KR20230007661A - Ai 학습을 위한 임플란트 클래스 분류 방법 - Google Patents
Ai 학습을 위한 임플란트 클래스 분류 방법 Download PDFInfo
- Publication number
- KR20230007661A KR20230007661A KR1020210088267A KR20210088267A KR20230007661A KR 20230007661 A KR20230007661 A KR 20230007661A KR 1020210088267 A KR1020210088267 A KR 1020210088267A KR 20210088267 A KR20210088267 A KR 20210088267A KR 20230007661 A KR20230007661 A KR 20230007661A
- Authority
- KR
- South Korea
- Prior art keywords
- implant
- image
- class
- learning
- classified
- Prior art date
Links
- 239000007943 implant Substances 0.000 title claims abstract description 299
- 238000000034 method Methods 0.000 title claims abstract description 145
- 230000008569 process Effects 0.000 claims abstract description 88
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 57
- 230000037237 body shape Effects 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 13
- 239000002131 composite material Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 238000010191 image analysis Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001519 tissue Anatomy 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
- A61B5/48—Other medical applications
- A61B5/4851—Prosthesis assessment or monitoring
-
- 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
- A61B6/12—Arrangements for detecting or locating foreign bodies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C8/00—Means to be fixed to the jaw-bone for consolidating natural teeth or for fixing dental prostheses thereon; Dental implants; Implanting tools
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C8/00—Means to be fixed to the jaw-bone for consolidating natural teeth or for fixing dental prostheses thereon; Dental implants; Implanting tools
- A61C8/0018—Means to be fixed to the jaw-bone for consolidating natural teeth or for fixing dental prostheses thereon; Dental implants; Implanting tools characterised by the shape
- A61C8/0022—Self-screwing
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30052—Implant; Prosthesis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Transplantation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
Abstract
본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법이 제공된다. 상기 AI 학습을 위한 임플란트 클래스 분류 방법은 임플란트 픽스처의 코로날 파트(coronal part), 미들 파트(middle part) 및 에이피칼 파트(apical part)를 인식하는 구조 인식 과정; 상기 코로날 파트, 미들 파트 및 에이피칼 파트의 형상을 머신러닝 기법에 의해 패턴 분석하는 패턴 분석 과정; 상기 코로날 파트, 미들 파트 및 에이피칼 파트의 형상에 기반하여, AI 학습 데이터 세트를 구성하는 AI 학습 데이터 세트 구성 과정을 포함한다.
Description
본 발명은 임플란트 클래스 분류 방법에 관한 것이다. 보다 상세하게는, AI 학습을 위한 임플란트 클래스 분류 방법 및 장치에 대한 것이다.
임플란트는 임플란트 픽스처(implant fixture)와 어버트먼트(abutment)와 보철물(crown)을 포함하여 이루어질 수 있다. 이와 관련하여, 임플란트는, 결손된 치아의 수복을 위한 보철물을 치조골에 지지시켜 줄 수 있도록, 치조골에 식립되는 고정체를 의미한다. 한편, 어버트먼트는, 상기 임플란트와 보철물 간의 연결을 위한 임플란트에 결합되는 기둥을 의미한다. 또한, 보철물은 환자의 치아와 유사한 형태로 제작되는 것을 의미한다.
한편, 이러한 임플란트 픽스처가 장착된 잇몸을 포함하는 카메라 이미지 또는 X-ray 이미지로부터 해당 모델에 대한 검색 및 자동 식별이 수행될 필요가 있다. 특히, 치과 의사와 같은 사용자가 환자의 X-ray 이미지로부터 해당 모델에 대한 검색 및 자동 식별이 필요하다. 하지만, 환자가 임플란트 모델에 대하여 알고 있지 않은 경우, 어느 임플란트 모델인지를 알 수 없다는 문제점이 있다.
또한, 환자가 임플란트 모델에 대하여 알고 있거나 이전 시술 정보로부터 임플란트 모델을 알 수 있는 경우에도, 환자의 X-ray 이미지로부터 해당 모델에 대한 검색 및 자동 식별을 통해 해당 모델에 대한 검증이 필요하다.
또한, 여러 제조사에서 제조하는 다양한 모델과 다양한 사이즈의 임플란트 모델에 대한 상세 정보가 제공될 필요가 있다. 치과 의사와 같은 사용자가 임플란트 모델을 이전 시술 정보로부터 알 수 있는 경우에도, 해당 임플란트 모델에 대한 상세 정보를 다시 검색해야 하는 문제점이 있다. 또한, 해당 임플란트 모델에 대한 시술 방법 등에 대한 노하우를 별도로 습득해야 하는 문제점이 있다.
이와 관련하여, 임플란트 픽스처 전체를 하나의 기본 단위로 분류하여 인공지능 학습을 수행할 수 있다. 하지만, 임플란트 픽스처 전체를 하나의 기본 단위로 분류하는 인공지능 학습 방식은 광범위한 모델을 모두 적용하여 학습 데이터로 구성하기에 어려움이 많다는 문제점이 있다.
따라서, 본 발명의 목적은 전술한 문제를 해결하기 위해, AI 학습을 위한 임플란트 클래스 분류 방법 및 장치를 제공함에 있다.
또한, 본 발명의 목적은 임플란트 X-ray 이미지에 기반하여 임플란트를 자동으로 식별하여 분류하고 임플란트 X-ray 이미지로부터 해당 모델을 검색하는 기능을 제공함에 있다.
상기와 같은 과제를 해결하기 위한 본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법이 제공된다. 상기 AI 학습을 위한 임플란트 클래스 분류 방법은 임플란트 픽스처의 코로날 파트(coronal part), 미들 파트(middle part) 및 에이피칼 파트(apical part)를 인식하는 구조 인식 과정; 상기 코로날 파트, 미들 파트 및 에이피칼 파트의 형상을 머신러닝 기법에 의해 패턴 분석하는 패턴 분석 과정; 상기 코로날 파트, 미들 파트 및 에이피칼 파트의 형상에 기반하여, AI 학습 데이터 세트를 구성하는 AI 학습 데이터 세트 구성 과정을 포함한다.
일 실시예에 따르면, 상기 방법은 입력된 특정 임플란트의 이미지로부터, 코로날 파트, 미들 파트 및 에이피칼 파트의 각각의 형상을 추출하고, 상기 추출된 각각의 형상 및 상기 AI 학습 데이터 세트에 기반하여 상기 입력된 특정 임플란트의 종류 및 특성을 판별하는 임플란트 종류/특성 판별 과정을 더 포함할 수 있다.
일 실시예에 따르면, 상기 AI 학습 데이터 세트 구성 과정에서, 상기 코로날 파트는 상기 임플란트 픽스처의 상단 부분의 나사선 형태(thread design)에 따라 복수의 클래스 중 어느 하나로 분류되고, 상기 미들 파트는 상기 임플란트 픽스처의 중간 부분의 몸통 형태(body design) 및 나사선 형태에 따라 복수의 클래스로 분류되고, 상기 에이피칼 파트는 상기 임플란트 픽스처의 하단 부분의 몸통 형태 및 홀 형상에 따라 복수의 클래스로 분류될 수 있다.
일 실시예에 따르면, 상기 패턴 분석 과정에서, 상기 임플란트 픽스처가 포함된 임플란트 이미지가 X-ray 이미지이면 코로날 파트의 연결 특징(connection feature), 연결 색상(connection color) 및 연결 타입(connection type)의 패턴을 분석하지 않고, 상기 코로날 파트의 마이크로 나사선(micro thread) 유무 및 마이크로 나사선의 형태의 패턴을 분석할 수 있다.
일 실시예에 따르면, 상기 AI 학습 데이터 세트 구성 과정 및 상기 임플란트 종류/특성 판별 과정에서, 상기 마이크로 나사선이 있는 것으로 판단되면, 상기 코로날 파트는 마이크로 나사선이 있는 V-shaped, rounded, square, buttress, reverse buttress, fin, no threads 중 어느 하나의 클래스로 분류되고, 상기 마이크로 나사선이 없는 것으로 판단되면, 상기 코로날 파트는 마이크로 나사선이 없는 V-shaped, rounded, no threads, fin, square, buttress, reverse buttress 중 어느 하나의 클래스로 분류될 수 있다.
