNR, COV, ASF)와의 비교를 통해 충치 영역을 판단하는 것을 특징으로 하는
인공지능 기반의 치아 간 인접면 충치 감별 시스템.
- 파노라마 영상 획득부에서 치과용 3D CBCT(Cone Beam CT) 영상을 상악영역 및 하악 영역 각각의 치아 배열 구조가 표시된 파노라마 영상을 획득하는 단계;
파노라마 영상 보정부에서 상기 파노라마 영상의 산란선 분포도를 분석한 후, 산란선 분포도를 제거 또는 보정하는 단계;
치아 및 치아 간 영역 분석부에서 딥러닝 학습 알고리즘을 이용하여 얼굴중심 위치를 기초로 상기 상악영역 및 하악영역 각각의 파노라마 영상 내에서 개별 치아 및 치아간 경계영역을 경계박스로 지정하는 단계; 및
상기 치아 및 치아 간 영역 분석부에서 상기 경계박스 내에서 기 학습된 충치 파라미터 정보와 매칭되는 충치 ROI 영역을 검출하는 단계를 포함하고,
상기 경계박스로 지정하는 단계는,
미리 학습된 인공 신경망으로 구현되고, 상악 파노라마 영상과 하악 파노라마 영상을 인가받아 학습된 방식에 따라 신경망 연산하여 상악 파노라마 영상과 하악 파노라마 영상 각각에서 다수의 치아 각각의 개별 치아의 영역을 지정하는 경계 박스(폭, 넓이) 및 폭 넓이를 기초로 각 치아 종류를 추정하여 획득하는 단계; 및
상기 치아 및 치아 간 영역 분석부에서 추정된 치아들의 폭, 넓이를 기초로 앞니(Incisivus: I), 송곳니(Canine tooth: C), 작은 어금니(Premolar: P), 어금니(Molar: M)와 같이 4개의 클래스(I, C, P, M)로 구분하고, 식별코드를 부여하고, 추정된 치아들 간의 인접영역을 지정하는 경계박스(폭, 넓이) 및 폭 넓이를 기초로 치아 간 영역을 추정하는 단계를 포함하고,
상기 충치 ROI 영역을 검출하는 단계는
상기 치아 간 영역의 경계박스 내의 치아간 경계선을 ROI(Region of interest)으로 지정한 후, 경계선의 픽셀 값에 대한 평균 및 표준 편차를 획득하고, 이를 기초로 충치 ROI를 검출하고,
지정된 치아 간 경계박스의 픽셀 평균값과 표준편차값을 자동적으로 추출하고, 픽셀 위치에 따른 강도(intensity)를 나타내는 프로파일, 픽셀의 강도에 따른 범위를 나눈 히스토그램 정보를 획득하는 단계를 포함하는 것을 특징으로 하는
인공지능 기반의 치아 간 인접면 충치 감별 방법.
- 제10항에 있어서,
상기 제거 또는 보정하는 단계는
산란선 분석부에서 파노라마 영상 내의 산란 성분 중 고주파 및 저주파 성분을 분석하는 단계;
파노라마 학습영상 생성부에서 딥러닝 알고리즘을 훈련시키기 위한 목표 시뮬레이션 영상을 학습하여 생성하는 단계; 및
산란선 보정부에서 상기 파노라마 영상에 학습된 저주파 시뮬레이션 영상 및 고주파 시뮬레이션 영상을 합성한 파노라마 영상의 산란선을 보정하는 단계를 포함하는 것을 특징으로 하는,
인공지능 기반의 치아 간 인접면 충치 감별 방법.
