WO2020040349A1 - 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치 - Google Patents

교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2020040349A1
WO2020040349A1 PCT/KR2018/011969 KR2018011969W WO2020040349A1 WO 2020040349 A1 WO2020040349 A1 WO 2020040349A1 KR 2018011969 W KR2018011969 W KR 2018011969W WO 2020040349 A1 WO2020040349 A1 WO 2020040349A1
Authority
WO
WIPO (PCT)
Prior art keywords
dental image
standard
point
measurement point
metrology
Prior art date
Application number
PCT/KR2018/011969
Other languages
English (en)
French (fr)
Inventor
김한석
유영성
이신재
Original Assignee
디디에이치 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 디디에이치 주식회사 filed Critical 디디에이치 주식회사
Priority to JP2019563288A priority Critical patent/JP7090922B2/ja
Priority to CN201880033966.1A priority patent/CN111083922B/zh
Priority to EP18905905.8A priority patent/EP3842005A4/en
Priority to US16/347,132 priority patent/US10991094B2/en
Publication of WO2020040349A1 publication Critical patent/WO2020040349A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
    • A61C7/002—Orthodontic computer assisted systems
    • 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
    • A61B6/501—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 diagnosis of the head, e.g. neuroimaging or craniography
    • 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
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Definitions

  • the present invention relates to a method for analyzing a dental image for orthodontic diagnosis and a device using the same. More specifically, the method for analyzing dental images accurately and quickly detects a plurality of measurement points for orthodontic diagnosis from a dental image through a machine learning module; The present invention relates to a device using the same.
  • occlusion refers to a state in which teeth of the upper and lower jaws are engaged with each other when the mouth is closed.
  • malocclusion refers to an inaccurate occlusal relationship in which the arrangement of the teeth is uneven or the upper and lower interlocking state is out of the normal position for some reason, thereby causing a functional and aesthetic problem.
  • the cause of malocclusion is known to have a large genetic effect, but may be caused by various causes such as congenital disorders such as tooth shape or size problems, environmental influences, bad habits, incorrect posture, and dental caries.
  • orthodontic treatment is performed to treat malocclusion.
  • the orthodontic treatment uses a property that moves when the tooth is subjected to an external force.
  • Orthodontic treatment may use a variety of devices and methods depending on the cause or time of treatment, for example, may be classified into a device for inhibiting or enhancing the development of the upper and lower jawbone, or a device for slowly moving the tooth to a desired position.
  • the cephalometry analysis method shown in FIG. 1 is mainly used for face determination (ie, corrective diagnosis).
  • the cephalo analysis is a method of determining a facial shape for orthodontic treatment using anatomical reference points indicating relative positions of facial skeleton, teeth, and facial contours, and conventionally a cephalogram of a patient in need of orthodontic treatment. ), The orthodontist manually marked the necessary reference point and judged the patient's face shape based on the relative angle of the straight lines connecting the reference point.
  • this conventional method is a method in which the corrector randomly marks the necessary reference point on the basis of his school wind, etc., so that the reference point used for determining the facial shape is different from the corrector, making it difficult to standardize and share the reference point. Since the reference point must be manually marked by the calibrator, it takes a lot of time, and there is a problem that a deviation in accuracy occurs according to the skill of the calibrator.
  • the present invention has been made to solve the above problems, the present invention is a dental image analysis method and apparatus using the same for the corrective diagnosis that can accurately and quickly detect a plurality of measurement points for orthodontic diagnosis from the dental image through the machine learning module
  • the purpose is to provide.
  • a dental image analysis method for orthodontic diagnosis includes obtaining a dental image of the examinee; And detecting at least some of a plurality of landmarks for orthodontic diagnosis using a metrology point detection module from the dental image, wherein the metrology points comprise at least one of a facial skeleton, teeth, and facial contours required for orthodontic diagnosis.
  • An anatomical point reference point indicating one relative position, and the measurement point detection module may include a machine learning module based on an artificial neural network.
  • the method may further include training the machine learning module from learning data including a plurality of accumulated comparative dental images, wherein the comparative dental image may be a dental image of another examinee whose measurement point is read by a specialist. have.
  • the dental image may be a cephalogram.
  • the measurement point detection module may detect the plurality of measurement points based on a single convolution network.
  • detecting at least some of the measurement points comprises: detecting a plurality of boundary boxes in which at least some of the individual anatomical features corresponding to each of the plurality of measurement points are predicted to exist. ; And for each of the detected boundary boxes, determining a predetermined point included therein as the measurement point.
  • detecting at least some of the measurement points further comprises resizing the received dental image, wherein the detecting is performed based on the resized dental image.
  • detecting is performed based on the resized dental image.
  • detecting at least some of the measurement points further includes calculating a probability of existence of the individual anatomical features for each of the bounding boxes, wherein the determining comprises: one individual anatomy If a plurality of bounding boxes are detected for a feature, filtering one of the plurality of bounding boxes corresponding to the one individual anatomical feature based on the existence probability; And determining the predetermined point included in the filtered bounding box as the measurement point.
  • the center coordinates of the at least some of the detected bounding boxes may be determined as the measurement point.
  • the method may further include: identifying the missing measurement point by comparing the detected measurement point with the preset plurality of measurement points; And searching for a standard dental image having a standard measurement point corresponding to at least some of the detected measurement points based on standard landmark information, wherein the standard measurement point information includes a plurality of the standard dental images and a plurality of the Includes information about a plurality of said standard metrology points read for each standard dental image;
  • the method may further include determining a location of the missing measurement point by using the searched standard dental image and the standard measurement point of the searched standard dental image.
  • the standard measurement point information further includes information about a plurality of adjacent measurement points disposed adjacent to each of the standard measurement points, and in the step of searching for the standard dental image, the information about the adjacent measurement points is based on the information about the adjacent measurement points.
  • the standard dental image having the standard measurement point corresponding to the plurality of measurement points disposed adjacent to the missing measurement point among the detected measurement points may be searched for.
  • the standard dental image is generated by extracting an existing region of the standard measuring point from the original dental image, and the information about the standard measuring point includes information about the relative coordinates of the standard measuring point in the standard dental image.
  • the method may include extracting a region of existence of the detected measurement point from the dental image, and normalizing the extracted region to the same scale as the standard dental image to calculate a relative coordinate of the detected measurement point.
  • the method may further include: searching for the standard dental image and determining a location of the missing measurement point may be performed based on a relative coordinate of the detected measurement point and a relative coordinate of the standard measurement point.
  • the method comprises: receiving preferred diagnostic point information of the diagnoser; And highlighting and displaying a portion of the detected measurement points corresponding to the preferred measurement point information.
  • the method may further include determining a face shape of the examinee for orthodontic treatment by performing a cephalometric analysis based on the detected measurement point.
  • a computer readable recording medium having recorded thereon a program for performing the method.
  • a computing device supporting dental image analysis for orthodontic diagnosis includes a communication unit for obtaining a dental image of the examinee; And a measurement point detection module that detects at least some of a plurality of landmarks for orthodontic diagnosis from the dental image, wherein the measurement point comprises at least one of a facial skeleton, a tooth, and a facial contour required for orthodontic diagnosis.
  • An anatomical point reference point indicating one relative position, and the measurement point detection module may include a machine learning module based on an artificial neural network.
  • the machine learning module based on artificial neural network, consistently and automatically presenting more than 80 landmarks from the dental image of the examinee to the working level of the skilled major, the accuracy, convenience and promptness of orthodontic diagnosis Can be increased.
  • FIG. 1 schematically illustrates a conventional cephalo analysis method.
  • FIG. 2 illustrates an exemplary configuration of a computing device performing a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • FIG. 3 exemplarily illustrates a hardware and software architecture of a computing device for performing a dental image analysis method for orthodontic diagnosis according to the present invention.
  • FIG. 4 illustrates a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • FIG. 5 illustrates one embodiment of step S420 of FIG. 4.
  • FIG. 6 illustrates a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • FIG. 7 illustrates an embodiment of step S630 of FIG. 6.
  • FIG. 8 exemplarily illustrates a boundary box for measuring a measurement point in a dental image analysis room for orthodontic diagnosis according to an embodiment of the present invention.
  • 9 and 10 exemplarily illustrate a process of generating a standard dental image in the dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • FIG. 11 exemplarily illustrates a process of performing a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • FIG. 2 illustrates an exemplary configuration of a computing device performing a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • the computing device 100 includes a communication unit 110, a processor 120, and a storage unit 130, and directly or indirectly with an external computing device (not shown) through the communication unit 110. Can communicate with.
  • computing device 100 may comprise typical computer hardware (eg, a computer processor, memory, storage, input and output devices, other devices that may include components of existing computing devices; electronics such as routers, switches, and the like).
  • NAS network attached storage
  • SAN storage area network
  • computer software ie, instructions that cause a computing device to function in a particular manner.
  • the communication unit 110 of the computing device 100 may transmit and receive a request and a response with another computing device to be interlocked.
  • the request and response may be made by the same TCP session, but is not limited thereto.
  • it may be transmitted and received as a UDP datagram.
  • the communication unit 110 may include a keyboard, a mouse, and other external input devices for receiving commands or instructions.
  • the processor 120 of the computing device 100 may include a hardware configuration such as a micro processing unit (MPU) or a central processing unit (CPU), a cache memory, a data bus, and the like.
  • the operating system may further include a software configuration of an application performing a specific purpose.
  • the storage 130 of the computing device 100 may store various data accompanying the operation of the computing device 100.
  • the storage unit 130 may be a hard disk drive (HDD), a read only memory (ROM), a random access memory (RAM), an electrically erasable and programmable read only memory (EEPROM), or a flash memory, as is known to those skilled in the art.
  • HDD hard disk drive
  • ROM read only memory
  • RAM random access memory
  • EEPROM electrically erasable and programmable read only memory
  • flash memory as is known to those skilled in the art.
  • Implements various types of storage devices that can input and output information such as flash memory, Compact Flash (CF) card, Secure Digital (SD) card, Smart Media (SM) card, MMC (Multimedia) card or Memory Stick It may be provided in the computing device 100 or may be provided in a separate device.
  • SD Secure Digital
  • SM Smart Media
  • MMC Multimedia card
  • FIG. 3 exemplarily illustrates a hardware and software architecture of a computing device for performing a dental image analysis method for orthodontic diagnosis according to the present invention.
  • the processor 120 of the computing device 100 may include an image acquisition module 210, a measurement point detection module 220, a measurement point correction module 230, and a face determination module. 240 and storage and transmission module 250.
  • each module may be implemented to operate by interworking with the processor 120, the communicator 110, and / or the storage 130.
  • the image acquisition module 210 may acquire the dental image of the patient through the communication unit 110 from another external computing device or another device (such as a dental imaging device) that is linked to the computing device 100.
  • the dental image may be a head radiography (cephalogram) of the head of the examinee taken by X-ray.
  • the measurement point detection module 220 may detect a plurality of landmarks required for orthodontic diagnosis from the dental image.
  • the plurality of measurement points refer to an anatomical point reference point indicating a relative position of at least one of a facial skeleton, teeth, and facial contours required for orthodontic diagnosis, and is composed of N pieces set by a user or defined as a default. It may be, preferably composed of 80 pieces.
  • the metrology point detection module 220 may include a machine learning module 222, a filtering module 224, and a metrology point determination module 226.
  • the machine learning module 222 is implemented to detect a plurality of objects simultaneously from an image or an image, and is an artificial neural network, in particular, a convolution neural network (CNN) or the like. It can be implemented based on modified / improved artificial neural networks.
  • CNN convolution neural network
  • machine learning module 222 may be implemented in a single convolution network to enable fast simultaneous detection of multiple objects.
  • an artificial neural network implemented by a YOLO (you only look once) algorithm may be applied, but is not limited thereto.
  • a plurality of objects, such as SSD and R-CNN may be detected. Suitable various algorithms or artificial neural networks can be applied.
  • the machine learning module 222 may include a plurality of convolutional layers and a fully connected layer.
  • the plurality of convolutional layers may abstract the image to extract a feature
  • the fully connected layer may be implemented to predict the output probability of the detection object and the coordinates of the bounding box that detects it.
  • the machine learning module 222 may identify (or detect) individual anatomical features corresponding to the plurality of measurement points from the dental image through a boundary box. For example, the machine learning module 222 may divide the dental image into a plurality of cells and allocate a predetermined number of bounding boxes for each cell, and if individual anatomical features exist in a particular cell, that cell The bounding box assigned to may be implemented to identify it.
  • the machine learning module 222 may include a boundary box in which individual anatomical features corresponding to a plurality of measurement points exist from the dental image, and coordinates, sizes, and respective individual anatomical features in the bounding box. Presence probability of, etc. can be predicted.
  • the filtering module 224 may filter the bounding box detected by the machine learning module 222 based on the existence probability of the individual anatomical features. Specifically, when two or more bounding boxes are detected for one individual anatomical feature, the filtering module 224 converts one of the plurality of bounding boxes to the bounding box in which the respective anatomical feature exists based on the probability of existence. You can choose.
  • the measurement point determination module 226 may determine, as a measurement point, a predetermined point included in each of the finally selected boundary boxes by reflecting the filtering result. For example, the measurement point determination module 226 may be implemented to determine the center coordinates of each boundary box as the measurement point.
  • the measurement point correction module 230 may identify whether a measurement point missing by the measurement point detection module 220 exists, and predict the position (or coordinates) of the missing measurement point using standard landmark information.
  • the standard measurement point information may include information about a plurality of standard dental images, a plurality of standard measurement points read for each of the plurality of standard dental images, and / or a plurality of adjacent measurement points disposed adjacent to each of the standard measurement points. Can be.
  • the face shape determination module 240 may classify or determine the face shape of the examinee for orthodontic treatment by performing a cephalometric analysis based on at least some of the finally detected measurement points. Based on this facial shape, the diagnoser can later develop orthodontic treatment plans for the examinee.
  • the storage and transmission module 250 stores the training data for training the machine learning module 222 (eg, a comparative dental image), a dental image of the examinee, and a measurement point detection result in the storage unit 130. This may be transmitted to an external computing device, a display device, or the like through the communication unit 110.
  • FIG. 4 illustrates a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention
  • FIG. 5 illustrates an embodiment of step S420 of FIG. 4.
  • the image acquisition module 210 may acquire the dental image of the examinee from another external device (such as a dental imaging device) that is linked to another computing device or the computing device 100 through the communication unit 110.
  • another external device such as a dental imaging device
  • the dental image may be a head radiography image of the patient.
  • the measurement point detection module 220 may detect at least some of the plurality of measurement points for orthodontic diagnosis from the dental image of the examinee.
  • the step S420 may include steps S510 to S540, as shown in FIG. 5.
  • the measurement point detection module 220 may resize the dental image. That is, the measurement point detection module 220 may enlarge or reduce the dental image of the examinee at the same scale or ratio as the dental image previously learned by the machine learning module 222. Through this, the method 400 according to the present invention may further improve the detection accuracy of the machine learning module 222.
  • the dental image may preferably be implemented to be resized to 416 ⁇ 640 pixels.
  • the machine learning module 222 may predict that there are at least some of the individual anatomical features corresponding to each of the plurality of measurement points in the dental image of the examinee based on the accumulated learning results of the plurality of comparative dental images.
  • a plurality of bounding boxes can be detected, and the probability of existence of each of the individual anatomical features within each bounding box can be calculated.
  • step S520 may be performed by detecting three steps according to the degree of abstraction of the image. That is, the dental image of the examinee is abstracted at different levels while passing through a plurality of convolution layers included in the machine learning module 222, and the machine learning module 222 is individually anatomical at three different levels of abstraction. It can be implemented to perform the detection on the bounding box containing the feature and the calculation of the probability of existence of the individual anatomical feature.
  • step S520 information about the center coordinates, the size of each of the bounding boxes, and the existence probability of each individual anatomical feature may be generated as an output value for each bounding box.
  • the filtering module 224 may perform filtering on the bounding box based on the existence probability of the individual anatomical features. For example, when two or more bounding boxes are detected for one individual anatomical feature by applying three stages of detection in operation S520, the filtering module 224 may select one of the plurality of bounding boxes based on the existence probability. It can be selected with a bounding box in which individual anatomical features are present. In one embodiment, the filtering module 224 may be implemented to select one of the plurality of bounding boxes with the highest probability of existence of the respective anatomical feature.
  • the measurement point determination module 226 may determine a point in the filtered bounding box as coordinates of the measurement point. For example, the metrology point determination module 226 may determine the center coordinates of the detected bounding box as the coordinates of the metrology point corresponding to each individual anatomical feature.
  • the face shape determination module 240 may classify or determine the face shape of the examinee for orthodontic treatment by performing cephalo analysis based on at least some of the detected measurement points. For example, when the face shape determination module 240 selects a part for calculating a significant straight line or angle required for the cephalo analysis from the detected measurement point, the face shape determination module 240 automatically performs the cephalo analysis based on the selected measurement point, thereby performing orthodontic treatment. To classify or determine the face shape of the examinee.
  • the facial shape for orthodontic treatment may include a hyperdivergent pattern, a normodivergent pattern, a hypodivergent pattern, etc., but this is merely illustrative, and according to an embodiment applied to the present invention, the facial shape may be more varied according to the relative position of the upper and lower jaw. Can be classified. As such, when the face shape is determined, the diagnoser may establish an overall plan for orthodontic treatment based on the diagnosis.
  • the method 400 may further include training the machine learning module 222.
  • learning may be performed using a plurality of accumulated comparative dental images. That is, by accumulating and accumulating dental images of other examinees whose measurement points are read by a specialist, and inputting them into the machine learning module 222 as learning data, the machine learning module 222 may be trained.
  • the size of the compared comparative dental image may be, for example, 416 X 640 pixels.
  • the method 400 may further include displaying the detected metrology points. That is, when the detection of the measurement point is completed through the step S420, the storage and transmission module 250 transmits the information on at least some of the detected measurement points to the display device or another computing device to which it is coupled through the communication unit 110. It can be displayed to the diagnosis person. In one embodiment, this indication may be performed based on the diagnostic point information of the diagnoser's preference.
  • the preferred measurement point information may include information about at least one of the area of the examiner, the school of origin, the preferred school wind associated with the orthodontic diagnosis, and the area of the examinee.
  • the measurement point detection module 220 or the storage and transmission module 250 selects some measurement points based on the diagnostic point information of the diagnostic person, and transmits only the information about the measurement points to the display device or the like. It may be implemented to highlight in a predetermined manner.
  • FIG. 6 illustrates a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention
  • FIG. 7 illustrates an embodiment of step S630 of FIG. 6.
  • steps S610, S620, and S640 are the same as steps S410 through S430 of the method 400 described above with reference to FIGS. 4 and 5, and a detailed description thereof will be omitted.
  • the measurement point correction module 230 may correct the missing measurement points based on the standard measurement point information.
  • the standard measurement point information may include information about a plurality of the standard dental images, a plurality of standard measurement points read for each of the plurality of standard dental images, and / or a plurality of adjacent measurement points disposed adjacent to each of the standard measurement points.
  • the standard dental image can be generated, for example, by extracting the presence area of the measurement point from the original dental image at which the measurement point was determined by a specialist, in which case the information about the standard measurement point is obtained from the standard measurement point in each standard dental image. It may further include information about relative coordinates.
  • step S630 may include steps S710 to S740, as shown in FIG.
  • the measurement point correction module 230 may identify at least one measurement point missed in operation S620. That is, the measurement point correction module 230 may identify missing measurement points by comparing a plurality of measurement points set by a user or default values detected with the detected measurement points.
  • step S710 if the missing measurement point is not identified, steps S720 to S740 described below will not be performed, and step S640 may be performed immediately.
  • the measurement point correction module 230 may calculate relative coordinates of at least some of the detected measurement points.
  • step S720 may be performed by extracting the presence area of the measurement point from the dental image of the patient whose measurement point is detected, and normalizing it to the same scale as the standard dental image. That is, as described above with reference to FIGS. 10 to 11, the measurement point correction module 230 extracts the measurement point present region from the dental image, and then scale-converts the corresponding area to determine the relative coordinates of at least one of the measurement points (0). , 0) to (1, 1).
  • step S720 may be implemented to be performed on two or more measurement points disposed adjacent to the missing measurement point.
  • the measurement point correction module 230 may search for a standard dental image having standard measurement points corresponding to at least some of the detected measurement points using the calculated relative coordinates.
  • the metrology point correction module 230 includes a plurality of peripheral stations (preferably 5 to 7 metrology points) disposed adjacent to the missing metrology points, and standard metrology points corresponding to the missing metrology points in each standard dental image. By comparing the relative coordinates of a plurality of adjacent measuring points disposed adjacent to each other, a standard dental image having a standard measuring point closest to the peripheral measuring point of the missing measuring point may be searched.
  • the measurement point correction module 230 may determine the location (or coordinates) of the missing measurement point using the standard measurement point of the found standard dental image. That is, the measurement point correction module 230 sets the relative coordinates of the standard measurement point corresponding to the missing measurement point in the searched standard dental image as the relative coordinates of the missing measurement point, and scales the relative coordinates with the original of the dental image. The location (or coordinates) of the missing measurement point can be determined.
  • the method 600 includes re-learning the machine learning module 222 based on information about the last calibrated metrology point and the dental image of the patient. It may further include. As described above, the machine learning module 222 relearns the result of the correction of the missing measurement point, thereby improving the detection accuracy of the machine learning module 222.
  • FIG. 8 exemplarily illustrates a boundary box for measuring a measurement point in a dental image analysis room for orthodontic diagnosis according to an embodiment of the present invention.
  • the plurality of boundary boxes 810 may identify regions from which the individual anatomical features corresponding to the plurality of measurement points are defined from the dental image.
  • the size of the label defining each individual anatomical feature may be set to 30 x 30 pixels, in order to maximize detection accuracy.
  • the machine learning module 222 may divide the dental image into a plurality of cells and assign a predetermined number of bounding boxes for each cell, and if individual anatomical features are present in a particular cell, The bounding box assigned to the cell can be implemented to detect this.
  • the machine learning module 222 provides information about the center coordinates (relative coordinates in each cell), the size (width and height), and the probability of existence of each individual anatomical feature for each of the bounding boxes. Will print
  • 9 and 10 exemplarily illustrate a process of generating a standard dental image in the dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • a standard dental image may be generated based on a predetermined original dental image from which measurement points are read by a specialist.
  • the original dental image may be at least a part of the comparative dental image provided as the learning data of the machine learning module 222.
  • each standard measurement point in the transformed coordinate area may have relative coordinates between (0, 0) and (1, 1).
  • 11 exemplarily illustrates a procedure of performing a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention.
  • a process of performing a dental image analysis method for orthodontic diagnosis according to an embodiment of the present invention is summarized as follows.
  • the machine learning module 222 abstracts the dental image through a plurality of composite product layers. According to the degree of abstraction, the three-level level detects a bounding box that is expected to have individual anatomical features corresponding to the measurement points.
  • the filtering module 224 filters the bounding box with the highest probability of existence based on the existence probability of the anatomical feature, and the measurement point determining module In operation 226, the center coordinates of the last detected bounding box are determined as measurement points according to the filtering result.
  • the measurement point correction module 230 identifies whether there is a measurement point for which detection is missing among the set measurement points, and determines the position (or coordinate) of the missing measurement point with reference to the standard measurement point information. All measurement points may be detected and output, for example, in the form of coordinates or points superimposed on the dental image on the display device.
  • various embodiments described herein may be implemented by hardware, software and / or combinations thereof.
  • various embodiments may include one or more application specific semiconductors (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs). ), Processors, controllers, microcontrollers, microprocessors, other electronic units designed to perform the functions presented herein, or a combination thereof.
  • ASICs application specific semiconductors
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • Processors controllers, microcontrollers, microprocessors, other electronic units designed to perform the functions presented herein, or a combination thereof.
  • various embodiments may be embedded in or encoded on a computer-readable medium containing instructions. Instructions embedded in or encoded on a computer-readable medium may cause a programmable processor or other processor to perform a method, for example, when the instructions are executed.
  • Computer-readable media includes computer storage media. The storage medium may be any available medium that can be accessed by a computer.
  • such computer-readable media may be RAM, ROM, EEPROM, CD-ROM, or other optical disk storage media, magnetic disk storage media or other magnetic storage devices, or instructions or computer-accessible instructions or desired program code. It may include any other medium that can be used to store in the form of data structures.
  • Such hardware, software, and the like may be implemented within the same device or within separate devices to support the various operations and functions described herein.
  • the components, units, modules, components, etc., described herein as "units” may be implemented together or separately as discrete but interoperable logic devices.
  • the depiction of different features for modules, units, etc. is intended to highlight different functional embodiments and does not necessarily mean that they must be realized by individual hardware or software components. Rather, functionality associated with one or more modules or units may be performed by separate hardware or software components or integrated within common or separate hardware or software components.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)