일 실시예에 따르면, 상기 AI 학습 데이터 세트 구성 과정 및 상기 임플란트 종류/특성 판별 과정에서, 상기 미들 파트의 몸통 형태가 straight, tapered 중 어느 하나로 분류되고, 상기 미들 파트의 나사선 형태가 V-shaped, rounded, no threads, fin, buttress, reverse buttress, square 중 어느 하나의 클래스로 분류될 수 있다.
일 실시예에 따르면, 상기 AI 학습 데이터 세트 구성 과정 및 상기 임플란트 종류/특성 판별 과정에서, 상기 에이피칼 파트의 그루브(groove)가 있음, 없음 중 어느 하나의 클래스로 분류되고, 상기 에이피칼 파트의 홀이 no hole, round, oblong 중 어느 하나의 클래스로 분류되고, 상기 에이피칼 파트의 파트 형상이 straight, tapered 중 어느 하나의 클래스로 분류되고, 상기 에이피칼 파트의 apex 형상이 flat, cone, dome, semi-dome, flared 중 어느 하나의 클래스로 분류될 수 있다.
일 실시예에 따르면, 상기 임플란트 종류/특성 판별 과정은 상기 특정 임플란트의 이미지를 입력받는 임플란트 이미지 입력 과정; 상기 입력된 특정 임플란트의 이미지로부터 임플란트 픽스처의 상기 마이크로 나사선의 유무에 따른 상기 코로날 파트의 형태, 상기 미들 파트의 몸통 형태 및 나사선 형태와 상기 에이피칼 파트의 그루브 유무, 홀 형태 및 몸통 형태에 관한 클래스 기반 특성을 추출하는 클래스 기반 특성 추출 과정; 및 상기 추출된 클래스 기반 특성과 상기 AI 학습 데이터 세트에 기반하여 상기 입력된 특정 임플란트의 종류 및 특성을 판별하는 클래스 기반 임플란트 종류/특성 판별 과정을 포함할 수 있다.
일 실시예에 따르면, 상기 임플란트 이미지 입력 과정에서, 검색하고자 하는 임플란트의 X-ray 이미지가 입력할 수 있는 화면 영역을 사용자 단말의 디스플레이 상에 표시하고, 상기 화면 영역 상에 사용자 입력이 인가되고, 특정 X-ray 이미지가 선택되면, 하나 이상의 임플란트 이미지가 포함된 상기 특정 X-ray 이미지를 상기 디스플레이 상에 표시하고, 상기 하나 이상의 임플란트 이미지 중 가이드 박스 내에 제2 임플란트 이미지가 배치되면, 상기 가이드 박스 내에 위치한 제2 임플란트 이미지를 캡처하여 인공지능 서버로 전송하도록 제어할 수 있다.
일 실시예에 따르면, 상기 임플란트 이미지 입력 과정에서, 상기 제2 임플란트 이미지로부터 각 부위 별로 각 특징 요소를 검색하여 상기 각 특징 요소를 합성하면서 최종 합성 이미지를 생성하고, 상기 제2 임플란트 이미지와 각 부위의 식별 정보에 따른 최종 합성 이미지를 상기 디스플레이 상에 표시하고, 상기 최종 합성 이미지는 상기 각 부위 별로 각 특징 요소가 다른 부분과 구별되도록 표시할 수 있다.
일 실시예에 따르면, 상기 클래스 기반 임플란트 종류/특성 판별 과정을 수행한 이후, 상기 디스플레이 상에 표시된 검색 버튼이 선택되면, 상기 제2 임플란트 이미지와 상기 최종 합성 이미지에 기반하여 상기 선택된 특정 X-ray 이미지에 최적 매칭되는 특정 임플란트를 검색하는 임플란트 검색 과정을 더 포함할 수 있다. 상기 임플란트 검색 과정에서, 상기 최적 매칭되는 특정 임플란트와 상기 특정 임플란트에 대한 연관 정보를 상기 디스플레이 상에 표시할 수 있다.
본 발명의 적어도 일 실시예에 따르면, AI 학습을 위한 임플란트 클래스 분류 방법 및 장치를 제공할 수 있다는 장점이 있다.
또한, 본 발명의 적어도 일 실시예에 따르면, 코로날 파트(410), 미들 파트(420) 및 에이피칼 파트(430)의 형상을 머신러닝 기법에 의해 패턴 분석하여, 임플란트 종류 및 특성을 판별 할 수 있다는 장점이 있다.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
도 1a 내지 도 1c는 본 발명에 따른 임플란트 검색 및 자동 식별을 수행할 수 있는 어플리케이션 프로그램의 실행 전 및 실행 후의 화면을 나타낸다.
도 2a 및 도 2b는 임플란트 자동 식별 기능에 해당하는 scan implant 모듈이 실행되는 경우, 이미지 취득 및 이미지 전송과 연관된 화면을 나타낸다.
도 3은 본 발명에 따른 임플란트 검색 및 자동 식별 장치와 이를 포함하는 시스템의 상세 구성을 나타낸다.
도 4a는 임플란트 픽스처를 코로날 파트(410)(coronal part), 미들 파트(420)(middle part) 및 에이피칼 파트(430)(apical part)로 분류한 구조를 나타낸다.
도 4b는 본 발명에 따른 임플란트 픽스처의 구조 세분화에 따른 분류 방법의 예시를 나타낸다.
도 5는 본 발명에 따른 임플란트 픽스처의 구조 세분화 과정과 패턴 분석을 통한 클래스 분류 과정의 개념도를 나타낸다.
도 6a 및 6b는 본 발명에 따른 임플란트 픽스처 중 코로날 파트(410)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 7은 본 발명에 따른 마이크로 스레드가 있는 경우 각 클래스 분류에 해당할 수 있는 코로날 파트(410)의 나사선 형상을 나타낸다.
도 8a 및 8b는 본 발명에 따른 임플란트 픽스처 중 미들 파트(420)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 9는 본 발명에 따른 임플란트 픽스처의 미들 파트(420)가 straight type인 경우 각 클래스 분류에 해당할 수 있는 미들 파트(420)의 나사선 형상을 나타낸다.
도 10은 본 발명에 따른 임플란트 픽스처의 미들 파트(420)가 tapered인 경우 각 클래스 분류에 해당할 수 있는 미들 파트(420)의 나사선 형상을 나타낸다.
도 11a 및 11b는 본 발명에 따른 임플란트 픽스처 중 에이피칼 파트(430)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 12는 본 발명에 따른 임플란트 픽스처의 에이피칼 파트(430)가 그루브가 yes이고 no hole인 경우에 각각의 형상이 flat, cone, dome, flared인 경우를 나타낸다.
도 13은 본 발명에 따른 에이피칼 파트(430)의 그루브 유무, 홀의 유무 및 홀의 형태와 에이피칼 파트의 형상에 따라 나올 수 있는 모델들 중 몇가지 예시를 나타낸다.
도 14는 본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법의 흐름도를 나타낸다.
도 2a 및 도 2b는 임플란트 자동 식별 기능에 해당하는 scan implant 모듈이 실행되는 경우, 이미지 취득 및 이미지 전송과 연관된 화면을 나타낸다.
도 3은 본 발명에 따른 임플란트 검색 및 자동 식별 장치와 이를 포함하는 시스템의 상세 구성을 나타낸다.
도 4a는 임플란트 픽스처를 코로날 파트(410)(coronal part), 미들 파트(420)(middle part) 및 에이피칼 파트(430)(apical part)로 분류한 구조를 나타낸다.
도 4b는 본 발명에 따른 임플란트 픽스처의 구조 세분화에 따른 분류 방법의 예시를 나타낸다.
도 5는 본 발명에 따른 임플란트 픽스처의 구조 세분화 과정과 패턴 분석을 통한 클래스 분류 과정의 개념도를 나타낸다.
도 6a 및 6b는 본 발명에 따른 임플란트 픽스처 중 코로날 파트(410)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 7은 본 발명에 따른 마이크로 스레드가 있는 경우 각 클래스 분류에 해당할 수 있는 코로날 파트(410)의 나사선 형상을 나타낸다.
도 8a 및 8b는 본 발명에 따른 임플란트 픽스처 중 미들 파트(420)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 9는 본 발명에 따른 임플란트 픽스처의 미들 파트(420)가 straight type인 경우 각 클래스 분류에 해당할 수 있는 미들 파트(420)의 나사선 형상을 나타낸다.