- 삭제
- 삭제
- 삭제
- 제10항에 있어서,
상기 충치 ROI 영역을 검출하는 단계는
치아 간 경계선 영역의 신호 대 잡음비 (Signal difference-to-oise ratio, SDNR) 및 대조도 대 잡음비(Contrast-to-noise ratio, CNR), 경계선 영역의 균일성 분석을 위한 변동 계수(Coefficient-of-variation, COV), 경계선 영역의 깊이 정보를 평가하기 위한 깊이 분해능 (Artifact spread function, ASF) 등의 파라미터값을 산출하고, 기 학습된 충치 파라미터(예컨대, SDNR, CNR, COV, ASF)와의 비교를 통해 충치 영역을 판단하는 단계를 더 포함하는 것을 특징으로 하는
인공지능 기반의 치아 간 인접면 충치 감별 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230049135A KR102672173B1 (ko) | 2023-04-14 | 2023-04-14 | 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230049135A KR102672173B1 (ko) | 2023-04-14 | 2023-04-14 | 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102672173B1 true KR102672173B1 (ko) | 2024-06-07 |
Family
ID=91480777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230049135A KR102672173B1 (ko) | 2023-04-14 | 2023-04-14 | 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102672173B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130128124A (ko) * | 2012-05-16 | 2013-11-26 | 주식회사바텍 | 파노라마 영상 데이터 제공 방법 및 장치 |
| KR20200059712A (ko) * | 2018-11-21 | 2020-05-29 | 이희신 | 엑스선 영상 산란 보정 시스템 및 방법 |
| KR20220019860A (ko) * | 2020-08-10 | 2022-02-18 | 주식회사 위노아이 | 딥러닝 알고리즘을 이용한 치아 검진 방법 |
| KR20230014895A (ko) | 2021-07-21 | 2023-01-31 | 오스템임플란트 주식회사 | 치과용 영상 제공장치 및 이를 이용한 화면 제공방법 |
| KR20230030197A (ko) * | 2021-08-25 | 2023-03-06 | 연세대학교 산학협력단 | 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법 |
-
2023
- 2023-04-14 KR KR1020230049135A patent/KR102672173B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130128124A (ko) * | 2012-05-16 | 2013-11-26 | 주식회사바텍 | 파노라마 영상 데이터 제공 방법 및 장치 |
| KR20200059712A (ko) * | 2018-11-21 | 2020-05-29 | 이희신 | 엑스선 영상 산란 보정 시스템 및 방법 |
| KR20220019860A (ko) * | 2020-08-10 | 2022-02-18 | 주식회사 위노아이 | 딥러닝 알고리즘을 이용한 치아 검진 방법 |
| KR20230014895A (ko) | 2021-07-21 | 2023-01-31 | 오스템임플란트 주식회사 | 치과용 영상 제공장치 및 이를 이용한 화면 제공방법 |
| KR20230030197A (ko) * | 2021-08-25 | 2023-03-06 | 연세대학교 산학협력단 | 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11348237B2 (en) | Artificial intelligence architecture for identification of periodontal features | |
| US20200372301A1 (en) | Adversarial Defense Platform For Automated Dental Image Classification | |
| Gan et al. | Toward accurate tooth segmentation from computed tomography images using a hybrid level set model | |
| Gao et al. | Individual tooth segmentation from CT images using level set method with shape and intensity prior | |
| Oliveira et al. | Caries detection in panoramic dental X-ray images | |
| US7460700B2 (en) | Image processing method and computer-readable recording medium containing image processing program | |
| Lo Giudice et al. | Fully automatic segmentation of the mandible based on convolutional neural networks (CNNs) | |
| Hosntalab et al. | Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set | |
| KR102373500B1 (ko) | 딥러닝을 이용한 3차원 의료 영상 데이터의 특징점 자동 검출 방법 및 장치 | |
| US10456225B2 (en) | Method for clearing of virtual representations of objects | |
| US20230206451A1 (en) | Method for automatic segmentation of a dental arch | |
| CN110555852B (zh) | 基于灰度直方图的单牙及其牙髓分割方法 | |
| Wang et al. | A segmentation and classification scheme for single tooth in MicroCT images based on 3D level set and k-means++ | |
| CN108885786B (zh) | 医学图像处理 | |
| CA2797326C (en) | Image analysis method | |
| KR102672173B1 (ko) | 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법 | |
| KR20230164633A (ko) | 3차원 치아 이미지 표시 장치 및 방법, 그리고 3차원 치아 이미지 표시 장치를 학습시키는 방법 | |
| Johari et al. | Metal artifact suppression in dental cone beam computed tomography images using image processing techniques | |
| CN114299081B (zh) | 一种上颌窦cbct图像分割方法、装置、存储介质及电子设备 | |
| Pavaloiu et al. | Automatic segmentation for 3D dental reconstruction | |
| KR20200012707A (ko) | 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스 | |
| KR20230030197A (ko) | 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법 | |
| Pandyan et al. | Automatic localization of inferior alveolar nerve canal in panoramic dental images | |
| Karthikeyan et al. | A novel approach for inferior alveolar nerve (IAN) injury identification using panoramic radiographic image | |
| Choi et al. | Automatic detection of inferior alveolar nerve canal from cone-beam computed tomography images for dental surgery planning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |