KR102380166B1 - 치주염 자동 판단 방법 및 이를 구현하는 프로그램 - Google Patents
치주염 자동 판단 방법 및 이를 구현하는 프로그램 Download PDFInfo
- Publication number
- KR102380166B1 KR102380166B1 KR1020200048258A KR20200048258A KR102380166B1 KR 102380166 B1 KR102380166 B1 KR 102380166B1 KR 1020200048258 A KR1020200048258 A KR 1020200048258A KR 20200048258 A KR20200048258 A KR 20200048258A KR 102380166 B1 KR102380166 B1 KR 102380166B1
- Authority
- KR
- South Korea
- Prior art keywords
- region
- intersection
- root
- image
- tooth
- Prior art date
Links
- 201000001245 periodontitis Diseases 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title description 74
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 91
- 238000001514 detection method Methods 0.000 claims description 64
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 210000000515 tooth Anatomy 0.000 description 103
- 239000007943 implant Substances 0.000 description 36
- 210000003298 dental enamel Anatomy 0.000 description 18
- 208000028169 periodontal disease Diseases 0.000 description 11
- 210000003484 anatomy Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000004373 mandible Anatomy 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000004871 mandibular tooth Anatomy 0.000 description 4
- 210000002050 maxilla Anatomy 0.000 description 4
- 230000003239 periodontal effect Effects 0.000 description 4
- 210000004268 dentin Anatomy 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 208000002679 Alveolar Bone Loss Diseases 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 210000004195 gingiva Anatomy 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 210000003707 mixed dentition Anatomy 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 208000029301 Mastication disease Diseases 0.000 description 1
- 208000005888 Periodontal Pocket Diseases 0.000 description 1
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 210000004262 dental pulp cavity Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000018823 dietary intake Nutrition 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 208000007565 gingivitis Diseases 0.000 description 1
- 208000014617 hemorrhoid Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000002379 periodontal ligament Anatomy 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4542—Evaluating the mouth, e.g. the jaw
- A61B5/4552—Evaluating soft tissue within the mouth, e.g. gums or tongue
-
- 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
-
- A61B6/14—
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- 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
-
- 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20084—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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Rheumatology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
Abstract
적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 치주염을 자동 판단하는 방법으로서, 수신한 치과 방사선 영상에서 해부학적 형태에 기초하여 치관 영역과 치근 영역을 포함하는 개별 치아 영역, 치근 영역을 지탱하는 치조골 영역, 그리고 치관 영역을 검출하는 단계, 검출된 개별 치아 영역에 기초하여 치아마다 중심을 지나는 장축을 설정하는 단계, 장축과 치근 영역에서의 개별 치아 영역의 경계선과의 교점을 치근점으로 설정하고, 장축과 치조골 영역의 경계선과의 교점을 제1 교점으로 추출하고, 그리고 장축과 치관 영역에서 치근 영역과 맞닿아 있는 경계선과의 교점을 제2 교점으로 추출하는 단계, 그리고 치근점과 제2 교점간의 길이 대비 치근점과 제1 교점간의 길이의 비율을 통해 개별 치아마다 치조골의 침하율을 산출하는 단계를 포함한다.
Description
치주염 자동 진단 기술에 관한 것이다.
치주 질환은 치아를 둘러싸고 있는 치은과 치주인대 및 치조골 등 치아 주위 조직에서 나타나는 질환으로 진행 정도에 따라 치은염과 치주염으로 구분된다. 상세하게는 비교적 가볍고 회복이 빠른 형태로 잇몸 즉, 연조직에만 국한된 형태를 치은염이라고 하고, 이러한 염증이 잇몸과 잇몸뼈 주변까지 진행된 경우를 치주염이라고 한다.
이러한 치주 질환은 가장 흔한 질병이지만 치조골 손실, 치아 손실, 치질(치아 법랑질, 상아질)의 손상, 저작 장애, 영양 섭취 저하 등을 줄 수 있기 때문에 빠르고 정확한 진단과 그에 따른 치료가 진행되어야 한다.
일반적으로 치주 질환 진단 방법으로는 직접 치주 탐침(periodontal probe)과 같은 수기구를 이용하여 환자의 잇몸에 들어간 탐침의 길이와 출혈 유발 여부를 확인하거나 환자의 잇몸에 대한 치과 방사선 영상을 판독하여 진단하는 방법이 있다.
다만, 치주 탐침을 이용하는 경우, 치주염으로 인해 쉽게 출혈이 발생하여 치주낭 깊이가 더 깊게 측정될 수 있고, 시간 소요가 많으며 환자의 불편함이 크다. 또한, 방사선 영상을 이용하는 경우, 방사선 영상을 판독하는 판독의의 주관적인 경험, 경력에 영향을 많이 받기 때문에, 부정확한 진단을 초래할 가능성이 있다.
또한 치근단 방사선 촬영술 중에 대표적인 구강 내 방사선 촬영을 수행하면 한 개 또는 여러 개의 치아와 치아 주위 조직(치조골)을 선명하게 확인할 수 있지만, 전체 치아의 상태를 확인하기 어렵고, 국수적인 부분에 대한 정보만을 확인할 수 있다. 반면에 위턱 뼈, 아래턱 뼈 그리고 안면 구조를 연속된 한 장의 방사선 사진으로 보여주는 단층 촬영술의 일종인 파노라마 방사선 촬영은 상대적으로 간편하고 짧은 시간에 적은 x선 노출을 통해 전체 치아와 치조골에서의 필요한 정보를 다수 얻을 수 있지만, 치근단 방사선 영상에 비해 해상도가 떨어지고 상의 확대와 왜곡이 발생한다.
이에 정확한 진단을 위해서는 파노라마 방사선 영상을 통해 특정 치아 부분을 한정하고 이를 다시 구강 내 방사선 촬영으로 확인하게 되어 다수의 방사선 촬영과 시간 및 비용이 소요된다.
그러므로 판독의의 경험에 의존하지 않으면서 파노라마 방사선 영상에서 진단에 필요한 해부학적 구조물 및 영역을 자동으로 검출하고, 자동으로 치주염 진행 단계를 객관적으로 진단한 정보를 제공하는 기술이 요구된다.
본 발명의 하나의 실시예는 방사선 영상에서 진단에 필요한 해부학적 구조물 및 영역을 자동적으로 검출하고, 해부학적 구조물 및 영역에서 치조골의 침하 정도를 정량적으로 계산하여 치주염 진행 정도를 제공하는 치주염 자동 진단 기술을 제공하기 위한 것이다.
상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 사용될 수 있다.
본 발명의 하나의 실시예에 따른 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 치주염을 자동 진단하는 방법으로서, 수신한 치과 방사선 영상에서 해부학적 형태에 기초하여 치관 영역과 치근 영역을 포함하는 개별 치아 영역, 치근 영역을 지탱하는 치조골 영역, 그리고 치관 영역을 검출하는 단계, 검출된 개별 치아 영역에 기초하여 치아마다 중심을 지나는 장축을 설정하고, 장축과 치근 영역에서의 개별 치아 영역의 경계선과의 교점을 치근점으로 설정하는 단계, 장축과 치조골 영역의 경계선과의 교점을 제1 교점으로 추출하고, 그리고 장축과 치관 영역에서 치근 영역과 맞닿아 있는 경계선과의 교점을 제2 교점으로 추출하는 단계, 그리고 치근점과 제2 교점간의 길이 대비 치근점과 제1 교점간의 길이의 비율을 통해 개별 치아마다 치조골의 침하율을 산출하는 단계를 포함한다.