도 10은 본 발명에 따른 임플란트 픽스처의 미들 파트(420)가 tapered인 경우 각 클래스 분류에 해당할 수 있는 미들 파트(420)의 나사선 형상을 나타낸다.
도 11a 및 11b는 본 발명에 따른 임플란트 픽스처 중 에이피칼 파트(430)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 12는 본 발명에 따른 임플란트 픽스처의 에이피칼 파트(430)가 그루브가 yes이고 no hole인 경우에 각각의 형상이 flat, cone, dome, flared인 경우를 나타낸다.
도 13은 본 발명에 따른 에이피칼 파트(430)의 그루브 유무, 홀의 유무 및 홀의 형태와 에이피칼 파트의 형상에 따라 나올 수 있는 모델들 중 몇가지 예시를 나타낸다.
도 14는 본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법의 흐름도를 나타낸다.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제1, 제2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 모듈, 블록 및 부는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
이하, 본 발명의 바람직한 실시예를 첨부한 도면을 참조하여 당해 분야에 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명한다. 하기에서 본 발명의 실시예를 설명함에 있어, 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
이하에서는, 본 발명에 따른 임플란트 검색 및 자동 식별 장치 및 임플란트 이미지에 기반하여 임플란트 검색 및 자동 식별을 수행하는 시스템에 대해 설명한다.
이와 관련하여, 도 1a 내지 도 1c는 본 발명에 따른 임플란트 검색 및 자동 식별을 수행할 수 있는 어플리케이션 프로그램의 실행 전 및 실행 후의 화면을 나타낸다. 구체적으로, 도 1a는 본 발명에 따른 임플란트 검색 및 자동 식별을 수행할 수 있는 어플리케이션 프로그램이 단말기의 바탕 화면(background screen) 상에 표시된 상태를 나타낸다.
한편, 도 1b는 본 발명에 따른 임플란트 검색 및 자동 식별을 수행할 수 있는 어플리케이션 프로그램이 실행된 경우 초기화면을 나타낸다. 임플란트 검색 및 자동 식별을 수행할 수 있는 어플리케이션 프로그램이 실행된 초기 화면에 두 개의 이미지가 표시될 수 있다. 일 예로, 크라운(crown)이 임플란트에 삽입된 제1 이미지와 본 어플리케이션 프로그램과 관련된 제2 이미지가 함께 표시될 수 있다. 제1 이미지는 임플란트 마스터(implant master)라 지칭될 수 있는 본 발명에 따른 임플란트 검색 및 자동 식별 모듈과 연관될 수 있다. 제2 이미지는 임상 경험 및 지식 공유 모듈과 연관될 수 있다. 임상 경험 및 지식 공유 모듈이 실행되면 임상 케이스에 대한 글, 사진, 동영상 등을 게시할 수 있고, 설문 및 평가 기능이 수행될 수 있다.
제1 이미지와 연관된 임플란트 마스터가 실행된 경우 초기화면과 이후의 과정에 대해 설명하면 다음과 같다. 이와 관련하여, 도 1c는 제1 이미지와 연관된 임플란트 마스터가 실행된 경우 초기화면을 나타낸다.
도 1c를 참조하면, 임플란트 마스터가 실행되면 3개의 아이콘이 디스플레이 상의 화면에 표시될 수 있다. 제1 아이콘은 임플란트 자동 식별 기능을 수행하며, 스캔 임플란트(scan implant) 아이콘으로 지칭될 수 있다. 제1 아이콘이 선택되면, 머신러닝 기법에 따른 임플란트 X-ray 이미지의 구조적 분류와 딥러닝을 활용한 임플란트 자동 판독 기능이 구현될 수 있다.
제2 아이콘은 임플란트 검색 기능을 수행하며, pick implant features 아이콘으로 지칭될 수 있다. 제2 아이콘이 선택되면, 임플란트 구조적 특성 이미지에 따른 UI/UX 기법의 직관적인 검색 기능이 구현될 수 있다.
제3 아이콘은 저장된 임플란트 정보를 확인할 수 있도록 하며, saved implants 아이콘으로 지칭될 수 있다. 제3 아이콘이 선택되면, 저장된 임플란트에대한 기본 정보 및 상세 정보를 확인할 수 있는 정보 확인 기능이 구현될 수 있다.
전술한 바와 같이, 본 발명에 따른 임플란트 자동 식별 기능에 해당하는 scan implant 모듈이 실행된 경우에 대해 상세하게 설명하면 다음과 같다. 이와 관련하여, 도 2a 및 도 2b는 임플란트 자동 식별 기능에 해당하는 scan implant 모듈이 실행되는 경우, 이미지 취득 및 이미지 전송과 연관된 화면을 나타낸다. 한편, 도 3은 본 발명에 따른 임플란트 검색 및 자동 식별 장치와 이를 포함하는 시스템의 상세 구성을 나타낸다. 도 3의 임플란트 검색 및 자동 식별 장치는 임플란트 검색 및 자동 식별 모듈이 설치된 단말기 (전자 기기), 예컨대 이동 단말기 또는 고정 단말기일 수 있다. 이 경우, 임플란트 검색 및 자동 식별 모듈은 임플란트 검색 및 자동 식별을 수행할 수 있는 어플리케이션 프로그램일 수 있다.
도 3을 참조하면, 임플란트 검색 및 자동 식별 장치(100)는 디스플레이(110) 및 제어부(120)를 포함할 수 있다. 임플란트 검색 및 자동 식별 장치(100)는 무선 통신부(130) 및 메모리(140)를 포함할 수 있다. 임플란트 검색 및 자동 식별 장치(100)는 인공지능 서버(200)와 연동하도록 구성될 수 있다. 인공지능 서버(200)는 AI(artificial intelligence) 인식 서버로 지칭될 수 있다.
무선 통신부(130)는 제어부(120)와 동작 가능하게 결합될 수 있고, 제어부(120)는 무선 통신부(130)를 제어하도록 구성될 수 있다. 무선 통신부(130)는 장치(100)와 인공 지능 서버(200)와 동작 가능하게 결합되도록 무선 인터페이스를 제공할 수 있다. 무선 통신부(130)는 AP(access point)를 통해 인공 지능 서버(200)로 정보를 송신하거나 정보를 수신하도록 구성될 수 있다. 또한, 무선 통신부(130)는 기지국을 통해 인공 지능 서버(200)로 정보를 송신하거나 정보를 수신하도록 구성될 수 있다.
메모리(140)는 제어부(120)와 동작 가능하게 결합될 수 있고, 제어부(120)는 메모리(140)를 제어하도록 구성될 수 있다. 메모리(140)는 임플란트 검색 및 자동 식별 과정에서 관련 정보를 저장하도록 구성될 수 있다.
도 1a와 같이 디스플레이(110)의 바탕 화면상에 임플란트 검색 및 자동 식별을 수행할 수 있는 어플리케이션 프로그램 아이콘이 선택되면, 도 1b와 같이 어플리케이션 프로그램이 초기 화면이 디스플레이(110) 상에 표시될 수 있다. 도 1b의 초기 화면에서 제1 이미지가 선택되거나 또는 기본 셋팅으로 임플란트 마스터가 실행되면 도 1c와 같이 어플리케이션 프로그램이 실행될 수 있다. 구체적으로, 임플란트 마스터가 실행되면 임플란트 마스터와 연관된 임플란트 마스터 모듈이 실행될 있다. 이 경우, 프로세서에 해당하는 제어부(120)는 어플리케이션 프로그램 인터페이스(API)를 통해 어플리케이션 프로그램(150)과 연동될 수 있다. 또한, 어플리케이션 프로그램(150)의 일부 실행 모듈이 제어부(120)의 프로세서를 통해 실행될 수 있다.
도 2a를 참조하면, 카메라를 통해 임플란트 이미지가 취득될 수 있다. 임플란트 이미지 취득은 다음과 같이 여러 방식으로 취득될 수 있다. 1) 치과용 X-ray 장비에서 촬영한 이미지에서 식별이 필요한 임플란트 이미지만 별도로 캡쳐될 수 있다. 이 경우, 임플란트 검색 및 자동 식별 모듈은 X-ray 촬영 솔루션과의 직접 연동되도록 구성될 수 있다. 2) 임플란트 이미지를 별도의 agent 프로그램을 통해서 캡쳐되도록 구성될 수 있다. 3) 또한, 도 2a와 같이 임플란트 이미지가 화면이나 인쇄된 사진에서 카메라를 통하여 촬영되도록 구성될 수 있다.