Abstract

본 발명의 일 실시예에 따라 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치가 제공된다. 상기 방법은, 수진자의 치과 영상을 획득하는 단계; 및 상기 치과 영상으로부터 계측점 검출 모듈을 이용하여 교정 진단을 위한 복수의 계측점(landmark) 중 적어도 일부를 검출하는 단계를 포함하고, 상기 계측점은 교정 진단을 위해 요구되는 안면 골격, 치아 및 얼굴 윤곽 중 적어도 하나의 상대적인 위치를 지시하는 해부학점 기준점이며, 상기 계측점 검출 모듈은 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 포함할 수 있다.

Description

교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치
본 발명은 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치에 관한 것으로서, 보다 구체적으로는 기계 학습 모듈을 통해 치과 영상으로부터 교정 진단을 위한 복수의 계측점을 정확하고 신속하게 검출 가능한 치과 영상 분석 방법 및 이를 이용한 장치에 관한 발명이다.
일반적으로 교합이란 입을 다물었을 때 상악 및 하악의 치아가 서로 맞물리는 상태를 의미한다. 그리고, 부정교합이란 어떤 원인에 의해 상기 치아의 배열이 가지런하지 않거나 상하악의 맞물림 상태가 정상의 위치를 벗어나서 기능적, 심미적으로 문제가 되는 부정확한 교합관계를 의미한다.
여기서, 상기 부정교합의 원인은 유전적인 영향이 큰 것으로 알려져 있으나 치아의 모양이나 크기의 문제, 환경적 영향, 좋지 않은 습관, 잘못된 자세 및 치아우식증과 같은 선천성 장애 등 다양한 원인에 의해 발생할 수 있다.
부정교합이 발생하면, 치열이 가지런하지 않아 치아 사이에 음식물 찌꺼기가 남아 있기 쉽다. 또한, 정확한 칫솔질로 청결하게 관리하는 것도 쉽지 않기 때문에 구강 내 치태가 증가하게 되어 치아우식증이나 잇몸 염증 등 잇몸 질환으로 진행되기 쉽다. 더욱이, 정상치열에서 많이 벗어난 치아가 있거나 턱의 위치가 비정상이라면 외부에서 충격이 가해질 때 치아 파절 등 치아에 손상이 가해질 가능성도 크다.
이에, 부정교합을 치료하기 위해 교정 치료가 수행된다. 여기서, 치열 교정 치료는 치아가 외력을 받으면 이동하는 성질을 이용한다. 교정 치료는 원인이나 치료 시기에 따라 다양한 장치와 방법을 이용할 수 있으며, 예컨대, 위아래 턱뼈의 발육을 억제하거나 증진시키는 장치나 치아를 원하는 위치로 서서히 이동시키는 장치 등으로 분류될 수 있다.
이러한 교정 치료를 환자에 적합하게 수행하기 위해서는 환자의 얼굴형에 대한 판단이 우선되어야 한다. 이러한 얼굴형 판단(즉, 교정 진단)을 위해 도 1에 도시되는 세팔로 분석(cephalometric analysis) 방법이 주로 이용되고 있다.
이러한 세팔로 분석은 안면 골격, 치아, 얼굴 윤곽 등의 상대적인 위치를 지시하는 해부학점 기준점을 이용하여 교정 치료를 위한 얼굴형을 판단하는 방법으로서, 종래에는 교정 치료가 필요한 환자의 두부 방사선 영상(cephalogram)을 보면서 교정의가 직접 수작업으로 자신이 필요한 기준점을 마크하고, 기준점을 잇는 직선들의 상대 각도 등에 기초하여 환자의 얼굴형을 판단하였다.
그러나, 이러한 종래 방식은 교정의가 자신의 학풍 등을 기초로 필요한 기준점을 임의 마크하는 방식이기 때문에 얼굴형 판단을 위해 사용하는 기준점이 교정의 별로 상이하게 됨으로써 기준점의 표준화 및 공유가 어렵고, 다수의 기준점을 교정의가 일일이 수작업으로 마크해야 하기 때문에 시간이 많이 소요되며, 교정의의 숙련도에 따라 정확도에 대한 편차 발생한다는 문제점을 가지고 있었다.
따라서, 종래의 이러한 문제점을 해결하기 할 수 있는 교정 진단용 치과 영상 분석 방법이 요구된다.
본 발명은 상기 문제점들을 해결하기 위해서 안출된 것으로서, 본 발명은 기계 학습 모듈을 통해 치과 영상으로부터 교정 진단을 위한 복수의 계측점을 정확하고 신속하게 검출 가능한 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치를 제공하는 것을 목적으로 한다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따라 교정 진단을 위한 치과 영상 분석 방법이 제공된다. 상기 방법은, 수진자의 치과 영상을 획득하는 단계; 및 상기 치과 영상으로부터 계측점 검출 모듈을 이용하여 교정 진단을 위한 복수의 계측점(landmark) 중 적어도 일부를 검출하는 단계를 포함하고, 상기 계측점은 교정 진단을 위해 요구되는 안면 골격, 치아 및 얼굴 윤곽 중 적어도 하나의 상대적인 위치를 지시하는 해부학점 기준점이며, 상기 계측점 검출 모듈은 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 포함할 수 있다.
바람직하게는, 누적된 복수의 비교 치과 영상을 포함하는 학습데이터로부터 상기 기계 학습 모듈을 학습시키는 단계를 더 포함하고, 상기 비교 치과 영상은 전문의에 의해 상기 계측점이 판독된 다른 수진자의 치과 영상일 수 있다.
또한, 바람직하게는, 상기 치과 영상은 두부 방사선 촬영 영상(cephalogram)일 수 있다.
*또한, 바람직하게는, 상기 계측점 중 적어도 일부를 검출하는 단계에서, 상기 계측점 검출 모듈은 단일 합성곱 망(single convolution network)에 기초하여 상기 복수의 계측점을 검출할 수 있다.
또한, 바람직하게는, 상기 계측점 중 적어도 일부를 검출하는 단계는, 상기 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예측되는 복수의 경계 박스(boundary box)를 검출하는 단계; 및 상기 검출된 경계 박스 중 적어도 일부 각각에 대하여, 내부에 포함되는 소정의 지점을 상기 계측점으로 결정하는 단계를 포함할 수 있다.
또한, 바람직하게는, 상기 계측점 중 적어도 일부를 검출하는 단계는, 상기 수신된 치과 영상을 리사이징(resizing)하는 단계를 더 포함하고, 상기 검출하는 단계는, 상기 리사이징된 치과 영상을 기초로 수행될 수 있다.
또한, 바람직하게는, 상기 계측점 중 적어도 일부를 검출하는 단계는, 상기 경계 박스 각각에 대하여 상기 개별 해부학적 특징의 존재 확률을 산출하는 단계를 더 포함하고, 상기 결정하는 단계는, 하나의 개별 해부학적 특징에 대하여 복수의 경계 박스가 검출되는 경우, 상기 존재 확률에 기초하여 상기 하나의 개별 해부학적 특징에 대응하는 복수의 경계 박스 중 하나를 필터링하는 단계; 및 상기 필터링된 경계 박스에 포함되는 소정의 지점을 상기 계측점으로 결정하는 단계를 포함할 수 있다.
또한, 바람직하게는, 상기 결정하는 단계에서는, 상기 검출된 경계 박스 중 적어도 일부에 대하여 중심 좌표를 상기 계측점으로 결정할 수 있다.
또한, 바람직하게는, 상기 검출된 계측점을 기설정된 상기 복수의 계측점과 대비하여 검출 누락된 계측점을 식별하는 단계; 및 표준 계측점 정보(standard landmark information)를 기초로, 상기 검출된 계측점 중 적어도 일부에 대응하는 표준 계측점을 가지는 표준 치과 영상을 탐색하는 단계 - 상기 표준 계측점 정보는 복수의 상기 표준 치과 영상 및 복수의 상기 표준 치과 영상 각각에 대하여 판독된 복수의 상기 표준 계측점에 관한 정보를 포함함 - ; 상기 탐색된 표준 치과 영상 및 상기 탐색된 표준 치과 영상의 상기 표준 계측점을 이용하여 상기 누락된 계측점의 위치를 결정하는 단계를 더 포함할 수 있다.
또한, 바람직하게는, 상기 표준 계측점 정보는 상기 표준 계측점 각각과 인접하여 배치되는 복수의 인접 계측점에 관한 정보를 더 포함하고, 상기 표준 치과 영상을 탐색하는 단계에서는, 상기 인접 계측점에 관한 정보를 기초로, 상기 검출된 계측점 중 상기 누락된 계측점과 인접 배치되는 복수의 계측점에 대응하는 상기 표준 계측점을 가지는 상기 표준 치과 영상을 탐색할 수 있다.
또한, 바람직하게는, 상기 표준 치과 영상은 원본 치과 영상에서 상기 표준 계측점의 존재 영역을 추출함으로써 생성되고, 상기 표준 계측점에 관한 정보는 상기 표준 치과 영상에서 상기 표준 계측점의 상대 좌표에 관한 정보를 포함하며, 상기 방법은, 상기 치과 영상에서 상기 검출된 계측점의 존재 영역을 추출하고, 상기 추출된 영역을 상기 표준 치과 영상과 동일한 스케일로 정규화(normalizing)하여 상기 검출된 계측점의 상대 좌표를 산출하는 단계를 더 포함하고, 상기 표준 치과 영상을 탐색하는 단계 및 상기 누락된 계측점의 위치를 결정하는 단계는, 상기 검출된 계측점의 상대 좌표 및 상기 표준 계측점의 상대 좌표에 기초하여 수행될 수 있다.
또한, 바람직하게는, 진단자의 선호 계측점 정보를 수신하는 단계; 및 상기 검출된 계측점 중 상기 선호 계측점 정보에 대응하는 일부를 강조하여 표시하는 단계를 더 포함할 수 있다.