복수의 치과 방사선 영상과 대응되는 해당 치과 방사선 영상의 개별 치아 영역, 치조골 영역 그리고 치관 영역을 포함하는 학습 데이터를 수집하여 치과 방사선 영상으로부터 각각의 개별 치아 영역, 치조골 영역 그리고 치관 영역이 출력되도록 하는 하나 이상의 검출 모델을 학습시키는 단계를 더 포함한다.
검출 모델은, 치과 방사선 영상으로부터 개별 치아 영역, 치조골 영역 그리고 치관 영역에 대해 치과 방사선 영상과 동일한 해상도를 가지는 개별 영상으로 검출하는 컨볼루션 뉴럴 네트워크(Convolution Neural Network)로 구현될 수 있다.
검출하는 단계는, 수집된 치과 방사선 영상을 검출 모델의 입력에 맞게 전처리한 후, 전처리한 입력 영상을 학습된 검출 모델에 입력하고, 학습된 검출 모델로부터 검출된 영역에 대한 개별 영상을 획득할 수 있다.
장축을 설정하는 단계는, 개별 치아 영역마다 주성분 분석 알고리즘을 적용하여 치아의 중심점을 지나는 장축을 설정하면, 설정된 장축에 해당하는 영상 좌표들을 자동으로 추출할 수 있다.
추출하는 단계는, 개별 치아 영역, 치조골 영역 그리고 치관 영역에 대해 각각 이진화 영상으로 변환한 후, 변환된 영상에서 무어 이웃 추적 알고리즘을 적용하여 각 영역의 경계선에 대한 영상 좌표 집합을 획득할 수 있다.
추출하는 단계는, 장축에 해당하는 영상 좌표들과, 각 영역의 경계선마다의 영상 좌표 집합 간의 교집합을 검출하여, 치아별로 치근점에 대한 영상 좌표와 제1 교점의 영상 좌표와 제2 교점의 영상 좌표를 추출할 수 있다.
치조골의 침하율을 산출하는 단계는, 치근점의 영상 좌표와 제2 교점의 영상 좌표간의 길이를 치근점의 영상 좌표와 제1 교점의 영상 좌표간의 길이로 나눈 값을 백분율로 변환하여 치조골의 침하율을 산출하고, 치조골의 침하율에 대응되는 치주염의 진단 단계를 제공할 수 있다.
치조골의 침하율을 산출하는 단계는, 치과 방사선 영상에 치조골 영역의 경계선 그리고 치관 영역에서 치근 영역과 맞닿아 있는 경계선을 중첩하여 표시하고, 치아마다 장축에 기초하여 치근점, 제1 교점, 제2 교점 그리고 치아마다의 치조골 침하율을 표시하여 연동되는 단말에 제공할 수 있다.
본 발명의 하나의 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에 저장되고, 프로세서에 의해 실행되는 프로그램으로서, 수신한 치과 방사선 영상에서 해부학적 형태에 기초하여 치관 영역과 치근 영역을 포함하는 개별 치아 영역, 치근 영역을 지탱하는 치조골 영역, 그리고 치관 영역을 검출하는 동작, 검출된 개별 치아 영역에 기초하여 치아마다 중심을 지나는 장축을 설정하는 동작, 장축과 치근 영역에서의 개별 치아 영역의 경계선과의 교점을 치근점으로 설정하는 동작, 장축과 치조골 영역의 경계선과의 교점을 제1 교점으로 추출하고, 그리고 장축과 치관 영역에서 치근 영역과 맞닿아 있는 경계선과의 교점을 제2 교점으로 추출하는 동작, 그리고 치근점과 제2 교점간의 길이 대비 치근점과 제1 교점간의 길이의 비율을 통해 개별 치아마다 치조골의 침하율을 산출하는 동작을 실행하는 명령어들를 포함한다.
본 발명의 하나의 실시예는 치과 방사선 영상에서 객관적으로 정량화된 치주염 진행 정도를 진단하여 제공함으로써, 판독의의 경험에 의존하지 않으면서도 정확한 치주염 진단 정보를 제공할 수 있다.
본 발명의 하나의 실시예는 다수의 방사선 영상의 촬영 없이도, 상대적으로 적은 x선 노출로 얻은 파노라마 방사선 영상을 통해 개별 치아마다의 치주염 진단을 제공할 수 있다.
본 발명의 하나의 실시예는 파노라마 치과 방사선 영상에서 자동으로 개별 치아 영역, 치조골 영역 그리고 치관 영역을 획득하여 치주염을 진단함으로써, 진단에 소요되는 시간을 단축시키고 사용자 및 판독의에게 편리함을 제공할 수 있다
도 1은 치주질환에서의 하악 치아를 모식적으로 나타낸 단면 개념도이다.
도 2는 본 발명의 하나의 실시예에 따른 치주염 자동 진단 장치의 구성도이다.
도 3은 본 발명의 하나의 실시예에 따른 학습된 검출 모델을 이용한 치주염 진단 방법을 나타낸 순서도이다.
도 4는 본 발명의 하나의 실시예에 따른 검출 모델을 나타낸 예시도이다.
도 5는 본 발명의 하나의 실시예에 따른 치아별 경계선, 치조골 영역 경계선, 치근과 치관의 경계선을 나타낸 예시도이다.
도 6은 본 발명의 하나의 실시예에 따른 경계선들의 교점들을 표시한 하악 치아를 모식적으로 나타낸 단면 개념도이다.
도 7은 본 발명의 하나의 실시예에 따른 치아별 치근과 치관의 경계선 대비 치조골의 침하율을 표시한 예시도이다.
도 8은 본 발명의 하나의 실시예에 따른 치아별 진단한 치주염 단계를 표시한 예시도이다.
도 9는 본 발명의 하나의 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
도 2는 본 발명의 하나의 실시예에 따른 치주염 자동 진단 장치의 구성도이다.
도 3은 본 발명의 하나의 실시예에 따른 학습된 검출 모델을 이용한 치주염 진단 방법을 나타낸 순서도이다.
도 4는 본 발명의 하나의 실시예에 따른 검출 모델을 나타낸 예시도이다.
도 5는 본 발명의 하나의 실시예에 따른 치아별 경계선, 치조골 영역 경계선, 치근과 치관의 경계선을 나타낸 예시도이다.
도 6은 본 발명의 하나의 실시예에 따른 경계선들의 교점들을 표시한 하악 치아를 모식적으로 나타낸 단면 개념도이다.
도 7은 본 발명의 하나의 실시예에 따른 치아별 치근과 치관의 경계선 대비 치조골의 침하율을 표시한 예시도이다.
도 8은 본 발명의 하나의 실시예에 따른 치아별 진단한 치주염 단계를 표시한 예시도이다.