한편, 입력된 임플란트 이미지를 두 손가락으로 확대 및 축소, 회전, 이동을 하여 도 2a의 가이드 박스(110a) 안에 식별하고자 하는 임플란트 이미지가 위치하도록 할 수 있다. 이와 관련하여, 사용자(치과의사)의 판단에 의하여 가이드 박스(110a) 상단의 라인(110b) 위치를 조정하여 임플란트 픽스처의 상단 부분의 라인을 정의할 수 있다.
도 2a, 도 2b 및 도 3을 참조하면, 단말(100)은 가이드 박스(110a) 내에 위치한 임플란트 이미지를 캡쳐하여 인공지능 서버(200)로 전송하고, 전송 결과를 대기하도록 구성될 수 있다. 전송 결과를 대기하는 동안, 도 2b와 같이 디스플레이 상에 별도의 공지 사항 및 광고 이미지, 동영상 등을 표시할 수 있다.
한편, 본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법은 단말(100)에 설치되는 어플리케이션 프로그램(150)에 의해 AI 서버(200)와 연동하여 수행될 수 있다. 일 예로, 단말(100)의 프로세서에 해당하는 제어부(120)에 의해 어플리케이션 프로그램(150)이 구동되어, AI 학습을 위한 임플란트 클래스 분류 방법이 수행될 수 있다.
본 발명과 관련하여 임플란트 픽스처 전체를 하나의 클래스로 정의할 수도 있다. 하지만, 임플란트 픽스처 전체를 하나의 기본 단위로 분류하는 전통적인 인공지능 학습 방식은 광범위한 모델을 모두 적용하여 학습 데이터로 구성하기에 어려움이 발생할 수 있다. 또한, 이러한 방식의 경우 세부적으로 다른 모양일 경우 이를 반영하여 모두 새로운 클래스로 분류되어야 한다.
일 예로, 2018년 기준 500여개 제조사, 4,000여 모델 및 수만개의 파생 모델이 존재한다. 한편, 딥러닝 알고리즘은 일반적으로 클래스 수가 많아지면, 클래스 구분에 대한 민감도가 저하되고, 클래스별 필요 학습 데이터 수량이 크게 늘어나기 때문에 정확도가 현격히 저하될 수 있다. 전세계 모든 모델(과거 단종 모델 포함)을 인공지능 학습 데이터로 구성하는 것은 거의 불가능에 가깝다고 할 수 있다. 또한, 새로운 임플란트 제품이 출시되는 경우, 기존 학습 데이터 세트에 신규 클래스를 추가해서 학습시켜야 하는데, 빠른 시간 내에 학습하기도 어렵고 상황에 따라서 인식율의 변화가 클 수 있다.
따라서, 본 발명에서는 임플란트 픽스처의 구조 세분화에 따른 클래스 분류를 통한 학습 방식을 제안하다. 한편, 본 발명의 임플란트 픽스처의 구조 세분화에 따른 클래스 분류를 통한 학습 방식은 사용자 인터페이스를 통해 이루어지는 수동 검색 방식과 결합하여 적용될 수도 있다.
이러한 임플란트 픽스처의 구조 세분화에 따른 클래스 분류를 통한 학습 방식과 관련하여, 도 4a는 임플란트 픽스처를 코로날 파트(410)(coronal part), 미들 파트(420)(middle part) 및 에이피칼 파트(430)(apical part)로 분류한 구조를 나타낸다. 한편, 도 4b는 본 발명에 따른 임플란트 픽스처의 구조 세분화에 따른 분류 방법의 예시를 나타낸다.
도 4a를 참조하면, 임플란트 픽스처의 상단 부분, 중간 부분 및 하단 부분을 각각 코로날 파트(410), 미들 파트(420) 및 에이피칼 파트(430)로 지칭할 수 있다. 도 4b를 참조하면, 코로날 파트(410)의 연결 특징(connection feature)은 임플란트의 위쪽 연결 부위로 X-ray 이미지에서 확인이 불가하므로 분류에서 제외할 수 있다. 또한, 연결 색상(connection color)도 임플란트의 위쪽 연결 부위로 X-ray 이미지에서 확인이 불가하므로 분류에서 제외할 수 있다. 또한, 연결 타입(connection type)은 이미지에서 구분이 어려워 분류에서 제외할 수 있다. 또한, bone 또는 tissue로 분류되는 레벨(level)은 잇몸의 상태에 따른 변화로 구분이 어려워 분류에서 제외할 수 있다.
이에 따라, 본 발명에서는 코로날 파트(410)의 마이크로 나사선(micro thread) 유무 및 마이크로 나사선의 형태의 패턴을 분석할 수 있다. 또한, 미들 파트(420)의 형상(shape) 및 형태(design)에 따라 분류할 수 있다. 또한, 에이피칼 파트(430)의 그루브 유무, 홀 형태, 몸통 형상 및 apex 형상 등에 따라 분류할 수 있다.
본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법은 이미지 패턴의 분석을 통하여 임플란트 픽스처 구조를 3단계로 나누고 머신러닝 기법을 활용하여 추출된 패턴의 형태(나사선 및 몸통 형태 등)를 인식하도로 구성될 수 있다. 이와 관련하여, 도 5는 본 발명에 따른 임플란트 픽스처의 구조 세분화 과정과 패턴 분석을 통한 클래스 분류 과정의 개념도를 나타낸다.
도 5를 참조하면, 임플란트 픽스처는 상단 부분, 중간 부분, 하단 부분에 해당하는 코로날 파트(410), 미들 파트(420) 및 에이피칼 파트(430)의 구조로 세분화된다. 이후, 각 부분에 대해 머신러닝 기법에 의해 형상 추출 등의 패턴 분석이 이루어질 수 있다. 이에 따라, 복수의 클래스, 예컨대 35개 class(coronal 14, middle 9, apical 12)에 대한 AI 학습 데이터세트 구성이 이루어질 수 있다.
먼저, 코로날 파트(410)는 임플란트 상단 부분의 나사선 형태(Thread design)에 따른 분류를 14개 클래스로 정의될 수 있다. 이와 관련하여, 도 6a 및 6b는 본 발명에 따른 임플란트 픽스처 중 코로날 파트(410)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 6a를 참조하면, 임플란트 상단 부분의 코로날 파트(410)에서 다른 색으로 표시된 부분, 즉 마이크로 스레드 부분인 측면에 나사선이 형성된 부분을 중심으로 이미지 분석이 이루어질 수 있다. 이에 따라, 임플란트 픽스처의 코로날 파트(410) 전체의 이미지 분석 없이도 클래스 분류가 가능하다. 따라서, 이미지 분석 시간 단축 및 AI 학습을 위한 데이터셋 구축 시간과 학습 시간 단축이 가능하면서 정확한 모델 검색이 가능하다.
이와 관련하여, 마이크로 나사선(micro thread) 유무에 따라 우선적으로 분류가 이루어질 수 있다.
도 6b를 참조하면, 마이크로 나사선이 있는 것으로 판단되면, 상기 코로날 파트(410)는 V-shaped, rounded, square, buttress, reverse buttress, fin, no threads 중 어느 하나의 클래스로 분류될 수 있다. 반면에, 마이크로 나사선이 없는 것으로 판단되면, 상기 코로날 파트(410)는 V-shaped, rounded, no threads, fin, square, buttress, reverse buttress 중 어느 하나의 클래스로 분류될 수 있다.
한편, 도 7은 본 발명에 따른 마이크로 스레드가 있는 경우 각 클래스 분류에 해당할 수 있는 코로날 파트(410)의 나사선 형상을 나타낸다. 도 7을 참조하면, 일부 다른 형상 및/또는 형태의 스레드에 대해서도 동일한 클래스 분류, 즉 V-shaped, rounded, square, buttress, reverse buttress, fin, no threads 중 하나로 분류될 수 있다. 일 예로, V-shaped로 분류되는 두 가지 모델에 대해 임플란트 픽스처의 코로날 파트(410)의 치수 및 일부 구조가 상이하지만, 마이크로 스레드가 있고 나사선 형태가 V-shaped이므로 동일한 클래스로 분류될 수 있다.
