KR102619800B1

KR102619800B1 - 환자의 상태에 따라 교정 방식을 결정하는 장치, 방법 및 시스템

Info

Publication number: KR102619800B1
Application number: KR1020220181226A
Authority: KR
Inventors: 박선영
Original assignee: 박선영
Priority date: 2022-12-22
Filing date: 2022-12-22
Publication date: 2023-12-29

Abstract

본 개시의 일 측면에 따르면, 교정 방식을 결정하기 위한 방법이 제공될 수 있다. 상기 방법은, 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨팅 장치에서 수행되는 방법으로서, 사용자의 치아에 관한 타겟 이미지 집합 - 상기 타겟 이미지 집합은 적어도 하나의 타겟 이미지를 포함함 - 을 획득하는 단계; 상기 타겟 이미지 집합에 기초하여 교합에 관한 적어도 하나의 지표 각각에 대한 점수를 산출하는 단계; 상기 타겟 이미지 집합에 기초하여 치아 크라우딩(Crowding)에 관한 점수를 산출하는 단계; 상기 타겟 이미지 집합에 기초하여 턱뼈에 관한 점수를 산출하는 단계; 및 상기 적어도 하나의 지표 각각에 대한 점수, 상기 치아 크라우딩에 관한 점수 및 상기 턱뼈에 관한 점수에 기초하여 교정 방식을 결정하는 단계를 포함할 수 있다.

Description

환자의 상태에 따라 교정 방식을 결정하는 장치, 방법 및 시스템{APPARATUS, METHOD AND RECORDING MEDIUM OF DETERMINING ORTHODONTIC METHOD BASED ON CONDITION OF PATIENT}

본 발명은 교정 방식을 결정하는 방법에 관한 것으로서, 보다 상세하게는, 환자의 상태를 고려하여 교정 방식을 결정하는 방법에 관한 것이다.

일반적으로, 치열이 바르지 않고 상하의 치아 교합이 비정상적인 상태를 부정 교합이라고 하며, 이와 같은 부정 교합은 저작, 발음상의 문제와 같은 기능적인 문제점과 얼굴에 대한 미적인 문제점을 발생시킬 뿐만 아니라 충치와 잇몸 질환과 같은 건강상의 문제점도 발생시킬 수 있다. 따라서, 이러한 부정 교합을 정상 교합으로 만들기 위해서는 치아 교정 치료가 시행되어야 한다.

한편, 치아 교정 치료의 종류에는 브라켓에 의한 교정 방식 및 투명 교정 장치에 의한 교정 방식 등이 포함될 수 있다. 단, 치아 교정 치료의 종류를 결정하는 과정에는 시술자인 의사의 숙련도, 휴리스틱한 판단 등에 따라 어떠한 방식을 사용할 지 달라지는 문제점이 있었고, 또한 시술자인 의사가 판단에 영향을 미치는 모든 고려 요소들을 하나하나 확인하여야 하므로, 교정 방식의 결정에 효율이 떨어지는 문제점이 있었다.

따라서, 당해 기술 분야에는 보다 효과적이고 효율적인 교정 방식 결정 방법에 대한 수요가 증가해왔다. 당해 기술 분야의 배경기술과 관련하여, "교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치 (한국등록특허공보 10-2099390)"가 개시되어 있다.

한편, 전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명은 상기와 같은 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 환자의 상태를 고려하여 교정 방식을 결정하는 방법을 제공하는데 있다.

본 발명의 상기 및 다른 목적과 이점은 바람직한 실시예를 설명한 하기의 설명으로부터 분명해질 것이다.

일 실시예에서, 상기 교합에 관한 적어도 하나의 지표는, 부정 교합의 종류 중 하나를 지시하는 제1 지표, 개방 교합의 정도를 나타내는 제2 지표, 또는 과개 교합의 정도를 나타내는 제3 지표 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 상기 제1 지표에 대한 점수는, 부정 교합의 종류를 분류하도록 학습된 제1 인공 신경망 모델에 기초하여 산출될 수 있다.

일 실시예에서, 상기 제2 지표에 대한 점수는, 개방 교합 여부를 판별하도록 학습된 제2 인공 신경망 모델에 기초하여 산출될 수 있다.

일 실시예에서, 상기 제3 지표에 대한 점수는, 과개 교합 여부를 판별하도록 학습된 제3 인공 신경망 모델에 기초하여 산출될 수 있다.

일 실시예에서, 상기 치아 크라우딩에 관한 점수를 산출하는 단계는, 입력된 이미지 내에서 하나 이상의 치아를 검출(detect)하도록 학습된 제4-1 인공 신경망 모델; 및 상기 하나 이상의 치아의 중심 좌표에 기초하여 치아 크라우딩 점수를 산출하도록 학습된 제4-2 인공 신경망 모델에 기초하여 수행될 수 있다.

일 실시예에서, 상기 턱뼈에 관한 점수를 산출하는 단계는, 상기 타겟 이미지 집합에 포함된 특정 이미지 상에서 치조골을 식별하는 단계; 식별된 상기 치조골의 길이를 표준 치조골 길이와 비교하는 단계; 상기 비교 결과에 따라 상기 턱뼈에 관한 점수를 산출하는 단계를 포함할 수 있다.

일 실시예에서, 상기 교정 방식을 결정하는 단계는, 상기 적어도 하나의 지표 각각에 대한 점수, 상기 치아 크라우딩에 관한 점수 및 상기 턱뼈에 관한 점수의 합산 점수가 사전 결정된 임계 점수 이상인 경우에 상기 교정 방식으로서 투명 교정 방식을 결정하는 단계를 포함할 수 있다.

