KR20230144848A - 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법 - Google Patents
기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20230144848A KR20230144848A KR1020220044041A KR20220044041A KR20230144848A KR 20230144848 A KR20230144848 A KR 20230144848A KR 1020220044041 A KR1020220044041 A KR 1020220044041A KR 20220044041 A KR20220044041 A KR 20220044041A KR 20230144848 A KR20230144848 A KR 20230144848A
- Authority
- KR
- South Korea
- Prior art keywords
- skeleton
- data
- output vector
- machine learning
- correction surgery
- Prior art date
Links
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 45
- 238000012937 correction Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- 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
- A61B6/505—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 diagnosis of bone
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Robotics (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명은 수술 결과 예측 기술에 관한 것으로서, 상세하게는 턱 교정 수술 전에 CT 데이터를 입력하면 기계학습 모델을 통해 입체적인 수술 결과를 예측할 수 있는 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법에 관한 것이다. 이를 위해, 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치는 영상 데이터를 입력받아 영상 내 골격을 상부 골격 및 하부 골격으로 분할하여 상부 골격 데이터 및 하부 골격 데이터를 출력하는 제1 모델부와, 상기 제1 모델부로부터 상부 골격 데이터 및 하부 골격 데이터를 입력받아 출력 벡터(output vector)를 생성하여 출력하는 제2 모델부와, 상기 출력 벡터를 입력받아 변환된 점군(points) 데이터를 생성하여 3차원 골격 영상을 출력하는 3D 변환부를 포함한다.
Description
본 발명은 수술 결과 예측 기술에 관한 것으로서, 상세하게는 턱 교정 수술 전에 CT 데이터를 입력하면 기계학습 모델을 통해 입체적인 수술 결과를 예측할 수 있는 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법에 관한 것이다.
턱 교정 수술은 아래위 치아의 맞물림의 이상이 심해 교정 치료만으로는 치료할 수 없거나 얼굴 모양의 개선이 불완전할 때, 턱뼈의 모양을 바로잡기 위해 시행된다. 턱 교정 수술은 교정 의사와 구강악 안면외과 의사가 함께 시행하며, 대개 교정 의사가 교정 치료를 통해 치아를 적절히 위치시킨 후, 구강악 안면외과 의사가 수술을 통해 한쪽 혹은 위아래 턱뼈를 올바른 자리로 재위치 시키는 수술을 하게 된다.
이러한 턱 교정 수술 계획을 수립하기 위해서는 점, 선, 면을 지정하여 이들 사이의 거리 및 각도를 측정해야 하는데, 이는 복잡하고 번거로울 뿐 아니라 숙련도에 큰 영향을 받으며 시간이 오래 걸린다는 문제점이 있다.
더욱이 심층신경망을 이용한 이 분야 종래 연구를 보면 여전히 점, 선, 면을 지정하는 수준에 머물러 있는 상황이다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 턱 교정 수술 전에 미리 입체적인 턱 교정 수술 결과를 직관적이고 정확하게 예측하는 것이다.
이를 위해, 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치는 영상 데이터를 입력받아 영상 내 골격을 상부 골격 및 하부 골격으로 분할하여 상부 골격 데이터 및 하부 골격 데이터를 출력하는 제1 모델부와, 상기 제1 모델부로부터 상부 골격 데이터 및 하부 골격 데이터를 입력받아 출력 벡터(output vector)를 생성하여 출력하는 제2 모델부와, 상기 출력 벡터를 입력받아 변환된 점군(points) 데이터를 생성하여 3차원 골격 영상을 출력하는 3D 변환부를 포함한다.
또한, 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 방법은 컴퓨팅 장치에서 수행되는 기계학습 기반 턱 교정 수술 결과 예측 방법으로서, 제1 학습모델을 통해 영상 데이터 내 골격을 상부 골격 및 하부 골격으로 분할하여 상부 골격 데이터 및 하부 골격 데이터를 출력하는 제1 단계와, 제2 학습모델을 통해 상기 상부 골격 데이터 및 하부 골격 데이터로부터 출력 벡터(output vector)를 생성하여 출력하는 제2 단계와, 상기 출력 벡터를 이용해 변환된 점군(points) 데이터를 생성하여 3차원 골격 영상을 출력하는 제3 단계를 포함한다.
상술한 바와 같이, 본 발명은 턱 교정 수술 전에 CT 데이터를 입력하기만 하면 기계학습 모델을 통해 입체적인 수술 결과를 매우 직관적이고 정확하게 예측할 수 있는 효과가 있다.
도 1은 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치의 개략적인 내부 구성도.
도 2는 본 발명에 따른 제2 모델부의 개략적인 내부 구성도.
도 3은 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측을 위한 처리 과정을 나타낸 순서도.
도 4는 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 과정에서 출력되는 골격 영상을 나타낸 도면.
도 5는 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 과정에서 특징 추출을 위해 사용되는 입력 데이터를 나타낸 도면.
도 2는 본 발명에 따른 제2 모델부의 개략적인 내부 구성도.
도 3은 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측을 위한 처리 과정을 나타낸 순서도.
도 4는 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 과정에서 출력되는 골격 영상을 나타낸 도면.
도 5는 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 과정에서 특징 추출을 위해 사용되는 입력 데이터를 나타낸 도면.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "……부", "…… 모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 도면을 참조로 하여 본 발명의 실시예에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법에 대하여 상세히 설명한다.
도 1은 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치의 내부 구성을 나타낸 것이다.
본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치는 얼굴 골격 CT 데이터를 입력받아 3차원적인 턱 교정 수술 결과를 예측하는 장치로서, 퍼스널 컴퓨터(PC)이거나 전용 컴퓨팅 장치가 될 수 있다.
도 1을 참조하면, 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치는 제1 모델부(10), 제2 모델부(20), 3D 변환부(30) 등을 포함한다.
제1 모델부(10) 및 제2 모델부(10)에는 특징 추출 네트워크(feature extraction network) 및 다층 퍼셉트론(MLP) 등의 심층신경망(DNN) 구조가 적용되어 있다..
제1 모델부(10)는 얼굴 골격 CT 영상 데이터를 입력받아 영상 내 골격을 상부 골격과 하부 골격으로 분할하여 상부 골격 데이터와 하부 골격 데이터를 생성한다. 제1 모델부(10)에 적용되는 심층신경망 구조는 점군 데이터 분할 네트워크(pointnet, pointnet++, pvcnn 등)를 사용하여 구현할 수 있다.
제2 모델부(20)는 제1 모델부(10)로부터 상부 골격 데이터 및 하부 골격 데이터를 입력받아 출력 벡터(output vector)를 출력한다. 제2 모델부(20)에 적용되는 심층신경망 구조 역시 점군 데이터 분할 네트워크(pointnet, pointnet++, pvcnn 등)를 사용하여 구현하는데, 마지막 레이어를 변형하여 회귀(regression)로 사용하게 된다.
3D 변환부(30)는 제2 모델부(20)로부터 출력 벡터를 입력받아 점군(points) 데이터를 생성하여 3차원 골격 영상을 출력한다. 3D 변환부(30)에서 출력한 3차원 골격 영상이 턱 교정 수술 전에 예측한 수술 결과가 된다.
도 2는 본 발명에 따른 제2 모델부(20)의 내부 구성을 구체적으로 나타낸 것이다.
도 2를 참조하면, 제2 모델부(20)는 제1 특징 추출부(201), 제2 특징 추출부(202), 특징 결합부(203), 다층 퍼셉트론(MLP)부(204) 등을 포함한다.
제1 특징 추출부(201)는 상부 골격 데이터로부터 상부 골격 특징(feature)을 추출한다. 제1 특징 추출부(201)는 컨벌루션 신경망(Convolution Neural Network)을 이용해 상부 골격 특징을 추출하게 된다.
제2 특징 추출부(202)는 하부 골격 데이터로부터 하부 골격 특징(feature)을 추출한다. 제2 특징 추출부(202) 역시 컨벌루션 신경망(Convolution Neural Network)을 이용해 하부 골격 특징을 추출하게 된다.
제1 특징 추출부(201) 및 제2 특징 추출부(202)는 복수의 컨벌루션층을 거쳐 최종적인 특징값을 출력하고, 최종적인 상부 골격 특징값과 하부 골격 특징값은 특징 결합부(203)에서 결합(concatenate)된다.
다층 퍼셉트론부(204)(Multi-Layer Perceptron)는 일련의 입력에서 일련의 출력을 생성하는 피드포워드(feedforward) 인공 신경 네트워크로서, 결합된 특징값을 입력받아 출력 벡터를 생성하여 출력한다.
도 3은 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측을 위한 처리 과정을 나타낸 것이다.
도 3에 도시된 각 단계는 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 장치에서 수행된다. 구체적으로 각 단계는 기계학습 기반 턱 교정 수술 결과 예측의 각 기능(특징 추출, 벡터 출력, 3D 변환 등)을 가진 해당 소프트웨어 또는 하드웨어에 의해 수행되나, 설명의 편의상 기계학습 기반 턱 교정 수술 결과 예측 장치가 각 단계를 수행하는 것으로 설명한다.
도 3을 참조하면, 먼저 기계학습 기반 턱 교정 수술 결과 예측 장치(이하, 예측 장치)가 CT 데이터 분할 단계(S10)를 수행한다.
CT 데이터 분할 단계(S10)에서, 예측 장치는 CT 영상 내 골격을 절개 부위를 중심으로 상부 골격과 하부 골격으로 분할한다.
도 4는 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 과정에서 출력되는 골격 영상을 나타낸 것이다.
도 4를 참조하면, (a)는 환자 얼굴을 CT 촬영한 영상 데이터이며, CT 데이터가 제1 학습모델(model 1)을 통해 분석되어 (b)와 같이 상부 골격(1)과 하부 골격(2)으로 분할된다.
상부 골격(1)과 하부 골격(2)으로 분할된 후, 예측 장치는 상부 골격(1) 및 하부 골격(2)으로부터 각각 상부 골격 데이터 및 하부 골격 데이터를 생성한다.
도 5는 본 발명에 따른 기계학습 기반 턱 교정 수술 결과 예측 과정에서 특징 추출을 위해 사용되는 입력 데이터를 나타낸 것이다.
도 5를 참조하면, 상부 골격(1)은 다수의 점들 즉, 점군(points)을 포함하고 있고, 마찬가지로 하부 골격(2) 역시 점군을 포함하고 있다. 예측 장치는 상부 골격(1)에 포함된 점들 중에서 랜덤하게 점들을 선택하여 선택한 점군으로 구성된 상부 골격 데이터를 생성하고, 마찬가지로 하부 골격(2)에 포함된 점들 중에서 랜덤하게 점들을 선택하여 선택한 점군으로 구성된 하부 골격 데이터를 생성한다.
이렇게 생성한 상부 골격 데이터 및 하부 골격 데이터가 다음의 출력 벡터 생성 단계(S20)에서 사용된다.
출력 벡터 생성 단계(S20)는 제2 학습모델(model 2)을 통해 상부 골격 데이터 및 하부 골격 데이터로부터 출력 벡터를 생성하는 단계로서, 특징 추출 단계(S22) 및 파라미터 출력 단계(S24)로 구성된다.
특징 추출 단계(S20)에서, 예측 장치는 제2 학습모델의 제1 특징 추출 네트워크를 통해 상부 골격 데이터로부터 상부 골격 특징을 추출하고, 제2 특징 추출 네트워크를 통해 하부 골격 데이터로부터 하부 골격 특징을 추출한다.
상기 추출된 상부 골격 특징값 및 하부 골격 특징값은 결합된 후 파라미터 출력 단계(S24)로 들어간다.
파라미터 출력 단계(S24)에서, 예측 장치는 다층 퍼셉트론(MLP)을 통해 상기 결합된 특징값으로부터 다수의 파라미터로 구성된 출력 벡터를 생성하여 출력한다.
만약, 축각 및 변환 파라미터(axis and angle + translation parameter)를 예측하는 경우, 총 6개의 파라미터(x1, y1, z1, xt1, yt2, zt3)로 구성된 출력 벡터가 생성될 수 있다.
출력 벡터가 생성되어 출력되면, 마지막으로 예측 장치는 3D 변환 단계(S30)를 수행한다.
3D 변환 단계(S30)에서, 예측 장치는 출력 벡터를 이용해 변환된 점군 데이터를 생성하여 이로부터 3차원 골격 영상을 출력한다.
도 4를 다시 참조하면, 예측 장치는 제1 학습모델(model 1)을 통해 상부 골격 데이터 및 하부 골격 데이터를 생성하고, 제2 학습모델(model 2)을 통해 생성한 출력 벡터를 이용해 (c)와 같이 3차원 골격 영상(교정 수술 전 예측 결과 영상)을 출력한다.
한편, 본 발명에 따른 제2 학습모델(제2 모델부(20)에 적용된 심층신경망과 동일)은 출력 벡터에 포함된 3차원 변환 파라미터의 절대평균오차(Mean Absolute Error)와 변환된 점군 좌표의 절대평균오차의 합을 손실함수로 사용하여 학습된다. 즉, 이러한 손실함수가 최소가 되도록 제2 학습모델을 학습시킨다.
평균절대오차(MAE)는 모든 절대오차의 평균으로서, 수학식 1을 사용하여 구할 수 있다.
여기서 n = 오차의 개수, |xi - x| = 절대 오차
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
10: 제1 모델부
20: 제2 학습부
30: 3D 변환부 201: 제1 특징 추출부
202: 제2 특징 추출부 203: 결합부
204: 심층신경망
30: 3D 변환부 201: 제1 특징 추출부
202: 제2 특징 추출부 203: 결합부
204: 심층신경망
Claims (8)
- 영상 데이터를 입력받아 영상 내 골격을 상부 골격 및 하부 골격으로 분할하여 상부 골격 데이터 및 하부 골격 데이터를 출력하는 제1 모델부와,
상기 제1 모델부로부터 상부 골격 데이터 및 하부 골격 데이터를 입력받아 출력 벡터(output vector)를 생성하여 출력하는 제2 모델부와,
상기 출력 벡터를 입력받아 변환된 점군(points) 데이터를 생성하여 3차원 골격 영상을 출력하는 3D 변환부를 포함하는 기계학습 기반 턱 교정 수술 결과 예측 장치. - 제1항에 있어서,
상기 제2 모델부는 상부 골격 데이터로부터 상부 골격 특징(feature)을 추출하는 제1 특징 추출부와,
상기 하부 골격 데이터로부터 하부 골격 특징(feature)을 추출하는 제2 특징 추출부와,
상기 상부 골격 특징 및 상기 하부 골격 특징을 결합하는 특징 결합부와,
상기 결합된 특징을 입력받아 출력 벡터를 생성하여 출력하는 다층 퍼셉트론(MLP)부를 포함하는 것을 특징으로 하는 기계학습 기반 턱 교정 수술 결과 예측 장치. - 제2항에 있어서,
상기 상부 골격 데이터는 상부 골격에 포함된 점군 중에서 랜덤하게 선택한 점군으로 구성되고,
상기 하부 골격 데이터는 하부 골격에 포함된 점군 중에서 랜덤하게 선택한 점군으로 구성되는 것을 특징으로 하는 기계학습 기반 턱 교정 수술 결과 예측 장치. - 제1항에 있어서,
상기 출력 벡터에 포함된 3차원 변환 파라미터의 평균절대오차(MAE)와 상기 변환된 점군 좌표의 평균절대오차(MAE)의 합을 손실함수로 사용하여 상기 제2 모델부를 학습시키는 것을 특징으로 하는 기계학습 기반 턱 교정 수술 결과 예측 장치. - 컴퓨팅 장치에서 수행되는 기계학습 기반 턱 교정 수술 결과 예측 방법에 있어서,
제1 학습모델을 통해 영상 데이터 내 골격을 상부 골격 및 하부 골격으로 분할하여 상부 골격 데이터 및 하부 골격 데이터를 출력하는 제1 단계와,
제2 학습모델을 통해 상기 상부 골격 데이터 및 하부 골격 데이터로부터 출력 벡터(output vector)를 생성하여 출력하는 제2 단계와,
상기 출력 벡터를 이용해 변환된 점군(points) 데이터를 생성하여 3차원 골격 영상을 출력하는 제3 단계를 포함하는 방법. - 제5항에 있어서,
상기 제1 단계는 제1 특징 추출 네트워크를 통해 상부 골격 데이터로부터 상부 골격 특징(feature)을 추출하는 과정과,
상기 제2 특징 추출 네트워크를 통해 하부 골격 데이터로부터 하부 골격 특징(feature)을 추출하는 과정과,
상기 상부 골격 특징 및 상기 하부 골격 특징을 결합하는 과정과,
상기 결합된 특징을 입력받아 다층 퍼셉트론(MLP)를 통해 출력 벡터를 생성하여 출력하는 과정을 포함하는 방법. - 제6항에 있어서,
상기 상부 골격 데이터는 상부 골격에 포함된 점들 중에서 랜덤하게 선택한 점군으로 구성되고,
상기 하부 골격 데이터는 하부 골격에 포함된 점들 중에서 랜덤하게 선택한 점군으로 구성되는 것을 특징으로 하는 방법. - 제5항에 있어서,
상기 출력 벡터에 포함된 3차원 변환 파라미터의 평균절대오차(MAE)와 상기 변환된 점군 좌표의 평균절대오차(MAE)의 합을 손실함수로 사용하여 상기 제2 학습모델을 학습시키는 것을 특징으로 하는 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220044041A KR20230144848A (ko) | 2022-04-08 | 2022-04-08 | 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220044041A KR20230144848A (ko) | 2022-04-08 | 2022-04-08 | 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230144848A true KR20230144848A (ko) | 2023-10-17 |
Family
ID=88557754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220044041A KR20230144848A (ko) | 2022-04-08 | 2022-04-08 | 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230144848A (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101138355B1 (ko) | 2011-06-16 | 2012-04-26 | 김태원 | 치아 교정 예측 정보 제공 시스템 및 예측 방법 |
-
2022
- 2022-04-08 KR KR1020220044041A patent/KR20230144848A/ko not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101138355B1 (ko) | 2011-06-16 | 2012-04-26 | 김태원 | 치아 교정 예측 정보 제공 시스템 및 예측 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11972572B2 (en) | Intraoral scanning system with excess material removal based on machine learning | |
US11291532B2 (en) | Dental CAD automation using deep learning | |
KR101450866B1 (ko) | 치아 데이터 마이닝 | |
KR102070256B1 (ko) | 교정 치료 플래닝을 위한 세팔로 영상 처리 방법, 이를 위한 장치, 및 이를 기록한 기록매체 | |
JP2022513275A (ja) | ディープラーニングを使用した非ユークリッド3dデータセットの自動セマンティックセグメンテーション | |
EP3729380A1 (en) | Automated 3d root shape prediction using deep learning methods | |
KR102137344B1 (ko) | 최대 감합위 교합을 위한 시스템 및 방법 | |
CN109859833A (zh) | 消融手术治疗效果的评估方法和装置 | |
WO2020218560A1 (ja) | 歯の位置の分析装置、歯の領域抽出モデル生成方法、歯の位置の分析方法、プログラム、および記録媒体 | |
US20220392126A1 (en) | Method for producing an image of expected results of medical cosmetic treatments on a human anatomical feature from an image of the anatomical feature prior to these medical cosmetic treatments | |
KR20230144848A (ko) | 기계학습 기반 턱 교정 수술 결과 예측 장치 및 방법 | |
Li et al. | Malocclusion treatment planning via pointnet based spatial transformation network | |
US20180280091A1 (en) | Surgical navigation system, surgical navigation method and program | |
Wang et al. | Tooth alignment network based on landmark constraints and hierarchical graph structure | |
Fang et al. | Soft-Tissue Driven Craniomaxillofacial Surgical Planning | |
WO2022135718A1 (en) | Automatic creation of a virtual model and an orthodontic treatment plan | |
WO2021087483A1 (en) | Predictive modeling platform for serial casting to correct orthopedic deformities | |
Lin et al. | A Web-based Patient Management System in Teeth Segmentation Using Deep Learning | |
US20240024083A1 (en) | Remote skeletal modeling | |
JP2020057373A5 (ko) | ||
WO2023195036A1 (en) | Method for the analysis of radiographic images, and in particular lateral-lateral teleradiographic images of the skull, and relative analysis system | |
KR102362049B1 (ko) | 스페큘라 제어 기반 듀얼 영상 처리 시스템 및 스페큘라 제어 기반 듀얼 영상 처리 방법 | |
US20230190411A1 (en) | Treatment planning using tooth movement modeling | |
US10134168B2 (en) | Dynamically supporting custom dependencies during three-dimensional character animation | |
CN117103286B (zh) | 一种机械手手眼标定方法、系统和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |