잠시만 기다려 주세요. 로딩중입니다.

심층학습 알고리즘을 활용한 인접면 우식 탐지

 Detection of Proximal Caries Lesions with Deep Learning Algorithm

대한소아치과학회지 2022년 49권 2호 p.131 ~ 139
김현태, 송지수, 신터전, 현홍근, 김정욱, 장기택, 김영재,
소속 상세정보
김현태 ( Kim Hyun-Tae ) - Seoul National University School of Dentistry Department of Pediatric Dentistry
송지수 ( Song Ji-Soo ) - Seoul National University School of Dentistry Department of Pediatric Dentistry
신터전 ( Shin Teo-Jeon ) - Seoul National University School of Dentistry Department of Pediatric Dentistry
현홍근 ( Hyun Hong-Keun ) - Seoul National University School of Dentistry Department of Pediatric Dentistry
김정욱 ( Kim Jung-Wook ) - Seoul National University School of Dentistry Department of Pediatric Dentistry
장기택 ( Jang Ki-Taeg ) - Seoul National University School of Dentistry Department of Pediatric Dentistry
김영재 ( Kim Young-Jae ) - Seoul National University School of Dentistry Department of Pediatric Dentistry
KMID : 0358920220490020131    DOI : 10.5933/JKAPD.2022.49.2.131

Abstract

이번 연구는 소아의 인접면 우식을 진단하는데 있어 사용하고 있는 구내방사선 사진에서 심층학습(deep learning) 알고리즘을 활용하여 치아우식을 진단하는 모델의 성능을 평가하고자 하였다.
제1유구치와 제2유구치 사이의 인접면이 포함된 500개의 구내방사선 사진을 대상으로 연구를 시행하였다. 치아우식을 진단하는 모델의 학습에는 Resnet50 기반의 인공신경망 모델을 사용하였다. 평가자료군에서 진단모델의 정확도, 민감도, 특이도를 구하고, ROC 곡선을 얻어 AUC 값을 바탕으로 분류 모델의 성능을 평가하였다.
학습 모델의 정확도는 0.84, 민감도는 0.74, 특이도는 0.94로 나타났으며 AUC는 0.86으로 나타났다.
인공신경망을 기반으로 하는 소아의 구내방사선 사진에서의 인접면 우식의 진단 모델은 비교적 높은 정확도를 보여주었다. 심층학습 모델은 구내방사선 사진상에서 인접면 우식을 진단하는데 있어 향후 치과의사를 보조하는 진단 도구로서 활용될 수 있을 것이다.

This study aimed to evaluate the effectiveness of deep convolutional neural networks (CNNs) for diagnosis of interproximal caries in pediatric intraoral radiographs.
A total of 500 intraoral radiographic images of first and second primary molars were used for the study. A CNN model (Resnet 50) was applied for the detection of proximal caries. The diagnostic accuracy, sensitivity, specificity, receiver operating characteristic (ROC) curve, and area under ROC curve (AUC) were calculated on the test dataset.
The diagnostic accuracy was 0.84, sensitivity was 0.74, and specificity was 0.94. The trained CNN algorithm achieved AUC of 0.86.
The diagnostic CNN model for pediatric intraoral radiographs showed good performance with high accuracy. Deep learning can assist dentists in diagnosis of proximal caries lesions in pediatric intraoral radiographs.

키워드

Artificial intelligence; Deep learning; Proximal caries; Primary teeth; Intraoral radiography

원문 및 링크아웃 정보

 

등재저널 정보

KCI