본 개시의 다른 일 측면에 따르면, 교정 방식을 결정하는 장치가 제공될 수 있다. 상기 장치는, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령들이 저장된 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 상기 명령에 따라, 사용자의 치아에 관한 타겟 이미지 집합 - 상기 타겟 이미지 집합은 적어도 하나의 타겟 이미지를 포함함 - 을 획득하고, 상기 타겟 이미지 집합에 기초하여 교합에 관한 적어도 하나의 지표 각각에 대한 점수를 산출하고, 상기 타겟 이미지 집합에 기초하여 치아 크라우딩(Crowding)에 관한 점수를 산출하고, 상기 타겟 이미지 집합에 기초하여 턱뼈에 관한 점수를 산출하고, 상기 적어도 하나의 지표 각각에 대한 점수, 상기 치아 크라우딩에 관한 점수 및 상기 턱뼈에 관한 점수에 기초하여 교정 방식을 결정하도록 구성될 수 있다.

본 개시의 다른 일 측면에 따르면, 교정 방식을 결정하기 위해 컴퓨터 상에서 수행되기 위한 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록 매체가 제공될 수 있다. 상기 명령들은, 하나 이상의 프로세서에 의한 실행시, 상기 하나 이상의 프로세서가, 사용자의 치아에 관한 타겟 이미지 집합 - 상기 타겟 이미지 집합은 적어도 하나의 타겟 이미지를 포함함 - 을 획득하고, 상기 타겟 이미지 집합에 기초하여 교합에 관한 적어도 하나의 지표 각각에 대한 점수를 산출하고, 상기 타겟 이미지 집합에 기초하여 치아 크라우딩(Crowding)에 관한 점수를 산출하고, 상기 타겟 이미지 집합에 기초하여 턱뼈에 관한 점수를 산출하고, 상기 적어도 하나의 지표 각각에 대한 점수, 상기 치아 크라우딩에 관한 점수 및 상기 턱뼈에 관한 점수에 기초하여 교정 방식을 결정하도록 할 수 있다.

본 발명에 따르면, 환자의 상태를 고려하여 교정 방식을 결정하는 효과를 가진다.

다만, 본 발명의 효과들은 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시예에 따른 교정 방식 결정 방법을 수행하기 위한 전자 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 인공 신경망 모델을 개략적으로 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 교정 방식 결정 방법의 각 동작에 관한 순서도이다.
도 4는 본 개시에 따른 타겟 이미지 집합에 포함될 수 있는 이미지를 예시적으로 도시한 도면이다.
도 5는 본 개시에 따른 타겟 이미지 집합에 포함될 수 있는 이미지를 예시적으로 도시한 도면이다.
도 6은 본 개시의 일 실시예에 따른 제4-1 인공 신경망 모델에 대한 제1 입력 이미지 및 제4-2 인공 신경망 모델에 대한 제2 입력 이미지를 예시적으로 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따른 타겟 이미지 집합에 포함된 특정 이미지를 예시적으로 나타낸 도면이다.

이하, 본 발명의 실시예와 도면을 참조하여 본 발명을 상세히 설명한다. 이들 실시예는 오로지 본 발명을 보다 구체적으로 설명하기 위해 예시적으로 제시한 것일 뿐, 본 발명의 범위가 이들 실시예에 의해 제한되지 않는다는 것은 당업계에서 통상의 지식을 가지는 자에 있어서 자명할 것이다.

또한, 달리 정의하지 않는 한, 본 명세서에서 사용되는 모든 기술적 및 과학적 용어는 본 발명이 속하는 기술 분야의 숙련자에 의해 통상적으로 이해되는 바와 동일한 의미를 가지며, 상충되는 경우에는, 정의를 포함하는 본 명세서의 기재가 우선할 것이다.

도면에서 제안된 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 그리고, 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, 명세서에서 기술한 "부"란, 특정 기능을 수행하는 하나의 단위 또는 블록을 의미한다.

각 단계들에 있어 식별부호(제1, 제2, 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 실시될 수도 있고 실질적으로 동시에 실시될 수도 있으며 반대의 순서대로 실시될 수도 있다.

본 개시에 있어서 "이미지" 또는 "영상"이라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.

본 개시에 있어서 “이미지” 또는 “영상”은, X-ray 영상, 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject) 또는 타겟(target) 사용자에 관한 의료 영상을 의미할 수 있다.

본 개시에 있어서 “이미지” 또는 “영상”은, 파노라마 방사선(panoramic radiography) 이미지일 수 있다. 파노라마 방사선 이미지는 얼굴의 상악(위턱)과 하악(아래턱) 및 그 주변 부분을 임의의 방법으로 스캔한 결과 생성된 이미지일 수 있다. 파노라마 방사선 이미지는 치과용 X-ray 촬영 시스템에 의해 생성될 수 있다.

본 개시에 있어서 “이미지 집합”은 하나 이상의 이미지를 포함하는 이미지 셋(set)을 지칭하기 위한 용어로서, 하나 이상의 이미지에 포함된 각각의 이미지는 “제1 이미지”, “제2 이미지” 등으로 구분될 수 있다.

이하, 구체적인 실시예와 비교예를 통하여 본 발명의 구성 및 그에 따른 효과를 보다 상세히 설명하고자 한다. 그러나, 본 실시예는 본 발명을 보다 구체적으로 설명하기 위한 것이며, 본 발명의 범위가 이들 실시예에 한정되는 것은 아니다.

