KR20230090824A - Method for providing information of endodontic treatment and device using the same - Google Patents
Method for providing information of endodontic treatment and device using the same Download PDFInfo
- Publication number
- KR20230090824A KR20230090824A KR1020210179915A KR20210179915A KR20230090824A KR 20230090824 A KR20230090824 A KR 20230090824A KR 1020210179915 A KR1020210179915 A KR 1020210179915A KR 20210179915 A KR20210179915 A KR 20210179915A KR 20230090824 A KR20230090824 A KR 20230090824A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- dental medical
- root canal
- heat map
- medical image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 210000004262 dental pulp cavity Anatomy 0.000 claims abstract description 118
- 238000004393 prognosis Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 20
- 230000007547 defect Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 15
- 206010016717 Fistula Diseases 0.000 claims description 10
- 230000003890 fistula Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 10
- 238000002059 diagnostic imaging Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 241000894006 Bacteria Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 241000282465 Canis Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004283 incisor Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000899 Gutta-Percha Substances 0.000 description 1
- 240000000342 Palaquium gutta Species 0.000 description 1
- 206010066901 Treatment failure Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004763 bicuspid Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 210000003074 dental pulp Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229920000588 gutta-percha Polymers 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000013641 positive control Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Urology & Nephrology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
Description
본 발명은 근관 치료에 대한 정보 제공 방법 및 이를 이용한 근관 치료에 대한 정보 제공용 디바이스에 관한 것이다.The present invention relates to a method for providing information on root canal treatment and a device for providing information on root canal treatment using the same.
일반적으로 치아 내부에 치수가 충치의 세균에 의해 감염되거나 유해한 자극에 의해 염증을 일으킨 경우 치아 근관 내에 오염된 조직 및 치수를 온전히 제거하고 세척 후 충전재를 채워 넣어 세균들이 치아 근관으로 침입하는 것을 막아 자생적으로 치아가 건강하게 치유되도록 한다. 이러한 치료 방법을 근관 치료 또는 신경 치료라 한다. In general, if the dental pulp inside the tooth is infected by bacteria or inflamed by harmful stimuli, completely remove the contaminated tissue and pulp in the root canal, wash it, and fill it with a filling material to prevent bacteria from entering the root canal, thereby preventing the bacteria from entering the root canal. to keep teeth healthy. This treatment method is referred to as root canal treatment or root canal treatment.
대부분의 치과 전문의는 경험과 지식을 바탕으로 임상 평가 결과, 나아가 방사선 사진의 데이터를 사용하여 근관 치료의 치료 계획을 결정한다. 이러한 의사 결정은, 종종 치료 계획 과정에서 오류를 발생시킬 수 있다. 나아가, 경험이 많은 의료진과 경험이 적은 의료진 사이에서 치료 계획의 차이가 발생할 수 있다. 이는 근관 치료의 실패로도 이어질 수 있다.Most dental specialists use clinical evaluation results and radiograph data based on experience and knowledge to determine the treatment plan for endodontic treatment. These decisions can often lead to errors in the treatment planning process. Furthermore, differences in treatment plans may occur between more experienced medical staff and less experienced medical staff. This can also lead to failure of root canal treatment.
따라서, 의료 서비스 질의 향상 등을 위하여 정확하게 근관 치료의 예후와 연관된 정보를 제공하는 방법의 개발이 지속적으로 요구되고 있는 실정이다. Therefore, there is a continuous demand for the development of a method for accurately providing information related to the prognosis of root canal treatment in order to improve the quality of medical services.
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.The background description of the invention has been prepared to facilitate understanding of the present invention. It should not be construed as an admission that matters described in the background art of the invention exist as prior art.
한편, 전술한 문제점을 해결하기 위해, U-net과 같은 인공 지능 기술 기반의 정보 제공 시스템이 등장하였다. 보다 구체적으로, 상기 정보 제공 시스템은 인공 신경망 기반 네트워크를 활용하여 입력된 치과 의료 영상 내에서 치아 영역을 예측 (분할) 하거나, 치아 내 치료 영역 (예를 들어 거타퍼차, 보철물 등), 나아가 치아 내 병변을 예측할 수 있다. Meanwhile, in order to solve the above problems, an information providing system based on artificial intelligence technology such as U-net has appeared. More specifically, the information providing system predicts (segments) a tooth area within an input dental medical image by utilizing an artificial neural network-based network, or a treatment area within a tooth (eg, gutta percha, prosthesis, etc.), furthermore, a tooth My disease can be predicted.
특히, 연구원들은 해당 시스템에 대하여 영상의 전처리 (preprocessing) 절차를 더욱 적용하여, 인공 신경망 기반 네트워크로 하여금 특정 영역 (예를 들어, 치아 영역, 치료 영역 또는 병변 영역) 을 보다 높은 정확도로 예측할 수 있도록 설계할 수 있었다.In particular, the researchers further applied image preprocessing procedures to the system so that the artificial neural network-based network can predict a specific area (eg, tooth area, treatment area, or lesion area) with higher accuracy. could design
이러한 이미지 분할 기반의 정보 제공 시스템은, 전처리된 치과 의료 영상을 영역 분할에 이용함에 따라 이미지 내에서 특정 영역에 대한 분할 성능이 우수할 수 있다.Such an image segmentation-based information providing system may have excellent segmentation performance for a specific region within an image as preprocessed dental medical images are used for region segmentation.
그러나, 상기 정보 제공 시스템은, 근관 치료의 성공 여부에 대한 예측이 어려워 여전히 근관 치료의 예후 예측을 위한 정보 제공 시스템에 적용하는 것에 한계가 있을 수 있다.However, it is difficult to predict the success or failure of endodontic treatment, so there may still be limitations in applying the information providing system for predicting the prognosis of endodontic treatment.
나아가, 인공 신경망 기반 정보 제공 시스템에 있어서, 치료 예후의 예측의 정확도 향상을 위해 학습 데이터의 수를 늘리는 안이 제안되었으나, 의료 데이터를 확보하기에 한계가 있을 수 있다. Furthermore, in the artificial neural network-based information providing system, a plan to increase the number of learning data has been proposed to improve the accuracy of prediction of treatment prognosis, but there may be limitations in securing medical data.
본 발명의 발명자들은 전술한 한계를 극복하기 위한 방안으로, 전처리가 수행된 치과 의료 영상과 함께 원본의 치과 의료 영상을 이용할 경우, 특정 영역의 예측의 정확도뿐만 아니라 근관 치료의 예후 예측의 정확도가 향상될 수 있음을 인지할 수 있었다. As a method for overcoming the above-mentioned limitations, the inventors of the present invention use the original dental medical image together with the preprocessed dental medical image to improve not only the accuracy of prediction of a specific region but also the accuracy of prediction of the prognosis of endodontic treatment. I was aware that it could be.
더욱이, 본 발명의 발명자들은, 임상에서 치과 의료 영상으로 확인 가능한, 근관 치료 예후와 연관된 치아의 임상 특징 (Clinical features) 기반의 CAM (Class-activation map) 영상을 근관 치료의 예후 예측에 더욱 적용하고자 하였다.Furthermore, the inventors of the present invention further apply CAM (Class-activation map) images based on clinical features of teeth associated with prognosis of endodontic treatment, which can be confirmed by dental medical images in clinical practice, to predict the prognosis of endodontic treatment did
특히, 본 발명의 발명자들은 CAM 영상을 적용함에 따라, 실제 근관 치료를 위한 치료 계획 단계에서 전문의가 임시 수복재, 인접 치아의 부재, 누공 등의 임상 특징을 고려하는 것처럼, 근관 치료의 예후 예측에 있어 임상 특징이 인공 신경망 네트워크의 예측을 보강해 줄 수 있음을 인지할 수 있었다. In particular, the inventors of the present invention apply CAM images to predict the prognosis of root canal treatment, just as specialists consider clinical features such as temporary restoration materials, absence of adjacent teeth, and fistulas in the treatment planning stage for actual root canal treatment. It could be recognized that clinical features can reinforce the predictions of artificial neural networks.
더욱이 본 발명의 발명자들은 CAM 영상을 적용함에 따라, 인공 신경망 네트워크의 학습에 있어서 학습 데이터가 부족하더라도 근관 치료의 예후 예측 성능 향상이 가능함을 기대할 수 있었다. Furthermore, the inventors of the present invention could expect that the prognosis prediction performance of endodontic treatment can be improved even when learning data is insufficient in learning an artificial neural network by applying CAM images.
더욱이 본 발명의 발명자들은, 새로운 근관 치료에 대한 정보 제공 시스템에 의해 전문의는 숙련도에 관계없이 예측 모델에 의해 결정된 진단 확률을 참고하여 정확한 진단 및 치료 계획 수립을 할 수 있음을 기대할 수 있었다. Furthermore, the inventors of the present invention could expect that the new endodontic treatment information provision system would enable specialists to establish accurate diagnosis and treatment plans by referring to the diagnosis probability determined by the predictive model regardless of skill level.
이에, 본 발명이 해결하고자 하는 과제는 수신된 치과 의료 영상으로부터 CAM 영상을 획득하고, 이를 기초로 개체의 근관 치료 성공 여부를 결정하도록 구성된 근관 치료에 대한 정보 제공 방법 및 이를 이용한 디바이스를 제공하는 것이다. Accordingly, an object to be solved by the present invention is to provide a method for providing information on root canal treatment configured to obtain a CAM image from a received dental medical image and determine whether or not the root canal treatment is successful for an individual based on the obtained CAM image, and a device using the same. .
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The tasks of the present invention are not limited to the tasks mentioned above, and other tasks not mentioned will be clearly understood by those skilled in the art from the following description.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법이 제공된다. 상기 정보 제공 방법은 프로세서에 의해 구현되는 근관 치료에 대한 정보 제공 방법으로, 개체의 치과 의료 영상을 수신하는 단계, 치과 의료 영상의 임상 특징 (Clinical features) 을 기초로 CAM (Class-activation map) 영상을 생성하도록 구성된 CAM 생성 모델을 이용하여, 치과 의료 영상을 기초로 CAM 영상을 생성하는 단계, 치과 의료 영상 및 CAM 영상을 입력으로 하여 근관 치료의 예후를 예측하도록 구성된 예측 모델을 이용하여, 치과 의료 영상 및 CAM 영상을 기초로 개체의 근관 치료 성공 여부를 결정하는 단계를 포함한다.In order to solve the above problems, a method for providing information on root canal treatment according to an embodiment of the present invention is provided. The method of providing information is a method of providing information about endodontic treatment implemented by a processor, comprising the steps of receiving a dental medical image of an object, class-activation map (CAM) image based on clinical features of the dental medical image Generating a CAM image based on a dental medical image by using a CAM generation model configured to generate a dental medical image, using a predictive model configured to predict a prognosis of endodontic treatment using the dental medical image and the CAM image as inputs, and determining whether endodontic treatment of the subject is successful based on the image and the CAM image.
본 발명의 특징에 따르면, 상기 정보 제공 방법은 수신하는 단계 이후에, 전처리 영상을 획득하도록, 치과 의료 영상에 대한 전처리를 수행하는 단계를 더 포함할 수 있다. 이때, CAM 영상을 생성하는 단계는, CAM 생성 모델을 이용하여, 전처리 영상 및 치과 의료 영상을 기초로 CAM 영상을 생성하는 단계를 포함하고, 근관 치료 성공 여부를 결정하는 단계는, 예측 모델을 이용하여, CAM 영상, 전처리 영상 및 치과 의료 영상을 기초로 개체의 근관 치료 성공 여부를 결정하는 단계를 포함할 수 있다.According to a feature of the present invention, the information providing method may further include, after the receiving, pre-processing of the dental medical image to obtain a pre-processed image. At this time, the step of generating the CAM image includes the step of generating the CAM image based on the preprocessed image and the dental medical image using a CAM generation model, and the step of determining whether root canal treatment is successful uses a predictive model. Thus, determining whether or not root canal treatment of the object was successful based on the CAM image, the preprocessing image, and the dental medical image may be included.
본 발명의 다른 특징에 따르면, 전처리를 수행하는 단계는, 전처리 영상을 획득하도록, 치과 의료 영상에 대하여 기반 클러스터링 (Intensity based clustering) 을 수행하는 단계를 포함할 수 있다.According to another feature of the present invention, performing pre-processing may include performing intensity-based clustering on dental medical images to obtain a pre-processed image.
*본 발명의 또 다른 특징에 따르면, 전처리를 수행하는 단계는, 전처리 영상을 획득하도록, 치과 의료 영상에 대한 그레이스케일 (grayscale) 값을 미리 결정된 수준으로 변환하는 단계를 포함할 수 있다.*According to another feature of the present invention, performing preprocessing may include converting a grayscale value of a dental medical image to a predetermined level so as to obtain a preprocessed image.