도 9는 본 발명의 하나의 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
첨부한 도면을 참고로 하여 본 발명의 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 도면부호가 사용되었다. 또한 널리 알려져 있는 공지기술의 경우 그 구체적인 설명은 생략한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 상에서 학습 영상, 입력 영상은 치과 방사선 영상을 의미하며, 구체적으로 파노라마 방사선 영상을 의미한다.
도 1은 치주질환에서의 하악 치아를 모식적으로 나타낸 단면 개념도이다.
도 1의 (a)는 하악 치아의 구조를 나타내고, (b)는 치주질환의 단계에 따라 변화되는 치아 구조를 나타낸다.
도 1의 (a)에 도시한 바와 같이, 치아는 치아의 위쪽에 위치하는 치관과 치아의 뿌리를 의미하는 치근으로 형성된다. 상세하게는 치아는 치수와 치근관을 둘러싼 상아질과 상아질을 둘러싼 법랑질로 이루어진 치관과 백악질로 이뤄진 치근으로 구성된다. 그리고 백악법랑 경계선 또는 치경선은 치관과 치근의 경계를 의미하는 것으로 실제 법랑질과 백악질의 경계선에 해당된다.
또한, 치조골은 상악골(위턱뼈)과 하악골(아래턱뼈)에서 각 돌출된 부분들로 치근을 지지하는 역할을 하는 돌기 형태의 골조직을 의미한다.
치주 질환은 치주 조직에 발생하는 병변의 총칭으로 염증이 치은(잇몸)에서 치조골로 전파하여 치조골이 염증이 생겨 녹거나 소실된다.
도 1의 (b)는 치아의 외부와 내부를 나타낸 것으로, 건강한 상태의 치아 상태에서부터 치주 질환의 발생 정도에 따라 변화된 치아 상태를 나열한 예시도이다.
도 1의 (b)의 좌측의 치아 상태와 우측의 치아 상태를 비교해보면, 치주 질환의 진행 정도에 따라 가장 큰 특징으로 치조골이 소실되어 치근이 외부로 노출되는 것을 알 수 있다.
그러므로 치근-백악법랑경계 교점 길이 대비 치근-치조골 교점 길이의 비율을 계산하여 치조골의 소실 정도(치조골의 침하율)를 정량적으로 판단할 수 있다.
도 2는 본 발명의 하나의 실시예에 따른 치주염 자동 진단 장치의 구성도이다.
도 2에 도시한 바와 같이, 치주염 자동 진단 장치(100)는 학습 영상을 검출 모델의 입력 정보의 형식에 맞게 전처리하는 전처리부(110), 전처리된 학습 영상을 이용하여 하나 이상의 검출 모델을 각각 학습시키는 학습부(120), 전처리된 입력 영상에서 검출 모델을 이용하여 치아, 치조골 그리고 치관의 영역을 각 추출하는 검출부(130) 그리고 기준이 되는 치근점을 설정하고, 추출된 영역간에 교점들을 추출하는 제어부(140), 치근점과 교점간 길이를 산출하고, 산출된 교점간의 길이의 비율에 따라 치조골의 침하율을 결정하여 치주염 진단 정보를 출력하는 진단부(150)를 포함한다.
설명을 위해, 전처리부(110), 학습부(120), 검출부(130) 그리고 진단부(150)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치이다. 여기서, 전처리부(110), 학습부(120), 검출부(130), 제어부(140) 그리고 진단부(150)는 하나의 컴퓨팅 장치에 구현되거나, 별도의 컴퓨팅 장치에 분산 구현될 수 있다. 별도의 컴퓨팅 장치에 분산 구현된 경우, 전처리부(110), 학습부(120), 검출부(130), 제어부(140) 그리고 진단부(150)는 통신 인터페이스를 통해 서로 통신할 수 있다. 컴퓨팅 장치는 본 발명을 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하고, 예를 들면, 서버, 랩탑 컴퓨터 등일 수 있다.
여기서, 학습부(120)는 치주염 자동 진단 장치(100)와 별도로 구현되거나 검출 모델의 학습이 완료됨에 따라 사용되지 않을 수 있다.
전처리부(110)는 딥러닝 모델 학습을 위한 치과 방사선 영상(이하에서는 학습 영상)을 수집하고 분류하여 검출 모델의 학습 데이터로 변환한다. 전처리부(110)는 하나 이상의 검출 모델에 대해 각 검출 모델의 입력 형식에 기초하여 학습 영상을 학습 데이터로 변환할 수 있다.
이때, 전처리부(110)는 하나 이상의 학습 영상을 입력받으면, 학습 영상의 잡음이 잠음 임계치 이상이거나 선명도가 선명도 임계치 이하인 영상인 경우를 해당 학습 영상을 제외할 수 있다. 그리고 전처리부(110)는 혼합 치열(유치와 영구치가 섞여 있는 상태)이 포함된 학습 영상을 제외할 수 있다.
그리고 전처리부(110)는 검출 모델의 학습을 위해 학습 영상에 대해 좌우 반전하거나 영상 회전하고, 직선 이동 및 대조도 변경, 가우시안 블러링(gaussian-blurring) 등의 영상 증강을 통해 학습 데이터의 양을 약 64배로 증폭할 수 있다.
한편, 전처리부(110)는 학습 영상과 함께 해당 치과 방사선 영상에 대한 치아 또는 임플란트 영역 데이터, 치조골 영역 데이터, 백악법랑경계 영역 데이터를 함께 수집할 수 있다.
한편, 전처리부(110)는 학습이 완료되어 실제 영상을 수집하면, 학습된 검출 모델에 대한 입력 형식에 기초하여 실제 영상을 변환할 수 있다.
학습부(120)는 변환된 학습데이터를 입력값으로 하여, 수집된 치아 또는 임플란트 영역 데이터, 치조골 영역 데이터, 치관 영역 데이터가 획득되도록 검출 모델을 학습한다.
여기서, 검출 모델은 종래의 Faster R-CNN을 개선하여 영상에서 픽셀수준의 객체를 검출하고 분할하기 위해 제안된 Mask R-CNN로 구현될 수 있다.
Mask R-CNN는 바운딩 박스 인식을 위해 기존 브랜치와 병렬로 객체 마스크를 예측하는 브랜치를 추가한 형태로 이루어져 있으며, 마스크를 예측하는 부분은 클래스와 분리된 채 K개의 클래스 중에서 각 픽셀의 해당 여부를 이진 예측(binary predict)한다.
이처럼, 검출 모델은 하나의 딥러닝 또는 머신러닝으로 구현된 인공지능 모델로, 하나의 인공지능 모델을 통해 치아 또는 임플란트 영역, 치조골 영역 그리고 치관 영역을 획득할 수 있고, 각 영역마다 독립적인 인공지능 모델을 구현할 수 있다. 이에 따라 상술한 구성들에 대응하는 하나 또는 복수의 인공지능 모델은 하나 또는 복수의 컴퓨팅 장치에 의해 구현될 수 있다.