도 1은 본 개시의 일 실시예에 따른 교정 방식 결정 방법을 수행하기 위한 전자 장치(100)의 블록도이다. 전자 장치(100)는 하나 이상의 프로세서(110), 통신 회로(120) 또는 메모리(130)를 구성요소로서 포함할 수 있다. 어떤 실시예에서는, 전자 장치(100)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 전자 장치(100)에 추가될 수 있다. 어떤 실시예에서는, 추가적으로 또는 대체적으로(in alternative to), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 전자 장치(100) 내부 또는 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(General Purpose Input/Output), SPI(Serial Peripheral Interface) 또는 MIPI(Mobile Industry Processor Interface) 등을 통해 서로 연결됨으로써 데이터 또는 시그널을 주거나 받을 수 있다.

본 개시에서 하나 이상의 프로세서(110)는 프로세서(110)라고 표현될 수 있다. 프로세서(110)라는 용어는, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 프로세서의 집합을 의미할 수 있다. 프로세서(110)는 소프트웨어(예를 들어, 명령, 프로그램 등)를 구동하여 프로세서(110)와 연결된 전자 장치(100)의 적어도 하나의 구성요소를 제어할 수 있다. 또한 프로세서(110)는 다양한 연산, 처리, 데이터 생성 또는 가공 등의 동작을 수행할 수 있다. 프로세서(110)는 데이터 등을 메모리(130)로부터 로드하거나 메모리(130)에 저장할 수 있다.

통신 회로(120)는, 전자 장치(100)와 다른 장치(예를 들어, 사용자 단말 또는 다른 서버) 사이의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 통신 회로(120)는 eMBB, URLLC, MMTC, LTE, LTE-A, NR, UMTS, GSM, CDMA, WCDMA, WiBro, WiFi, 블루투스, NFC, GPS 또는 GNSS 등의 방식에 따른 무선 통신을 수행할 수 있다. 또한, 예를 들어, 통신 회로(120)는 USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), RS-232(Recommended Standard-232) 또는 POTS(Plain Old Telephone Service) 등의 방식에 따른 유선 통신을 수행할 수 있다.

메모리(130)는 다양한 데이터를 저장할 수 있다. 메모리(130)에 저장되는 데이터는, 전자 장치(100)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나 또는 사용되는 데이터로서, 소프트웨어(예를 들어, 명령, 프로그램 등)를 포함할 수 있다. 메모리(130)는 휘발성 또는 비휘발성 메모리를 포함할 수 있다. 메모리(130)라는 용어는, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 메모리의 집합을 의미할 수 있다. 본 명세서에서 언급되는 "메모리(130)에 저장되는 명령(Instruction)들의 집합" 또는 "메모리(130)에 저장되는 프로그램"이라는 표현은, 전자 장치(100)의 리소스를 제어하기 위한 운영체제, 어플리케이션 또는 어플리케이션이 전자 장치(100)의 리소스들을 활용할 수 있도록 어플리케이션에 다양한 기능을 제공하는 미들 웨어 등을 지칭하기 위해 사용될 수 있다. 일 실시예에서, 프로세서(110)가 특정 연산을 수행할 때, 메모리(130)는 프로세서(110)에 의해 수행되고 특정 연산에 대응되는 명령들을 저장할 수 있다.

일 실시예에서, 전자 장치(100)는 프로세서(110)의 연산 결과에 따른 데이터, 통신 회로(120)에 의해 수신된 데이터 또는 메모리(130)에 저장된 데이터 등을 외부 장치로 전송할 수 있다. 외부 장치는 수신된 데이터를 표출, 표시 또는 출력하기 위한 장치일 수 있다.

도 2는 본 개시의 일 실시예에 따른 인공 신경망 모델을 개략적으로 나타낸 개략도이다.

본 개시내용에 있어서, “제 1 인공 신경망 모델”, “제 2 인공 신경망 모델” 등의 용어는, 입력 데이터에 대하여 인공 신경망 모델에 포함된 노드들 중 적어도 일부에 의해 연산이 이뤄지고 상기 연산의 결과에 기초하여 출력 데이터를 생성하는 특정 자료구조에 따른 모델을 지칭하기 위해 사용될 수 있다.

본 명세서에 걸쳐, 신경망, 인공 신경망, 네트워크 함수, 뉴럴 네트워크(neural network) 등은 서로 동일한 의미로 사용될 수 있다. 인공 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

인공 신경망 모델은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 인공 신경망 모델의 학습은 인공 신경망 모델이 특정한 동작을 수행하기 위한 지식을 인공 신경망 모델에 적용하는 과정일 수 있다.

인공 신경망 모델은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 인공 신경망 모델의 학습에서 반복적으로 학습 데이터를 인공 신경망 모델에 입력시키고 학습 데이터에 대한 인공 신경망 모델의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 인공 신경망 모델의 에러를 인공 신경망 모델의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 인공 신경망 모델의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 인공 신경망 모델에 입력되고, 인공 신경망 모델의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 인공 신경망 모델 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 인공 신경망 모델에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 인공 신경망 모델의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 인공 신경망 모델의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 인공 신경망 모델의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 인공 신경망 모델의 학습 초기에는 높은 학습률을 사용하여 인공 신경망 모델이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

인공 신경망 모델의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 인공 신경망 모델을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 인공 신경망 모델이 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따른 교정 방식 결정 방법의 각 동작에 관한 순서도이다.

전자 장치(100)는 사용자의 치아에 관한 타겟 이미지 집합을 획득할 수 있다(S310). 본 개시에서 “사용자”는 교정 방식 결정 방법의 적용을 받는 대상으로서, 치아에 관한 이미지 촬영의 대상을 지칭할 수 있다. 또한, 사용자의 치아에 관한 “타겟 이미지 집합”은 해당 사용자의 구강 및/또는 치아를 촬영한 하나 이상의 방사선 이미지를 포함할 수 있다. 예를 들어, 전자 장치(100)는 구성요소로서 카메라(미도시)를 추가로 포함하고, 카메라를 통해 사용자의 치아를 촬영함으로써 사용자의 치아에 관한 타겟 이미지 집합을 획득할 수 있다. 또한, 전자 장치(100)는 통신 회로(120)를 통해 외부의 다른 전자 장치로부터 사용자의 치아에 관한 타겟 이미지 집합을 전달 받음으로써 사용자의 치아에 관한 타겟 이미지 집합을 획득할 수 있다.