본 발명의 또 다른 특징에 따르면, 전처리를 수행하는 단계는, 전처리 영상을 획득하도록, 치과 의료 영상에 대하여 CLAHE (Contrast Limited Adaptive Histogram Equalization) 을 수행하는 단계를 포함할 수 있다.According to another feature of the present invention, performing preprocessing may include performing CLAHE (Contrast Limited Adaptive Histogram Equalization) on a dental medical image to obtain a preprocessed image.
본 발명의 또 다른 특징에 따르면, CAM 생성 모델은 예측 모델 중 적어도 일부로 구성되고, CAM 영상을 획득하는 단계는, 예측 모델을 이용하여, 치과 의료 영상 및 전처리 영상에 대한 근관 치료 예후 예측을 위한 처리 중에, 임상 특징을 기초로 CAM 영상을 특징으로서 획득하는 단계를 포함할 수 있다. According to another feature of the present invention, the CAM generation model is composed of at least a part of the predictive model, and the acquiring of the CAM image includes processing for predicting the prognosis of endodontic treatment for the dental medical image and the preprocessed image using the predictive model Among them, a step of acquiring a CAM image as a feature based on a clinical feature may be included.
본 발명의 또 다른 특징에 따르면, 임상 특징은, 전장관급보철물 (Full coverage restoration; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 잔존치근 (Root Rest; RR), 임시수복재 (Temporary restoration; TM), 근관가시성 (Canal visibility; CV), 기존충전물(Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR), 누공 (Sinus tract; ST) 및 치근 포스트(Post; PS) 중 적어도 하나일 수 있다.According to another feature of the present invention, clinical features include full coverage restoration (FV), absence of proximal teeth (PrX), coronal defect (CoD), and residual root (Root). Rest; RR), Temporary restoration (TM), Canal visibility (CV), Previous filling (PF), Periapical radiolucency (PAR), Sinus tract (ST) and a root post (PS).
본 발명의 또 다른 특징에 따르면, 임상 특징은, 전장관급보철물, 인접치아의 부재인접, 치관부 결손 근관가시성, 기존충전물, 치근단 방사선투과상 및 누공 중 적어도 두 개의 조합을 포함할 수 있다.According to another feature of the present invention, the clinical features may include a combination of at least two of a full length prosthesis, proximal absence of adjacent teeth, root canal visibility of a crown defect, an existing filling, an apical radiographic image, and a fistula.
본 발명의 또 다른 특징에 따르면, 예측 모델은, 셀프 어텐션 (self attention) 층 및 복수의 특징 추출 층을 포함하고, 셀프 어텐션 층은 복수의 특징 추출 층 사이에 존재할 수 있다.According to another feature of the present invention, the predictive model includes a self-attention layer and a plurality of feature extraction layers, and the self-attention layer may exist between the plurality of feature extraction layers.
본 발명의 또 다른 특징에 따르면, 상기 정보 제공 방법은 CAM 영상을 생성하는 단계 이후에, CAM 영상의 활성도에 기초하여 배경 영역 및 특징 영역을 포함하는 특징 강조 영상을 생성하는 단계를 포함하고, 근관 치료 성공 여부를 결정하는 단계는, 예측 모델을 이용하여, 치과 의료 영상 및 특징 강조 영상을 기초로 개체의 근관 치료 성공 여부를 결정하는 단계를 더 포함할 수 있다.According to another feature of the present invention, the information providing method includes, after the step of generating the CAM image, generating a feature emphasis image including a background region and a feature region based on the activity of the CAM image, The determining whether treatment is successful may further include determining whether root canal treatment is successful for the object based on the dental medical image and the feature-enhanced image by using a predictive model.
본 발명의 또 다른 특징에 따르면, 치과 의료 영상은, 표적 치아 영역을 포함하고, 상기 정보 제공 방법은 수신하는 단계 이후에, 표적 치아 영상을 획득하도록, 치과 의료 영상 내에서 표적 치아 영역을 크로핑하는 단계를 포함하고, CAM 영상을 생성하는 단계는, CAM 생성 모델을 이용하여, 표적 치아 영상을 기초로 CAM 영상을 생성하는 단계를 포함할 수 있다.According to another feature of the present invention, the dental medical image includes a target tooth region, and the information providing method crops the target tooth region in the dental medical image to obtain the target tooth image after the receiving step. The step of generating the CAM image may include generating the CAM image based on the image of the target tooth by using the CAM generation model.
본 발명의 또 다른 특징에 따르면, 예측 모델은, 치과 의료 영상, 전처리 영상 및 CAM 영상을 입력으로 하여 미리 결정된 기간 이내의 근관 치료 성공 여부를 출력하도록 구성될 수 있다. According to another feature of the present invention, the predictive model may be configured to output a success or failure of endodontic treatment within a predetermined period by taking dental medical images, preprocessing images, and CAM images as inputs.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시예에 따른 근관 치료에 대한 정보 제공용 디바이스가 제공된다. 상기 디바이스는 개체의 치과 의료 영상을 수신하도록 구성된 통신부, 및 통신부와 통신하도록 연결된 프로세서를 포함한다. 이때, 프로세서는, 치과 의료 영상의 임상 특징 (Clinical features) 을 기초로 CAM (Class-activation map) 영상을 생성하도록 구성된 CAM 생성 모델을 이용하여, 치과 의료 영상을 기초로 CAM 영상을 생성하고, 치과 의료 영상 및 CAM 영상을 입력으로 하여 근관 치료의 예후를 예측하도록 구성된 예측 모델을 이용하여, 치과 의료 영상 및 CAM 영상을 기초로 개체의 근관 치료 성공 여부를 결정하도록 구성된다.In order to solve the above problems, a device for providing information on root canal treatment according to another embodiment of the present invention is provided. The device includes a communication unit configured to receive a dental medical image of an object, and a processor connected to communicate with the communication unit. At this time, the processor generates a CAM image based on the dental medical image using a CAM generation model configured to generate a class-activation map (CAM) image based on clinical features of the dental medical image, and A predictive model configured to predict a prognosis of endodontic treatment using the medical image and the CAM image as inputs is configured to determine whether or not the object's endodontic treatment is successful based on the dental medical image and the CAM image.
본 발명의 특징에 따르면, 프로세서는, 전처리 영상을 획득하도록, 치과 의료 영상에 대한 전처리를 수행하고, CAM 생성 모델을 이용하여, 전처리 영상 및 치과 의료 영상을 기초로 CAM 영상을 생성하고, 예측 모델을 이용하여, CAM 영상, 전처리 영상 및 치과 의료 영상을 기초로 개체의 근관 치료 성공 여부를 결정하도록 구성될 수 있다.According to a feature of the present invention, a processor performs pre-processing on a dental medical image to obtain a pre-processed image, generates a CAM image based on the pre-processed image and the dental medical image using a CAM generation model, and generates a predictive model Using , it may be configured to determine whether the root canal treatment is successful for the object based on the CAM image, the preprocessing image, and the dental medical image.
본 발명의 다른 특징에 따르면, 프로세서는, 전처리 영상을 획득하도록, 치과 의료 영상에 대하여 강도 기반 클러스터링 (Intensity based clustering) 을 수행하도록 더 구성될 수 있다.According to another feature of the present invention, the processor may be further configured to perform intensity-based clustering on dental medical images to obtain a pre-processed image.
본 발명의 또 다른 특징에 따르면, 프로세서는, 전처리 영상을 획득하도록, 치과 의료 영상에 대한 그레이스케일 (grayscale) 값을 미리 결정된 수준으로 변환하도록 더 구성될 수 있다.According to another feature of the present invention, the processor may be further configured to convert a grayscale value for a dental medical image to a predetermined level, so as to obtain a preprocessed image.
본 발명의 또 다른 특징에 따르면, 프로세서는, 전처리 영상을 획득하도록, 치과 의료 영상에 대하여 CLAHE (Contrast Limited Adaptive Histogram Equalization) 을 수행하도록 더 구성될 수 있다.According to another feature of the present invention, the processor may be further configured to perform Contrast Limited Adaptive Histogram Equalization (CLAHE) on a dental medical image, so as to obtain a preprocessed image.
본 발명의 또 다른 특징에 따르면, CAM 생성 모델은 예측 모델 중 적어도 일부로 구성되고, 프로세서는, 예측 모델을 이용하여, 치과 의료 영상 및 전처리 영상에 대한 근관 치료 예후 예측을 위한 처리 중에, 임상 특징을 기초로 CAM 영상을 특징으로서 획득하도록 더 구성될 수 있다.According to another feature of the present invention, the CAM generation model is composed of at least a part of the predictive model, and the processor, using the predictive model, during processing for predicting the endodontic treatment prognosis for the dental medical image and the preprocessed image, clinical features It may be further configured to acquire a CAM image as a feature on the basis of.
본 발명의 특징에 따르면 프로세서는, CAM 영상의 활성도에 기초하여 배경 영역 및 특징 영역을 포함하는 특징 강조 영상을 생성하고, 예측 모델을 이용하여, 치과 의료 영상 및 특징 강조 영상을 기초로 개체의 근관 치료 성공 여부를 결정하도록 더 구성될 수 있다.According to a feature of the present invention, the processor generates a feature-enhanced image including a background region and a feature region based on the activity of the CAM image, and uses a predictive model to determine the root canal of the object based on the dental medical image and the feature-enhanced image. It may be further configured to determine the success of the treatment.
본 발명의 또 다른 특징에 따르면, 프로세서는, 표적 치아 영상을 획득하도록, 치과 의료 영상 내에서 표적 치아 영역을 크로핑하고, CAM 생성 모델을 이용하여, 표적 치아 영상을 기초로 CAM 영상을 생성하도록 더 구성될 수 있다.According to another feature of the present invention, the processor crops a target tooth region in a dental medical image to obtain a target tooth image, and generates a CAM image based on the target tooth image using a CAM generation model. More can be configured.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Other embodiment specifics are included in the detailed description and drawings.
본 발명은, 치과 의료 영상 및 CAM 영상, 나아가 전처리가 수행된 영상을 이용하여 근관 치료 성공 여부를 예측하도록 구성된 예측 모델을 이용한 근관 치료에 대한 정보 제공 시스템을 제공함으로써 피검자의 근관 치료 분석을 위한 정보를 제공할 수 있는 효과가 있다. The present invention provides a system for providing information on root canal treatment using a predictive model configured to predict the success of root canal treatment using dental medical images, CAM images, and furthermore, preprocessed images, thereby providing information for analyzing root canal treatment of a subject. There is an effect that can provide.
특히 본 발명은, 전처리가 수행된 의료 영상만을 이용함에 따라 치아의 특정 영역에 대한 예측만이 가능한 종래의 정보 제공 시스템의 한계를 극복할 수 있고, 보다 높은 신뢰도를 갖는 근관 치료의 성공 여부에 대한 정보를 제공할 수 있다. In particular, the present invention can overcome the limitations of the conventional information providing system capable of only predicting a specific region of a tooth by using only preprocessed medical images, and can determine the success of root canal treatment with higher reliability. can provide information.
보다 구체적으로, 본 발명은 치아 임상 특징에 기초한 CAM 영상을 적용함에 따라, 실제 근관 치료를 위한 치료 계획 단계에서 전문의가 임시수복재, 인접 치아의 부재, 누공 등의 임상 특징을 고려하는 것처럼, 근관 치료의 예후 예측에 있어 임상 특징을 고려할 수 있다.More specifically, as the present invention applies CAM images based on clinical characteristics of teeth, in the treatment planning stage for actual root canal treatment, just as a specialist considers clinical characteristics such as temporary restoration materials, absence of adjacent teeth, and fistula, root canal treatment Clinical characteristics can be considered in predicting the prognosis of
이에 본 발명은, 인공 신경망 네트워크의 학습에 있어서 학습 데이터가 부족하더라도 근관 치료의 예후 예측 성능이 우수한 예측 모델을 제공할 수 있다.Accordingly, the present invention can provide a predictive model with excellent performance in predicting the prognosis of endodontic treatment even when learning data is insufficient in learning an artificial neural network.
즉 본 발명은, 예측 모델 기반 근관 치료에 대한 정보 제공 시스템을 제공함으로써 전문의가 숙련도에 관계없이 예측 모델에 의해 결정된 진단 확률을 참고하여 정확한 진단 및 치료 계획 수립하도록 정보를 제공할 수 있다. That is, the present invention provides a system for providing information on endodontic treatment based on a predictive model, so that a specialist can provide information to establish an accurate diagnosis and treatment plan by referring to the diagnosis probability determined by the predictive model regardless of skill level.
