[논문 리뷰] Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives

Gil Jader, Luciano Oliveira외 1명|arXiv (Cornell University)|2018. 02. 09.

Dental Radiography and Imaging참고 문헌 37인용 수 3

한 줄 요약

이 논문은 10종의 치과 X선 세분화 방법을 검토하고, 1,500장의 수동으로 레이블링된 전방위(외부) X선 영상으로 구성된 새로운 공개 데이터셋을 소개하며, 다양한 방법 간의 성능을 비교 분석한다. 연구 결과, 임계값 기반 방법이 지배적임(54%)을 확인하였고, 현재 데이터셋의 한계를 지적하며, 오р토파노그램에서 자동 치아 세분화를 향상시키기 위해 딥 러닝 기반 기법의 활용을 권장한다.

ABSTRACT

This review presents an in-depth study of the literature on segmentation methods applied in dental imaging. Ten segmentation methods were studied and categorized according to the type of the segmentation method (region-based, threshold-based, cluster-based, boundary-based or watershed-based), type of X-ray images used (intra-oral or extra-oral) and characteristics of the dataset used to evaluate the methods in the state-of-the-art works. We found that the literature has primarily focused on threshold-based segmentation methods (54%). 80% of the reviewed papers have used intra-oral X-ray images in their experiments, demonstrating preference to perform segmentation on images of already isolated parts of the teeth, rather than using extra-oral X-rays, which show tooth structure of the mouth and bones of the face. To fill a scientific gap in the field, a novel data set based on extra-oral X-ray images are proposed here. A statistical comparison of the results found with the 10 image segmentation methods over our proposed data set comprised of 1,500 images is also carried out, providing a more comprehensive source of performance assessment. Discussion on limitations of the methods conceived over the past year as well as future perspectives on exploiting learning-based segmentation methods to improve performance are also provided.

연구 동기 및 목표

• 메서드 유형, 영상 모odal리티, 데이터셋 특성에 따라 최신 세분화 기법을 분석하고 분류하는 것.
• 외부(전방위) X선 영상에 대해 다양하고 공개 가능한 데이터셋이 부족한 문제를 해결하고자, 1,500장의 전방위 레이저 촬영 영상으로 구성된 새로운 대규모 수동 레이블링 데이터셋을 제안하는 것.
• 제안된 데이터셋을 기반으로 10종의 세분화 방법에 대한 통계적 벤치마킹을 수행하여 성능 평가 및 방법론적 한계를 규명하는 것.
• 이미지 아티팩트, 해부학적 겹침, 저대비 등의 문제를 다루는 데 어려움을 겪는 자동 치과 X선 분석의 현재 과제를 논의하는 것.
• 특히 딥 러닝과 같은 학습 기반 세분화 기법의 잠재력을 탐색하여 오르토파노그램에서 더 정확하고 강건한 세분화 성능을 달성할 수 있는 향후 연구 방향을 모색하는 것.

제안 방법

• 저자들은 10종의 세분화 기법에 대한 종합적인 문헌 검토를 수행하여, 영역 기반, 임계값 기반, 군집 기반, 경계 기반, 워터셰드 기반 등 유형별로 분류하였다.
• 각각 수동으로 치아 경계가 레이블링된 1,500장의 외부 전방위(오르토파노그램) X선 영상으로 구성된 신규 확보 데이터셋을 활용하여 메서드 성능을 평가하였다.
• 표준 세분화 지표(예: Dice 점수, Jaccard 지수)를 사용하여 통계적 비교를 수행하여, 데이터셋 전반에서의 정확도 및 강건성 수준을 평가하였다.
• 데이터셋의 다양성과 변동성을 분석하여 현재 공개 데이터셋의 격차를 규명하였으며, 특히 치과 내부 X선 영상에 대한 과도한 의존성과 해부학적 변형의 표현 부족을 지적하였다.
• 에너지 최소화 및 딥 러닝 프레임워크(예: 완전 컨volution 네트워크(FCNs), 의미 세분화 모델)의 잠재력을 탐색하여 세분화 성능 향상을 도모하였다.
• 학습 기반 모델이 대규모 수동 레이블링 데이터셋에서 복잡한 형태와 강도 패턴을 자동으로 학습함으로써 전통적 방법의 한계를 극복할 수 있을 것이라 제안하였다.

실험 결과

연구 질문

• RQ1 현재 치과 X선 세분화 연구에서 가장 널리 사용되는 세분화 기법의 유형은 무엇인가?
• RQ2 기존에 세분화 기법 평가에 사용되는 공개 데이터셋이 신뢰할 수 있는 벤치마킹을 위해 충분한 다양성과 대표성을 갖추고 있는가?
• RQ3 외부 전방위 X선 영상에서 가장 높은 성능을 보인 세분화 기법은 무엇이며, 통계적으로 어떻게 비교되는가?
• RQ4 특히 이미지 아티팩트와 해부학적 겹침 문제에 대해 현재 세분화 기법의 핵심 한계는 무엇인가?
• RQ5 딥 러닝 기반 접근법은 오르토파노그램에서 자동 치아 세분화의 수준을 어떻게 향상시킬 수 있는가?

주요 결과

• 임계값 기반 세분화 기법이 가장 널리 사용되며, 검토된 논문의 54%를 차지한다.
• 검토된 연구의 80%가 내부 X선 영상을 사용하여, 단일 치아 영역에 대한 선호도가 높은 것으로 나타났다.
• 1,500장의 레이블링된 전방위 X선 영상으로 구성된 제안된 데이터셋은 외부 치과 영상 분야에서 공개 데이터 부족 문제를 해결하는 데 기여한다.
• 통계적 벤치마킹 결과, 다양한 메서드 간 성능 차이가 뚜렷하게 나타났으며, 딥 러닝 기반 접근법이 강건성과 정확도 향상 잠재력을 보였다.
• 기존 기법은 이미지 아티팩트, 저대비, 겹치는 해부학적 구조(예: 치아 대비 턱 뼈) 문제로 인해 임상 환경에서 신뢰도가 떨어진다.
• 저자들은 학습 기반 세분화, 특히 딥 러닝 기반 접근법이 전방위 레이저 촬영 영상에서 더 정확하고 일반화 능력이 뛰어난 치아 세분화를 달성하기 위한 유망한 미래 방향이라고 결론 내렸다.