도 4 및 도 5는 본 개시에 따른 타겟 이미지 집합에 포함될 수 있는 이미지를 예시적으로 도시한 도면이다. 도 4는 사용자의 치아에 관한 파노라마 방사선 사진을 예시적으로 나타낸다. 도 5는 사용자의 치아를 측면에서 촬영한 방사선 사진을 예시적으로 나타낸다.

다시 도 3을 참조하면, 전자 장치(100)는 획득된 타겟 이미지 집합에 기초하여 교합에 관한 적어도 하나의 지표 각각에 대한 점수를 산출할 수 있다(S320). 본 개시에서 전자 장치(100)에 의한 점수 산출의 대상이 되는 “교합에 관한 적어도 하나의 지표”는 부정 교합의 종류 중 하나를 지시하는 제1 지표, 개방 교합의 정도를 나타내는 제2 지표, 또는 과개 교합의 정도를 나타내는 제3 지표 중 적어도 하나를 포함할 수 있다. 이하 본 명세서에서 “A 지표에 대한 점수”는 간략히 “A 지표 점수”로 지칭될 수 있다.

일반적으로 교합(malocclusion) 또는 부정 교합(malocclusion)의 여부, 부정 교합의 종류 등은 윗니와 아랫니의 관계에 의해 결정된다. 부정 교합의 종류에는, 예를 들어, 치성 부정 교합, 골격성 부정 교합이 포함될 수 있다. 여기서, 치성 부정 교합이란 치아의 정렬 상태에 따른 부정 교합으로서, 1급 치성 부정 교합은 윗니와 아랫니가 일렬로 정렬된 상태를 지시하고, 2급 치성 부정 교합은 아랫니가 윗니보다 상대적으로 뒤로 빠진 상태를 지시하고, 3급 치성 부정 교합은 아랫니가 윗니보다 상대적으로 앞으로 빠진 상태를 지시할 수 있다. 또한, 골격성 부정 교합이란 상악과 하악의 구조적 문제로 인한 부정 교합으로서, 1급 골격성 부정 교합은 정상적인 턱 상태를 지시하고, 2급 골격성 부정 교합은 무턱 상태를 지시하고, 3급 골격성 부정 교합은 주걱턱 상태를 지시할 수 있다.

본 개시에서 “부정 교합의 종류 중 하나를 지시하는 제1 지표”는 예를 들어, 1급 골격성 부정 교합, 2급 골격성 부정 교합, 3급 골격성 부정 교합 중 하나를 지시하는 지표일 수 있다.

일 실시예에서, 전자 장치(100)는 부정 교합의 종류를 분류하도록 학습된 제1 인공 신경망 모델에 기초하여 부정 교합의 종류 중 하나를 지시하는 제1 지표 점수를 산출할 수 있다. 제1 인공 신경망 모델은 사용자의 치아를 촬영한 방사선 이미지를 입력 받고, 부정 교합의 종류 및 점수를 반환하도록 학습될 수 있다. 예를 들어, 제1 인공 신경망 모델은 일종의 분류(Classification) 모델로서, 1급 골격성 부정 교합으로 라벨링된 하나 이상의 학습 이미지, 2급 골격성 부정 교합으로 라벨링된 하나 이상의 학습 이미지 및 3급 골격성 부정 교합으로 라벨링된 하나 이상의 학습 이미지에 기초하여 각각의 학습 이미지를 분류하고 분류 결과의 신뢰도를 출력하도록 학습될 수 있다. 학습된 제1 인공 신경망 모델은 입력된 방사선 이미지에 대해 가장 유사한 소견을 갖는 부정 교합의 종류를 분류하고 해당 분류 결과의 신뢰도를 점수로서 출력할 수 있다. 예를 들어, 제1 인공 신경망 모델은 입력된 방사선 이미지에 대해 “1급 골격성 부정 교합(0.1), 2급 골격성 부정 교합(0.7), 3급 골격성 부정 교합(0.2)”와 같은 분류 결과를 생성한 후, 입력된 방사선 이미지를 가장 높은 점수가 출력된 “2급 골격성 부정 교합(0.7)”으로 분류하고, 신뢰도 값으로 “0.7”을 반환할 수 있다. 전자 장치(100)는 이러한 제1 인공 신경망 모델에 기초하여 사용자의 교합에 관한 제1 지표 점수를 “70”으로 결정할 수 있다.

일반적으로 개방 교합(open bite)은 앞니에서의 윗니와 아랫니가 서로 닿지 않고 뜨는 치아 상태를 지칭하는 용어이다. 본 개시에서 “개방 교합의 정도를 나타내는 제2 지표”는 사용자의 치아 상태에 있어서 개방 교합의 정도를 지시하는 지표일 수 있다.

일 실시예에서, 전자 장치(100)는 개방 교합 여부를 판별하도록 학습된 제2 인공 신경망 모델에 기초하여 개방 교합에 관한 제2 지표 점수를 산출할 수 있다. 제2 인공 신경망 모델은 사용자의 치아를 촬영한 방사선 이미지를 입력 받고, 개방 교합의 정도를 지시하는 값을 반환하도록 학습될 수 있다. 예를 들어, 제2 인공 신경망 모델은 일종의 회귀 분석 모델로서, 윗니와 아랫니가 상대적으로 많이 개방(예를 들어, 최대로 개방된 앞니의 위아래 간격이 2mm 초과)되어 있는 이미지들로서 개방 교합의 정도가 “100”으로 라벨링된 하나 이상의 학습 이미지, 윗니와 아랫니가 상대적으로 적게 개방(예를 들어, 최대로 개방된 앞니의 위아래 간격이 2mm 이하)되어 있는 이미지들로서 개방 교합의 정도가 “0”으로 라벨링된 하나 이상의 학습 이미지에 기초하여 각각의 학습 이미지에 대한 개방 교합 점수를 출력하고, 개방 교합에 관한 회귀 분석 모델을 구축하도록 학습될 수 있다. 학습 결과, 제2 인공 신경망 모델은 입력된 방사선 이미지에 관해 개방 교합의 정도를 나타내는 점수를 출력할 수 있다. 예를 들어, 제2 인공 신경망 모델은 입력된 방사선 이미지에 기초하여 개방 교합에 관한 신뢰도로서 “10”을 반환할 수 있다. 전자 장치(100)는 이러한 제2 인공 신경망 모델에 기초하여 사용자의 교합에 관한 제2 지표 점수를 “10”으로 결정할 수 있다.

일반적으로 과개 교합(deep bite)은 앞니에서의 윗니가 아랫니를 과도하게 덮는 경우의 치아 상태를 지칭하는 용어이다. 본 개시에서 “과개 교합의 정도를 나타내는 제3 지표”는 사용자의 치아 상태에 있어서 과개 교합의 정도를 지시하는 지표일 수 있다.

일 실시예에서, 전자 장치(100)는 과개 교합 여부를 판별하도록 학습된 제3 인공 신경망 모델에 기초하여 과개 교합에 관한 제3 지표 점수를 산출할 수 있다. 제3 인공 신경망 모델은 사용자의 치아를 촬영한 방사선 이미지를 입력 받고, 과개 교합의 정도를 지시하는 값을 반환하도록 학습될 수 있다. 예를 들어, 제3 인공 신경망 모델은 일종의 회귀 분석 모델로서, 윗니가 아랫니를 상대적으로 많이 덮는 이미지들(예를 들어, 윗니가 아랫니를 2mm 이상 덮는 경우)로서 과개 교합의 정도가 “100”으로 라벨링된 하나 이상의 학습 이미지, 윗니가 아랫니를 상대적으로 적게 덮는 이미지들(예를 들어, 윗니가 아랫니를 2mm 미만 덮는 경우)로서 과개 교합의 정도가 “0”으로 라벨링된 하나 이상의 학습 이미지에 기초하여 각각의 학습 이미지에 대한 과개 교합 점수를 출력하고, 과개 교합에 관한 회귀 분석 모델을 구축하도록 학습될 수 있다. 학습 결과, 제3 인공 신경망 모델은 입력된 방사선 이미지에 관해 과개 교합의 정도를 나타내는 점수를 출력할 수 있다. 예를 들어, 제3 인공 신경망 모델은 입력된 방사선 이미지에 기초하여 과개 교합에 관한 신뢰도로서 “80”을 반환할 수 있다. 전자 장치(100)는 이러한 제3 인공 신경망 모델에 기초하여 사용자의 교합에 관한 제3 지표 점수를 “80”으로 결정할 수 있다.

전술한 인공 신경망 모델의 학습 방법, 학습 데이터 또는 신뢰도 값 등에 있어서 언급된 구체적인 수치는 본 개시 내용을 설명하기 위한 예시적인 기재일 뿐, 본 개시를 제한하지 않는다.

전자 장치(100)는 획득된 타겟 이미지 집합에 기초하여 치아 크라우딩(Crowding)에 관한 점수를 산출할 수 있다(S330). 일반적으로 치아 크라우딩(또는 “총생”이라고도 함.)이란 윗니와 아랫니가 고르지 못해 가지런하지 못하게 배열된 치아 상태를 말한다.

일 실시예에서, 전자 장치(100)는 제4-1 인공 신경망 모델 및 제4-2 인공 신경망 모델에 기초하여 치아 크라우딩에 관한 점수를 산출할 수 있다.

도 6은 본 개시의 일 실시예에 따른 제4-1 인공 신경망 모델에 대한 제1 입력 이미지(610) 및 제4-2 인공 신경망 모델에 대한 제2 입력 이미지(630)를 예시적으로 도시한 도면이다.

제4-1 인공 신경망 모델은 제1 입력 이미지(610) 내에서 하나 이상의 치아를 검출하도록 학습될 수 있다. 예를 들어, 제4-1 인공 신경망 모델은 제1 입력 이미지(610)에 포함된 하나 이상의 치아 각각에 대해 바운딩 박스(bounding box)를 생성하도록 학습될 수 있다. 구체적으로, 제4-1 인공 신경망 모델은 각각의 치아를 둘러싸는 사각형 박스의 네 꼭지점 좌표가 라벨링된 학습 이미지에 기초하여 학습 이미지에 포함된 하나 이상의 치아 각각에 대해 바운딩 박스(bounding box)를 생성하도록 학습될 수 있다.

전자 장치(100)는 제4-1 인공 신경망 모델이 생성한 검출 결과에 기초하여 제2 입력 이미지(630)를 생성할 수 있다. 구체적으로, 제4-1 인공 신경망 모델이 입력 이미지에 포함된 하나 이상의 치아 각각에 대해 바운딩 박스를 생성한 후, 프로세서(110)는 각 바운딩 박스의 중점을 각 치아의 중심 좌표로서 결정할 수 있다. 제2 입력 이미지(630)는 프로세서(110)가 결정한 각 치아의 중심 좌표를 시각적으로 나타낸 이미지이다. 제2 입력 이미지(630)는 제4-2 인공 신경망 모델의 입력 이미지로 사용될 수 있다.

제4-2 인공 신경망 모델은 제2 입력 이미지(630)에 포함된 하나 이상의 치아의 중심 좌표에 기초하여 치아 크라우딩 점수를 산출하도록 학습될 수 있다. 이때, 제4-2 인공 신경망 모델은 학습이 완료된 제4-1 인공 신경망 모델과 직렬적으로 연결되어 학습될 수 있다. 구체적으로, 제4-1 인공 신경망 모델의 학습이 완료되면 제4-1 인공 신경망 모델은 입력 이미지에 포함된 하나 이상의 치아를 잘 검출할 수 있게 되고, 이때 제4-1 인공 신경망 모델에 포함된 각 파라미터의 값(또는 노드 가중치)은 특정 값을 갖게 된다. 전자 장치(100)는 이러한 제4-1 인공 신경망 모델의 파라미터 값을 고정시키고 제4-1 인공 신경망 모델의 출력 데이터를 이용함으로써, 제4-2 인공 신경망 모델의 입력 데이터를 생성하고 제4-2 인공 신경망 모델의 파라미터 값을 갱신할 수 있다. 상술한 바와 같이 학습을 진행할 경우, 전자 장치(100)는 학습이 완료된 제4-1 인공 신경망 모델 및 학습이 예정된 제4-2 인공 신경망 모델을 직렬로 연결시키고 연결된 두 모델을 엔드 투 엔드(End-to-End) 방식으로 학습시킴으로써, 제4-2 인공 신경망 모델의 파라미터 값을 결정할 수 있다. 즉, 전자 장치(100)는 제1 입력 이미지(610)와 유사한 “A” 학습 이미지 및 “A” 학습 이미지에 부여된 치아 크라우딩 점수 셋(즉, “A” 학습 이미지-“A” 학습 이미지에 관한 치아 크라우딩 점수 쌍)에 기초하여서, 학습이 완료된 제4-1 인공 신경망 모델에 “A” 학습 이미지를 입력한 이후, 제4-2 인공 신경망 모델이 출력하는 예측 점수를 “A” 학습 이미지에 관한 치아 크라우딩 점수와 비교함으로써 제4-2 인공 신경망 모델을 학습시킬 수 있다.

다시 도 3을 참조하면, 전자 장치(100)는 획득된 타겟 이미지 집합에 기초하여 턱뼈에 관한 점수를 산출할 수 있다(S340).

도 7은 본 개시의 일 실시예에 따른 타겟 이미지 집합에 포함된 특정 이미지를 예시적으로 나타낸 도면이다.

전자 장치(100)는 타겟 이미지 집합에 포함된 특정 이미지 상에서 치조골(710)을 식별할 수 있다. 치조골(710)은 치아의 치근 부분에 위치한 뼈를 지칭할 수 있다. 본 명세서에서는 치조골(710)을 식별하기 위한 특정 이미지로서 하악 이미지를 예로 들지만, 이는 본 개시를 제한하지 않으며 특정 이미지는 상악에 관한 이미지일 수도 있다. 전자 장치(100)는 별도로 학습된 인공 신경망 모델을 이용하여 오른쪽 끝과 왼쪽 끝의 치아를 식별하고 그 하부를 치조골(710)로 식별할 수 있다. 또한, 전자 장치(100)는 입력부(미도시)를 통한 특정 사용자의 입력에 기초하여 치조골(710)을 식별할 수도 있다.

전자 장치(100)는 식별된 치조골(710)의 길이를 표준 치조골 길이와 비교할 수 있다. 본 개시에 따른 치조골의 길이는, 특정 이미지 상에서 전자 장치(100)에 의해 식별된 치조골(710)에 포함된 임의의 두 점 사이의 거리 중 가장 긴 거리의 길이를 의미할 수 있다. 표준 치조골 길이는 환자의 성별, 나이 등에 따라 사전 결정된 값으로 메모리(130)에 저장되어 있을 수 있다.

전자 장치(100)는 식별된 치조골(710)의 길이 및 표준 치조골 길이를 비교하고 비교 결과에 따라 턱뼈에 관한 점수를 산출할 수 있다. 예를 들어, 전자 장치(100)는 식별된 치조골(710)의 길이 및 표준 치조골 길이의 오차율에 따라 턱뼈에 관한 점수를 산출할 수 있다. 오차율은 아래의 수학식 1과 같이 표현될 수 있다.

구체적으로, 전자 장치(100)는 오차율이 5% 미만인 경우 100점, 5% 이상 20% 미만인 경우 80점, 20% 이상인 경우 60점 증과 같이 오차율에 따라 턱뼈에 관한 점수를 산출할 수 있다.

다음으로, 전자 장치(100)는 교합에 관한 적어도 하나의 지표 각각에 대한 점수, 치아 크라우딩에 관한 점수 및 턱뼈에 관한 점수에 기초하여 교정 방식을 결정할 수 있다(S350). 교정 방식은 브라켓(철사)을 이용한 방식(이하, “브라켓 방식”이라고도 함.) 및 투명 교정 장치를 이용한 방식(이하, “투명 교정 방식”이라고도 함.) 중 하나일 수 있으며, 전자 장치(100)는 상술한 하나 이상의 점수에 기초하여 산출되는 최종 점수에 따라 교정 방식을 결정할 수 있다.

일 실시예에서, 전자 장치(100)는 부정 교합의 종류 중 하나를 지시하는 제1 지표, 개방 교합의 정도를 나타내는 제2 지표 또는 과개 교합의 정도를 나타내는 제3 지표 중 적어도 하나에 대한 점수, 치아 크라우딩 점수 및 턱뼈 점수에 기초하여 교정 방식을 결정할 수 있다. 예를 들어, 전자 장치(100)는 아래의 수학식 2에 기초하여 최종 점수를 산출할 수 있다.

여기서, 내지 는 각 점수에 대한 가중치 값으로서, 임의의 값으로 사전 결정될 수 있다. 전자 장치(100)는 제1 지표가 1급 골격성 부정 교합을 지시하는 경우, 2급 또는 3급 골격성 부정 교합을 지시하는 경우보다투명 교정 방식에 보다 적합하다고 판단할 수 있다. 즉, 제1 지표 점수에 대한 가중치()는 다시 제1 지표가 1급 골격성 부정 교합을 지시하는 경우()와 2급 또는 3급 골격성 부정 교합을 지시하는경우()에 따라 다르게 설정될 수 있다. 다시 말해, 전자 장치(100)는 제1 지표 점수가 높을수록 최종 점수가 높아지도록 하되, 1급 골격성 부정 교합의 경우에는 제1 지표 점수가 최종 점수에 보다 많이 반영되도록 제1 지표 점수에 대한 가중치()를 세분화하여 설정할 수 있다. 전자 장치(100)는 개방 교합의 정도를 나타내는제2 지표 점수에 기초하여 개방 교합의 정도가 적을수록 투명 교정 방식에 보다 적합하다고 판단할 수 있다. 즉, 전자 장치(100)는 제2 지표 점수의 가중치()를 음수로 설정하여 개방 교합의 정도가 적을수록 최종 점수가 높아지도록 할 수 있다. 전자 장치(100)는 과개 교합의 정도를 나타내는제3 지표 점수에 기초하여 과개 교합으로 판정된 경우 투명 교정 방식에 보다 적합하다고 판단할 수 있다. 즉, 제3 지표 점수에 대한 가중치()는 다시 제3 지표 점수가 임계 값 이상인 경우()와 임계값 미만인 경우()에 따라 다르게 설정될 수 있다. 또한, 임계값 미만인 경우의 가중치 는 "0"으로 설정될 수 있다. 이에 따라, 전자 장치(100)는 과개 교합이 있다고 판단되는경우에만 투명 교정 방식에 보다 적합하다고 판단할 수 있다. 전자 장치(100)는 치아 크라우딩 점수에 기초하여, 치아 크라우딩의 정도가 심할수록 투명 교정 방식에 보다 적합하다고 판단할 수 있다. 즉, 치아 크라우딩 점수에 대한 가중치()는 적절한 양의 실수로 설정될 수 있다. 전자 장치(100)는 턱뼈 점수에 기초하여, 치조골의 길이가 표준 치조골 길이에 가까울수록 투명 교정 방식에 보다 적합하다고 판단할 수 있다. 즉, 턱뼈 점수에 대한 가중치()는 적절한 양의 실수로 설정될 수 있다.

추가적인 실시예에서, 수학식 2에서 예시된 최종 점수 산출식에는 잇몸에 대한 점수가 추가될 수 있다. 전자 장치(100)의 사용자는 입력부(미도시)를 통해 환자의 잇몸에 대한 점수를 프로세서(110)로 전달할 수 있다. 프로세서(110)는 잇몸 상태가 좋을수록 투명 교정 방식에 적합한 최종 점수가 도출되도록 산출식을 설정할 수 있다.

전술한 내용에서는 본 개시의 설명을 위해 최종 점수가 높을수록 "투명 교정 방식"이 적합하고, 최종 점수가 낮을수록 "브라켓 방식"이 적합한 것으로 설명하지만 이는 예시적 기재일 뿐 그 반대의 점수 설정도 가능하고 그에 따라 각 가중치의 설정을 변경하는 실시예는 본 개시의 범위를 벗어나지 않는다.

전자 장치(100)는 산출된 최종 점수를 임계 점수와 비교하여 적합한 교정 방식을 결정할 수 있다.예를 들어,임계 점수가 80점이고 임계 점수보다 최종 점수가 큰 경우에 "투명 교정 방식"에 적합한 것으로 판단될 수 있다고 가정하자. 만약 산출된 최종 점수가 90점인 경우 최종 점수가 임계 점수보다 크기 때문에 전자 장치(100)는 사용자에 대해 "투명 교정 방식"이 보다 적합한 것으로 결정할 수 있다. 또한 만약 산출된 최종 점수가 60점인 경우 최종 점수가 임계 점수보다 작기 때문에 전자 장치(100)는 사용자에 대해 "브라켓 방식"이 보다 적합한 것으로 결정할 수 있다.

본 명세서에의 개시 내용에 따른 순서도 또는 흐름도에서, 방법 또는 알고리즘의 각 단계들은 순차적인 순서로 설명되었지만, 각 단계들은 순차적으로 수행되는 것 외에, 임의로 조합될 수 있는 순서에 따라 수행될 수도 있다. 본 명세서의 순서도 또는 흐름도에 관한 설명은, 방법 또는 알고리즘에 변화 또는 수정을 가하는 것을 제외하지 않으며, 임의의 단계가 필수적이거나 바람직하다는 것을 의미하지 않는다. 일 실시예에서, 적어도 일부의 단계가 병렬적, 반복적 또는 휴리스틱하게 수행될 수 있다. 일 실시예에서, 적어도 일부의 단계가 생략되거나, 다른 단계가 추가될 수 있다.

본 명세서의 개시 내용에 따른 다양한 실시예들은 기기(Machine)가 읽을수 있는 저장매체(Machine-readable Storage Medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 명세서의 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 명세서의 개시 내용이 속하는 기술분야의 프로그래머들에 의해 본 명세서의 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령(예를 들어, 코드 또는 코드 세그먼트)을 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예에서, 기기는 본 명세서의 다양한 실시예들에 따른 컴퓨팅 장치일 수 있다. 일 실시예에서, 기기의 프로세서는 호출된 명령을 실행하여, 기기의 구성요소들이 해당 명령에 해당하는 기능을 수행하게 할 수 있다. 일 실시예에서, 프로세서는 본 명세서의 실시예들에 따른 프로세서(110)일 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(Recording Medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 일 실시예에서, 저장 매체는 메모리(130)일 수 있다. 일 실시예에서, 저장매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수도 있다. 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 저장 매체는 비일시적(non-transitory) 저장매체일 수 있다. 비일시적 저장매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(Tangible Medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(Signal)를 포함하지 않는다.

이상 다양한 실시예들에 의해 본 명세서의 개시 내용에 따른 기술적 사상이 설명되었지만, 본 명세서의 개시 내용에 따른 기술적 사상은 본 명세서의 개시 내용이 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 범위에서 이루어질 수 있는 다양한 치환, 변형 및 변경을 포함한다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 포함될 수 있는것으로 이해되어야 한다.

Claims

하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨팅 장치에서 수행되는 방법에 있어서,
사용자의 치아에 관한 타겟 이미지 집합 - 상기 타겟 이미지 집합은 적어도 하나의 타겟 이미지를 포함함 - 을 획득하는 단계;
상기 타겟 이미지 집합에 기초하여 교합에 관한 적어도 하나의 지표 각각에 대한 점수를 산출하는 단계;
상기 타겟 이미지 집합에 기초하여 치아 크라우딩(Crowding)에 관한 점수를 산출하는 단계;
상기 타겟 이미지 집합에 기초하여 턱뼈에 관한 점수를 산출하는 단계; 및
상기 적어도 하나의 지표 각각에 대한 점수, 상기 치아 크라우딩에 관한 점수 및 상기 턱뼈에 관한 점수에 기초하여 교정 방식을 결정하는 단계를 포함하고,
상기 치아 크라우딩에 관한 점수를 산출하는 단계는,
입력된 이미지 내에서 하나 이상의 치아 각각의 중심 좌표를 검출하는 제1 인공 신경망 모델; 및
상기 제1 인공 신경망 모델에 의해 검출된 상기 하나 이상의 치아 각각의 중심 좌표에 기초하여 치아 크라우딩 점수를 산출하는 제2 인공 신경망 모델에 기초하여 수행되는, 방법.
제1항에 있어서,
상기 교합에 관한 적어도 하나의 지표는,
부정 교합의 종류 중 하나를 지시하는 제1 지표, 개방 교합의 정도를 나타내는 제2 지표, 또는 과개 교합의 정도를 나타내는 제3 지표 중 적어도 하나를 포함하는, 방법.
제2항에 있어서,
상기 제1 지표에 대한 점수는,
부정 교합의 종류를 분류하도록 학습된 제1 인공 신경망 모델에 기초하여 산출되는, 방법.
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령들이 저장된 하나 이상의 메모리를 포함하고,
상기 하나 이상의 프로세서는, 상기 명령에 따라,
사용자의 치아에 관한 타겟 이미지 집합 - 상기 타겟 이미지 집합은 적어도 하나의 타겟 이미지를 포함함 - 을 획득하고,
상기 타겟 이미지 집합에 기초하여 교합에 관한 적어도 하나의 지표 각각에 대한 점수를 산출하고,
상기 타겟 이미지 집합, 입력된 이미지 내에서 하나 이상의 치아 각각의 중심 좌표를 검출하는 제1 인공 신경망 모델 및 상기 제1 인공 신경망 모델에 의해 검출된 상기 하나 이상의 치아 각각의 중심 좌표에 기초하여 치아 크라우딩 점수를 산출하는 제2 인공 신경망 모델에 기초하여 치아 크라우딩(Crowding)에 관한 점수를 산출하고,
상기 타겟 이미지 집합에 기초하여 턱뼈에 관한 점수를 산출하고,
상기 적어도 하나의 지표 각각에 대한 점수, 상기 치아 크라우딩에 관한 점수 및 상기 턱뼈에 관한 점수에 기초하여 교정 방식을 결정하도록 구성되는, 전자 장치.
교정 방식을 결정하기 위해 컴퓨터 상에서 수행되기 위한 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록 매체에 있어서,
상기 명령들은, 하나 이상의 프로세서에 의한 실행시, 상기 하나 이상의 프로세서가,
사용자의 치아에 관한 타겟 이미지 집합 - 상기 타겟 이미지 집합은 적어도 하나의 타겟 이미지를 포함함 - 을 획득하고,
상기 타겟 이미지 집합에 기초하여 교합에 관한 적어도 하나의 지표 각각에 대한 점수를 산출하고,
상기 타겟 이미지 집합, 입력된 이미지 내에서 하나 이상의 치아 각각의 중심 좌표를 검출하는 제1 인공 신경망 모델 및 상기 제1 인공 신경망 모델에 의해 검출된 상기 하나 이상의 치아 각각의 중심 좌표에 기초하여 치아 크라우딩 점수를 산출하는 제2 인공 신경망 모델에 기초하여 치아 크라우딩(Crowding)에 관한 점수를 산출하고,
상기 타겟 이미지 집합에 기초하여 턱뼈에 관한 점수를 산출하고,
상기 적어도 하나의 지표 각각에 대한 점수, 상기 치아 크라우딩에 관한 점수 및 상기 턱뼈에 관한 점수에 기초하여 교정 방식을 결정하도록 하는, 컴퓨터 판독 가능 기록 매체.