또한, 바람직하게는, 상기 검출된 계측점에 기초하여 세팔로 분석(cephalometric analysis)을 수행함으로써 교정 치료를 위한 상기 수진자의 얼굴형을 판단하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따라 상기 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.
본 발명의 일 실시예에 따라 교정 진단을 위한 치과 영상 분석을 지원하는 컴퓨팅 장치가 제공된다. 상기 장치는, 수진자의 치과 영상을 획득하는 통신부; 및 상기 치과 영상으로부터 교정 진단을 위한 복수의 계측점(landmark) 중 적어도 일부를 검출하는 계측점 검출 모듈을 포함하는 프로세서를 포함하고, 상기 계측점은 교정 진단을 위해 요구되는 안면 골격, 치아 및 얼굴 윤곽 중 적어도 하나의 상대적인 위치를 지시하는 해부학점 기준점이며, 상기 계측점 검출 모듈은 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 포함할 수 있다.
본 발명에 따르면, 인공 신경망에 기반한 기계 학습 모듈을 이용하여 수진자의 치과 영상으로부터 80개 이상 계측점(landmark)을 숙련된 전공의 작업 수준으로 일관되게 자동 제시함으로써, 교정 진단의 정확성, 편의성 및 신속성이 증대될 수 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 종래의 세팔로 분석 방법을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법을 수행하는 컴퓨팅 장치의 예시적인 구성을 도시한다.
도 3은 본 발명에 따른 교정 진단을 위한 치과 영상 분석 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법을 도시한다.
도 5는 도 4의 S420 단계의 일 실시예를 도시한다.
도 6은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법을 도시한다.
도 7은 도 6의 S630 단계의 일 실시예를 도시한다.
도 8은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방에서 있어서, 계측점 검출을 위한 경계 박스를 예시적으로 도시한다.
도 9 및 도 10은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법에서 있어서, 표준 치과 영상의 생성 과정을 예시적으로 도시한다.
도 11은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법의 수행 과정을 예시적으로 도시한다.
이하, 본 발명에 따른 실시예들은 첨부된 도면들을 참조하여 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 실시예들을 설명할 것이나, 본 발명의 기술적 사상은 이에 한정되거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.
도 2는 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법을 수행하는 컴퓨팅 장치의 예시적인 구성을 도시한다.
본 발명의 일 실시예에 따른 컴퓨팅 장치(100)는, 통신부(110), 프로세서(120) 및 저장부(130)를 포함하며, 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS) 및 스토리지 영역 네트워크(SAN)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 인스트럭션들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.
이와 같은 컴퓨팅 장치(100)의 통신부(110)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는 바, 예를 들어, 이러한 요청과 응답은 동일한 TCP 세션에 의하여 이루어질 수 있지만, 이에 한정되지는 않으며, 예컨대 UDP 데이터그램으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
또한, 컴퓨팅 장치(100)의 프로세서(120)는 MPU(Micro Processing Unit) 또는 CPU(Central Processing Unit), 캐시 메모리(Cache Memory), 데이터 버스(Data Bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
또한, 컴퓨팅 장치(100)의 저장부(130)는 컴퓨팅 장치(100)의 동작에 수반되는 다양한 데이터가 저장될 수 있다. 저장부(130)는, 통상의 기술자에게 알려진 바와 같이, HDD(Hard Disk Drive), ROM(Read Only Memory), RAM(Random Access Memory), EEPROM(Electrically Erasable and Programmable Read Only Memory), 플래시 메모리(flash memory), CF(Compact Flash) 카드, SD(Secure Digital) 카드, SM(Smart Media) 카드, MMC(Multimedia) 카드 또는 메모리 스틱(Memory Stick) 등 정보의 입출력이 가능한 다양한 형태의 저장 장치로 구현될 수 있으며, 컴퓨팅 장치(100) 내부에 구비되거나, 별도의 장치에 구비될 수 있다.
도 3은 본 발명에 따른 교정 진단을 위한 치과 영상 분석 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(120)는 영상 획득 모듈(210), 계측점 검출 모듈(220), 계측점 보정 모듈(230), 얼굴형 판단 모듈(240)과 저장 및 전송 모듈(250)을 포함할 수 있다. 예를 들어, 각각의 모듈은 프로세서(120)와 통신부(110) 및/또는 저장부(130)의 연동에 의해 동작하도록 구현될 수 있다.
영상 획득 모듈(210)은, 통신부(110)를 통해, 외부의 다른 컴퓨팅 장치 또는 컴퓨팅 장치(100)에 연동되는 타 장치(치과 영상 촬영 장치 등)로부터 수진자의 치과 영상을 획득할 수 있다. 여기서 치과 영상은 수진자의 두부 측면을 X-ray로 촬영한 두부 방사선 촬영 영상(cephalogram)일 수 있다.
계측점 검출 모듈(220)은 치과 영상으로부터 교정 진단에 필요한 복수의 계측점(landmark)을 검출할 수 있다. 여기서 복수의 계측점은 교정 진단을 위해 요구되는 안면 골격, 치아 및 얼굴 윤곽 중 적어도 하나의 상대적인 위치를 지시하는 해부학점 기준점을 지칭하는 것으로서, 사용자의 설정에 의해 또는 기본값(defalult)으로 정해진 N개로 구성될 수 있으며, 바람직하게는, 80개로 구성될 수 있다.
계측점 검출 모듈(220)은 기계 학습 모듈(222), 필터링 모듈(224) 및 계측점 결정 모듈(226)을 포함할 수 있다.
기계 학습 모듈((machine learning module, 222)은 영상 또는 이미지로부터 복수의 객체를 동시에 검출 가능하도록 구현된 것으로서, 인공 신경망(artificial neural network), 특히, 합성곱 신경망(CNN, convolution neural network) 또는 이를 변형/개량한 인공 신경망에 기초하여 구현될 수 있다.
일 실시예에서, 기계 학습 모듈(222)은 복수 객체에 대한 빠른 동시 검출이 가능하도록 단일 합성곱 망(single convolution network)으로 구현될 수 있다. 예를 들어, YOLO(you only look once) 알고리즘에 의해 구현된 인공 신경망이 적용될 수 있으나, 이에 한정하는 것은 아니며, 본 발명이 적용되는 실시예에 따라, SSD, R-CNN 등 복수의 객체 검출에 적합한 다양한 알고리즘 또는 인공 신경망이 적용될 수 있다.
기계 학습 모듈(222)은 복수의 합성곱 레이어(convolutional layer)와 완전 연결 레이어(fully connected layer)를 포함할 수 있다. 여기서, 복수의 합성곱 레이어는 영상을 추상화하여 특징을 추출하고, 완전 연결 레이어는 검출 객체의 출력 확률과 이를 검출하는 경계 박스의 좌표를 예측하도록 구현될 수 있다.
본 발명에서, 기계 학습 모듈(222)은, 경계 박스(boundary box)를 통해 치과 영상으로부터 복수의 계측점에 대응하는 개별 해부학적 특징을 식별(또는, 검출)할 수 있다. 예를 들어, 기계 학습 모듈(222)은 치과 영상을 복수의 셀로 분할하고 각각의 셀에 대하여 경계 박스를 소정의 개수만큼 할당될 수 있으며, 개별 해부학적 특징이 특정 셀에 존재하는 경우, 해당 셀에 할당된 경계 박스가 이를 식별하도록 구현될 수 있다.
이를 통해, 기계 학습 모듈(222)은, 치과 영상으로부터 복수의 계측점에 대응하는 개별 해부학적 특징이 존재하는 경계 박스(boundary box)와 해당 경계 박스의 좌표, 크기, 경계 박스내 각 개별 해부학적 특징의 존재 확률 등을 예측할 수 있다.
필터링 모듈(224)은 개별 해부학적 특징의 존재 확률에 기초하여 기계 학습 모듈(222)이 검출한 경계 박스를 필터링할 수 있다. 구체적으로, 하나의 개별 해부학적 특징에 대하여 2이상의 경계 박스가 검출되는 경우, 필터링 모듈(224)은 존재 확률에 기초하여 상기 복수의 경계 박스 중 하나를 해당 개별 해부학적 특징이 존재하는 경계 박스로 선택할 수 있다.
계측점 결정 모듈(226)은 필터링 결과를 반영하여 최종 선택된 경계 박스 각각에 대해 내부에 포함되는 소정의 지점을 계측점으로 결정할 수 있다. 예를 들어, 계측점 결정 모듈(226)은 각 경계 박스의 중심 좌표를 계측점으로 결정하도록 구현될 수 있다.
계측점 보정 모듈(230)은 계측점 검출 모듈(220)이 누락한 계측점이 존재하는지 여부를 식별하고, 표준 계측점 정보(standard landmark information)을 이용하여 누락 계측점의 위치(또는 좌표)를 예측할 수 있다. 여기서 표준 계측점 정보는 복수의 상기 표준 치과 영상, 복수의 상기 표준 치과 영상 각각에 대하여 판독된 복수의 상기 표준 계측점 및/또는 상기 표준 계측점 각각과 인접하여 배치되는 복수의 인접 계측점 등에 관한 정보를 포함할 수 있다.
얼굴형 판단 모듈(240)은 최종 검출된 계측점 중 적어도 일부를 기초로 세팔로 분석(cephalometric analysis)을 수행함으로써 교정 치료를 위한 수진자의 얼굴형을 분류 또는 판단할 수 있다. 이러한 얼굴형을 기초로 진단자는 추후, 수진자에 대한 교정 치료 계획을 수립할 수 있게 된다.
저장 및 전송 모듈(250)은 기계 학습 모듈(222)의 학습(training)을 위한 학습데이터(예를 들어, 비교 치과 영상), 수진자의 치과 영상 및 계측점 검출 결과를 저장부(130)에 저장하거나, 이를, 통신부(110)를 통해 외부 컴퓨팅 장치, 디스플레이 장치 등에 전송할 수 있다.
도 4는 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법을 도시하며, 도 5는 도 4의 S420 단계의 일 실시예를 도시한다.
S410 단계에서, 영상 획득 모듈(210)은, 통신부(110)를 통해, 외부의 다른 컴퓨팅 장치 또는 컴퓨팅 장치(100)에 연동되는 타 장치(치과 영상 촬영 장치 등)로부터 수진자의 치과 영상을 획득할 수 있다. 상술한 바와 같이, 치과 영상은 수진자의 두부 방사선 촬영 영상일 수 있다.
S420 단계에서, 계측점 검출 모듈(220)은 수진자의 치과 영상으로부터 교정 진단을 위한 복수의 계측점 중 적어도 일부를 검출할 수 있다. 일 실시예에서, S420 단계는, 도 5에서 도시되는 바와 같이, S510 내지 S540 단계를 포함할 수 있다.
S510 단계에서, 계측점 검출 모듈(220)은 치과 영상을 리사이징(resizing)할 수 있다. 즉, 계측점 검출 모듈(220)은 수진자의 치과 영상을 기계 학습 모듈(222)이 기학습한 치과 영상과 동일한 스케일 또는 비율로 확대 또는 축소할 수 있다. 이를 통해, 본 발명에 따른 방법(400)은 기계 학습 모듈(222)의 검출 정확도를 보다 향상시킬 수 있게 된다. 치과 영상은, 바람직하게는, 416×640 픽셀(pixel)로 리사이징되도록 구현될 수 있다.
S520 단계에서, 기계 학습 모듈(222)은 누적된 복수의 비교 치과 영상에 대한 학습 결과를 기초로, 수진자의 치과 영상에서 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예측되는 복수의 경계 박스(boundary box)를 검출하고, 각각의 경계 박스 내에 개별 해부학적 특징 각각의 존재 확률을 산출할 수 있다.
일 실시예에서, S520 단계는 영상의 추상화 정도에 따라 3단계의 검출을 통해 수행될 수 있다. 즉, 수진자의 치과 영상은 기계 학습 모듈(222)에 포함되는 복수의 합성곱 레이어(convolution layer)를 거치면서 상이한 레벨로 추상화되며, 기계 학습 모듈(222)은 상이한 3개의 추상화 레벨에서 개별 해부학적 특징을 포함하는 경계 박스에 대한 검출 및 개별 해부학적 특징의 존재 확률의 산출을 수행하도록 구현될 수 있다.
S520 단계 수행 결과, 경계 박스 각각에 대하여 경계 박스의 중심 좌표, 크기, 각각의 개별 해부학적 특징의 존재 확률에 대한 정보가 출력값으로 생성될 수 있다.
S530 단계에서, 필터링 모듈(224)은 개별 해부학적 특징의 존재 확률을 기초로 경계 박스에 대한 필터링을 수행할 수 있다. 예를 들어, S520 단계에서 3 단계의 검출을 적용하여 하나의 개별 해부학적 특징에 대하여 2이상의 경계 박스가 검출되는 경우, 필터링 모듈(224)은 존재 확률에 기초하여 상기 복수의 경계 박스 중 하나를 해당 개별 해부학적 특징이 존재하는 경계 박스로 선택할 수 있다. 일 실시예에서, 필터링 모듈(224)은 복수의 경계 박스 중에서 해당 개별 해부학적 특징의 존재 확률이 가장 높은 하나를 선택하도록 구현될 수 있다.
S540 단계에서, 계측점 결정 모듈(226)은 필터링된 경계 박스 내의 일 지점을 계측점의 좌표로 결정할 수 있다. 예를 들어, 계측점 결정 모듈(226)은 각각의 개별 해부학적 특징에 대응하여 검출된 경계 박스의 중심 좌표를 계측점의 좌표로 결정할 수 있다.
이어서, S430 단계에서, 얼굴형 판단 모듈(240)은 검출된 계측점 중 적어도 일부에 기초하여 세팔로 분석을 수행함으로써 교정 치료를 위한 수진자의 얼굴형을 분류 또는 판단할 수 있다. 예를 들어, 얼굴형 판단 모듈(240)은 검출된 계측점으로부터 세팔로 분석에 필요한 유의미한 직선 또는 각도를 산출하기 위한 일부를 선택하면, 선택된 계측점에 기초하여 세팔로 분석을 자동 수행함으로써, 교정 치료를 위한 수진자의 얼굴형을 분류 또는 판단하게 된다. 여기서 교정 치료를 위한 얼굴형에는 hyperdivergent pattern, normodivergent pattern, hypodivergent pattern 등이 포함될 수 있으나, 이는 예시적인 것으로서, 본 발명에 적용되는 실시예에 따라, 얼굴형은 상하악의 상대적 위치 돌출 정도 등에 따라 보다 다양하게 분류될 수 있다. 이와 같이, 얼굴형이 판단되면 진단자는 이에 기초하여 교정 치료에 관한 전반적인 계획을 수립할 수 있게 된다.
한편, 도 4 및 도 5에는 도시되어 있지 않으나, 일 실시예에서, 방법(400)은 기계 학습 모듈(222)을 학습시키는 단계를 더 포함할 수 있다. 예를 들어, 이러한 학습은 누적된 복수의 비교 치과 영상을 이용하여 수행될 수 있다. 즉, 전문의에 의해 계측점이 판독된 다른 수진자의 치과 영상을 누적하여 수집하고, 이를 학습 데이터로서 기계 학습 모듈(222)에 입력함으로써, 기계 학습 모듈(222)을 학습시키도록 구현될 수 있다. 이때, 학습되는 비교 치과 영상의 사이즈는, 예를 들어, 416 X640 픽셀(pixel)일 수 있다.
또한, 일 실시예에서, 방법(400)은 검출된 계측점을 표시하는 단계를 더 포함할 수 있다. 즉, S420 단계를 통해 계측점의 검출이 완료되면, 저장 및 전송 모듈(250)이 통신부(110)를 통해 디스플레이 장치 또는 이것이 결합된 다른 컴퓨팅 장치에 검출된 계측점 중 적어도 일부에 대한 정보를 전송함으로써 이를 진단자 등에게 표시할 수 있다. 일 실시예에서, 이러한 표시는 진단자의 선호 계측점 정보에 기초하여 수행될 수 있다. 여기서, 선호 계측점 정보는 진단자의 지역, 출신 학교, 교정 진단과 관련된 선호 학풍, 수진자의 지역 중 적어도 하나에 관한 정보를 포함할 수 있다. 예를 들어, 계측점 검출 모듈(220) 또는 저장 및 전송 모듈(250)은 진단자의 선호 계측점 정보에 기초하여 일부 계측점을 선택하고, 이에 관한 정보만을 디스플레이 장치 등에 전송하거나, 디스플레이 장치에서 선택된 일부 계측점을 소정의 방식으로 강조하여 표시하도록 구현될 수 있다.
도 6은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법을 도시하며, 도 7은 도 6의 S630 단계의 일 실시예를 도시한다.
방법(600)에서 S610, S620 및 S640 단계는 도 4 및 도 5를 참조하여 상술한 방법(400)의 S410 내지 S430 단계와 동일하며, 여기서는 이에 대한 자세한 설명은 생략하기로 한다.
S630 단계에서, 계측점 보정 모듈(230)은 S620 단계에서 복수의 계측점 중 검출되지 않은 계측점이 있는 경우, 누락된 계측점을 표준 계측점 정보에 기초하여 보정할 수 있다.
여기서 표준 계측점 정보는 복수의 상기 표준 치과 영상, 복수의 상기 표준 치과 영상 각각에 대하여 판독된 복수의 상기 표준 계측점 및/또는 상기 표준 계측점 각각과 인접하여 배치되는 복수의 인접 계측점에 관한 정보를 포함할 수 있다. 표준 치과 영상은, 예를 들어, 전문의에 의해 계측점이 판단된 원본 치과 영상에서 계측점의 존재 영역을 추출함으로써 생성될 수 있으며, 이 경우, 표준 계측점에 관한 정보는 각각의 표준 치과 영상에서 표준 계측점의 상대 좌표에 관한 정보를 더 포함할 수 있다.
일 실시예에서, S630 단계는, 도 7에서 도시되는 바와 같이, S710 내지 S740 단계를 포함할 수 있다.
S710 단계에서, 계측점 보정 모듈(230)은 S620 단계에서 검출 누락된 적어도 하나의 계측점을 식별할 수 있다. 즉, 계측점 보정 모듈(230)은 사용자에 의해 설정되거나, 기본값으로 설정된 복수의 계측점과 검출된 계측점을 서로 대비하여, 누락 계측점을 식별할 수 있다.
한편, S710 단계에서, 누락된 계측점이 식별되지 않는 경우, 이하 상술되는 S720 내지 S740 단계는 수행되지 않고, 바로 S640 단계가 수행될 수 있다.
S720 단계에서, 계측점 보정 모듈(230)은 검출된 계측점 중 적어도 일부의 상대 좌표를 산출할 수 있다. 예를 들어, S720 단계는, 계측점이 검출된 수진자의 치과 영상에서 계측점을 존재 영역을 추출하고, 이를 표준 치과 영상과 동일한 스케일로 정규화(normalizing)함으로써 수행될 수 있다. 즉, 이하, 도 10 내지 도 11을 참조하여 상술되는 바와 같이, 계측점 보정 모듈(230)은 치과 영상에서 계측점 존재 영역을 추출한 이후, 해당 영역을 스케일 변환하여 계측점 중 적어도 하나의 상대 좌표를 (0, 0) 내지 (1, 1) 사이의 좌표로 산출하게 된다.
일 실시예에서, S720 단계는, 누락된 계측점과 인접 배치되는 2 이상의 계측점에 대하여 수행되도록 구현될 수 있다.
S730 단계에서, 계측점 보정 모듈(230)은 산출된 상대 좌표를 이용하여 검출된 계측점 중 적어도 일부에 대응하는 표준 계측점을 가지는 표준 치과 영상 탐색할 수 있다. 예를 들어, 계측점 보정 모듈(230)은 누락된 계측점에 인접 배치되는 복수의 주변 측점(바람직하게는, 5 내지 7개의 계측점)과, 각각의 표준 치과 영상에서 누락된 계측점에 대응하는 표준 계측점과 인접 배치되는 복수의 인접 계측점의 상대 좌표를 비교하여, 누락된 계측점의 주변 계측점과 가장 근접한 표준 계측점을 가지는 표준 치과 영상을 탐색할 수 있다.
S740 단계에서, 계측점 보정 모듈(230)은 탐색된 표준 치과 영상의 표준 계측점을 이용하여 누락된 계측점의 위치(또는, 좌표)를 결정할 수 있다. 즉, 계측점 보정 모듈(230)은 탐색된 표준 치과 영상에서 누락된 계측점에 대응하는 표준 계측점의 상대 좌표를 누락 계측점의 상대 좌표로 설정하고, 이러한 상대 좌표를 치과 영상의 원본에 맞춰 스케일 변환함으로써, 누락된 계측점의 위치(또는, 좌표)를 결정할 수 있다.
한편, 도 6 및 도 7에서 도시되어 있지 않으나, 일 실시예에서, 방법(600)은 최종 보정된 계측점 및 수진자의 치과 영상에 관한 정보를 기초로 기계 학습 모듈(222)을 재학습시키는 단계를 더 포함할 수 있다. 이와 같이, 누락 계측점이 보정된 결과를 기계 학습 모듈(222)이 재학습하게 함으로써, 기계 학습 모듈(222)의 검출 정확도를 보다 향상시킬 수 있게 된다.
도 8은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방에서 있어서, 계측점 검출을 위한 경계 박스를 예시적으로 도시한다.
도 8을 참조하면, 복수의 경계 박스(810)는 복수의 계측점에 대응하는 개별 해부학적 특징이 정의되는 영역을 치과 영상으로부터 식별할 수 있다. 여기서, 각각의 개별 해부학적 특징을 정의하는 영역(label size)의 크기는 검출 정확도를 극대화하기 위하여, 바람직하게는, 30×30 픽셀(pixel)로 설정될 수 있다.
일 실시예에서, 기계 학습 모듈(222)은 치과 영상을 복수의 셀로 분할하고 각각의 셀에 대하여 경계 박스를 소정의 개수만큼 할당될 수 있으며, 개별 해부학적 특징이 특정 셀에 존재하는 경우, 해당 셀에 할당된 경계 박스가 이를 검출하도록 구현될 수 있다.
이에 따라, 상술한 바와 같이, 기계 학습 모듈(222)은 경계 박스 각각에 대한 중심 좌표(각 셀에서의 상대 좌표), 크기(폭, 높이), 각각의 개별 해부학적 특징의 존재 확률에 대한 정보를 출력하게 된다.
도 9 및 도 10은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법에서 있어서, 표준 치과 영상의 생성 과정을 예시적으로 도시한다.
도 9 및 도 10을 참조하면, 표준 치과 영상은 전문의에 의해 계측점이 판독된 소정의 원본 치과 영상을 기초로 생성될 수 있다. 여기서 원본 치과 영상은 기계 학습 모듈(222)의 학습데이터로 제공되는 비교 치과 영상의 적어도 일부일 수 있다.
즉, 예를 들어, 표준 치과 영상에서 2 이상의 최외곽 계측점을 기초로 표준 계측점의 존재 영역을 추출한 다음, 추출된 영역을 (0, 0) 내지 (1, 1)에 해당하는 좌표 영역으로 스케일 변환시킴으로써, 표준 치과 영상을 생성할 수 있다. 이에 따라, 변환된 좌표 영역 내에서 각각의 표준 계측점은 (0, 0) 내지 (1, 1) 사이의 상대 좌표를 가지게 될 수 있다.
도 11은 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법의 수행 과정을 예시적으로 도시한다.
도 11을 참조하여, 본 발명의 일 실시예에 따른 교정 진단을 위한 치과 영상 분석 방법의 수행 과정을 정리하면 다음과 같다.
영상 획득 모듈(210) 및 통신부(110)를 통해 획득된 수진자의 치과 영상이 기계 학습 모듈(222)에 입력되면, 기계 학습 모듈(222)은 복수의 합성곱 레이어를 통해 치과 영상을 추상화하며, 추상화 정도에 따라 3단계의 레벨로 각각 계측점에 대응하는 개별 해부학적 특징이 존재하는 것으로 예측되는 경계 박스를 검출하게 된다.
이어서, 하나의 개별 해부학적 특징에 대한 복수의 경계 박스가 검출된 경우, 필터링 모듈(224)이 해당 해부학적 특징의 존재 확률에 기초하여, 존재 확률이 가장 높은 경계 박스를 필터링하며, 계측점 결정 모듈(226)은 필터링 결과에 따라 최종 검출된 경계 박스의 중심 좌표를 계측점으로 결정하게 된다.
이어서, 계측점 보정 모듈(230)이 설정된 복수의 계측점 중 검출이 누락된 계측점이 있는지 여부를 식별하고, 누락된 계측점의 위치(또는, 좌표)를 표준 계측점 정보를 참조하여 결정하게 되며, 최종적으로 설정된 모든 계측점이 검출되어, 예를 들어, 디스플레이 장치에 치과 영상에 중첩되어 좌표 또는 점의 형태로 출력될 수 있다.
한편, 본 명세서에 기재된 다양한 실시예들은 하드웨어, 소프트웨어 및/또는 이들의 조합 등에 의해 구현될 수 있다. 예를 들어, 다양한 실시예들은 하나 이상의 주문형 반도체(ASIC)들, 디지털 신호 프로세서(DSP)들, 디지털 신호 프로세싱 디바이스(DSPD)들, 프로그램어블 논리 디바이스(PLD)들, 필드 프로그램어블 게이트 어레이(FPGA)들, 프로세서들, 컨트롤러들, 마이크로컨트롤러들, 마이크로프로세서들, 여기서 제시되는 기능들을 수행하도록 설계되는 다른 전자 유닛들 또는 이들의 조합 내에서 구현될 수 있다.
또한, 예를 들어, 다양한 실시예들은 명령들을 포함하는 컴퓨터-판독가능한 매체에 수록되거나 인코딩될 수 있다. 컴퓨터-판독가능한 매체에 수록 또는 인코딩된 명령들은 프로그램 가능한 프로세서 또는 다른 프로세서로 하여금 예컨대,　명령들이 실행될 때 방법을 수행하게끔 할 수 있다. 컴퓨터-판독가능한 매체는 컴퓨터 저장 매체를 포함한다. 저장 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수도 있다.　예를 들어,　이러한 컴퓨터-판독가능한 매체는 RAM, ROM, EEPROM, CD-ROM　또는 기타 광학 디스크 저장 매체, 자기 디스크 저장 매체 또는 기타 자기 저장 디바이스,　또는 원하는 프로그램 코드를 컴퓨터에 의해 액세스가능한 명령들 또는 데이터 구조들의 형태로 저장하는데 이용될 수 있는 임의의 다른 매체를 포함할 수 있다.
이러한 하드웨어, 소프트웨어 등은 본 명세서에 기술된 다양한 동작들 및 기능들을 지원하도록 동일한 디바이스 내에서 또는 개별 디바이스들 내에서 구현될 수 있다. 추가적으로, 본 발명에서 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 또는 소프트웨어 컴포넌트들 내에 통합될 수 있다.
특정한 순서로 동작들이 도면에 도시되어 있지만, 이러한 동작들이 원하는 결과를 달성하기 위해 도시된 특정한 순서, 또는 순차적인 순서로 수행되거나, 또는 모든 도시된 동작이 수행되어야 할 필요가 있는 것으로 이해되지 말아야 한다. 임의의 환경에서는, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 상술한 실시예에서 다양한 구성요소들의 구분은 모든 실시예에서 이러한 구분을 필요로 하는 것으로 이해되어서는 안되며, 기술된 구성요소들이 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키징될 수 있다는 것이 이해되어야 한다.
이상에서와 같이 도면과 명세서에서 최적 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (15)

  1. 교정 진단을 위한 치과 영상 분석 방법으로서,
    수진자의 치과 영상을 획득하는 단계; 및
    상기 치과 영상으로부터 계측점 검출 모듈을 이용하여 교정 진단을 위한 복수의 계측점(landmark) 중 적어도 일부를 검출하는 단계를 포함하고,
    상기 계측점은 교정 진단을 위해 요구되는 안면 골격, 치아 및 얼굴 윤곽 중 적어도 하나의 상대적인 위치를 지시하는 해부학점 기준점이며, 상기 계측점 검출 모듈은 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 포함하는, 방법.
  2. 제 1 항에 있어서,
    누적된 복수의 비교 치과 영상을 포함하는 학습데이터로부터 상기 기계 학습 모듈을 학습시키는 단계를 더 포함하고,
    상기 비교 치과 영상은 전문의에 의해 상기 계측점이 판독된 다른 수진자의 치과 영상인, 방법.
  3. 제 1 항에 있어서,
    상기 치과 영상은 두부 방사선 촬영 영상(cephalogram)인, 방법.
  4. 제 1 항에 있어서,
    상기 계측점 중 적어도 일부를 검출하는 단계에서, 상기 계측점 검출 모듈은 단일 합성곱 망(single convolution network)에 기초하여 상기 복수의 계측점을 검출하는, 방법.
  5. 제 1 항에 있어서,
    상기 계측점 중 적어도 일부를 검출하는 단계는,
    상기 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예측되는 복수의 경계 박스(boundary box)를 검출하는 단계; 및
    상기 검출된 경계 박스 중 적어도 일부 각각에 대하여, 내부에 포함되는 소정의 지점을 상기 계측점으로 결정하는 단계를 포함하는, 방법.
  6. 제 5 항에 있어서,
    상기 계측점 중 적어도 일부를 검출하는 단계는,
    상기 수신된 치과 영상을 리사이징(resizing)하는 단계를 더 포함하고,
    상기 검출하는 단계는, 상기 리사이징된 치과 영상을 기초로 수행되는, 방법.
  7. 제 5 항에 있어서,
    상기 계측점 중 적어도 일부를 검출하는 단계는,
    상기 경계 박스 각각에 대하여 상기 개별 해부학적 특징의 존재 확률을 산출하는 단계를 더 포함하고,
    상기 결정하는 단계는,
    하나의 개별 해부학적 특징에 대하여 복수의 경계 박스가 검출되는 경우, 상기 존재 확률에 기초하여 상기 하나의 개별 해부학적 특징에 대응하는 복수의 경계 박스 중 하나를 필터링하는 단계; 및
    상기 필터링된 경계 박스에 포함되는 소정의 지점을 상기 계측점으로 결정하는 단계를 포함하는, 방법.
  8. 제 5 항에 있어서,
    상기 결정하는 단계에서는, 상기 검출된 경계 박스 중 적어도 일부에 대하여 중심 좌표를 상기 계측점으로 결정하는, 방법.
  9. 제 1 항에 있어서,
    상기 검출된 계측점을 기설정된 상기 복수의 계측점과 대비하여 검출 누락된 계측점을 식별하는 단계; 및
    표준 계측점 정보(standard landmark information)를 기초로, 상기 검출된 계측점 중 적어도 일부에 대응하는 표준 계측점을 가지는 표준 치과 영상을 탐색하는 단계 - 상기 표준 계측점 정보는 복수의 상기 표준 치과 영상 및 복수의 상기 표준 치과 영상 각각에 대하여 판독된 복수의 상기 표준 계측점에 관한 정보를 포함함 - ;
    상기 탐색된 표준 치과 영상 및 상기 탐색된 표준 치과 영상의 상기 표준 계측점을 이용하여 상기 누락된 계측점의 위치를 결정하는 단계를 더 포함하는, 방법.
  10. 제 9 항에 있어서,
    상기 표준 계측점 정보는 상기 표준 계측점 각각과 인접하여 배치되는 복수의 인접 계측점에 관한 정보를 더 포함하고,
    상기 표준 치과 영상을 탐색하는 단계에서는, 상기 인접 계측점에 관한 정보를 기초로, 상기 검출된 계측점 중 상기 누락된 계측점과 인접 배치되는 복수의 계측점에 대응하는 상기 표준 계측점을 가지는 상기 표준 치과 영상을 탐색하는, 방법.
  11. 제 9 항에 있어서,
    상기 표준 치과 영상은 원본 치과 영상에서 상기 표준 계측점의 존재 영역을 추출함으로써 생성되고, 상기 표준 계측점에 관한 정보는 상기 표준 치과 영상에서 상기 표준 계측점의 상대 좌표에 관한 정보를 포함하며,
    상기 방법은,
    상기 치과 영상에서 상기 검출된 계측점의 존재 영역을 추출하고, 상기 추출된 영역을 상기 표준 치과 영상과 동일한 스케일로 정규화(normalizing)하여 상기 검출된 계측점의 상대 좌표를 산출하는 단계를 더 포함하고,
    상기 표준 치과 영상을 탐색하는 단계 및 상기 누락된 계측점의 위치를 결정하는 단계는, 상기 검출된 계측점의 상대 좌표 및 상기 표준 계측점의 상대 좌표에 기초하여 수행되는, 방법.
  12. 제 1 항에 있어서,
    진단자의 선호 계측점 정보를 수신하는 단계; 및
    상기 검출된 계측점 중 상기 선호 계측점 정보에 대응하는 일부를 강조하여 표시하는 단계를 더 포함하는, 방법.
  13. 제 1 항에 있어서,
    상기 검출된 계측점에 기초하여 세팔로 분석(cephalometric analysis)을 수행함으로써 교정 치료를 위한 상기 수진자의 얼굴형을 판단하는 단계를 더 포함하는, 방법.
  14. 제 1 항 내지 제 13 항 중 어느 한 항에 따른 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
  15. 교정 진단을 위한 치과 영상 분석을 지원하는 컴퓨팅 장치에 있어서,
    수진자의 치과 영상을 획득하는 통신부; 및
    상기 치과 영상으로부터 교정 진단을 위한 복수의 계측점(landmark) 중 적어도 일부를 검출하는 계측점 검출 모듈을 포함하는 프로세서를 포함하고,
    상기 계측점은 교정 진단을 위해 요구되는 안면 골격, 치아 및 얼굴 윤곽 중 적어도 하나의 상대적인 위치를 지시하는 해부학점 기준점이며, 상기 계측점 검출 모듈은 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 포함하는, 장치.
PCT/KR2018/011969 2018-08-21 2018-10-11 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치 WO2020040349A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019563288A JP7090922B2 (ja) 2018-08-21 2018-10-11 矯正診断のための歯科画像分析方法及びこれを用いた装置
CN201880033966.1A CN111083922B (zh) 2018-08-21 2018-10-11 用于矫正诊断的牙科影像分析方法及利用其的装置
EP18905905.8A EP3842005A4 (en) 2018-08-21 2018-10-11 METHOD AND DEVICE FOR THE ANALYSIS OF DENTAL IMAGES FOR ORTHODONTIC DIAGNOSIS
US16/347,132 US10991094B2 (en) 2018-08-21 2018-10-11 Method of analyzing dental image for correction diagnosis and apparatus using the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180097713A KR102099390B1 (ko) 2018-08-21 2018-08-21 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치
KR10-2018-0097713 2018-08-21

Publications (1)

Publication Number Publication Date
WO2020040349A1 true WO2020040349A1 (ko) 2020-02-27

Family

ID=69592826

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/011969 WO2020040349A1 (ko) 2018-08-21 2018-10-11 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치

Country Status (6)

Country Link
US (1) US10991094B2 (ko)
EP (1) EP3842005A4 (ko)
JP (1) JP7090922B2 (ko)
KR (1) KR102099390B1 (ko)
CN (1) CN111083922B (ko)
WO (1) WO2020040349A1 (ko)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210398275A1 (en) * 2018-10-16 2021-12-23 Qtt Co. Oral health prediction apparatus and method using machine learning algorithm
KR102459179B1 (ko) * 2020-03-13 2022-10-31 주식회사 인비전랩 인공 신경망을 이용한 의료용 이미지의 판독 장치
KR102334480B1 (ko) * 2020-04-16 2021-12-06 이마고웍스 주식회사 딥러닝을 이용한 3차원 의료 영상 데이터의 특징점 자동 검출 방법 및 장치
WO2021210966A1 (ko) * 2020-04-16 2021-10-21 이마고웍스 주식회사 딥러닝을 이용한 3차원 의료 영상 데이터의 특징점 자동 검출 방법 및 장치, 치과용 3차원 데이터 위치 정렬 자동화 방법, 치과용 3차원 데이터 위치 정렬 자동화 방법, 치과용 3차원 스캔 데이터의 랜드마크 자동 검출 방법, 3차원 치과 ct 영상과 3차원 디지털 인상 모델의 정합 정확도 판단 방법 및 상기 방법들을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체
KR102334519B1 (ko) 2020-12-14 2021-12-06 이마고웍스 주식회사 치과용 3차원 스캔 데이터의 간소화된 랜드마크 자동 검출 방법 및 이를 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체
KR102331034B1 (ko) 2020-12-10 2021-12-01 이마고웍스 주식회사 치과용 3차원 스캔 데이터의 랜드마크 자동 검출 방법 및 이를 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체
US12008749B2 (en) * 2020-05-08 2024-06-11 Richard Ricci Dental images correlated to the human genome with artificial intelligence
CN111599432B (zh) * 2020-05-29 2024-04-02 上海优医基医疗影像设备有限公司 一种三维颅面影像特征点标记分析***及方法
KR102377629B1 (ko) * 2020-06-22 2022-03-24 송언의 환자 이미지를 분석하여 교정 진단 보고서를 생성하는 인공지능 딥러닝 기반 교정 진단 장치 및 그 동작 방법
KR102386828B1 (ko) 2020-10-28 2022-04-14 부산대학교 산학협력단 딥러닝을 이용한 보철 치료 후 안모 변화 예측을 위한 장치 및 방법
KR20220100740A (ko) 2021-01-07 2022-07-18 디디에이치 주식회사 의료 영상 분석 방법 및 이를 이용한 장치
KR102438737B1 (ko) * 2021-02-16 2022-09-02 연세대학교 산학협력단 교합평면 제안 장치 및 제안 방법
CN113425440A (zh) * 2021-06-24 2021-09-24 广州华视光学科技有限公司 一种基于人工智能检测龋病及其位置的***和方法
KR102372962B1 (ko) * 2021-08-04 2022-03-11 (주)아인사이트 자연 두부 위치에서 촬영된 3차원 cbct 영상에서 기계 학습 기반 치아 교정 진단을 위한 두부 계측 파라미터 도출방법
CN113948190A (zh) * 2021-09-02 2022-01-18 上海健康医学院 X线头颅正位片头影测量标志点自动识别方法及设备
KR102522720B1 (ko) * 2022-03-04 2023-04-25 이마고웍스 주식회사 3차원 구강 스캔 데이터에 3차원 치아 라이브러리 모델을 자동 정렬하는 방법 및 이를 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체
KR102516945B1 (ko) * 2022-03-24 2023-04-03 주식회사 쓰리디오엔에스 인공지능 기반의 두경부 랜드마크 검출 방법 및 장치
KR102469288B1 (ko) * 2022-05-13 2022-11-22 주식회사 쓰리디오엔에스 자동 치열 교정 계획 방법, 장치 및 프로그램
KR102653616B1 (ko) * 2022-12-22 2024-04-01 박선영 투명 교정 장치의 성공률 결정 방법, 장치 및 기록 매체

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101599219B1 (ko) * 2013-03-18 2016-03-03 삼성전자주식회사 3차원 의료 영상에서 랜드마크들의 자동 등록을 위한 장치 및 방법
KR20170126669A (ko) * 2016-05-10 2017-11-20 (주)바텍이우홀딩스 3차원 두부 영상 정렬 장치 및 방법
KR20170142572A (ko) * 2016-06-20 2017-12-28 주식회사 디오코 치아 교정 및 얼굴 성형 시뮬레이션 장치에서의 시뮬레이션 방법 및 이를 저장하는 컴퓨터로 판독 가능한 기록 매체

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1578646A (zh) 2001-10-31 2005-02-09 画像诊断株式会社 医疗用模拟装置及在其装置中的三维图像的显示控制方法
US20040184643A1 (en) * 2003-03-21 2004-09-23 Stantchev Gueorgui H. Methods and apparatus for imaging
GB0414277D0 (en) * 2004-06-25 2004-07-28 Leuven K U Res & Dev Orthognatic surgery
US20090123892A1 (en) 2004-09-24 2009-05-14 Cat Corporation Human Body Information Extraction Device, Human Body Imaging Information Reference Plane Conversion Method, and Cross Section Information Detection Device
KR100825960B1 (ko) 2006-08-31 2008-05-06 오스템임플란트 주식회사 두부계측 방사선사진 상에 계측점을 지정하는 방법
TWI323171B (en) * 2007-06-27 2010-04-11 Univ Nat Cheng Kung Cephalogram image analysis method
US9020235B2 (en) * 2010-05-21 2015-04-28 Siemens Medical Solutions Usa, Inc. Systems and methods for viewing and analyzing anatomical structures
KR101309013B1 (ko) * 2011-10-04 2013-09-17 주식회사 모르페우스 안면 영상과 엑스레이 영상을 이용한 형상진단기
JP5883816B2 (ja) 2013-03-11 2016-03-15 株式会社ミウラ 顎変形症術後顔貌予測方法及びシステム
KR20150039028A (ko) * 2013-10-01 2015-04-09 주식회사 이우소프트 치아교정 시뮬레이션 방법 및 이를 수행하는 시스템
US20170258420A1 (en) * 2014-05-22 2017-09-14 Carestream Health, Inc. Method for 3-D Cephalometric Analysis
US9675305B2 (en) * 2014-06-03 2017-06-13 Ortho-Tain System and method for determining an orthodontic diagnostic analysis of a patient
US20160038092A1 (en) * 2014-08-11 2016-02-11 Douglas A. Golay Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis
US10318839B2 (en) * 2015-01-13 2019-06-11 Council Of Scientific And Industrial Research Method for automatic detection of anatomical landmarks in volumetric data
US10049457B2 (en) * 2016-08-29 2018-08-14 CephX Technologies Ltd. Automated cephalometric analysis using machine learning
US10514711B2 (en) * 2016-10-09 2019-12-24 Airspace Systems, Inc. Flight control using computer vision
US20190125295A1 (en) * 2017-10-30 2019-05-02 Siemens Medical Solutions Usa, Inc. Cardiac flow detection based on morphological modeling in medical diagnostic ultrasound imaging
US11049606B2 (en) * 2018-04-25 2021-06-29 Sota Precision Optics, Inc. Dental imaging system utilizing artificial intelligence
CN110021021B (zh) * 2018-07-09 2024-06-07 乐人美德株式会社 头部图像分析装置及图像分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101599219B1 (ko) * 2013-03-18 2016-03-03 삼성전자주식회사 3차원 의료 영상에서 랜드마크들의 자동 등록을 위한 장치 및 방법
KR20170126669A (ko) * 2016-05-10 2017-11-20 (주)바텍이우홀딩스 3차원 두부 영상 정렬 장치 및 방법
KR20170142572A (ko) * 2016-06-20 2017-12-28 주식회사 디오코 치아 교정 및 얼굴 성형 시뮬레이션 장치에서의 시뮬레이션 방법 및 이를 저장하는 컴퓨터로 판독 가능한 기록 매체

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ARIK, SERCAN O ET AL.: "Fully automated quantitative cephalometry using convolutional neural networks", JOURNAL OF MEDICAL IMAGING, vol. 4, no. 1, 2017, pages 014501-1 - 014501-11, XP055687226 *
LEE, HANSANG ET AL.: "Cephalometric landmark detection in dental x-ray images using convolutional neural networks", MEDICAL IMAGING 2017: COMPUTER-AIDED DIAGNOSI S., 2017, pages 101341W-1 - 101341W-6, XP060086612 *
See also references of EP3842005A4 *

Also Published As

Publication number Publication date
EP3842005A1 (en) 2021-06-30
US10991094B2 (en) 2021-04-27
CN111083922A (zh) 2020-04-28
KR20200023703A (ko) 2020-03-06
JP2020534037A (ja) 2020-11-26
JP7090922B2 (ja) 2022-06-27
KR102099390B1 (ko) 2020-04-09
US20200286223A1 (en) 2020-09-10
CN111083922B (zh) 2021-10-26
EP3842005A4 (en) 2022-06-01

Similar Documents

Publication Publication Date Title
WO2020040349A1 (ko) 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치
US20240087725A1 (en) Systems and methods for automated medical image analysis
US10984529B2 (en) Systems and methods for automated medical image annotation
WO2016108453A1 (ko) 치아 영상 자동 정합 방법, 이를 위한 장치 및 기록 매체
WO2019088462A1 (ko) 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
CN109190540A (zh) 活检区域预测方法、图像识别方法、装置和存储介质
CA3149760A1 (en) Automated medical image annotation and analysis
WO2019103440A1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
KR20200083822A (ko) 교정 진단을 위한 치과 영상 분석을 지원하는 컴퓨팅 장치 및 치과 영상 분석 방법
CN104382570A (zh) 数字化全自动健康状况检测装置
WO2022119155A1 (ko) 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법
CN109117890A (zh) 一种图像分类方法、装置和存储介质
WO2013105815A1 (en) Fetus modeling method and image processing apparatus therefor
WO2022131642A1 (ko) 의료 영상 기반 질환 중증도 결정 장치 및 방법
CN110767283A (zh) 精神疾病影像学自动化报告***及其方法
CN113516639B (zh) 基于全景x光片的口腔异常检测模型的训练方法及装置
WO2022149664A1 (ko) 의료 영상 분석 방법 및 이를 이용한 장치
WO2022139068A1 (ko) 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법
CN104173108A (zh) 健康检测仪器显示屏识别数据采集***及方法
WO2021177771A1 (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
US20220198686A1 (en) Apparatus for preprocessing image data
WO2017200132A1 (ko) 수면성 호흡장애 진단장치 및 방법
CN114495256A (zh) 一种基于深度传感器和机器学习的异常跑姿识别方法
WO2018076142A1 (zh) 一种上颌中切牙分类方法及***
KR102369100B1 (ko) 멀티 파노라마 영상 표시방법 및 이를 위한 영상 표시장치

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2019563288

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18905905

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018905905

Country of ref document: EP

Effective date: 20210322