보다 구체적으로 본 발명은, 다양한 예측 모델에 기초한 근관 치료에 대한 정보 제공 시스템을 제공함으로써, 의료진의 숙련도에 따른 진단의 오차, 이에 따른 진달 결과의 낮은 신뢰도를 극복할 수 있고, 피검자에 대한 정확한 근관 치료 전 치료 계획 수립이 가능할 수 있다.More specifically, the present invention provides a system for providing information on root canal treatment based on various predictive models, thereby overcoming errors in diagnosis according to the proficiency of medical staff and low reliability of diagnosis results, and providing an accurate root canal treatment for a subject. It may be possible to establish a treatment plan prior to treatment.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.Effects according to the present invention are not limited by the contents exemplified above, and more various effects are included in the present specification.
도 1은 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공용 디바이스를 이용한 근관 치료에 대한 정보 제공 시스템을 도시한 것이다.
도 2a는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공용 디바이스의 구성을 예시적으로 도시한 것이다.
도 2b는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보를 제공받는 의료진 디바이스의 구성을 예시적으로 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법의 절차를 도시한 것이다.
도 4a 및 4b는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법의 절차를 예시적으로 도시한 것이다.
도 5는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에 이용되는 예측 모델의 구조를 예시적으로 도시한 것이다.
도 6a 내지 6c는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에서, 근관 치료 성공 여부의 예측을 위해 이용되는 임상 특징의 CAM 영상을 도시한 것이다.
도 7a 내지 7d는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에서, 임상 특징의 조합에 따른 근관 치료의 예측에 대한 평가 결과를 도시한 것이다.
도 8, 도 9a 및 9b는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에서, 셀프 어텐션 층을 포함하는 예측 모델의 평가 결과를 도시한 것이다.1 illustrates a system for providing information on root canal treatment using a device for providing information on root canal treatment according to an embodiment of the present invention.
FIG. 2A illustrates a configuration of a device for providing information on root canal treatment according to an embodiment of the present invention.
FIG. 2B illustratively illustrates the configuration of a medical staff device receiving information on root canal treatment according to an embodiment of the present invention.
3 illustrates a procedure of a method for providing information on root canal treatment according to an embodiment of the present invention.
4A and 4B exemplarily illustrate procedures of a method for providing information on root canal treatment according to an embodiment of the present invention.
FIG. 5 illustratively illustrates the structure of a predictive model used in a method for providing information on root canal treatment according to an embodiment of the present invention.
6A to 6C illustrate CAM images of clinical features used to predict success or failure of endodontic treatment in a method for providing information on endodontic treatment according to an embodiment of the present invention.
7A to 7D illustrate evaluation results for prediction of endodontic treatment according to a combination of clinical characteristics in a method for providing information on endodontic treatment according to an embodiment of the present invention.
8, 9a and 9b illustrate evaluation results of a predictive model including a self-attention layer in a method for providing information on root canal treatment according to an embodiment of the present invention.
발명의 이점, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. The advantages of the invention, and how to achieve them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms, only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention belongs. It is provided to fully inform the holder of the scope of the invention, and the present invention is only defined by the scope of the claims.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우, '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다. The shapes, sizes, ratios, angles, numbers, etc. disclosed in the drawings for explaining the embodiments of the present invention are illustrative, so the present invention is not limited to the details shown. In addition, in describing the present invention, if it is determined that a detailed description of related known technologies may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. When 'includes', 'has', 'consists of', etc. mentioned in this specification is used, other parts may be added unless 'only' is used. In the case where a component is expressed in the singular, the case including the plural is included unless otherwise explicitly stated.
구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다. In interpreting the components, even if there is no separate explicit description, it is interpreted as including the error range.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다. Each feature of the various embodiments of the present invention can be partially or entirely combined or combined with each other, and as those skilled in the art can fully understand, various interlocking and driving operations are possible, and each embodiment can be implemented independently of each other. It may be possible to implement together in an association relationship.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다. For clarity of interpretation of this specification, terms used in this specification will be defined below.
본 명세서에서 사용되는 용어, "치과 의료 영상"은 의료 영상 진단 장치로부터 수신한 피검자의 구강 영상을 의미할 수 있다. 바람직하게, 본 원에 개시된 치과 의료 영상은, 치아 방사선 (dental radiograph) 영상일 수 있으나, 이에 제한되는 것은 아니다. 한편, 치과 의료 영상은, 2차원 영상, 3차원 영상, 한 컷의 스틸 영상, 또는 복수개의 컷으로 구성된 동영상일 수 있다. 예를 들어, 치과 의료 영상이 복수개의 컷으로 구성된 동영상일 경우, 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에 따라 복수개의 치과 의료 영상 각각에 대한 근관 치료의 성공 여부가 예측될 수 있다. As used herein, the term "dental medical image" may refer to an oral cavity image of a subject received from a medical imaging diagnosis apparatus. Preferably, the dental medical image disclosed herein may be a dental radiograph image, but is not limited thereto. Meanwhile, the dental medical image may be a 2D image, a 3D image, a still image of one cut, or a video composed of a plurality of cuts. For example, when a dental medical image is a video composed of a plurality of cuts, the success or failure of root canal treatment for each of the plurality of dental medical images can be predicted according to the method for providing information on root canal treatment according to an embodiment of the present invention. can
이때, 치과 의료 영상은, 위턱 치아의 앞니, 송곳니, 작은 어금니, 및 큰 어금니에 대한 치아 영역 및/또는 아래턱 치아의 앞니, 송곳니, 작은 어금니, 및 큰 어금니 중 적어도 하나에 대한 표적 치아 영역을 포함할 수 있다.In this case, the dental medical image includes a tooth region of the upper jaw teeth for incisors, canines, premolars, and molars, and/or a target tooth region for at least one of the incisors, canines, molars, and molars of the lower jaw teeth. can do.
본 명세서에서 사용되는 용어, "전처리 영상"은 치과 의료 영상에 대하여, 특히 표적 치아 영역이 크로핑된 표적 치아 영상에 대하여 배경 노이즈 삭제, 그레이스케일 (grayscale) 변환, 영상 대비 조절 등의 영상 파라미터의 변형이 수행된 영상을 의미할 수 있다.As used herein, the term "preprocessed image" refers to image parameters such as background noise deletion, grayscale conversion, and image contrast control for a dental medical image, particularly a target tooth image in which a target tooth region is cropped. It may mean an image on which transformation has been performed.
본 명세서에서 사용되는 용어, "설명가능한 히트맵 (explainable heatmap) 영상"은 활성도가 가시적으로 구별 가능한 영상을 의미할 수 있다. 본 발명의 특징에 따르면, 히트맵 영상은 CAM (Class-activation map) 영상일 수 있다.As used herein, the term “explainable heatmap image” may refer to an image in which activity is visually distinguishable. According to a feature of the present invention, the heat map image may be a class-activation map (CAM) image.
이때, "CAM (Class-activation map) 영상"은, CNN (Convolutional Neural Network) 의 분류 과정에서, 컨볼루션 (Convolution) 및 글로벌 애버리지 풀링 (Global Average Pooling) 의 연산 과정에서 결정된 웨이트 (weight) 를 기초로 생성된 영상일 수 있다. 이때, CAM 영상을 통해 예측 모델이 어느 부분을 중점적으로 확인하는지 확인 가능할 수 있다. At this time, the "CAM (Class-activation map) image" is based on the weight determined in the calculation process of convolution and global average pooling in the classification process of the CNN (Convolutional Neural Network). It may be an image generated by At this time, it may be possible to check which part the predictive model focuses on checking through the CAM image.
본 발명의 특징에 따르면, CAM 영상은 적어도 하나 이상의 임상 특징에 기초하여 생성된 영상일 수 있다.According to a feature of the present invention, a CAM image may be an image generated based on at least one clinical feature.
본 명세서에서 사용되는 용어, "임상 특징"은 근관 치료의 예측과 연관된 치아 임상 특징을 의미할 수 있다.As used herein, the term "clinical characteristics" may refer to dental clinical characteristics associated with prediction of endodontic treatment.
이때, 임상 특징은 전장관급보철물 (Full coverage restoration; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 잔존치근 (Root Rest; RR), 임시수복재 (Temporary restoration; TM), 근관가시성 (Canal visibility; CV), 기존충전물(Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR), 누공 (Sinus tract; ST) 및 치근 포스트 (Post; PS) 중 적어도 하나 또는 이들 중 선택된 두 개 이상의 조합을 포함할 수 있다. At this time, the clinical characteristics are full coverage restoration (FV), absence of proximal teeth (PrX), coronal defect (CoD), root rest (RR), temporary restoration ( Temporary restoration (TM), canal visibility (CV), previous filling (PF), periapical radiolucency (PAR), sinus tract (ST) and root post (Post; PS) It may include at least one or a combination of two or more selected from among them.
본 명세서에서 사용되는 용어, "특징 강조 영상"은 CAM 영상의 활성도에 기초하여 CAM 영상이 배경 영역 또는 특징 영역을 갖도록 변환된 영상을 의미할 수 있다.As used herein, the term "feature-enhanced image" may refer to an image in which a CAM image is converted to have a background region or a feature region based on the activity of the CAM image.
예를 들어, 특징 강조 영상은 CAM 영상에 대하여 미리 결정된 역치값인 100을 기준으로, 활성도가 100 이상일 경우 1 (특징 영역) 로, 활성도가 100 이하일 경우 0 (배경 영역) 으로 구별되도록 변환된 영상일 수 있다. For example, a feature-enhanced image is an image converted to be distinguished as 1 (feature region) when the activity is 100 or more and 0 (background region) when the activity is 100 or less based on a predetermined threshold value of 100 for a CAM image. can be
여기서, 특징 강조 영상은, 치과 의료 영상 내 임상 특징 영역에 대한 마스킹 영상일 수도 있다. Here, the feature-enhanced image may be a masking image of a clinical feature region in a dental medical image.
본 명세서에서 사용되는 용어, "히트맵 생성 모델"은 치과 의료 영상의 임상 특징을 기초로 히트맵 영상을 생성하도록 학습된 모델일 수 있다.As used herein, the term “heat map generation model” may be a model learned to generate a heat map image based on clinical features of a dental medical image.
이때, "CAM 영상 생성 모델"은 치과 의료 영상의 임상 특징을 기초로 CAM 영상을 생성하도록 학습된 모델일 수 있다.In this case, the “CAM image generation model” may be a model trained to generate a CAM image based on clinical features of dental medical images.
보다 구체적으로, CAM 영상 생성 모델은, 치과 의료 영상 (및/또는 전처리 영상) 에 대하여 근관 치료의 예측과 연관된 임상 특징을 학습하여 이의 여부 (존재 또는 부재) 를 판별하도록 학습된 모델일 수 있다. More specifically, the CAM image generation model may be a model learned to determine (presence or absence) by learning clinical features associated with prediction of endodontic treatment with respect to dental medical images (and/or pre-processed images).
예를 들어, CAM 영상 생성 모델은 치과 의료 영상 및 전처리 영상을 입력으로 하는 2 개의 입력 채널 및 임상 특징의 여부를 출력하는 2 개의 출력 채널로 이루어질 수도 있다.For example, the CAM image generation model may include two input channels that take a dental medical image and a preprocessed image as inputs, and two output channels that output whether or not a clinical feature exists.
이때, CAM 영상 생성 모델이 치과 의료 영상 내에서 임상 특징의 여부를 예측하는 과정에서 CAM 영상의 획득이 가능할 수 있다. In this case, the CAM image may be acquired in the process of predicting the presence or absence of clinical features in the dental medical image by the CAM image generation model.
이때, CAM 영상 생성 모델은 전장관급보철물 (Full coverage restoration; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 잔존치근 (Root Rest; RR), 임시수복재 (Temporary restoration; TM), 근관가시성 (Canal visibility; CV), 기존충전물(Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR), 누공 (Sinus tract; ST) 및 치근 포스트 (Post; PS) 각각의 임상 특징의 여부를 출력하도록 학습된 복수의 모델일 수 있다.At this time, the CAM image generation model is full coverage restoration (FV), absence of proximal teeth (PrX), coronal defect (CoD), root rest (RR), temporary Temporary restoration (TM), canal visibility (CV), previous filling (PF), periapical radiolucency (PAR), sinus tract (ST) and root post (Post; PS) It may be a plurality of models learned to output whether or not each clinical feature is present.
그러나 이에 제한되는 것은 아니며, CAM 영상 생성 모델은 2 개 이상의 임상 특징의 조합을 하나의 마스크로 학습한 모델일 수도 있다. However, it is not limited thereto, and the CAM image generation model may be a model obtained by learning a combination of two or more clinical features as one mask.
선택적으로, CAM 영상 생성 모델은 후술할 예측 모델의 일부 네트워크 구조로 이루어질 수 있다. Optionally, the CAM image generation model may consist of a partial network structure of a predictive model to be described later.
본 명세서에서 사용되는 용어, "예측 모델"은 치과 의료 영상, CAM 영상, 선택적으로 전처리 영상을 입력으로 하여 근관 치료의 성공 여부를 출력하도록 학습된 모델일 수 있다.As used herein, the term “prediction model” may be a model learned to output success or failure of endodontic treatment by taking a dental medical image, a CAM image, and optionally a preprocessing image as inputs.
예를 들어, 예측 모델은 원본의 치과 의료 영상 (또는, 크로핑된 표적 치아 영상), 전처리 영상 및 CAM 영상 (특히, 임상 특징이 마스킹된 특징 강조 영상)) 의 3 개의 입력 채널과 미리 결정된 기간 이내의 근관 치료 성공 또는 미리 결정된 기간 이내의 근관 치료 실패의 2 개의 출력 채널을 갖도록 구성될 수 있다. For example, the prediction model includes three input channels of an original dental medical image (or a cropped target tooth image), a preprocessing image, and a CAM image (particularly, a feature-enhanced image in which clinical features are masked) and a predetermined period of time. It can be configured to have two output channels of endodontic treatment success within or root canal treatment failure within a predetermined period of time.
여기서, "미리 결정된 기간"은 근관 치료 후 1 개월 내지 10 년일 수 있으나 이에 제한되는 것은 아니다. Here, the "predetermined period" may be 1 month to 10 years after root canal treatment, but is not limited thereto.
그러나, 이에 제한되는 것은 아니며 예측 모델은 치과 의료 영상 및 CAM 영상의 2 개의 입력 채널과 근관 치료의 성공 여부의 2 개의 출력 채널을 갖도록 구성될 수도 있다. However, it is not limited thereto, and the predictive model may be configured to have two input channels of a dental medical image and a CAM image, and two output channels of success or failure of endodontic treatment.
본 발명의 특징에 다르면, 예측 모델은 셀프 어텐션 층이 구비된 네트워크일 수 있다. According to the features of the present invention, the predictive model may be a network equipped with a self-attention layer.
이에, 본원 명세서에서 "예측 모델"은 "본 발명의 실시예에 따른 네트워크"와 상호 교환적으로 이용될 수 있다. Accordingly, in the present specification, “prediction model” may be used interchangeably with “network according to an embodiment of the present invention”.
본 명세서에서 사용되는 용어, "셀프 어텐션 (self attention) 층"은 예측 과정에서 원본의 영상 즉, 치과 의료 영상을 재입력 받도록 설계된 층일 수 있다. 이러한 셀프 어텐션 층은 특징 추출을 위한 연산이 수행되는 복수의 특징 추출 층 사이 사이에 존재하여, 근관 치료의 성공 여부 예측 과정에서 주요 영역 중심의 예측이 수행될 수 있다.As used herein, the term "self attention layer" may be a layer designed to re-receive an original image, that is, a dental medical image, in a prediction process. The self-attention layer may be present between a plurality of feature extraction layers in which calculations for feature extraction are performed, and thus, prediction based on a main region may be performed in a process of predicting success or failure of root canal treatment.
이하에서는 도 1 및 2a 및 2b를 참조하여, 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공용 디바이스를 이용한 근관 치료에 대한 정보 제공 시스템 및 근관 치료에 대한 정보 제공용 디바이스를 설명한다. Hereinafter, with reference to FIGS. 1, 2a and 2b, a system for providing information on endodontic treatment using a device for providing information on endodontic treatment according to an embodiment of the present invention and a device for providing information on endodontic treatment will be described.
도 1은 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공용 디바이스를 이용한 근관 치료에 대한 정보 제공 시스템을 도시한 것이다. 도 2a는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공용 디바이스의 구성을 예시적으로 도시한 것이다. 도 2b는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보를 제공받는 의료진 디바이스의 구성을 예시적으로 도시한 것이다.1 illustrates a system for providing information on root canal treatment using a device for providing information on root canal treatment according to an embodiment of the present invention. FIG. 2A illustrates a configuration of a device for providing information on root canal treatment according to an embodiment of the present invention. FIG. 2B illustratively illustrates the configuration of a medical staff device receiving information on root canal treatment according to an embodiment of the present invention.
먼저, 도 1을 참조하면, 정보 제공 시스템 (1000) 은, 개체에 대한 치과 의료 영상을 기초로 근관 치료와 연관된 정보를 제공하도록 구성된 시스템일 수 있다. 이때, 정보 제공 시스템 (1000) 은, 수신된 치과 의료 영상에 기초하여, CAM 영상을 생성하고, 이로부터 미리 결정된 기간 이내의 근관 치료의 성공 여부를 결정하도록 구성된 정보 제공용 디바이스 (100), 근관 치료의 성공 여부와 연관된 정보를 수신하는 의료진 디바이스 (200) 및 치과 의료 영상을 제공하는, 치과 의료 영상 촬영 디바이스 (300) 로 구성될 수 있다. First, referring to FIG. 1 , an
먼저, 정보 제공용 디바이스 (100) 는 방사선촬영용 디바이스와 같은 치과 의료 영상 촬영 디바이스 (300) 로부터 제공된 치과 의료 영상을 기초로 미리 결정된 기간 이내의 근관 치료의 성공 여부를 결정하기 위한 다양한 연산을 수행하는 범용 컴퓨터, 랩탑, 및/또는 데이터 서버 등을 포함할 수 있다. 이때, 의료진 디바이스 (200) 는 웹 페이지를 제공하는 웹 서버 (web server) 또는 모바일 웹 사이트를 제공하는 모바일 웹 서버 (mobile web server) 에 액세스하기 위한 디바이스일 수 있으나, 이에 한정되지 않는다. First, the
보다 구체적으로, 정보 제공용 디바이스 (100) 는 치과 의료 영상 촬영 디바이스 (300) 로부터 치과 의료 영상을 수신하고, 수신된 치과 의료 영상으로부터 전처리 영상 및/또는 CAM 영상을 획득하고 이로부터 미리 결정된 기간 이내의 근관 치료의 성공 여부를 결정하여 제공할 수 있다. 이때, 정보 제공용 디바이스 (100), 예측 모델을 이용하여 치과 의료 영상으로부터 CAM 영사을 획득하고 근관 치료의 성공 여부를 예측할 수 있다. More specifically, the device for providing
정보 제공용 디바이스 (100) 는 근관 치료의 성공 여부 예측 결과를 의료진 디바이스 (200) 로 제공할 수 있다. The
이와 같이 정보 제공용 디바이스 (100) 로부터 제공되는 정보는 의료진 디바이스 (200) 에 설치된 웹 브라우저를 통해 웹 페이지로 제공되거나, 어플리케이션, 또는 프로그램 형태로 제공될 수 있다. 다양한 실시예에서 이러한 데이터는 클라이언트-서버 환경에서 플랫폼에 포함되는 형태로 제공될 수 있다.The information provided from the
다음으로, 의료진 디바이스 (200) 는 미리 결정된 기간 이내의 근관 치료의 성공 여부를 나타내기 위한 사용자 인터페이스를 제공하는 전자 디바이스로서, 스마트폰, 태블릿 PC (Personal Computer), 노트북 및/또는 PC 등 중 적어도 하나를 포함할 수 있다.Next, the
의료진 디바이스 (200) 는 정보 제공용 디바이스 (100) 로부터 개체에 대한 미리 결정된 기간 이내의 근관 치료의 성공 여부의 예측 결과를 수신하고, 수신된 결과를 후술할 표시부를 통해 표시할 수 있다. The
다음으로, 도 2a를 참조하여, 본 발명의 정보 제공용 디바이스 (100) 의 구성 요소에 대하여 구체적으로 설명한다. Next, with reference to FIG. 2A, the components of the
도 2a를 참조하면, 정보 제공용 디바이스 (100) 는 저장부 (110), 통신부 (120) 및 프로세서 (130) 를 포함한다. Referring to FIG. 2A , the
먼저, 저장부 (110) 는 치과 의료 영상, CAM 영상으로부터 미리 결정된 기간 이내의 근관 치료의 성공 여부를 결정하는 과정에서 생성된 다양한 데이터를 저장할 수 있다. 예를 들어, 저장부 (110) 는, 후술할 통신부 (120) 를 통해 치과 의료 영상 촬영 디바이스 (300) 로부터 수신된 치과 의료 영상, 나아가 CAM 영상, 전처리 영상과 함께 예측 모델의 예측 과정에서의 다양한 산물들을 저장하도록 구성될 수 있다. 다양한 실시예에서 저장부 (110) 는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리 (예를 들어 SD 또는 XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.First, the
통신부 (120) 는 정보 제공용 디바이스 (100) 가 외부 디바이스와 통신이 가능하도록 연결한다. 통신부 (120) 는 유/무선 통신을 이용하여 의료진 디바이스 (200), 나아가 치과 의료 영상 촬영 디바이스 (300) 와 연결되어 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부 (120) 는 치과 의료 영상 촬영 디바이스 (300) 로부터 개체의 치과 의료 영상을 수신할 수 있다. 나아가, 통신부 (120) 는 의료진 디바이스 (200) 로 예측 결과 나아가, 임상 특징 기반의 CAM 영상을 송신할 수도 있다.The
프로세서 (130) 는 저장부 (110) 및 통신부 (120) 와 동작 가능하게 연결되며, 개체에 대한 치과 의료 영상을 분석하기 위한 다양한 명령들을 수행할 수 있다. The
구체적으로, 프로세서 (130) 는 통신부 (120) 를 통해 수신된 치과 의료 영상으로부터 CAM 영상 및/또는 전처리 영상을 획득하고, 최종적으로 미리 결정된 기간 이내의 근관 치료의 성공 여부를 결정하도록 구성될 수 있다. Specifically, the
이때, 프로세서 (130) 는 치과 의료 영상에 기초하여, CAM 영상을 생성하는 CAM 생성 모델, 복수의 영상으로부터 미리 결정된 기간 이내의 근관 치료의 성공 여부를 결정하는 예측 모델에 기초할 수 있다. At this time, the
특히, 프로세서 (130) 는 본 발명의 일 실시예에 따른 셀프 어텐션 층 기반의 네트워크에 기초할 수 있다. 그러나, 이에 제한되는 것은 아니며, 프로세서 (130) 는 SegNet, VGG-16, DCNN (Deep Convolutional Neural Network) 및 ResNet DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector) 모델 또는 U-net 기반의 예측 모델에 기초할 수도 있다. In particular,
한편, 정보 제공용 디바이스 (100) 는 하드웨어 적으로 설계된 것으로 제한되는 것은 아니다. 예를 들어, 정보 제공용 디바이스 (100) 의 프로세서 (130) 는 소프트웨어로 구현될 수 있다. 이에, 소프트웨어가 적용된 치과 의료 영상 촬영 디바이스 (300) 와 연결된 표시부 (미도시) 를 개체에 대한 근관 치료와 연관된 정보 제공이 가능할 수도 있다.Meanwhile, the
한편, 도 2b를 함께 참조하면, 의료진 디바이스 (200) 는 통신부 (210), 표시부 (220), 저장부 (230) 및 프로세서 (240) 를 포함한다. Meanwhile, referring to FIG. 2B , the
통신부 (210) 는 의료진 디바이스 (200) 가 외부 디바이스와 통신이 가능하도록 구성될 수 있다. 통신부 (210) 는 유/무선 통신을 이용하여 정보 제공용 디바이스 (100) 와 연결되어 미리 결정된 기간 이내의 근관 치료의 성공 여부를 송신할 수 있다. The
표시부 (220) 는 미리 결정된 기간 이내의 근관 치료의 성공 여부를 나타내기 위한 다양한 인터페이스 화면을 표시할 수 있다. The
다양한 실시예에서 표시부 (220) 는 터치스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치 (touch), 제스처 (gesture), 근접, 드래그 (drag), 스와이프 (swipe) 또는 호버링 (hovering) 입력 등을 수신할 수 있다. In various embodiments, the
저장부 (230) 는 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위해 사용되는 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (230) 는 플래시 메모리 타입 (flash memory type), 하드디스크 타입 (hard disk type), 멀티미디어 카드 마이크로 타입 (multimedia card micro type), 카드 타입의 메모리 (예를 들어 SD 또는 XD 메모리 등), 램 (Random Access Memory, RAM), SRAM (Static Random Access Memory), 롬 (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. The
프로세서 (240) 는 통신부 (210), 표시부 (220) 및 저장부 (230) 와 동작 가능하게 연결되며, 미리 결정된 기간 이내의 근관 치료의 성공 여부를 나타내기 위한 사용자 인터페이스를 제공하기 위한 다양한 명령들을 수행할 수 있다.The
이하에서는, 도 3 및 도 4a 및 4b를 참조하여, 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법을 구체적으로 설명한다. 도 3은 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법의 절차를 도시한 것이다. 도 4a 및 4b는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법의 절차를 예시적으로 도시한 것이다. Hereinafter, a method of providing information on root canal treatment according to an embodiment of the present invention will be described in detail with reference to FIGS. 3 and 4A and 4B. 3 illustrates a procedure of a method for providing information on root canal treatment according to an embodiment of the present invention. 4A and 4B exemplarily illustrate procedures of a method for providing information on root canal treatment according to an embodiment of the present invention.