다음으로, 미들 파트(420)는 임플란트 중간 부분의 몸통 형태(body design)과 나사선 형태(Thread design)에 따른 분류를 9개 클래스로 정의될 수 있다. 이와 관련하여, 도 8a 및 8b는 본 발명에 따른 임플란트 픽스처 중 미들 파트(420)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 8a를 참조하면, 임플란트 중간 부분의 미들 파트(420)에서 다른 색으로 표시된 부분, 즉 몸통 형태와 나사선 형태를 중심으로 이미지 분석이 이루어질 수 있다. 이에 따라, 임플란트 픽스처의 미들 파트(420) 전체의 이미지 분석 없이도 클래스 분류가 가능하다. 따라서, 이미지 분석 시간 단축 및 AI 학습을 위한 데이터셋 구축 시간과 학습 시간 단축이 가능하면서 정확한 모델 검색이 가능하다.
이와 관련하여, 몸통 형태(body design)에 따라 우선적으로 분류가 이루어질 수 있다.
도 8b를 참조하면, 미들 파트(420)의 몸통 형태가 straight, tapered 중 어느 하나로 분류될 수 있다. 또한, 미들 파트(420)의 나사선 형태가 V-shaped, rounded, no threads, fin, buttress, reverse buttress, square 중 어느 하나의 클래스로 분류될 수 있다.
한편, 도 9는 본 발명에 따른 임플란트 픽스처의 미들 파트(420)가 straight type인 경우 각 클래스 분류에 해당할 수 있는 미들 파트(420)의 나사선 형상을 나타낸다. 도 9를 참조하면, 일부 다른 형상 및/또는 형태의 스레드에 대해서도 동일한 클래스로 분류될 수 있다. 일 예로, no threads, V-shaped, rounded, square, buttress 또는 reverse buttress로 분류되는 각각의 두 가지 모델이 동일한 클래스로 분류될 수 있다. 이와 관련하여, 임플란트 픽스처의 미들 파트(420)의 치수 및 일부 구조, 예컨대 스레드 형성 방향이 상이할 수 있다. 하지만, 나사선 형태가 no threads로 동일하거나 V-shaped로 동일하거나 rounded로 동일하거나 또는 square로 동일하여 일부 치수 또는 구조적 차이에도 불구하고 동일한 클래스로 분류될 수 있다. 또는, 나사선 형태가 buttress로 동일하거나 또는 reverse buttress로 동일하여 일부 치수 또는 구조적 차이에도 불구하고 동일한 클래스로 분류될 수 있다.
또한, 도 10은 본 발명에 따른 임플란트 픽스처의 미들 파트(420)가 tapered인 경우 각 클래스 분류에 해당할 수 있는 미들 파트(420)의 나사선 형상을 나타낸다. 도 10을 참조하면, 일부 다른 형상 및/또는 형태의 스레드에 대해서도 동일한 클래스로 분류될 수 있다. 일 예로, no threads, V-shaped, rounded, square, buttress, reverse buttress 또는 fin으로 분류되는 각각의 두 가지 모델이 동일한 클래스로 분류될 수 있다. 이와 관련하여, 임플란트 픽스처의 미들 파트(420)의 치수 및 일부 구조, 예컨대 스레드 상에서 일부 단절 부분이 형성된다는 점에서 상이할 수 있다. 하지만, 나사선 형태가 no threads로 동일하거나, V-shaped로 동일하거나, rounded로 동일하거나, 또는 square로 동일하여 일부 치수 또는 구조적 차이에도 불구하고 동일한 클래스로 분류될 수 있다. 또는, 나사선 형태가 buttress로 동일하거나, reverse buttress로 동일하거나 또는 fin으로 동일하여 일부 치수 또는 구조적 차이에도 불구하고 동일한 클래스로 분류될 수 있다.
다음으로, 에이피칼 파트(430)는 임플란트 하단 부분의 그루브 유무, 홀, 파트 형상 및 apex 형상 등에 따른 분류를 12개 클래스로 정의될 수 있다. 이와 관련하여, 도 11a 및 11b는 본 발명에 따른 임플란트 픽스처 중 에이피칼 파트(430)의 세분화된 구조와 이에 따라 정의되는 클래스를 나타낸다.
도 11a를 참조하면, 임플란트 하단 부분의 에이피칼 파트(430)에서 다른 색으로 표시된 부분, 즉 그루브 유무, 홀, 파트 형상 및 apex 형상을 중심으로 이미지 분석이 이루어질 수 있다. 이에 따라, 임플란트 픽스처의 에이피칼 파트(430) 전체의 이미지 분석 없이도 클래스 분류가 가능하다. 따라서, 이미지 분석 시간 단축 및 AI 학습을 위한 데이터셋 구축 시간과 학습 시간 단축이 가능하면서 정확한 모델 검색이 가능하다.
이와 관련하여, 그루브 유무 및 apex 형상에 해당하는 몸통 형태(body design)에 따라 우선적으로 분류가 이루어질 수 있다.
도 4b 및 도 11b를 참조하면, 에이피칼 파트(430)의 그루브(groove)가 있음, 없음 중 어느 하나의 클래스로 분류될 수 있다. 또한, 에이피칼 파트(430)의 홀이 no hole, round, oblong 중 어느 하나의 클래스로 분류될 수 있다. 또한, 에이피칼 파트(430)의 파트 형상이 straight, tapered 중 어느 하나의 클래스로 분류될 수 있다. 또한, 에이피칼 파트(430)의 apex 형상이 cone, flat, dome, semi-dome 및 flared 중 어느 하나의 클래스로 분류될 수 있다.
한편, 도 12는 본 발명에 따른 임플란트 픽스처의 에이피칼 파트(430)가 그루브가 yes이고 no hole인 경우에 각각의 형상이 flat, cone, dome, semi-dome, flared인 경우를 나타낸다. 도 12를 참조하면, 모든 모델들은 에이피칼 파트(430)가 그루브가 yes이고 no hole이라는 점에서 공통될 수 있다. 한편, 동일한 apex 형상으로 분류되는 두 개의 모델은 형상이 flat으로 동일하게 분류될 수 있다. 또는, 동일한 apex 형상으로 분류되는 두 개의 모델은 형상이 cone으로 동일하게 분류될 수 있다. 또는, 동일한 apex 형상으로 분류되는 두 개의 모델은 형상이 dome으로 동일하게 분류될 수 있다. 또는, 동일한 apex 형상으로 분류되는 두 개의 모델은 형상이 flared로 동일하게 분류될 수 있다.
도 11b 및 도 12를 참조하면, 일부 다른 형상 및/또는 형태의 스레드에 대해서도 동일한 클래스 분류, 즉 flat, cone, dome, semi-dome, flared 중 어느 하나의 클래스로 분류 중 하나로 분류될 수 있다. 일 예로, flat, cone, dome, semi-dome, flared로 분류되는 두 가지 모델에 대해 임플란트 픽스처의 에이피칼 파트(430)의 치수 및 일부 구조, 예컨대 스레드 형태가 상이할 수 있다. 하지만, apex 형상이 flat, cone, dome, semi-dome, flared의 공통점이 있어 동일한 클래스로 분류될 수 있다.
한편, 도 13은 본 발명에 따른 에이피칼 파트(430)의 그루브 유무, 홀 형태가 동일하고 몸통 형태는 상이하여 다른 클래스로 분류되는 모델을 나타낸다. 도 13을 참조하면, 그루브가 존재하고 홀 형태가 round로 공통되지만, apex 형상이 flat 및 dome으로 상이하여 다른 클래스로 분류될 수 있다. 다른 예로, 그루브가 없고 no hole로 공통되지만, 몸통 형태가 flat, cone 및 dome으로 상이하여 다른 클래스로 분류될 수 있다. 또 다른 예로, 그루브가 존재하고 홀 형태가 oblong으로 공통되지만, apex 형상이 flat 및 dome으로 상이하여 다른 클래스로 분류될 수 있다. 한편, 그루브가 없고 apex 형상이 dome으로 공통되어도 홀 형태가 다르면 다른 클래스로 분류될 수 있다. 도 13을 참조하면, 그루브가 없고 apex 형상이 dome으로 공통되지만, no hole 및 round hole의 경우 다른 클래스로 분류될 수 있다.