학습부(120)는 GPU 서버를 이용하여 검출 모델을 학습을 수행하며, 1회 학습 후 손실 함수(loss function)를 이용하여 손실값을 계산한다. 그리고 학습부(120)는 계산된 손실 값이 최소가 되는 가중치(weight) 값을 연산하고, 연산된 가중치를 적용한 검출 모델을 재학습한다.
학습부(120)는 미리 설정된 횟수만큼 반복 학습을 수행하거나 계산된 함수 값이 기 설정된 임계치에 도달하면 학습을 종료할 수 있다.
다시 말해, 학습부(120)는 치과 방사선 영상에 대한 데이터를 입력받으면, 해당 치과 방사선 영상에서의 치아 또는 임플란트 영역, 치조골 영역, 치관 영역 중에서 하나 이상의 영역이 출력되도록 하나 이상의 검출 모델을 학습시킨다.
검출부(130)는 전처리부(110)를 통해 변환된 입력 영상을 학습된 하나 이상의 검출 모델에 적용하여 해당 입력 영상에 대한 치아 또는 임플란트 영역, 치조골 영역, 그리고 치관 영역을 각각 획득한다.
그리고 검출부(130)는 획득한 치아 또는 임플란트 영역, 치조골 영역, 그리고 백악법랑경계 영역을 이진화 영상으로 변환하여 이진화된 영상에서 윤곽선을 추출할 수 있다.
예를 들어, 검출부(130)는 무어 이웃(Moore-neighbor) 추적 알고리즘 등과 같은 윤곽선 추적 알고리즘을 이진화된 영상에 적용할 수 있다,
이처럼 검출부(130)는 개별 치아 또는 임플란트별 경계선, 치조골 영역 경계선, 그리고 백악법랑경계 라인을 추출한다. 이때, 검출부(130)는 해당 경계 라인들에 대해 입력 영상에서의 좌표 집합의 형태로 추출할 수 있다.
제어부(140)는 각각의 치아 또는 임플란트의 영역에 대해서 개별 치아 또는 임플란트의 장축을 결정한다.
여기서, 장축은 개별 치아 또는 임플란트의 중심 축을 의미하며, 제어부(140)는 각각의 치아 또는 임플란트의 영역에 주성분 분석 알고리즘을 적용하여 도출할 수 있다.
그리고 제어부(140)는 추출된 개별 치아 또는 임플란트별의 장축, 개별 치아 또는 임플란트별 경계선, 치조골 영역 경계선, 그리고 치관 영역에서 치근 영역과 맞닿아 있는 경계선(이하에서는 백악법랑경계선으로 명칭함)간의 교차점을 결정한다.
제어부(140)는 개별 장축과 해당 치아 또는 임플란트 경계선간의 서로 교차되는 지점을 치근점으로 결정한다.
이때, 제어부(140)는 하악인 경우에는 장축과 교차되는 가장 하단의 지점이 치근점으로 결정하고, 상악인 경우에는 장축과 교차되는 가장 상단의 지점이 치근점으로 결정한다.
그리고 제어부(140)는 개별 치아 또는 임플란트의 치근점은 영상 좌표로 추출한다.
이때, 제어부(140)는 개별 치아 또는 임플란트의 장축과 치근점, 치조골 영역 경계선, 백악법랑경계선을 입력 영상에 중첩하여 제공할 수 있다.
또한, 제어부(140)는 개별 장축과 치조골 영역 경계선 간에 서로 교차되는 지점을 제1 교점으로 검출하고, 개별 장축과 백악법랑경계선에 서로 교차되는 지점을 제2 교점으로 검출한다.
이때, 치조골 영역 경계선은 상악 및 하악의 연결 구조로 하나의 라인이 생성되어 개별 장축과 교차하는 지점이 한 지점으로 검출되지만, 백악법랑경계선은 상악과 하악별로 각각 경계선이 생성되기 때문에 개별 장축과 교차하는 지점이 서로 상이한 2 지점으로 검출된다.
그러므로 진단부(150)는 검출된 2 지점 중에서 개별 치근점과의 거리가 더 가까운 지점을 제2 교점으로 검출할 수 있다.
이처럼 진단부(150)는 개별 장축에 기초하여 개별 치아 및 임플란트마다 치근점, 제1 교점 그리고 제2 교점을 검출하며, 이러한 지점은 영상의 좌표로 검출될 수 있다.
진단부(150)는 치근점과 제2 교점 간의 길이 대비 치근점과 제1 교점간의 길이를 비율로 연산하여 개별 치아 및 임플란트마다 치조골의 침하 정도를 정량화할 수 있다.
상세하게는 진단부(150)는 치조골의 침하 정도에 따라 N 단계로 구분된 치주 질환(치주염)의 진행 단계를 결정하여 진단 정보를 제공할 수 있다.
예를 들어, 치주염의 진행 단계는 치주 및 임플란트 질환 및 상태 분류에 관한 2017 세계 워크숍(2017 World Workshop on the Classification of Periodontal and Peri-implant Diseases and Conditions)에서 결정된 기준에 따라 백악법랑경계 라인 대비 치조골 영역 경계선의 침하율이 15% 이하일 경우 1단계, 15% 이상 33% 이하일 경우 2단계, 33% 초과일 경우 3단계로 결정할 수 있다.
이러한 치주염의 진행 단계는 치료단계의 세분화 및 치주염 진단의 세분화 등의 기준 변화에 따라 용이하게 변경 및 설계 가능하다.
도 3은 본 발명의 하나의 실시예에 따른 학습된 검출 모델을 이용한 치주염 진단 방법을 나타낸 순서도이다.
먼저, 치주염 자동 진단 장치(100)는 학습 데이터를 수집하여 치과 방사선 영상으로부터 각각의 개별 치아 영역, 치조골 영역 그리고 치관 영역이 출력되도록 하는 하나 이상의 검출 모델을 학습한다(S110)
치주염 자동 진단 장치(100)는 해부학적 구조에 기초하여 치아 또는 임플라트, 구강 구조에 따른 영역 등을 검출하기 위해 검출 모델을 설계하고 구축할 수 있다.
이에 치주염 자동 진단 장치(100)는 검출 모델을 구축하기 위해 학습데이터를 수집한다.
치주염 자동 진단 장치(100)는 학습 데이터로 치과 방사선 영상을 수집함에 있어서, 잡음, 선명도 등의 정도를 판단하거나 형상 왜곡, 혼합 치열, 유치 등의 포함 여부를 판단하여 학습 영상으로써의 치과 방사선 영상을 선별할 수 있다.
그리고 치주염 자동 진단 장치(100)는 치과 방사선 영상을 입력값으로 하였을 때, 결과값으로 획득할 수 있는 개별 치아 영역, 치조골 영역 그리고 치관 영역의 데이터를 함께 수집할 수 있다.
치주염 자동 진단 장치(100)는 검출 모델에 대해 1회 학습이 완료되면 결과 값에 대한 손실 함수(loss function)을 계산하여 손실 값이 최소가 되는 가중치(weight)을 계산한다. 그리고 치주염 자동 진단 장치(100)는 계산된 가중치 값을 적용한 검출 모델을 통해 학습을 반복한다.
이와 같이, 치주염 자동 진단 장치(100)는 N회 반복 학습을 통해 결정된 가중치가 적용된 검출 모델을 구축함으로써, 학습을 완료할 수 있다.
이러한 검출 모델은, 치과 방사선 영상으로부터 개별 치아 영역, 치조골 영역 그리고 치관 영역에 대해 치과 방사선 영상과 동일한 해상도를 가지는 개별 영상으로 검출하는 컨볼루션 뉴럴 네트워크(Convolution Neural Network)로 구현될 수 있다. 상세하게는 검출 모델은 Mask R-CNN과 같은 인공지능 모델로 구현될 수 있다.
그리고 검출 모델은 하나 이상으로 구현 가능하며, 각 개별 치아 영역을 출력하는 제1 검출 모델, 치조골 영역을 출력하는 제2 검출 모델 그리고 치관 영역을 출력하는 제3 검출 모델과 같이 각각 독립적인 검출 모델이 구현될 수 있다. 이때, 개별 치아 영역을 출력하는 경우, 치아와 임플란트는 각각 독립적인 검출 결과로 출력될 수 있다.
이처럼 S110 단계는 검출 모델을 학습하는 단계로, 검출 모델의 학습이 완료된 이후에는 S120 단계부터 시작할 수 있다.
다음으로 치주염 자동 진단 장치(100)는 수신한 치과 방사선 영상에서 해부학적 형태에 기초하여 개별 치아 영역, 치조골 영역 그리고 치관 영역을 검출한다(S120).
치주염 자동 진단 장치(100)는 수신한 치과 방사선 영상을 검출 모델에 적용하기 위해 검출 모델의 입력에 맞게 전처리한 후, 전처리한 입력 영상을 학습된 검출 모델에 입력할 수 있다.
치주염 자동 진단 장치(100)는 하나 이상의 학습된 검출 모델을 이용하여 전체 치아를 촬영한 영상에서 개별 치아 영역, 치조골 영역 그리고 치관 영역을 각각 검출할 수 있다.
이때, 검출된 각각의 영역은 치과 방사선 영역과 동일한 해상도로 동일한 영상 좌표를 가질 수 있다.
한편, 치주염 자동 진단 장치(100)는 검출된 개별 치아 영역, 치조골 영역 그리고 치관 영역에 대해 각각 이진화 영상으로 변환한 후, 각 영역의 경계선을 검출할 수 있다.
도 4는 본 발명의 하나의 실시예에 따른 검출 모델을 나타낸 예시도이다.
도 4에 도시한 바와 같이, 치주염 자동 진단 장치(100)는 사용자의 치과 방사선 영상(10)을 수집하면, 학습된 검출 모델(200)에 입력하여, 해당 치과 방사선 영상(10)에 따른 치아 또는 임플란트 영역, 치조골 영역, 그리고 치관 영역을 획득한다.
이때, 치주염 자동 진단 장치(100)는 입력된 치과 방사선 영상(10)과 획득한 영상들은 동일한 해상도를 가진다.
상세하게는 치주염 자동 진단 장치(100)는 CNN 1(210)을 통해 치아 또는 임플란트의 영역을 개별적으로 검출하는 과정에서 치아와 임플란트는 각각 독립적인 검출 결과(마스크)로 출력되며, 출력된 검출 결과 영상은 중첩될 수 있다.
그리고 치주염 자동 진단 장치(100)는 CNN 2(220)을 통해 하악과 상악에 연결된 하나의 영역으로 하나의 영역으로 치조골 영역을 검출된다.
치주염 자동 진단 장치(100)는 CNN 3(230)을 통해 치아의 치관에 해당하는 치관 영역을 검출하는 과정에서, 상악 치아와 하악 치아 각각의 영역으로 검출된다.
이처럼 치주염 자동 진단 장치(100)는 개별적으로 학습이 완료된 검출 모델(210,220,230)을 통해 각각 치아 또는 임플란트 영역, 치조골 영역, 그리고 치관 영역을 획득할 수 있다.
그리고 치주염 자동 진단 장치(100)는 각 검출 모델을 통해 획득한 영역을 치아 또는 임플란트 영역(11), 치조골 영역(12), 그리고 치관 영역(13)과 같이 이진화 영상으로 변환한다.
각 영역을 이진화 영상으로 변환하면, 각 영역에 대해 더 뚜렷하게 그 형상을 확인할 수 있다.
다음으로 치주염 자동 진단 장치(100)는 변환된 이진화 영상에서 무어 이웃 추적 알고리즘(Moore-Neighbor)을 적용하여 각 영역의 경계선을 검출할 수 있다. 그리고 치주염 자동 진단 장치(100)는 검출한 각 영역의 경계선에 대한 영상 좌표 집합을 획득할 수 있다.
도 5는 본 발명의 하나의 실시예에 따른 치아별 경계선, 치조골 영역 경계선, 치근과 치관의 경계선을 나타낸 예시도이다.
도 5의 (a), (b), (c)는 각각 상이한 치과 방사선 영상에 대해 이진화 변환한 후, 경계선을 도출한 영상을 나타낸다.
도 5에서와 같이, 치아 또는 임플란트별 경계선(14)은 각 치아 또는 임플란트마다 경계선이 도출되며, 치조골 영역 경계선(15)은 상악과 하악에 연결된 치조골의 라인에 기초하여 하나의 경계선이 도출되고, 치근과 치관의 경계선(16)은 상악 라인과 하악 라인으로 나뉘어 도출된다.
도 5의 (a), (b), (c)와 같이, 각 검출된 영상은 동일한 해상도로 동일한 영상 좌표를 가지기 때문에 별도의 추가 영상처리 과정 없이 해당 영상들을 중첩하여 표시할 수 있다.
상세하게는 치주염 자동 진단 장치(100)는 개별 치아 또는 임플란트 경계선 중에서 치근 영역에 해당하는 경계선을 검출하고, 치관 영역에 대한 경계선으로 치근 영역과 맞닿아 있는 백악법랑경계선을 검출할 수 있다.
다음으로 치주염 자동 진단 장치(100)는 개별 치아 영역에 기초하여 치아의 중심을 지나는 장축을 설정한다(S130).
치주염 자동 진단 장치(100)는 개별 치아 영역마다 주성분 분석 알고리즘(Principal axes of inertia)을 적용하여 치아의 중심점을 지나는 장축을 설정하면, 설정된 장축에 해당하는 영상 좌표들을 자동으로 추출할 수 있다.
여기서, 장축은 각 치아 또는 임플란트마다 일대일로 설정되며, 중심축과 같은 의미를 나타낸다.
다음으로 치주염 자동 진단 장치(100)는 설정된 장축과 개별 치아 영역의 경계선과의 교점을 치근점으로 설정한다(S140).
치주염 자동 진단 장치(100)는 개별 치아 영역의 경계선 중에서 치근 영역에서 설정된 장축과의 교점을 치근점으로 설정할 수 있다.
이때, 치근점은 장축과 마찬가지로 각 치아 또는 임플란트마다 일대일로 설정되며, 치주염의 진단에 있어서 기준점이 된다.
다음으로 치주염 자동 진단 장치(100)는 장축과 치조골 영역의 경계선과의 교점을 제1 교점으로 검출하고 장축과 치관 영역의 경계선과의 교점을 제2 교점으로 검출한다(S150).
여기서, 치조골 영역의 경계선은 하나의 치조골 영역 경계선으로 각 치아 또는 임플라트의 장축마다 교점이 하나씩 검출된다.
그리고 치주염 자동 진단 장치(100)는 치관 영역의 경계선 중에서 치근 영역과 맞닿아 있는 경계선인 백악법랑경계선을 기준으로 장축과의 교점을 검출한다.
다시 말해 치주염 자동 진단 장치(100)는 장축에 해당하는 영상 좌표들과, 검출된 각 영역의 경계선마다의 영상 좌표 집합 간의 교집합을 검출하여, 치아별로 치근점에 대한 영상 좌표와 제1 교점의 영상 좌표와 제2 교점의 영상 좌표를 추출할 수 있다.
다음으로 치주염 자동 진단 장치(100)는 치근점과 제2 교점간의 길이 대비 치근점과 제1 교점간의 길이의 비율을 통해 개별 치아에 대한 치조골의 침하율을 산출한다(S160).
치주염 자동 진단 장치(100)는 치근점의 영상 좌표와 제2 교점의 영상 좌표간의 길이를 치근점의 영상 좌표와 제1 교점의 영상 좌표간의 길이로 나눈 값을 백분율로 변환하여 치조골의 침하율을 산출할 수 있다.
도 6은 본 발명의 하나의 실시예에 따른 경계선들의 교점들을 표시한 하악 치아를 모식적으로 나타낸 단면 개념도이다.
도 6에 도시한 바와 같이, 개별 치아마다 중심을 지나는 장축을 생성하고, 치관과 치근을 포함하는 치아별 경계선, 치조골 영역 경계선 그리고 치관과 치근의 경계선(백악법랑경계선)마다 교점을 산출한다.
이때, 어금니와 같이 치근이 복수로 형성된 경우, 각 치근마다 중심에 대해 장축을 설정하지 않고, 도 6과 같이, 복수의 치근이 연결된 라인에서 하나의 장축과 연결된 지점을 치근점(치근 좌표)으로 산출할 수 있다.
그리고 치주염 자동 진단 장치(100)는 치근점과 치관과 치근의 경계선과의 제2 교점 대비 치근점과 치조골 영역 경계선의 제1 교점의 비율을 산출한다.
다시 말해 치주염 자동 진단 장치(100)는 치근점의 영상 좌표와 제2 교점의 영상 좌표간의 길이(A)를 치근점의 영상 좌표와 제1 교점의 영상 좌표간의 길이(B)로 나눈 값을 백분율로 변환하여 해당 치아 또는 임플란트의 치조골 침하율을 산출할 수 있다.
이와 같이, 치주염 자동 진단 장치(100)는 각 치아마다의 치조골 침하율을 산출하고, 산출한 치조골의 침하율에 기초하여 치주염의 진단 단계를 분류할 수 있다.
예를 들어, 치주염 자동 진단 장치(100)는 백악법랑경계선 대비 치조골의 침하율이 15% 이하일 경우 1단계, 15% 이상 33% 이하일 경우 2단계, 33% 초과일 경우 3단계로 진단할 수 있다.
여기서, 치주염의 진단 단계는 치료 과정이나 연구 진행 과정에 따라 용이하게 변경 및 설정 가능하다.
한편, 치주염 자동 진단 장치(100)는 수신한 치과 방사선 영상에 치조골 영역의 경계선 그리고 치관 영역에서 치근 영역과 맞닿아 있는 경계선을 중첩하여 표시하고, 치아마다 장축에 기초하여 치근점, 제1 교점 그리고 제2 교점을 표시하여 연동되는 단말에 제공할 수 있다.
여기서 단말은 판독의의 단말, 디스플레이 등을 포함할 수 있으며, 치주염 자동 진단 장치(100)는 이러한 단말외에도 연동되는 서버 또는 데이터베이스에 치주염 진단 정보를 저장할 수 있다.
도 7 또는 도 8과 같이, 교점 또는 경계선을 치과 방사선 영상에 중첩하여 표시하고, 치아 또는 임플란트 마다의 치주염 진단 정보를 함께 표시하여 진단 영상을 생성할 수 있다.
도 7은 본 발명의 하나의 실시예에 따른 치아별 백악법랑경계 대비 치조골의 침하율을 표시한 예시도이고, 도 8은 본 발명의 하나의 실시예에 따른 치아별 진단한 치주염 단계를 표시한 예시도이다.
도 7에 도시한 바와 같이, 치과 방사선 영상에 치조골 영역의 경계선 그리고 백악법랑경계선을 표시하고, 장축 및 치근점, 제1 교점 그리고 제2 교점을 표시한 영상에 치아 또는 임플란트별 장축마다 침하율을 표시하여 제공할 수 있다.
이때 침하율은 앞서 설명한 바와 같이, 백분율로 환산하여 정량화한 것으로, 숫자가 크면 클수록 침하율이 큰 상황을 의미한다.
한편, 도 8에 도시한 바와 같이, 각 장축마다 치조골의 침하율이 아닌 치주염의 진행 단계에 따른 단계를 표시할 수 있다.
이처럼 치주염 자동 진단 장치(100)는 진단 결과로 치주염 진행 단계 또는 치조골의 침하율을 장축의 치근 부분에 가시화하여 제공하는 것으로 예시하였지만, 반드시 해당 위치에 한정하는 것은 아니고, 판독의나 사용자에 의해 용이하게 변경 및 설정가능하다.
도 9는 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
도 9를 참고하면, 전처리부(110), 학습부(120), 검출부(130), 제어부(140) 그리고 진단부(150)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치(300)에서, 본 발명의 동작을 실행하도록 기술된 명령들(instructions)이 포함된 프로그램을 실행한다.
컴퓨팅 장치(300)의 하드웨어는 적어도 하나의 프로세서(310), 메모리(320), 스토리지(330), 통신 인터페이스(340)를 포함할 수 있고, 버스를 통해 연결될 수 있다. 이외에도 입력 장치 및 출력 장치 등의 하드웨어가 포함될 수 있다. 컴퓨팅 장치(300)는 프로그램을 구동할 수 있는 운영 체제를 비롯한 각종 소프트웨어가 탑재될 수 있다.
프로세서(310)는 컴퓨팅 장치(300)의 동작을 제어하는 장치로서, 프로그램에 포함된 명령들을 처리하는 다양한 형태의 프로세서(310)일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 등 일 수 있다. 메모리(320)는 본 발명의 동작을 실행하도록 기술된 명령들이 프로세서(310)에 의해 처리되도록 해당 프로그램을 로드한다. 메모리(320)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다. 스토리지(330)는 본 발명의 동작을 실행하는데 요구되는 각종 데이터, 프로그램 등을 저장한다. 통신 인터페이스(340)는 유/무선 통신 모듈일 수 있다.
이와 같이, 치주염 자동 진단 장치(100)는 치과 방사선 영상에서 객관적으로 정량화된 치주염 진행 정도를 진단하여 제공함으로써, 판독의의 경험에 의존하지 않으면서도 정확한 치주염 진단 정보를 빠르고 편리하게 제공할 수 있다.
또한, 치주 질환뿐 아니라 임플란트 시술과 같은 치과 치료 영역에서 치료 계획을 수립하고 치료 전과 후의 비교 분석에 효과적으로 활용될 수 있다.
본 발명의 하나의 실시예에 따른 방법을 실행시키기 위한 프로그램은 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다.
컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 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, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 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 코드가 포함된다.
이상에서 본 발명의 바람직한 하나의 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.
Claims (14)
- 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치가 치주염을 자동 판단하는 방법으로서,
수신한 치과 방사선 영상에서 해부학적 형태에 기초하여 치관 영역과 치근 영역을 포함하는 개별 치아 영역, 상기 치근 영역을 지탱하는 치조골 영역, 그리고 상기 치관 영역을 검출하는 단계,
검출된 개별 치아 영역에 기초하여 치아마다 중심을 지나는 장축을 설정하고, 상기 장축과 치근 영역에서의 상기 개별 치아 영역의 경계선과의 교점을 치근점으로 설정하는 단계,
상기 장축과 상기 치조골 영역의 경계선과의 교점을 제1 교점으로 추출하고, 그리고 상기 장축과 상기 치관 영역에서 상기 치근 영역과 맞닿아 있는 경계선과의 교점을 제2 교점으로 추출하는 단계, 그리고
상기 치근점과 제2 교점간의 길이 대비 상기 치근점과 제1 교점간의 길이의 비율을 통해 개별 치아마다 치조골의 침하율을 산출하는 단계,
를 포함하는 치주염 자동 판단 방법.
- 제1항에서,
복수의 치과 방사선 영상과 대응되는 해당 치과 방사선 영상의 개별 치아 영역, 치조골 영역 그리고 치관 영역을 포함하는 학습 데이터를 수집하여 상기 치과 방사선 영상으로부터 각각의 개별 치아 영역, 치조골 영역 그리고 치관 영역이 출력되도록 하는 하나 이상의 검출 모델을 학습시키는 단계
를 더 포함하는 치주염 자동 판단 방법.
- 제2항에서,
상기 검출 모델은,
상기 치과 방사선 영상으로부터 상기 개별 치아 영역, 상기 치조골 영역 그리고 상기 치관 영역에 대해 상기 치과 방사선 영상과 동일한 해상도를 가지는 개별 영상으로 검출하는 컨볼루션 뉴럴 네트워크(Convolution Neural Network)로 구현되는 치주염 자동 판단 방법.
- 제2항에서,
상기 검출하는 단계는,
수집된 치과 방사선 영상을 상기 검출 모델의 입력에 맞게 전처리한 후, 전처리한 입력 영상을 학습된 상기 검출 모델에 입력하고, 학습된 상기 검출 모델로부터 검출된 영역에 대한 개별 영상을 획득하는 치주염 자동 판단 방법.
- 제1항에서,
상기 장축을 설정하는 단계는,
상기 개별 치아 영역마다 주성분 분석 알고리즘을 적용하여 치아의 중심점을 지나는 장축을 설정하면, 설정된 장축에 해당하는 영상 좌표들을 자동으로 추출하는 치주염 자동 판단 방법.
- 제5항에서,
상기 추출하는 단계는,
상기 개별 치아 영역, 상기 치조골 영역 그리고 상기 치관 영역에 대해 각각 이진화 영상으로 변환한 후, 변환된 영상에서 무어 이웃 추적 알고리즘을 적용하여 각 영역의 경계선에 대한 영상 좌표 집합을 획득하는 치주염 자동 판단 방법.
- 제6항에서,
상기 추출하는 단계는,
상기 장축에 해당하는 영상 좌표들과, 각 영역의 경계선마다의 영상 좌표 집합 간의 교집합을 검출하여, 치아별로 치근점에 대한 영상 좌표와 상기 제1 교점의 영상 좌표와 상기 제2 교점의 영상 좌표를 추출하는 치주염 자동 판단 방법.
- 제7항에서,
상기 치조골의 침하율을 산출하는 단계는,
상기 치근점의 영상 좌표와 제2 교점의 영상 좌표간의 길이를 상기 치근점의 영상 좌표와 제1 교점의 영상 좌표간의 길이로 나눈 값을 백분율로 변환하여 상기 치조골의 침하율을 산출하고, 상기 치조골의 침하율에 대응되는 치주염의 판단 단계를 제공하는 치주염 자동 판단 방법.
- 제7항에서,
상기 치조골의 침하율을 산출하는 단계는,
상기 치과 방사선 영상에 상기 치조골 영역의 경계선 그리고 상기 치관 영역에서 상기 치근 영역과 맞닿아 있는 경계선을 중첩하여 표시하고, 치아마다 장축에 기초하여 치근점, 제1 교점, 제2 교점 그리고 치아마다의 치조골 침하율을 표시하여 연동되는 단말에 제공하는 치주염 자동 판단 방법.
- 컴퓨터로 판독 가능한 저장 매체에 저장되고, 프로세서에 의해 실행되는 프로그램으로서,
수신한 치과 방사선 영상에서 해부학적 형태에 기초하여 치관 영역과 치근 영역을 포함하는 개별 치아 영역, 상기 치근 영역을 지탱하는 치조골 영역, 그리고 상기 치관 영역을 검출하는 동작,
검출된 개별 치아 영역에 기초하여 치아마다 중심을 지나는 장축을 설정하는 동작,
상기 장축과 치근 영역에서의 상기 개별 치아 영역의 경계선과의 교점을 치근점으로 설정하는 동작,
상기 장축과 상기 치조골 영역의 경계선과의 교점을 제1 교점으로 추출하고, 그리고 상기 장축과 상기 치관 영역에서 상기 치근 영역과 맞닿아 있는 경계선과의 교점을 제2 교점으로 추출하는 동작, 그리고
상기 치근점과 제2 교점간의 길이 대비 상기 치근점과 제1 교점간의 길이의 비율을 통해 개별 치아마다 치조골의 침하율을 산출하는 동작,
을 실행하는 명령어들를 포함하는 프로그램.
- 제10항에서,
복수의 치과 방사선 영상과 대응되는 해당 치과 방사선 영상의 개별 치아 영역, 치조골 영역 그리고 치관 영역을 포함하는 학습 데이터를 수집하여 상기 치과 방사선 영상으로부터 각각의 개별 치아 영역, 치조골 영역 그리고 치관 영역이 출력되도록 하는 하나 이상의 검출 모델을 학습시키는 동작을 더 포함하는 프로그램.
- 제11항에서
상기 검출하는 동작은,
수집된 치과 방사선 영상을 상기 검출 모델의 입력에 맞게 전처리한 후, 전처리한 입력 영상을 학습된 상기 검출 모델에 입력하고, 학습된 상기 검출 모델로부터 검출된 영역에 대한 상기 치과 방사선 영상과 동일한 해상도를 가지는 개별 영상을 획득하는 프로그램.
- 제12항에서
상기 추출하는 동작은,
상기 장축에 해당하는 영상 좌표들과, 각 영역의 경계선마다의 영상 좌표 집합 간의 교집합을 검출하여, 치아별로 치근점에 대한 영상 좌표와 상기 제1 교점의 영상 좌표와 상기 제2 교점의 영상 좌표를 추출하는 프로그램.
- 제13항에서,
상기 치조골의 침하율을 산출하는 동작은,
상기 치근점의 영상 좌표와 제2 교점의 영상 좌표간의 길이를 상기 치근점의 영상 좌표와 제1 교점의 영상 좌표간의 길이로 나눈 값을 백분율로 변환하여 상기 치조골의 침하율을 산출하고, 상기 치조골의 침하율에 기초하여 치주염의 판단 단계를 분류하는 프로그램.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200048258A KR102380166B1 (ko) | 2020-04-21 | 2020-04-21 | 치주염 자동 판단 방법 및 이를 구현하는 프로그램 |
PCT/KR2020/008388 WO2021215582A1 (ko) | 2020-04-21 | 2020-06-26 | 치주염 자동 진단 방법 및 이를 구현하는 프로그램 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200048258A KR102380166B1 (ko) | 2020-04-21 | 2020-04-21 | 치주염 자동 판단 방법 및 이를 구현하는 프로그램 |
Publications (3)
Publication Number | Publication Date |
---|---|
KR20210130326A KR20210130326A (ko) | 2021-11-01 |
KR102380166B1 true KR102380166B1 (ko) | 2022-03-29 |
KR102380166B9 KR102380166B9 (ko) | 2023-03-23 |
Family
ID=78269479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200048258A KR102380166B1 (ko) | 2020-04-21 | 2020-04-21 | 치주염 자동 판단 방법 및 이를 구현하는 프로그램 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102380166B1 (ko) |
WO (1) | WO2021215582A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240043443A (ko) | 2022-09-27 | 2024-04-03 | 오스템임플란트 주식회사 | 3차원 구강 모델의 세그멘테이션 방법 및 그 시스템 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102657737B1 (ko) * | 2022-10-24 | 2024-04-16 | 주식회사 십일리터 | 반려동물 구강 정보 분석 제공 방법 및 장치 |
CN116309522B (zh) * | 2023-04-06 | 2024-01-26 | 浙江大学 | 基于二阶段深度学习模型的全景片牙周炎智能分级*** |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140234796A1 (en) | 2011-07-29 | 2014-08-21 | Media Co., Ltd. | Method for periodontal disease measurement |
US20180303441A1 (en) | 2014-12-24 | 2018-10-25 | Media Co., Ltd. | Periodontal disease diagnosis supporting device, periodontal disease diagnosis supporting system, periodontal disease diagnosis supporting program, and periodontal disease diagnosis supporting method |
-
2020
- 2020-04-21 KR KR1020200048258A patent/KR102380166B1/ko active IP Right Grant
- 2020-06-26 WO PCT/KR2020/008388 patent/WO2021215582A1/ko active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140234796A1 (en) | 2011-07-29 | 2014-08-21 | Media Co., Ltd. | Method for periodontal disease measurement |
US20180303441A1 (en) | 2014-12-24 | 2018-10-25 | Media Co., Ltd. | Periodontal disease diagnosis supporting device, periodontal disease diagnosis supporting system, periodontal disease diagnosis supporting program, and periodontal disease diagnosis supporting method |
Non-Patent Citations (2)
Title |
---|
LIN, P.L. 등, "Automatic methods for alveolar bone loss degree measurement in periodontitis periapical radiographs", Computer Methods and Programs in Biomedicine, 2017, 148권, 페이지 1-11 |
NAGAO, JIRO 등, "Quantification and visualization of alveolar bone resorption from 3D dental CT images", International Journal of Computer Assisted Radiology and Surgery, 2007, 2권, 페이지 43-53 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240043443A (ko) | 2022-09-27 | 2024-04-03 | 오스템임플란트 주식회사 | 3차원 구강 모델의 세그멘테이션 방법 및 그 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR102380166B9 (ko) | 2023-03-23 |
KR20210130326A (ko) | 2021-11-01 |
WO2021215582A1 (ko) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102380166B1 (ko) | 치주염 자동 판단 방법 및 이를 구현하는 프로그램 | |
DK3050534T3 (en) | TRACKING AND PREDICTING DENTAL CHANGES | |
KR102267197B1 (ko) | 디지털 치아 영상에 치아 진료 데이터를 기록 및 표시하는 방법 및 장치 | |
US20210104048A1 (en) | Segmentation device and method of generating learning model | |
KR102462185B1 (ko) | 딥러닝 인공지능 알고리즘을 이용한 치열 교정에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
US20210217170A1 (en) | System and Method for Classifying a Tooth Condition Based on Landmarked Anthropomorphic Measurements. | |
KR20220118074A (ko) | 치과 교정치료 계획 수립방법 및 그 장치 | |
KR102320857B1 (ko) | 교정 디자인 방법 및 그 장치 | |
EP4382074A1 (en) | Method for deriving head measurement parameters for tooth correction diagnosis based on machine learning from three-dimensional cbct image captured at natural head position | |
JP7152738B2 (ja) | 画像処理装置および画像処理プログラム | |
KR20220068583A (ko) | 딥러닝을 이용한 임플란트 주위염 진단 시스템 및 그 방법 | |
Putra et al. | Automated permanent tooth detection and numbering on panoramic radiograph using a deep learning approach | |
JP6544786B2 (ja) | 歯周病診断支援装置及びその方法並びにプログラム | |
Bodhe et al. | Design and development of deep learning approach for dental implant planning | |
CN115998426A (zh) | 牙齿种植规划方法、装置、电子设备及计算机存储介质 | |
US10285635B2 (en) | Periodontal index creation method, periodontal index creation apparatus, periodontal index creation program, and recording medium having records of periodontal index creation program, and periodontitis diagnosis method, periodontitis diagnosis apparatus, periodontitis diagnosis program, and recording medium having records of periodontitis diagnosis program | |
JP7269587B2 (ja) | セグメンテーション装置 | |
KR102200060B1 (ko) | 치아의 정밀 진단 모듈로의 간편한 이동 방법 및 그 장치 | |
KR20180070365A (ko) | 치과용 x선 영상에서 복수의 병변을 검출하는 장치 및 방법 | |
Erkan et al. | Objective characterization of dental occlusal and fissure morphologies: Method development and exploratory analysis | |
EP4378411A1 (en) | Method and apparatus for determining amount of bone graft, computer-readable recording media, and computer program | |
US20240252105A1 (en) | Support apparatus, support method, and non-transitory computer readable medium storing support program | |
TWI844494B (zh) | 牙周病檢測輔助方法 | |
KR102615323B1 (ko) | 상악동 및 병변 자동 분할 시스템, 이의 동작 방법 및 자동 분할 모델 학습 방법 | |
JP7267974B2 (ja) | 識別装置、スキャナシステム、識別方法、および識別用プログラム |
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 | ||
G170 | Re-publication after modification of scope of protection [patent] |