먼저, 도 3을 참조하면, 본 발명의 일 실시예에 따른 정보 제공 절차는 다음과 같다. 먼저, 개체에 대한 치과 의료 영상이 수신된다 (S310). 그 다음, 치과 의료 영상에 대한 전처리가 수행된다 (S320). 그 다음, CAM 생성 모델에 의해 CAM 영상이 생성된다 (S330). 마지막으로, 예측 모델을 이용하여 근관 치료 성공 여부가 결정된다 (S340).First, referring to FIG. 3, an information providing procedure according to an embodiment of the present invention is as follows. First, a dental medical image of an object is received (S310). Then, preprocessing is performed on the dental medical image (S320). Then, a CAM image is generated by the CAM generation model (S330). Finally, the success of root canal treatment is determined using the predictive model (S340).
보다 구체적으로, 치과 의료 영상이 수신되는 단계 (S310) 에서 표적 치아를 포함하는 치아 방사선 영상이 수신될 수 있다.More specifically, in the step of receiving a dental medical image (S310), a dental radiographic image including a target tooth may be received.
본 발명의 특징에 따르면, 치과 의료 영상이 수신되는 단계 (S310) 에서 DICOM 형태의 치아 방사선 영상이 수신될 수 있다. According to a feature of the present invention, a tooth radiographic image in DICOM form may be received in step S310 of receiving a dental medical image.
다음으로, 전처리가 수행되는 단계 (S320) 가 선택적으로 수행될 수 있다.Next, a preprocessing step (S320) may be optionally performed.
보다 구체적으로, 도 4a를 함께 참조하면, 전처리가 수행되는 단계 (S320) 에서 수신된 치과 의료 영상 (312) 에 대하여 전처리 영상 (314) 이 획득되도록 다양한 영상 전처리 기법이 수행된다.More specifically, referring to FIG. 4A , various image preprocessing techniques are performed so that a
본 발명의 특징에 따르면, 전처리가 수행되는 단계 (S320) 에서 치과 의료 영상에 대하여 강도 기반 클러스터링 (Intensity based clustering) 이 수행될 수 있다. 예를 들어, 전처리가 수행되는 단계 (S320) 에서 2회의 K-means 클러스터링이 수행되어, 배경의 노이즈가 제거되고 잇몸에 해당하는 연 조직 부위가 유지된 전처리 영상이 획득될 수 있다.According to a feature of the present invention, intensity-based clustering may be performed on the dental medical image in the pre-processing step (S320). For example, in the preprocessing step (S320), K-means clustering is performed twice to obtain a preprocessed image in which background noise is removed and a soft tissue region corresponding to the gum is maintained.
본 발명의 다른 특징에 따르면, 전처리가 수행되는 단계 (S320) 에서 치과 의료 영상에 대한 그레이스케일 (grayscale) 값이 미리 결정된 수준으로 변환될 수 있다.According to another feature of the present invention, in the preprocessing step (S320), the grayscale value of the dental medical image may be converted to a predetermined level.
예를 들어, 전처리가 수행되는 단계 (S320) 에서 12 내지 16 비트 (bit) 의 그레이스케일을 갖는 DICOM 형태의 치아 방사선 영상이 8 비트로 치환될 수 있다. 이러한 전처리로 인해 근관 치료 성공 여부 예측을 위한 컴퓨팅 파워 (Computing Power) 가 줄어들 수 있다. For example, in the preprocessing step ( S320 ), a tooth radiographic image in DICOM format having a gray scale of 12 to 16 bits may be replaced with 8 bits. Due to such preprocessing, computing power for predicting the success of endodontic treatment may be reduced.
본 발명의 또 다른 특징에 따르면, 전처리가 수행되는 단계 (S320) 에서 치과 의료 영상에 대하여 CLAHE (Contrast Limited Adaptive Histogram Equalization) 이 수행될 수 있다.According to another feature of the present invention, CLAHE (Contrast Limited Adaptive Histogram Equalization) may be performed on the dental medical image in the preprocessing step (S320).
그 결과, 영상의 대비가 향상된 선명한 전처리 영상의 획득이 가능할 수 있다.As a result, it may be possible to acquire a clear pre-processed image with improved image contrast.
본 발명의 또 다른 특징에 따르면, 전처리가 수행되는 단계 (S320) 가 수행되기 이전에 표적 치아 영상이 획득되도록 치과 의료 영상 내에서 표적 치아 영역이 크로핑될 수 있다. According to another feature of the present invention, the target tooth region may be cropped in the dental medical image so that the target tooth image is obtained before the preprocessing step (S320) is performed.
즉, 전처리가 수행되는 단계 (S320) 에서 표적 치아 영상에 대한 전처리가 수행될 수 있다.That is, in the preprocessing step (S320), preprocessing may be performed on the target tooth image.
다시 도 3을 참조하면 다음으로, CAM 영상이 생성되는 단계 (S330) 에서 치과 의료 영상의 임상 특징 (Clinical features) 을 기초로 CAM 생성 모델에 의해 CAM 영상이 생성될 수 있다.Referring back to FIG. 3 , next, in the step of generating a CAM image (S330), a CAM image may be generated by a CAM generation model based on clinical features of a dental medical image.
예를 들어, 도 4b를 함께 참조하면, CAM 영상이 생성되는 단계 (S330) 에서 치과 의료 영상 (312) 및/또는 전처리 영상 (314) 이 CAM 영상 생성 모델 (340) 에 입력될 수 있다. 그 다음, CAM 영상 생성 모델 (340) 의 처리 중에 관심도가 높은 영역, 특히 임상 특징 영역에 대하여 활성도가 높은 CAM 영상 (342) 이 특징으로서 획득될 수 있다. For example, referring to FIG. 4B together, in the step of generating a CAM image (S330), a dental
이때, CAM 영상 생성 모델 (340) 은 치과 의료 영상 (및/또는 전처리 영상) 에 대하여 근관 치료의 예측과 연관된 임상 특징을 학습하여 이의 여부 (존재 또는 부재) 를 판별하도록 학습된 모델일 수도 있다.In this case, the CAM
본 발명의 특징에 따르면, CAM 영상이 생성되는 단계 (S330) 에서 CAM 영상 생성 모델 (340) 이 치과 의료 영상 내에서, 전장관급보철물 (Full coverage restoration; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 잔존치근 (Root Rest; RR), 임시수복재 (Temporary restoration; TM), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR), 누공 (Sinus tract; ST) 및 치근 포스트 (Post; PS) 중 선택된 적어도 두 개의 임상 특징의 여부를 예측하는 과정에서 CAM 영상의 획득이 가능할 수 있다. According to a feature of the present invention, in the step of generating a CAM image (S330), the CAM
본 발명의 다른 특징에 따르면, CAM 영상이 생성되는 단계 (S330) 이후에 CAM 영상의 활성도에 기초하여 배경 영역 및 특징 영역을 포함하는 특징 강조 영상을 생성하는 단계가 더욱 수행될 수 있다.According to another feature of the present invention, a step of generating a feature-enhanced image including a background region and a feature region based on the activity of the CAM image may be further performed after the step of generating the CAM image (S330).
예를 들어, 다시 도 4b를 참조하면 특징 강조 영상이 생성되는 단계에서, CAM 영상 (342) 은 미리 결정된 역치값인 100을 기준으로, 활성도가 100 이상일 경우 1 (특징 영역) 로, 활성도가 100 이하일 경우 0 (배경 영역) 으로 구별되도록 변환될 수 있다. For example, referring back to FIG. 4B , in the step of generating a feature-enhanced image, the
즉, 이의 결과로 임상 특징이 마스킹된 특징 강조 영상 (316) 이 획득될 수 있다. That is, as a result of this, a feature-enhanced
본 발명의 또 다른 특징에 따르면, CAM 영상이 생성되는 단계 (S330) 예측 모델을 이용하여, 치과 의료 영상 및 전처리 영상에 대한 근관 치료 예후 예측을 위한 처리 중에, 임상 특징을 기초로 CAM 영상이 특징으로서 획득될 수 있다.According to another feature of the present invention, in the step of generating a CAM image (S330), the CAM image is characterized based on clinical characteristics during processing for predicting the endodontic treatment prognosis for the dental medical image and the preprocessed image using the predictive model can be obtained as
즉, CAM 생성 모델은 예측 모델 중 적어도 일부로 구성될 수도 있다.That is, the CAM generation model may be composed of at least a part of the predictive model.
다시 도 3을 참조하면, 최종적으로 복수의 영상에 기초하여 근관 치료 성공 여부가 결정된다 (S340).Referring back to FIG. 3 , the success of root canal treatment is finally determined based on a plurality of images (S340).
본 발명의 특징에 따르면, 근관 치료 성공 여부가 결정되는 단계 (S340) 에서, 치과 의료 영상, CAM 영상, 선택적으로 전처리 영상을 입력으로 하여 근관 치료의 성공 여부를 출력하도록 학습된 예측 모델이 이용될 수 있다.According to a feature of the present invention, in the step of determining whether root canal treatment is successful (S340), a predictive model learned to output success or failure of root canal treatment using a dental medical image, a CAM image, and optionally a preprocessed image as inputs is used. can
예를 들어, 도 4a 및 4b를 참조하면, 근관 치료 성공 여부가 결정되는 단계 (S340) 서, 치과 의료 영상 (312), 전처리 영상 (314) 및 특징 강조 영상 (316) 이 예측 모델 (314) 에 입력된다. 그 결과, 미리 결정된 기간 (예를 들어, 3 년 이내) 근관 치료의 성공 여부 (332) 가 예측되어 출력된다. 이때, 성공 여부 (332) 는 확률적으로 출력될 수 있다. For example, referring to FIGS. 4A and 4B, in the step of determining whether root canal treatment is successful (S340), a dental
이에, 의료진은, 본 발명의 다양한 실시예에 따른 정보 제공 방법에 따라, 피검자의 근관 치료의 성공 여부에 대한 정보를 제공받을 수 있어, 성공 확률 높은 의사 결정 및 치료 계획을 수립할 수 있다. Accordingly, the medical staff may be provided with information on whether or not the subject's root canal treatment was successful according to the information providing method according to various embodiments of the present invention, and thus may make a decision with a high probability of success and establish a treatment plan.
이하에서는, 도 5를 참조하여, 본 발명의 다양한 실시예에서 이용되는 근관 치료의 성공 여부 예측 모델의 구조적 특징을 설명한다.Hereinafter, with reference to FIG. 5 , structural characteristics of the root canal treatment success prediction model used in various embodiments of the present invention will be described.
도 5는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에 이용되는 예측 모델의 구조를 예시적으로 도시한 것이다. FIG. 5 illustratively illustrates the structure of a predictive model used in a method for providing information on root canal treatment according to an embodiment of the present invention.
먼저, 예측 모델 (320) 은 크게 치아 의료 영상, CAM 영상 및/또는 전처리 영상을 입력 받는 '입력 층', 특징 추출을 위한 복수의 '특징 추출 층 (3202)', 예측 과정에서 원본의 영상을 재입력 받도록 설계된 '셀프 어텐션 층 (3204)' 과 최종적으로 근관 치료의 성공 여부를 출력하는 '출력 층'으로 구성될 수 있다. First, the
보다 구체적으로, 특징 추출 층 (3202) 은, 입력된 영상에 대한 특징 추출을 위한 컨볼루션 층, 배치 정규화 층과 맥스 풀링층, 활성 함수의 ReLu 층으로 구성될 수 있다. 복수의 특징 추출 층 (3202) 에서 특징 추출을 위한 다양한 연산이 수행될 수 있다. More specifically, the
이때, 복수의 특징 추출 층 (3202) 사이에 셀프 어텐션 층 (3204) 가 구비될 수 있다. 즉, 셀프 어텐션 층을 통해 영상이 재입력되면서, 근관 치료의 성공 여부 예측 과정에서 주요 영역 중심의 예측이 수행될 수 있다.In this case, a self-
본 발명의 다양한 실시예에 이용되는 예측 모델들은, 이상의 구조적 특징에 따라 치과 의료 영상 내에서 근관 치료의 성공 여부를 높은 정확도로 예측할 수 있다.Prediction models used in various embodiments of the present invention can predict the success of root canal treatment with high accuracy in a dental medical image according to the above structural characteristics.
한편, 예측 모델 (320) 은 셀프 어텐션 층이 구비된 본 발명의 실시예의 네트워크 구조를 가질 수 있으나, 이에 제한되는 것은 아니며 SegNet, VGG-16, DCNN (Deep Convolutional Neural Network) 및 ResNet DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector) 모델 또는 U-net 기반의 네트워크에 기초할 수도 있다.Meanwhile, the
이하에서는 도 6a 내지 6c를 참조하여 본 발명의 다양한 실시예에 이용되는 CAM 영상에 고려되는 임상 특징에 대하여 설명한다.Hereinafter, clinical features considered in CAM images used in various embodiments of the present invention will be described with reference to FIGS. 6A to 6C.
도 6a 내지 6c는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에서, 근관 치료 성공 여부의 예측을 위해 이용되는 임상 특징의 CAM 영상을 도시한 것이다. 6A to 6C illustrate CAM images of clinical features used to predict success or failure of root canal treatment in the method for providing information on root canal treatment according to an embodiment of the present invention.
*도 6a의 (a), (b) 및 (c)를 참조하면 전장관급보철물 (Full coverage restoration; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD) 의 여부 (absent 또는 present)에 따른 CAM 영상이 도시된다.* Referring to (a), (b) and (c) of FIG. 6a, full coverage restoration (FV), absence of proximal teeth (PrX), coronal defect (CoD) CAM images according to whether (absent or present) are shown.
보다 구체적으로, CAM 영상 생성 모델은 전장관급보철물, 인접 치아의 부재, 치관부 결손의 여부에 따라 치과 의료 영상 내에서 다른 활성도를 갖는 것으로 나타난다.More specifically, the CAM image generation model appears to have different activities in dental medical images depending on the presence of a full-length prosthesis, the absence of adjacent teeth, and crown defects.
전장관급보철물, 인접 치아의 부재, 치관부 결손은 근관 치료와 연관된 임상 특징일 수 있어 전장관급보철물, 인접 치아의 부재, 치관부 결손의 여부에 따른 CAM 영상은 예측 모델을 이용한 근관 치료 성공 여부 예측에 있어서 이용될 수 있다.Full length prostheses, absence of adjacent teeth, and crown defects can be clinical features associated with root canal treatment. Therefore, CAM images according to the presence of full length prostheses, absence of adjacent teeth, and crown defects can be used to predict the success of root canal treatment using a predictive model. can be used
도 6b의 (a), (b) 및 (c)를 참조하면 잔존치근 (Root Rest; RR), 임시수복재 (Temporary filled; TM), 근관가시성 (Canal visibility; CV) 의 여부 (absent 또는 present) 또는 가시 여부에 따른 CAM 영상이 도시된다. 보다 구체적으로, CAM 영상 생성 모델은 잔존치근, 임시수복재, 근관가시성의 여부에 따라 치과 의료 영상 내에서 다른 활성도를 갖는 것으로 나타난다.Referring to (a), (b) and (c) of FIG. 6B, whether or not Root Rest (RR), Temporary filled (TM), and Canal visibility (CV) are present (absent or present) Alternatively, CAM images according to visibility are shown. More specifically, the CAM image generation model appears to have different activities in dental medical images depending on the presence of residual root, temporary restorative material, and root canal visibility.
이때, 잔존치근, 임시수복재 및 근관가시성은 근관 치료와 연관된 임상 특징일 수 있어 잔존치근, 임시수복재, 근관가시성의 여부에 따른 CAM 영상은 예측 모델을 이용한 근관 치료 성공 여부 예측에 있어서 이용될 수 있다.At this time, residual root, temporary restoration material, and root canal visibility may be clinical features related to root canal treatment, so CAM images according to residual root, temporary restorative material, and root canal visibility can be used to predict the success of root canal treatment using a predictive model. .
도 6c의 (a), (b) 및 (c)를 참조하면 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 의 여부 (absent 또는 present) 에 따른 CAM 영상이 도시된다.Referring to (a), (b) and (c) of FIG. 6c, previous filling (PF), periapical radiolucency (PAR), and sinus tract (ST) presence (absent or present) ) The CAM image according to is shown.
보다 구체적으로, CAM 영상 생성 모델은 기존충전물, 치근단 방사선투과상 및 누공의 여부에 따라 치과 의료 영상 내에서 다른 활성도를 갖는 것으로 나타난다.More specifically, the CAM image generation model appears to have different activities within dental medical images depending on the presence of existing fillings, apical radiographic images, and fistulas.
이때, 기존충전물, 치근단 방사선투과상 및 누공은 근관 치료와 연관된 임상 특징일 수 있어 기존충전물, 치근단 방사선투과상 및 누공 여부에 따른 CAM 영상은 예측 모델을 이용한 근관 치료 성공 여부 예측에 있어서 이용될 수 있다.At this time, existing filling, apical radiographic image and fistula may be clinical features related to root canal treatment, so CAM images according to existing filling, apical radiographic image and fistula can be used to predict the success of root canal treatment using a predictive model. there is.
평가 1: 임상 특징의 평가Assessment 1: Assessment of clinical characteristics
이하에서는, 도 7a 내지 7d를 참조하여 다양한 임상 특징 조합에 따른 근관 치료의 성공 여부 예측에 대한 평가 결과를 설명한다.Hereinafter, evaluation results for predicting success of endodontic treatment according to various combinations of clinical characteristics will be described with reference to FIGS. 7A to 7D .
도 7a를 참조하면 전장관급보철물 (Full coverage restoration; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 잔존치근 (Root Rest; RR), 임시수복재 (Temporary restoration; TM), 근관가시성 (Canal visibility; CV), 기존충전물(Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR), 누공 (Sinus tract; ST) 및 치근 포스트 (Post; PS) 의 10 가지 임상 특징 중 선택된 단일 특징을 제외한 3년 이내 근관 치료 성공 여부의 예측 결과가 도시된다. Referring to FIG. 7A, full coverage restoration (FV), absence of proximal teeth (PrX), coronal defect (CoD), root rest (RR), temporary restoration ( Temporary restoration (TM), canal visibility (CV), previous filling (PF), periapical radiolucency (PAR), sinus tract (ST) and root post (Post; PS) Results of predicting success of endodontic treatment within 3 years excluding a single selected feature among the 10 clinical features of are shown.
먼저 도 7a에서, 근관가시성 (Canal visibility; CV) 의 임상 특징을 제외했을 때, 평균 F1 점수가 40.74로 가장 높고, 정확도 (Accuracy) 또한 68 %로 가장 높은 것으로 나타난다.First, in FIG. 7A , when the clinical characteristics of canal visibility (CV) are excluded, the average F1 score is the highest at 40.74 and the accuracy is also the highest at 68%.
이러한 결과는, 3년 이내 근관 치료의 성공 여부 예측에 있어서 근관가시성 (Canal visibility; CV) 을 제외한 나머지 8 가지 임상 특징에 대한 중요도가 높은 것을 의미할 수 있다.These results may mean that the importance of the remaining 8 clinical characteristics excluding canal visibility (CV) is high in predicting the success of endodontic treatment within 3 years.
이어서, 도 7b를 참조하면, 임시수복재 (Temporary filled; TM) 의 임상 특징을 제외했을 때, 평균 F1 점수가 43.33으로 9 개의 특징을 모두 이용했을 때 보다 높은 것으로 나타난다. 나아가, 치근단 방사선투과상 (Periapical radiolucency; PAR) 의 임상 특징을 제외했을 때, 평균 F1 점수가 44.19로 9 개의 특징을 모두 이용했을 때 보다 높은 것으로 나타난다.Subsequently, referring to FIG. 7B , when the clinical features of the temporary restorative material (Temporary filled; TM) were excluded, the average F1 score was 43.33, which is higher than when all nine features were used. Furthermore, when the clinical features of periapical radiolucency (PAR) were excluded, the average F1 score was 44.19, which was higher than when all nine features were used.
나아가, 임시수복재의 임상 특징을 제외했을 때 예측의 정확도는 66.00 %로 9 개의 특징을 모두 이용했을 때의 정확도 (68.00 %) 와 유사한 것으로 나타난다. Furthermore, when the clinical features of the provisional restoration were excluded, the prediction accuracy was 66.00%, similar to the accuracy (68.00%) when all nine features were used.
7b의 평가 결과를 종합해보면, 임시수복재의 임상 특징을 제외한 8 개의 특징을 이용할 경우, 예측 모델은 근관 치료의 성공 여부의 예측 정확도를 유지하면서도 보다 향상된 성능을 가질 수 있다.Summarizing the evaluation results in 7b, when using 8 features excluding the clinical features of the temporary restoration, the predictive model can have improved performance while maintaining the accuracy of predicting the success of endodontic treatment.
이에 선택적으로 전장관급보철물 (Full veneer; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 치근 포스트 (Post; PS), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 의 8 가지 임상 특징, 더욱이 해당 특징을 고려한 CAM 영상이 예측 모델의 근관 치료 여부 예측을 위한 학습에 적용될 수 있다. 다음으로, 도 7c를 참조하면 전장관급보철물 (Full veneer; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 치근 포스트 (Post; PS), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 의 8 가지 임상 특징 중 선택된 단일 특징을 제외한 7 개의 특징 기반의 3년 이내 근관 치료 성공 여부의 예측 결과가 도시된다.Optionally, full veneer (FV), absence of proximal teeth (PrX), coronal defect (CoD), root post (PS), canal visibility (CV) ), previous filling (PF), periapical radiolucency (PAR), and fistula (sinus tract; ST) eight clinical features, and furthermore, CAM images considering the corresponding features predict endodontic treatment with the predictive model can be applied to learning for Next, referring to FIG. 7c, full veneer (FV), absence of proximal teeth (PrX), coronal defect (CoD), root post (Post; PS), root canal visibility Canal visibility (CV), previous filling (PF), periapical radiolucency (PAR), and fistula (Sinus tract; ST), based on seven features excluding a single feature selected from the eight clinical features. A predictive result of success or failure of endodontic treatment within 3 years is shown.
보다 구체적으로, 임시수복재 (Temporary filled; TM), 잔존치근 (Root Rest; RR) 과 함께 전장관급보철물 (Full veneer; FV) 의 임상 특징을 제외했을 때, 즉 이를 제외한 7 개의 임상 특징을 이용했을 때의 평균 F1 점수가 49.23이고, 정확도는 67 %로 나타난ㄷ. 이러한 결과는, 10 개의 임상 특징을 모두 이용했을 때 (도 7a의 Positive control 참조) 또는 10 개의 임상 특징을 모두 제외했을 때 (도 7a의 Negative control 참조) 보다 높은 점수로, 복수의 임상 특징을 보조적으로 강조할 수 있어 모델의 예측 정확도를 높일 수 있음을 의미할 수 있다. .More specifically, when the clinical characteristics of the full veneer (FV) together with temporary filled (TM) and root rest (RR) were excluded, that is, 7 clinical characteristics were used. The average F1 score was 49.23, and the accuracy was 67%. These results were higher than when all 10 clinical features were used (see positive control in FIG. 7a) or when all 10 clinical features were excluded (see negative control in FIG. 7a), and multiple clinical features were used as auxiliary. It can be emphasized as , which means that the prediction accuracy of the model can be increased. .
이상의 결과에 따라, 전장관급보철물의 임상 특징을 제외한 7 개의 특징을 이용할 경우, 예측 모델은 근관 치료의 성공 여부의 예측 정확도가 향상되어 보다 향상된 성능을 가질 수 있다.According to the above results, when using 7 features excluding the clinical features of the full length prosthesis, the predictive model can have more improved performance by improving the predictive accuracy of the success of endodontic treatment.
이에 선택적으로 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 치근 포스트 (Post; PS), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 의 7 가지 임상 특징 중 적어도 하나, 또는 이의 조합을 고려한 CAM 영상이 예측 모델의 근관 치료 여부 예측을 위한 학습에 적용될 수 있다. Optionally Absence of proximal teeth (PrX), Coronal Defect (CoD), Root post (PS), Canal visibility (CV), Previous filling (PF) , CAM images considering at least one of 7 clinical features of periapical radiolucency (PAR) and sinus tract (ST), or a combination thereof, can be applied to learning of a predictive model to predict endodontic treatment. .
특히, 도 7d를 참조하면, 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 치근 포스트 (Post; PS), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 의 7 가지 임상 특징 중 선택된 단일 특징을 제외한 3년 이내 근관 치료 성공 여부의 예측 결과가 도시된다.In particular, referring to FIG. 7D , absence of proximal teeth (PrX), coronal defect (CoD), root post (PS), canal visibility (CV), existing filling ( Predictive results of endodontic treatment success within 3 years excluding single features selected from among seven clinical features of previous filling (PF), periapical radiolucency (PAR), and sinus tract (ST) are shown.
보다 구체적으로, 임시수복재 (Temporary filled; TM), 잔존치근 (Root Rest; RR) 과 함께 전장관급보철물 (Full veneer; FV) 의 임상 특징을 제외외한 (7 Features + 3 Blank(w/o TM RR FV)) 의 7 가지 특징을 이용할 경우, F1 점수 및 정확도가 가장 높은 것으로 나타난다. More specifically, except for the clinical features of the full veneer (FV) together with the temporary filled (TM) and root rest (RR) (7 Features + 3 Blank (w/o TM RR) When using the 7 features of FV)), the F1 score and accuracy appear to be the highest.
즉, 7 가지 특징 중 어느 하나의 특징이 제외됐을 때 F1 점수 및 예측 정확도가 감소하는 것으로 나타난다.That is, it appears that the F1 score and prediction accuracy decrease when any one of the seven features is excluded.
이러한 결과는, 근관 치료의 성공 여부 예측에 있어서, 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 치근 포스트 (Post; PS), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 의 7 가지 임상 특징이 주요 특징임을 의미할 수 있다. These results, in predicting the success of root canal treatment, include absence of proximal teeth (PrX), coronal defect (CoD), root post (PS), and canal visibility (CV). ), previous filling (PF), periapical radiolucency (PAR), and sinus tract (ST).
평가 2: 셀프 어텐션 층을 포함한 예측 모델의 성능 평가Evaluation 2: Performance evaluation of predictive model including self-attention layer
이하에서는 도 8, 9a 및 9b를 참조하여 본 발명의 다양한 실시예에 이용되는 셀프 어텐션 층 기반의 예측모델의 성능 평가 결과를 설명한다.Hereinafter, performance evaluation results of the predictive model based on the self-attention layer used in various embodiments of the present invention will be described with reference to FIGS. 8, 9a and 9b.
도 8, 9a 및 9b는 본 발명의 일 실시예에 따른 근관 치료에 대한 정보 제공 방법에서, 셀프 어텐션 층을 포함하는 예측 모델의 평가 결과를 도시한 것이다.8, 9a and 9b illustrate evaluation results of a predictive model including a self-attention layer in a method for providing information on root canal treatment according to an embodiment of the present invention.
보다 구체적으로, 도 8을 참조하면, 본 발명의 다양한 실시예에 따른 네트워크 (AtteNet17') 기반의 예측 모델의 근관 치료 예후 예측의 정확도는 71.00 %, 민감도는 60.0 %, 특이도는 75.7 %, 정밀도는 51.4 % F1 점수는 55.4로 셀프 어텐션 층이 포함되지 않은 네트워크 (ResNET-18') 기반의 모델보다 예측 성능이 우수한 것으로 나타난다.More specifically, referring to FIG. 8 , the prediction model based on the network (AtteNet17') according to various embodiments of the present invention has an accuracy of 71.00%, a sensitivity of 60.0%, a specificity of 75.7%, and a precision of endodontic treatment prognosis prediction. has a 51.4% F1 score of 55.4, showing better prediction performance than a model based on a network (ResNET-18') that does not include a self-attention layer.
도 9a를 참조하면, 본 발명의 다양한 실시예에 따른 네트워크 (AtteNet17) 기반의 예측 모델의 AUC는 0.667, p 는 0.008로 나타난다.Referring to FIG. 9A , AUC of the prediction model based on the network (AtteNet17) according to various embodiments of the present invention is 0.667 and p is 0.008.
도 9b를 참조하면, 본 발명의 다양한 실시예에 따른 네트워크 (AtteNet17) 기반의 예측 모델의 AUC는 셀프 어텐션 층이 포함되지 않은, 비슷한 층의 수를 갖는 종래의 네트워크 (ResNET) 기반의 모델보다 높은 것으로 나타난다.Referring to FIG. 9B, the AUC of the network (AtteNet17)-based prediction model according to various embodiments of the present invention is higher than that of the conventional network (ResNET)-based model having a similar number of layers without the self-attention layer. appears as
이는 종래의 ResNET 기반의 모델보다 우수한 진단 모델임을 의미할 수 있다.즉 본 평가 결과는, 예측 과정에서 치과 의료 영상을 재입력 받도록 설계된 셀프 어텐션 층에 의해 근관 치료의 성공 여부 예측 과정에서 주요 영역 중심의 예측이 수행될 수 있어 본 발명의 다양한 실시예에 따른 예측 모델이 우수한 예측 성능을 가질 수 있음을 의미할 수 있다.This may mean that it is a better diagnostic model than the conventional ResNET-based model. That is, the evaluation result is centered on the main area in the process of predicting the success of endodontic treatment by the self-attention layer designed to re-input dental medical images in the prediction process. This may mean that the prediction model according to various embodiments of the present invention may have excellent prediction performance because prediction of .
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시 예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Although the embodiments of the present invention have been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and may be variously modified and implemented without departing from the technical spirit of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical idea of the present invention, but to explain, and the scope of the technical idea of the present invention is not limited by these embodiments. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. The protection scope of the present invention should be construed according to the claims below, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.
100: 근관 치료에 대한 정보 제공용 디바이스
110, 230: 저장부
120, 210: 통신부
130, 240: 프로세서
220: 표시부
200: 의료진 디바이스
310: 근관 치료의 성공 여부 예측 모델
312: 치과 의료 영상
314: 전처리 영상
316: 특징 강조 영상
320: 예측 모델
3202: 특징 추출 층
3204: 셀프 어텐션 층
322: 근관 치료 성공 여부
340: CAM 영상 생성 모델
342: CAM 영상
320: 예측 모델100: Device for providing information on root canal treatment
110, 230: storage unit
120, 210: communication department
130, 240: processor
220: display unit
200: medical staff device
310: model for predicting the success of endodontic treatment
312 dental medical imaging
314: preprocessing image
316 Feature highlight image
320: prediction model
3202: feature extraction layer
3204: self-attention layer
322: Success of root canal treatment
340: CAM image generation model
342: CAM image
320: prediction model
Claims (24)
개체의 치과 의료 영상을 수신하는 단계;
상기 치과 의료 영상의 임상 특징 (Clinical features) 을 기초로 설명가능한 히트맵 (explainable heatmap) 영상을 생성하도록 구성된 히트맵 생성 모델을 이용하여, 상기 치과 의료 영상을 기초로 히트맵 영상을 생성하는 단계;
치과 의료 영상 및 히트맵 영상을 입력으로 하여 근관 치료의 예후를 예측하도록 구성된 예측 모델을 이용하여, 상기 치과 의료 영상 및 상기 히트맵 영상을 기초로 상기 개체의 근관 치료 성공 여부를 결정하는 단계를 포함하는, 근관 치료에 대한 정보 제공 방법.As a method for providing information on endodontic treatment implemented by a processor,
Receiving a dental medical image of an object;
generating a heat map image based on the dental medical image using a heat map generation model configured to generate an explainable heat map image based on clinical features of the dental medical image;
Using a predictive model configured to predict a prognosis of root canal treatment using a dental medical image and a heat map image as inputs, and determining whether or not the root canal treatment is successful for the object based on the dental medical image and the heat map image. How to provide information about root canal treatment.
상기 수신하는 단계 이후에,
전처리 영상을 획득하도록, 상기 치과 의료 영상에 대한 전처리를 수행하는 단계를 더 포함하고,
상기 히트맵 영상을 생성하는 단계는,
상기 히트맵 생성 모델을 이용하여, 상기 전처리 영상 및 상기 치과 의료 영상을 기초로 히트맵 영상을 생성하는 단계를 포함하고,
상기 근관 치료 성공 여부를 결정하는 단계는,
상기 예측 모델을 이용하여, 상기 히트맵 영상, 상기 전처리 영상 및 상기 치과 의료 영상을 기초로 상기 개체의 근관 치료 성공 여부를 결정하는 단계를 포함하는, 근관 치료에 대한 정보 제공 방법.According to claim 1,
After the receiving step,
Further comprising performing pre-processing on the dental medical image to obtain a pre-processed image,
Generating the heat map image,
Generating a heat map image based on the preprocessed image and the dental medical image using the heat map generation model;
The step of determining whether the root canal treatment is successful,
and determining whether the root canal treatment of the object is successful based on the heat map image, the preprocessing image, and the dental medical image, using the predictive model.
상기 전처리를 수행하는 단계는,
상기 전처리 영상을 획득하도록, 상기 치과 의료 영상에 대하여 강도 기반 클러스터링 (Intensity based clustering) 을 수행하는 단계를 포함하는, 근관 치료에 대한 정보 제공 방법.According to claim 2,
Performing the preprocessing step,
and performing intensity-based clustering on the dental medical image to obtain the preprocessed image.
상기 전처리를 수행하는 단계는,
상기 전처리 영상을 획득하도록, 상기 치과 의료 영상에 대한 그레이스케일 (grayscale) 값을 미리 결정된 수준으로 변환하는 단계를 포함하는, 근관 치료에 대한 정보 제공 방법.According to claim 2,
Performing the preprocessing step,
and converting a grayscale value of the dental medical image to a predetermined level so as to obtain the preprocessed image.
상기 전처리를 수행하는 단계는,
상기 전처리 영상을 획득하도록, 상기 치과 의료 영상에 대하여 CLAHE (Contrast Limited Adaptive Histogram Equalization) 을 수행하는 단계를 포함하는, 근관 치료에 대한 정보 제공 방법.According to claim 2,
Performing the preprocessing step,
and performing CLAHE (Contrast Limited Adaptive Histogram Equalization) on the dental medical image to obtain the preprocessed image.
상기 히트맵 생성 모델은 상기 예측 모델 중 적어도 일부로 구성되고,
상기 히트맵 영상을 획득하는 단계는,
상기 예측 모델을 이용하여, 상기 치과 의료 영상 및 상기 전처리 영상에 대한 근관 치료 예후 예측을 위한 처리 중에, 상기 임상 특징을 기초로 상기 히트맵 영상을 특징으로서 획득하는 단계를 포함하는, 근관 치료에 대한 정보 제공 방법. According to claim 1,
The heat map generation model is composed of at least a part of the prediction model,
Acquiring the heat map image,
obtaining the heat map image as a feature based on the clinical feature during processing for predicting the prognosis of endodontic treatment for the dental medical image and the preprocessed image using the predictive model; How to Provide Information.
상기 임상 특징은,
전장관급보철물 (Full veneer; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 잔존치근 (Root Rest; RR), 임시수복재 (Temporary filled; TM), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 중 적어도 하나인, 근관 치료에 대한 정보 제공 방법. According to claim 1,
The clinical features are,
Full veneer (FV), Absence of proximal teeth (PrX), Coronal defect (CoD), Root Rest (RR), Temporary filled (TM), A method for providing information on root canal treatment, which is at least one of canal visibility (CV), previous filling (PF), periapical radiolucency (PAR), and sinus tract (ST).
상기 임상 특징은,
상기 인접 치아의 부재, 상기 치관부 결손, 상기 근관가시성, 상기 기존충전물, 상기 치근단 방사선투과상 및 상기 누공 중 적어도 두 개의 조합을 포함하는, 근관 치료에 대한 정보 제공 방법.According to claim 7,
The clinical features are,
The method of providing information on root canal treatment, comprising a combination of at least two of the absence of adjacent teeth, the crown defect, the root canal visibility, the existing filling material, the apical radiographic image, and the fistula.
상기 예측 모델은,
셀프 어텐션 (self attention) 층 및 복수의 특징 추출 층을 포함하고,
상기 셀프 어텐션 층은 상기 복수의 특징 추출 층 사이에 존재하는, 근관 치료에 대한 정보 제공 방법. According to claim 1,
The predictive model,
Including a self attention layer and a plurality of feature extraction layers,
The method of providing information on root canal treatment, wherein the self-attention layer exists between the plurality of feature extraction layers.
상기 히트맵 영상을 생성하는 단계 이후에,
상기 히트맵 영상의 활성도에 기초하여 배경 영역 및 특징 영역을 포함하는 특징 강조 영상을 생성하는 단계를 포함하고,
상기 근관 치료 성공 여부를 결정하는 단계는,
상기 예측 모델을 이용하여, 상기 치과 의료 영상 및 상기 특징 강조 영상을 기초로 상기 개체의 근관 치료 성공 여부를 결정하는 단계를 더 포함하는, 근관 치료에 대한 정보 제공 방법.According to claim 1,
After generating the heat map image,
Generating a feature emphasis image including a background region and a feature region based on the activity of the heat map image;
The step of determining whether the root canal treatment is successful,
The method of providing information on root canal treatment, further comprising determining whether or not the root canal treatment of the individual has succeeded, based on the dental medical image and the feature-enhanced image, using the predictive model.
상기 치과 의료 영상은,
상기 표적 치아 영역을 포함하고,
상기 수신하는 단계 이후에,
표적 치아 영상을 획득하도록, 상기 치과 의료 영상 내에서 상기 표적 치아 영역을 크로핑하는 단계를 포함하고,
상기 히트맵 영상을 생성하는 단계는,
상기 히트맵 생성 모델을 이용하여, 상기 표적 치아 영상을 기초로 히트맵 영상을 생성하는 단계를 포함하는, 근관 치료에 대한 정보 제공 방법.According to claim 1,
The dental medical image,
Including the target tooth area,
After the receiving step,
Cropping the target tooth region in the dental medical image to obtain a target tooth image;
Generating the heat map image,
and generating a heat map image based on the target tooth image using the heat map generation model.
상기 예측 모델은,
치과 의료 영상, 전처리 영상 및 히트맵 영상을 입력으로 하여 미리 결정된 기간 이내의 근관 치료 성공 여부를 출력하도록 구성된, 근관 치료에 대한 정보 제공 방법.According to claim 1,
The predictive model,
A method for providing information about endodontic treatment, configured to output a success or failure of endodontic treatment within a predetermined period by taking a dental medical image, a preprocessing image, and a heat map image as inputs.
상기 통신부와 통신하도록 연결된 프로세서를 포함하고,
상기 프로세서는,
상기 치과 의료 영상의 임상 특징 (Clinical features) 을 기초로 CAM (Class-activation map) 영상을 생성하도록 구성된 히트맵 생성 모델을 이용하여, 상기 치과 의료 영상을 기초로 히트맵 영상을 생성하고,
치과 의료 영상 및 히트맵 영상을 입력으로 하여 근관 치료의 예후를 예측하도록 구성된 예측 모델을 이용하여, 상기 치과 의료 영상 및 상기 히트맵 영상을 기초로 상기 개체의 근관 치료 성공 여부를 결정하도록 구성된, 근관 치료에 대한 정보 제공용 디바이스.A communication unit configured to receive a dental medical image of an object, and
A processor coupled to communicate with the communication unit;
the processor,
Generating a heat map image based on the dental medical image using a heat map generation model configured to generate a class-activation map (CAM) image based on clinical features of the dental medical image;
Using a predictive model configured to predict the prognosis of endodontic treatment by taking a dental medical image and a heat map image as inputs, determining whether or not the object's endodontic treatment is successful based on the dental medical image and the heat map image Root canal, configured to determine A device for providing information about treatment.
상기 프로세서는,
전처리 영상을 획득하도록, 상기 치과 의료 영상에 대한 전처리를 수행하고,
상기 히트맵 생성 모델을 이용하여, 상기 전처리 영상 및 상기 치과 의료 영상을 기초로 히트맵 영상을 생성하고,
상기 예측 모델을 이용하여, 상기 히트맵 영상, 상기 전처리 영상 및 상기 치과 의료 영상을 기초로 상기 개체의 근관 치료 성공 여부를 결정하도록 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 13,
the processor,
Performing pre-processing on the dental medical image to obtain a pre-processed image;
generating a heat map image based on the preprocessed image and the dental medical image using the heat map generation model;
A device for providing information about root canal treatment, configured to determine whether root canal treatment of the object is successful based on the heat map image, the preprocessing image, and the dental medical image by using the predictive model.
상기 프로세서는,
상기 전처리 영상을 획득하도록, 상기 치과 의료 영상에 대하여 강도 기반 클러스터링 (Intensity based clustering) 을 수행하도록 더 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 14,
the processor,
The device for providing information about root canal treatment, further configured to perform intensity based clustering on the dental medical image to obtain the preprocessed image.
상기 프로세서는,
상기 전처리 영상을 획득하도록, 상기 치과 의료 영상에 대한 그레이스케일 (grayscale) 값을 미리 결정된 수준으로 변환하도록 더 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 14,
the processor,
The device for providing information about endodontic treatment, further configured to convert a grayscale value of the dental medical image to a predetermined level so as to obtain the preprocessed image.
상기 프로세서는,
상기 전처리 영상을 획득하도록, 상기 치과 의료 영상에 대하여 CLAHE (Contrast Limited Adaptive Histogram Equalization) 을 수행하도록 더 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 14,
the processor,
The device for providing information about endodontic treatment, further configured to perform CLAHE (Contrast Limited Adaptive Histogram Equalization) on the dental medical image, so as to obtain the preprocessed image.
상기 히트맵 생성 모델은 상기 예측 모델 중 적어도 일부로 구성되고,
상기 프로세서는,
상기 예측 모델을 이용하여, 상기 치과 의료 영상 및 상기 전처리 영상에 대한 근관 치료 예후 예측을 위한 처리 중에, 상기 임상 특징을 기초로 상기 히트맵 영상을 특징으로서 획득하도록 더 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 13,
The heat map generation model is composed of at least a part of the prediction model,
the processor,
Further configured to acquire the heat map image as a feature based on the clinical feature during processing for predicting the prognosis of endodontic treatment for the dental medical image and the preprocessed image using the prediction model, providing information on endodontic treatment device for.
상기 임상 특징은,
전장관급보철물 (Full veneer; FV), 인접 치아의 부재 (Absence of proximal teeth; PrX), 치관부 결손 (Coronal Defect; CoD), 잔존치근 (Root Rest; RR), 임시수복재 (Temporary filled; TM), 근관가시성 (Canal visibility; CV), 기존충전물 (Previous filling; PF), 치근단 방사선투과상 (Periapical radiolucency; PAR) 및 누공 (Sinus tract; ST) 중 적어도 하나인, 근관 치료에 대한 정보 제공용 디바이스.According to claim 13,
The clinical features are,
Full veneer (FV), Absence of proximal teeth (PrX), Coronal defect (CoD), Root Rest (RR), Temporary filled (TM), A device for providing information on root canal treatment, which is at least one of canal visibility (CV), previous filling (PF), periapical radiolucency (PAR), and sinus tract (ST).
상기 임상 특징은,
상기 인접 치아의 부재, 상기 치관부 결손, 상기 근관가시성, 상기 기존충전물, 상기 치근단 방사선투과상 및 상기 누공 중 적어도 두 개의 조합을 포함하는, 근관 치료에 대한 정보 제공용 디바이스.According to claim 19,
The clinical features are,
A device for providing information about root canal treatment, comprising a combination of at least two of the absence of adjacent teeth, the crown defect, the root canal visibility, the existing filling, the apical radiographic image, and the fistula.
상기 예측 모델은,
셀프 어텐션 (self attention) 층 및 복수의 특징 추출 층을 포함하고,
상기 셀프 어텐션 층은 상기 복수의 특징 추출 층 사이에 존재하는, 근관 치료에 대한 정보 제공용 디바이스.According to claim 13,
The predictive model,
Including a self attention layer and a plurality of feature extraction layers,
The device for providing information on root canal treatment, wherein the self-attention layer exists between the plurality of feature extraction layers.
상기 프로세서는,
상기 히트맵 영상의 활성도에 기초하여 배경 영역 및 특징 영역을 포함하는 특징 강조 영상을 생성하고,
상기 예측 모델을 이용하여, 상기 치과 의료 영상 및 상기 특징 강조 영상을 기초로 상기 개체의 근관 치료 성공 여부를 결정하도록 더 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 13,
the processor,
Based on the activity of the heat map image, a feature-enhanced image including a background region and a feature region is generated;
The device for providing information about root canal treatment, further configured to determine whether the root canal treatment of the object is successful based on the dental medical image and the feature-enhanced image by using the predictive model.
상기 치과 의료 영상은,
상기 표적 치아 영역을 포함하고,
상기 프로세서는,
표적 치아 영상을 획득하도록, 상기 치과 의료 영상 내에서 상기 표적 치아 영역을 크로핑하고,
상기 히트맵 생성 모델을 이용하여, 상기 표적 치아 영상을 기초로 히트맵 영상을 생성하도록 더 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 13,
The dental medical image,
Including the target tooth area,
the processor,
Cropping the target tooth region in the dental medical image to obtain a target tooth image;
Further configured to generate a heat map image based on the target tooth image using the heat map generation model, a device for providing information about root canal treatment.
상기 예측 모델은,
치과 의료 영상, 전처리 영상 및 히트맵 영상을 입력으로 하여 미리 결정된 기간 이내의 근관 치료 성공 여부를 출력하도록 구성된, 근관 치료에 대한 정보 제공용 디바이스.According to claim 13,
The predictive model,
A device for providing information about endodontic treatment, configured to output a success or failure of endodontic treatment within a predetermined period by taking a dental medical image, a preprocessing image, and a heat map image as inputs.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210179915A KR20230090824A (en) | 2021-12-15 | 2021-12-15 | Method for providing information of endodontic treatment and device using the same |
PCT/KR2022/018393 WO2023113272A1 (en) | 2021-12-15 | 2022-11-21 | Method for providing information on endodontic treatment and device for providing information on endodontic treatment using same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210179915A KR20230090824A (en) | 2021-12-15 | 2021-12-15 | Method for providing information of endodontic treatment and device using the same |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230090824A true KR20230090824A (en) | 2023-06-22 |
Family
ID=86773031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210179915A KR20230090824A (en) | 2021-12-15 | 2021-12-15 | Method for providing information of endodontic treatment and device using the same |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20230090824A (en) |
WO (1) | WO2023113272A1 (en) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018140302A1 (en) * | 2017-01-24 | 2018-08-02 | The Regents Of The University Of Michigan | Systems and methods for whole cell analysis |
KR102344041B1 (en) * | 2019-02-22 | 2021-12-29 | 가천대학교 산학협력단 | Method and system for diagnosing lesion using deep learning |
KR102097742B1 (en) * | 2019-07-31 | 2020-04-06 | 주식회사 딥노이드 | System for Searching medical image using artificial intelligence and Driving method thereof |
US20210183525A1 (en) * | 2019-12-17 | 2021-06-17 | Cerner Innovation, Inc. | System and methods for generating and leveraging a disease-agnostic model to predict chronic disease onset |
KR20210098683A (en) * | 2020-02-03 | 2021-08-11 | (주)어셈블써클 | Method for providing information about orthodontics and device for providing information about orthodontics using deep learning ai algorithm |
KR20210104190A (en) * | 2020-02-14 | 2021-08-25 | 주식회사 아이버티 | Method for analysis and recognition of medical image |
KR102557133B1 (en) * | 2020-02-28 | 2023-07-19 | 고려대학교 산학협력단 | Prediction systems or methods for possible dental treatment plan |
-
2021
- 2021-12-15 KR KR1020210179915A patent/KR20230090824A/en not_active Application Discontinuation
-
2022
- 2022-11-21 WO PCT/KR2022/018393 patent/WO2023113272A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023113272A1 (en) | 2023-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11348237B2 (en) | Artificial intelligence architecture for identification of periodontal features | |
US20210118099A1 (en) | Generative Adversarial Network for Dental Image Super-Resolution, Image Sharpening, and Denoising | |
US20200364624A1 (en) | Privacy Preserving Artificial Intelligence System For Dental Data From Disparate Sources | |
US11464467B2 (en) | Automated tooth localization, enumeration, and diagnostic system and method | |
US11366985B2 (en) | Dental image quality prediction platform using domain specific artificial intelligence | |
US11189028B1 (en) | AI platform for pixel spacing, distance, and volumetric predictions from dental images | |
US20210118132A1 (en) | Artificial Intelligence System For Orthodontic Measurement, Treatment Planning, And Risk Assessment | |
US20200411167A1 (en) | Automated Dental Patient Identification And Duplicate Content Extraction Using Adversarial Learning | |
US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
US20220180447A1 (en) | Artificial Intelligence Platform for Dental Claims Adjudication Prediction Based on Radiographic Clinical Findings | |
US11276151B2 (en) | Inpainting dental images with missing anatomy | |
US10991091B2 (en) | System and method for an automated parsing pipeline for anatomical localization and condition classification | |
US11217350B2 (en) | Systems and method for artificial-intelligence-based dental image to text generation | |
US20200387829A1 (en) | Systems And Methods For Dental Treatment Prediction From Cross- Institutional Time-Series Information | |
US20220012815A1 (en) | Artificial Intelligence Architecture For Evaluating Dental Images And Documentation For Dental Procedures | |
US11311247B2 (en) | System and methods for restorative dentistry treatment planning using adversarial learning | |
US20210357688A1 (en) | Artificial Intelligence System For Automated Extraction And Processing Of Dental Claim Forms | |
US20220084267A1 (en) | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports | |
US20210358604A1 (en) | Interface For Generating Workflows Operating On Processing Dental Information From Artificial Intelligence | |
US11357604B2 (en) | Artificial intelligence platform for determining dental readiness | |
Huang et al. | Predicting the risk of dental implant loss using deep learning | |
Çelik et al. | The role of deep learning for periapical lesion detection on panoramic radiographs | |
CN113554607A (en) | Tooth body detection model, generation method and tooth body segmentation method | |
KR20230090824A (en) | Method for providing information of endodontic treatment and device using the same | |
Imak et al. | Dental material detection based on faster regional convolutional neural networks and shape features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |