View : 89 Download: 0

합성곱 신경망을 이용한 교익 방사선 영상에서의 자동 충치 분할 모델

Title
합성곱 신경망을 이용한 교익 방사선 영상에서의 자동 충치 분할 모델
Other Titles
Automatic caries segmentation model for bitewing radiographic images using convolutional neural network (Directed by Prof. Jin-woo Kim, D.D.S, M.S.D, Ph.D.)
Authors
천다예
Issue Date
2020
Department/Major
임상치의학대학원 임상구강보건학과치위생학전공
Publisher
이화여자대학교 임상치의학대학원
Degree
Master
Advisors
김진우
Abstract
본 연구에서는 합성곱 신경망 기반의 충치 분할법이 진단 보조 도구로서의 역할을 수행할 수 있는지 검증하기 위하여 수행하였다. 충치 보조 진단 모델의 학습을 진행하기 위하여 이화여자대학교 목동병원에 2011년 3월 1일부터 2019년 9월 31일까지 치과에 내원한 환자 중 치과 전문의로부터 충치 진단을 받은 환자의 교익 방사선 영상 및 picture archiving and communication systems (PACS)를 후향적으로 검토하여 진행하였다. 딥러닝 충치 보조 진단 모델의 학습에는 총 환자 101명의 교익 방사선 영상이 선택되었으며, 사용된 충치의 개수는 학습용 데이터 124개, 테스트용 데이터 32개, 총 156개가 사용되었다. 본 연구에서 정답 영상으로 사용될 충치 분할 영상은 Image processing and analysis in Java 프로그램을 통하여 그려지고 보존과 전문의의 검토를 거쳐 생성하였다. 합성곱 신경망 기반의 충치 분할법은 DeepLabV3+ 모델을 사용하였으며, 256 × 256 크기로 잘라내어 진 총 156쌍의 교익 방사선 영상과 충치 분할 영상을 사용하였다. 또한, 일반화를 통해 모델의 성능을 최대화하기 위하여 데이터 증강방법을 적용하여 학습하였다. 학습된 DeepLab V3+ 모델의 충치 예측 정확성을 정량적으로 평가하기 위한 분할 성능지표로서 정답분할 영상과 예측분할 영상 간의 dice similarity coefficient 값을 계산하였다. 그 결과 학습용 데이터, 테스트용 데이터에서 각각 평균 0.97, 0.71의 계산 결과를 보였다. 평가 대상이었던 딥러닝 기반 모델인 DeepLabV3+를 채택하여 자동 충치 분할을 수행할 수 있도록 학습하였고, 진단 보조 도구로서의 가능성을 검증하였다. ;In this study, the convolution neural network (CNN)-based caries segmentation model was proposed and validated to evaluate its feasibility for clinical use as a computer-aided diagnosis (CAD) tool. The bitewing X-ray images were acquired by retrospectively reviewing the data of patients who had dental caries diagnosis by dentists from March 1, 2011, to September 31, 2019, at Ewha Woman's University Mokdong Hospital. A total of 101 patients' bitewing X-ray images were selected and there are 156 caries in the images. To train the deep-learning model for caries segmentation, the data was divided into 124, 32 for training data, test data, respectively. The caries segmentation image, which is ground-truth in this study, was hand-drawn by using Image processing and analysis in Java (imageJ)and reviewed by a dentist. The bitewing and caries segmentation images were cropped to 256 × 256 for reducing the computation time, and a data augmentation technique was applied to achieve the generalization performance of the model. The DeepLabV3+, which is based on CNN, was used and trained by using the training data. The performance of DeepLab V3+ for caries segmentation was independently performed by using the test data. To quantitatively evaluate the caries segmentation accuracy of the trained DeepLab V3+ model, the Dice similarity coefficient (DSC) between the ground-truth images and predicted caries segmentation images was calculated. As a result, the average DSC values were shown as 0.97 and 0.71 for each training and test data, respectively. The DeepLab V3+ was trained to perform automatic caries segmentation and its potential as a diagnostic aid tool was verified.
Fulltext
Show the fulltext
Appears in Collections:
임상치의학대학원 > 치위생학전공 > Theses_Master
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

BROWSE