전술한 클래스 분류 특성을 고려하여, 본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법에 대해 설명한다. 이와 관련하여, 도 14는 본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법의 흐름도를 나타낸다. 도 14를 참조하면, 임플란트 클래스 분류 방법은 구조 인식 과정(S100), 패턴 분석 과정(S200) 및 AI 학습 데이터 세트 구성 과정(S300)을 포함하도록 구성될 수 있다. 또한, 임플란트 클래스 분류 방법은 임플란트 종류/특성 판별 과정(S400)을 더 포함하도록 구성될 수 있다. 한편, AI 학습을 위한 임플란트 클래스 분류 방법은 임플란트 클래스 분류 방법을 수행하는 장치의 프로세서에 의해 수행될 수 있다. 일 예로, 도 3의 단말(100)의 제어부(120)에서 구동되는 어플리케이션 프로그램에 의해 수행될 수 있고, 어플리케이션 프로그램은 AI 서버(200)와 연동될 수 있다.
구조 인식 과정(S100)에서 임플란트 픽스처의 코로날 파트(410)(coronal part), 미들 파트(420)(middle part) 및 에이피칼 파트(430)(apical part)를 인식한다. 패턴 분석 과정(S200)에서 상기 코로날 파트(410), 미들 파트(420) 및 에이피칼 파트(430)의 형상을 머신러닝 기법에 의해 패턴 분석할 수 있다. AI 학습 데이터 세트 구성 과정(S300)에서 상기 코로날 파트(410), 미들 파트(420) 및 에이피칼 파트(430)의 형상을 머신러닝 기법에 의해 패턴 분석을 수행한다.
이와 관련하여, 구조 인식 과정(S100), 패턴 분석 과정(S200) 및 AI 학습 데이터 세트 구성 과정(S300)은 학습을 위한 과정으로 분류될 수 있지만, 이에 한정되는 것은 아니다. 일 예로, 임플란트 종류 판별을 위해 구조 인식 과정(S100), 패턴 분석 과정(S200) 및 AI 학습 데이터 세트 구성 과정(S200)이 수행될 수도 있다.
한편, 임플란트 종류/특성 판별 과정(S400)에서 추출된 각각의 형상 및 AI 학습 데이터 세트에 기반하여 상기 입력된 특정 임플란트의 종류 및 특성을 판별할 수 있다. 이와 관련하여, 학습을 위한 과정과 판별을 위한 과정을 별도로 고려하면, 임플란트 종류/특성 판별 과정(S400)에서 입력된 특정 임플란트의 이미지로부터, 코로날 파트(410), 미들 파트(420) 및 에이피칼 파트(430)의 각각의 형상을 추출할 수 있다. 이후, 임플란트 종류/특성 판별 과정(S400)에서 상기 추출된 각각의 형상 및 상기 AI 학습 데이터 세트에 기반하여 상기 입력된 특정 임플란트의 종류 및 특성을 판별할 수 있다.
AI 학습 데이터 세트 구성 과정(S300)에서, 상기 코로날 파트(410)는 상기 임플란트 픽스처의 상단 부분의 나사선 형태(thread design)에 따라 복수의 클래스 중 어느 하나로 분류될 수 있다. 또한, 상기 미들 파트(420)는 상기 임플란트 픽스처의 중간 부분의 몸통 형태(body design) 및 나사선 형태에 따라 복수의 클래스로 분류될 수 있다. 또한, 상기 에이피칼 파트(430)는 상기 임플란트 픽스처의 하단 부분의 몸통 형태 및 홀 형상에 따라 복수의 클래스로 분류될 수 있다.
패턴 분석 과정(S200)에서 임플란트 픽스처가 포함된 임플란트 이미지가 X-ray 이미지이면 코로날 파트(410)의 연결 특징(connection feature), 연결 색상(connection color) 및 연결 타입(connection type)의 패턴을 분석하지 않도록 구성될 수 있다. 또한, 패턴 분석 과정(S200)에서 상기 코로날 파트(410)의 마이크로 나사선(micro thread) 유무 및 마이크로 나사선의 형태의 패턴을 분석하도록 구성될 수 있다.
AI 학습 데이터 세트 구성 과정(S300) 및 임플란트 종류/특성 판별 과정(S400)에서, 각 파트 별로 상이한 방식으로 클래스 분류가 수행될 수 있다.
코로날 파트(410)는 마이크로 나사선이 있는 것으로 판단되면, 마이크로 나사선이 있는 V-shaped, rounded, square, buttress, reverse buttress, fin, no threads 중 어느 하나의 클래스로 분류될 수 있다. 한편, 상기 마이크로 나사선이 없는 것으로 판단되면, 상기 코로날 파트(410)는 마이크로 나사선이 없는 V-shaped, rounded, no threads, fin, square, buttress, reverse buttress 중 어느 하나의 클래스로 분류될 수 있다.
한편, 미들 파트(420)의 몸통 형태가 straight, tapered 중 어느 하나로 분류될 수 있다. 상기 미들 파트(420)의 나사선 형태가 V-shaped, rounded, no threads, fin, buttress, reverse buttress, square 중 어느 하나의 클래스로 분류될 수 있다.
반면에, 에이피칼 파트(430)의 그루브(groove)가 있음, 없음 중 어느 하나의 클래스로 분류될 수 있다. 에이피칼 파트(430)의 홀이 no hole, round, oblong 중 어느 하나의 클래스로 분류될 수 있다. 상기 에이피칼 파트(430)의 파트 형상이 straight, tapered 중 어느 하나의 클래스로 분류될 수 있다. 상기 에이피칼 파트(430)의 apex 형상이 flat, cone, dome, semi-dome, flared 중 어느 하나의 클래스로 분류될 수 있다.
임플란트 종류/특성 판별 과정(S400)은 임플란트 이미지 입력 과정(S410), 클래스 기반 특성 추출 과정(S420) 및 클래스 기반 임플란트 종류/특성 판별 과정(S430)을 포함하도록 구성될 수 있다.
임플란트 이미지 입력 과정(S410)에서, 특정 임플란트의 이미지를 입력받을 수 있다. 임플란트 이미지 입력 과정(S410)에서, 검색하고자 하는 임플란트의 X-ray 이미지가 입력할 수 있는 화면 영역을 사용자 단말의 디스플레이 상에 표시할 수 있다. 또한, 상기 화면 영역 상에 사용자 입력이 인가되고, 특정 X-ray 이미지가 선택되면, 하나 이상의 임플란트 이미지가 포함된 상기 특정 X-ray 이미지를 상기 디스플레이 상에 표시할 수 있다. 또한. 상기 하나 이상의 임플란트 이미지 중 가이드 박스 내에 제2 임플란트 이미지가 배치되면, 상기 가이드 박스 내에 위치한 제2 임플란트 이미지를 캡처하여 인공지능 서버로 전송하도록 제어할 수 있다.
임플란트 이미지 입력 과정(S410)에서, 제2 임플란트 이미지로부터 각 부위 별로 각 특징 요소를 검색하여 상기 각 특징 요소를 합성하면서 최종 합성 이미지를 생성할 수 있다. 또한, 상기 제2 임플란트 이미지와 각 부위의 식별 정보에 따른 최종 합성 이미지를 상기 디스플레이 상에 표시할 수 있다. 이 경우, 상기 최종 합성 이미지는 상기 각 부위 별로 각 특징 요소가 다른 부분과 구별되도록 표시 (도 6a, 도 8a, 도 11a 참조)될 수 있다.
클래스 기반 특성 추출 과정(S420)에서, 입력된 특정 임플란트의 이미지로부터 임플란트 픽스처의 상기 마이크로 나사선의 유무에 따른 상기 코로날 파트(410)의 형태, 상기 미들 파트(420)의 몸통 형태 및 나사선 형태와 상기 에이피칼 파트(430)의 그루브 유무, 홀 형태 및 몸통 형태에 관한 클래스 기반 특성을 추출할 수 있다.
클래스 기반 임플란트 종류/특성 판별 과정(S430)에서, 추출된 클래스 기반 특성과 상기 AI 학습 데이터 세트에 기반하여 상기 입력된 특정 임플란트의 종류 및 특성을 판별할 수 있다.
클래스 기반 임플란트 종류/특성 판별 과정(S430)을 수행한 이후, 임플란트 검색 과정(S440)을 더 포함할 수 있다. 디스플레이 상에 표시된 검색 버튼이 선택되면, 임플란트 검색 과정(S440)에서 제2 임플란트 이미지와 최종 합성 이미지에 기반하여 특정 임플란트를 검색할 수 있다. 이 경우, 검색된 특정 임플란트는 특정 X-ray 이미지에 최적 매칭되도록 선택된 것이다.
임플란트 종류/특성 판별 과정(S400)과 관련하여 코로날 파트, 미들 파트 및 에이피칼 파트의 각 부분별로 식별된 정보를 기 구축된 임플란트 데이터베이스에 있는 정보와 비교하여 해당하는 임플란트 모델을 검색할 수 있다. 구체적으로, 전술한 바와 같이, 임플란트 검색 과정(S440)에서 제2 임플란트 이미지와 최종 합성 이미지에 기반하여 특정 임플란트를 검색할 수 있다. 이 경우, 검색된 특정 임플란트는 특정 X-ray 이미지에 최적 매칭되도록 선택된 것이다.
임플란트 종류/특성 판별 과정(S400)에서, 임플란트 픽스처가 포함된 임플란트 이미지로부터 코로날 파트, 미들 파트 및 에이피칼 파트의 각 부분별로 식별된 정보를 기 구축된 임플란트 데이터베이스에 있는 정보와 비교하여 해당하는 임플란트 모델을 검색할 수 있다. 일 예로, 임플란트 검색 과정(S440)에서 각 부분별로 식별된 정보를 기 구축된 임플란트 데이터베이스에 있는 정보와 비교하여 해당하는 임플란트 모델을 검색할 수 있다.
또한, 임플란트 종류/특성 판별 과정(S400)에서, 일 예로 임플란트 검색 과정(S440)에서, 검색된 임플란트 모델과 연관된 추가적인 세부정보를 확인하여 검색된 임플란트 모델이 임플란트 이미지와 일치하는지 여부를 최종적으로 확정할 수 있다.
전술한 바와 같이 단말(100)은 디스플레이(110) 및 제어부(120)를 포함하도록 구성될 수 있다. 단말(100)은 무선 통신부(130) 및 메모리(140)를 포함할 수 있다.
단말(100)은 인공지능 서버(200)와 연동하도록 구성될 수 있다. 한편,단말(100)은 치과용 X-ray 장비(300)와 인터페이스되도록 구성될 수 있다.
디스플레이(110)는 임플란트 이미지와 연관된 정보를 표시하도록 구성될 수 있다. 제어부(120)는 촬영된 임플란트 이미지가 디스플레이(110) 상의 가이드 박스(110a) 내에 위치되면, 가이드 박스 내에 위치한 임플란트 이미지를 캡처하여 인공지능 서버(200)로 전송하도록 제어할 수 있다.
이에 대응하여, 인공지능 서버(200)는 AI 기반으로 캡처된 임플란트 이미지에 대한 임플란트 식별 결과를 생성하여 단말(100)로 전송할 수 있다. 또는, 단말(100)에서 구동하는 어플리케이션 프로그램이 인공지능 서버(200)와 연동하여 AI 기반으로 캡처된 임플란트 이미지에 대한 임플란트 식별 결과를 생성할 수도 있다. 이와 관련하여, 제어부(120)는 촬영된 임플란트 이미지와 식별 결과에 따라 가장 높은 매칭 결과를 갖는 임플란트 이미지와 연관된 정보를 디스플레이(110) 상에 표시할 수도 있다.
이상에서는 본 발명에 따른 AI 학습을 위한 임플란트 클래스 분류 방법에 대해 살펴보았다. 본 발명에 따른 기술적 효과에 대해 살펴보면 다음과 같다.
본 발명의 적어도 일 실시예에 따르면, AI 학습을 위한 임플란트 클래스 분류 방법 및 장치를 제공할 수 있다는 장점이 있다.
또한, 본 발명의 적어도 일 실시예에 따르면, 코로날 파트(410), 미들 파트(420) 및 에이피칼 파트(430)의 형상을 머신러닝 기법에 의해 패턴 분석하여, 임플란트 종류 및 특성을 판별 할 수 있다는 장점이 있다.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들에 대한 설계 및 파라미터 최적화는 별도의 소프트웨어 모듈로도 구현될 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.
Claims (10)
- AI 학습을 위한 임플란트 클래스 분류 방법에 있어서, 상기 방법은 임플란트 클래스 분류 방법을 수행하는 장치의 프로세서에 의해 수행되고,
임플란트 픽스처의 코로날 파트(coronal part), 미들 파트(middle part) 및 에이피칼 파트(apical part)를 인식하는 구조 인식 과정;
상기 코로날 파트, 미들 파트 및 에이피칼 파트의 형상을 머신러닝 기법에 의해 패턴 분석하는 패턴 분석 과정;
상기 코로날 파트, 미들 파트 및 에이피칼 파트의 형상에 기반하여, AI 학습 데이터 세트를 구성하는 AI 학습 데이터 세트 구성 과정; 및
입력된 특정 임플란트의 이미지로부터, 코로날 파트, 미들 파트 및 에이피칼 파트의 각각의 형상을 추출하고, 상기 추출된 각각의 형상 및 상기 AI 학습 데이터 세트에 기반하여 상기 입력된 특정 임플란트의 종류 및 특성을 판별하는 임플란트 종류/특성 판별 과정;을 포함하고,
상기 AI 학습 데이터 세트를 구성 과정에서,
상기 코로날 파트는 상기 임플란트 픽스처의 상단 부분의 나사선 형태(thread design)에 따라 복수의 클래스 중 어느 하나로 분류되고,
상기 미들 파트는 상기 임플란트 픽스처의 중간 부분의 몸통 형태(body design) 및 나사선 형태에 따라 복수의 클래스로 분류되며,
상기 에이피칼 파트는 상기 임플란트 픽스처의 하단 부분의 몸통 형태 및 홀 형상에 따라 복수의 클래스로 분류되는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제1 항에 있어서,
상기 패턴 분석 과정에서,
상기 임플란트 픽스처가 포함된 임플란트 이미지가 X-ray 이미지이면 코로날 파트의 연결 특징(connection feature), 연결 색상(connection color) 및 연결 타입(connection type)의 패턴을 분석하지 않고, 상기 코로날 파트의 마이크로 나사선(micro thread) 유무 및 마이크로 나사선의 형태의 패턴을 분석하는 것을 특징으로 하는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제2 항에 있어서,
상기 AI 학습 데이터 세트 구성 과정 및 상기 임플란트 종류/특성 판별 과정에서,
상기 마이크로 나사선이 있는 것으로 판단되면, 상기 코로날 파트는 마이크로 나사선이 있는 V-shaped, rounded, square, buttress, reverse buttress, fin, no threads 중 어느 하나의 클래스로 분류되고,
상기 마이크로 나사선이 없는 것으로 판단되면, 상기 코로날 파트는 마이크로 나사선이 없는 V-shaped, rounded, no threads, fin, square, buttress, reverse buttress 중 어느 하나의 클래스로 분류되는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제3 항에 있어서,
상기 AI 학습 데이터 세트 구성 과정 및 상기 임플란트 종류/특성 판별 과정에서,
상기 미들 파트의 몸통 형태가 straight, tapered 중 어느 하나로 분류되고,
상기 미들 파트의 나사선 형태가 V-shaped, rounded, no threads, fin, buttress, reverse buttress, square 중 어느 하나의 클래스로 분류되는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제4 항에 있어서,
상기 AI 학습 데이터 세트 구성 과정 및 상기 임플란트 종류/특성 판별 과정에서,
상기 에이피칼 파트의 그루브(groove)가 있음, 없음 중 어느 하나의 클래스로 분류되고,
상기 에이피칼 파트의 홀이 no hole, round, oblong 중 어느 하나의 클래스로 분류되고,
상기 에이피칼 파트의 파트 형상이 straight, tapered 중 어느 하나의 클래스로 분류되고,
상기 에이피칼 파트의 apex 형상이 flat, cone, dome, semi-dome, flared 중 어느 하나의 클래스로 분류되는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제5 항에 있어서,
상기 임플란트 종류/특성 판별 과정은,
상기 특정 임플란트의 이미지를 입력받는 임플란트 이미지 입력 과정;
상기 입력된 특정 임플란트의 이미지로부터 임플란트 픽스처의 상기 마이크로 나사선의 유무에 따른 상기 코로날 파트의 형태, 상기 미들 파트의 몸통 형태 및 나사선 형태와 상기 에이피칼 파트의 그루브 유무, 홀 형태 및 몸통 형태에 관한 클래스 기반 특성을 추출하는 클래스 기반 특성 추출 과정; 및
상기 추출된 클래스 기반 특성과 상기 AI 학습 데이터 세트에 기반하여 상기 입력된 특정 임플란트의 종류 및 특성을 판별하는 클래스 기반 임플란트 종류/특성 판별 과정을 포함하는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제6 항에 있어서,
상기 임플란트 이미지 입력 과정에서,
검색하고자 하는 임플란트의 X-ray 이미지가 입력할 수 있는 화면 영역을 사용자 단말의 디스플레이 상에 표시하고,
상기 화면 영역 상에 사용자 입력이 인가되고, 특정 X-ray 이미지가 선택되면, 하나 이상의 임플란트 이미지가 포함된 상기 특정 X-ray 이미지를 상기 디스플레이 상에 표시하고,
상기 하나 이상의 임플란트 이미지 중 가이드 박스 내에 제2 임플란트 이미지가 배치되면, 상기 가이드 박스 내에 위치한 제2 임플란트 이미지를 캡처하여 인공지능 서버로 전송하도록 제어하는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제7 항에 있어서,
상기 임플란트 이미지 입력 과정에서,
상기 제2 임플란트 이미지로부터 각 부위 별로 각 특징 요소를 검색하여 상기 각 특징 요소를 합성하면서 최종 합성 이미지를 생성하고,
상기 제2 임플란트 이미지와 각 부위의 식별 정보에 따른 최종 합성 이미지를 상기 디스플레이 상에 표시하고,
상기 최종 합성 이미지는 상기 각 부위 별로 각 특징 요소가 다른 부분과 구별되도록 표시되는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제8 항에 있어서,
상기 클래스 기반 임플란트 종류/특성 판별 과정을 수행한 이후,
상기 디스플레이 상에 표시된 검색 버튼이 선택되면, 상기 제2 임플란트 이미지와 상기 최종 합성 이미지에 기반하여 상기 선택된 특정 X-ray 이미지에 최적 매칭되는 특정 임플란트를 검색하는 임플란트 검색 과정을 더 포함하고,
상기 임플란트 검색 과정에서,
상기 최적 매칭되는 특정 임플란트와 상기 특정 임플란트에 대한 연관 정보를 상기 디스플레이 상에 표시하는, AI 학습을 위한 임플란트 클래스 분류 방법. - 제2 항에 있어서,
상기 임플란트 종류/특성 판별 과정에서,
상기 임플란트 픽스처가 포함된 임플란트 이미지로부터 상기 코로날 파트, 미들 파트 및 에이피칼 파트의 각 부분별로 식별된 정보를 기 구축된 임플란트 데이터베이스에 있는 정보와 비교하여 해당하는 임플란트 모델을 검색하고,
상기 검색된 임플란트 모델과 연관된 추가적인 세부정보를 확인하여 상기 검색된 임플란트 모델이 상기 임플란트 이미지와 일치하는지 여부를 최종적으로 확정하는, AI 학습을 위한 임플란트 클래스 분류 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210088267A KR102608827B1 (ko) | 2021-07-06 | 2021-07-06 | Ai 학습을 위한 임플란트 클래스 분류 방법 |
| PCT/KR2022/006818 WO2023282454A1 (ko) | 2021-07-06 | 2022-05-12 | Ai 학습을 위한 임플란트 클래스 분류 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210088267A KR102608827B1 (ko) | 2021-07-06 | 2021-07-06 | Ai 학습을 위한 임플란트 클래스 분류 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230007661A true KR20230007661A (ko) | 2023-01-13 |
| KR102608827B1 KR102608827B1 (ko) | 2023-12-01 |
Family
ID=84801903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210088267A KR102608827B1 (ko) | 2021-07-06 | 2021-07-06 | Ai 학습을 위한 임플란트 클래스 분류 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102608827B1 (ko) |
| WO (1) | WO2023282454A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116994070B (zh) * | 2023-09-25 | 2023-12-01 | 四川大学 | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140185865A1 (en) * | 2012-12-28 | 2014-07-03 | William Bradley Spath | Implant identification system and method |
| KR20180106007A (ko) * | 2017-03-17 | 2018-10-01 | 엄상호 | 임플란트 픽스쳐 자동 검색 및 드라이버 제안 솔루션 |
| JP2020502717A (ja) * | 2016-12-19 | 2020-01-23 | ロマ リンダ ユニヴァーシティ | 撮像データを使用するインプラント識別の方法及びそのためのシステム |
| KR20200107150A (ko) * | 2019-03-06 | 2020-09-16 | 고려대학교 산학협력단 | 자동화된 치과용 임플란트 식별시스템 및 자동화된 임플란트 주변골 소실량 산출시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170340418A1 (en) * | 2016-05-25 | 2017-11-30 | Matthew Raanan | System and method for dental implant recognition |
-
2021
- 2021-07-06 KR KR1020210088267A patent/KR102608827B1/ko active IP Right Grant
-
2022
- 2022-05-12 WO PCT/KR2022/006818 patent/WO2023282454A1/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140185865A1 (en) * | 2012-12-28 | 2014-07-03 | William Bradley Spath | Implant identification system and method |
| JP2020502717A (ja) * | 2016-12-19 | 2020-01-23 | ロマ リンダ ユニヴァーシティ | 撮像データを使用するインプラント識別の方法及びそのためのシステム |
| KR20180106007A (ko) * | 2017-03-17 | 2018-10-01 | 엄상호 | 임플란트 픽스쳐 자동 검색 및 드라이버 제안 솔루션 |
| KR20200107150A (ko) * | 2019-03-06 | 2020-09-16 | 고려대학교 산학협력단 | 자동화된 치과용 임플란트 식별시스템 및 자동화된 임플란트 주변골 소실량 산출시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023282454A1 (ko) | 2023-01-12 |
| KR102608827B1 (ko) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101864380B1 (ko) | 수술영상데이터 학습시스템 | |
| US10991094B2 (en) | Method of analyzing dental image for correction diagnosis and apparatus using the same | |
| US10115191B2 (en) | Information processing apparatus, information processing system, information processing method, program, and recording medium | |
| KR102298412B1 (ko) | 수술영상데이터 학습시스템 | |
| CN101454798B (zh) | 红眼检测仪器和红眼检测方法 | |
| JP2021536057A (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
| US20230394853A1 (en) | System for automatic tumor detection and classification | |
| EP3586933A1 (en) | System for counting number of game tokens | |
| KR102202788B1 (ko) | 모조품 판별을 위한 인공지능 장치 및 방법 | |
| WO2005072131A2 (en) | Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading | |
| KR102194777B1 (ko) | 인공지능 기반의 치과 보철 자동 디자인 설계 시스템 및 그 방법 | |
| CN105468891A (zh) | 用于支持计算机辅助诊断的设备和方法 | |
| KR102316557B1 (ko) | 자궁경부암 자동 진단 시스템 | |
| US20220249202A1 (en) | Multiple bone density displaying method for establishing implant procedure plan, and image processing device therefor | |
| KR102608827B1 (ko) | Ai 학습을 위한 임플란트 클래스 분류 방법 | |
| CN110688955A (zh) | 一种基于yolo神经网络的建筑构建目标检测方法 | |
| CN108184286A (zh) | 灯具的控制方法和控制系统以及电子设备 | |
| CN109325493A (zh) | 一种基于人形机器人的文字识别方法及人形机器人 | |
| KR102195850B1 (ko) | 딥러닝 기반 혈관 구분 방법 및 시스템 | |
| EP4075391A1 (en) | Apparatus and method for generating virtual model | |
| KR20180092033A (ko) | 부품 등록기 | |
| CN108235831A (zh) | 灯具的控制方法和控制系统以及电子设备 | |
| KR102445053B1 (ko) | 임플란트 검색 및 자동 식별을 수행하는 시스템 | |
| KR102473139B1 (ko) | 인공지능 기반의 임플란트 인식 시스템 및 그 방법 | |
| WO2021098779A1 (zh) | 目标检测方法、装置、设备及计算机可读存储介质 |
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 |