[논문 리뷰] Dental pathology detection in 3D cone-beam CT

Adel Zakirov, Matvey Ezhov외 3명|arXiv (Cornell University)|2018. 10. 24.

Dental Radiography and Imaging참고 문헌 18인용 수 4

한 줄 요약

이 논문은 3D 컨베이어 베이스 CT(CBCT) 스캔에서 치과 병변을 자동으로 탐지하기 위한 딥러닝 파이프라인을 제시한다. 이는 두 단계의 접근 방식을 사용한다: 먼저 3D U-Net 변형(V-Net)을 통해 잇몸을 국소화하고, 그 다음 3D DenseNet을 사용해 6가지 흔한 상태—충전물, 크라운, 임플란트, 충전된 치수관, 발음된 치아, 결손 치아—를 분류한다. 시스템은 치아 국소화에서 96.3%의 정확도를 달성했으며, 모든 병변 유형에서 평균 AUROC가 0.94에 이른다.

ABSTRACT

Cone-beam computed tomography (CBCT) is a valuable imaging method in dental diagnostics that provides information not available in traditional 2D imaging. However, interpretation of CBCT images is a time-consuming process that requires a physician to work with complicated software. In this work we propose an automated pipeline composed of several deep convolutional neural networks and algorithmic heuristics. Our task is two-fold: a) find locations of each present tooth inside a 3D image volume, and b) detect several common tooth conditions in each tooth. The proposed system achieves 96.3\% accuracy in tooth localization and an average of 0.94 AUROC for 6 common tooth conditions.

연구 동기 및 목표

• 임상 치의학에서 3D 컨베이어 베이스 CT(CBCT) 영상의 해석이 시간이 오래 걸리고 복잡한 문제를 해결하기 위해.
• 3D CBCT 볼륨에서 흔한 치과 병변을 자동으로 탐지하기 위한 파이프라인 개발을 통해 수동 해석에 대한 의존도를 줄이기 위해.
• 빠르고 정확한 치아 국소화 및 병변 상태 분류를 통해 진단 효율성을 향상시키기 위해.
• 딥러닝을 활용한 치과 영상의 임상 의사결정 지원 시스템의 기초를 마련하기 위해.

제안 방법

• 희박한 2D 경계 상자 레이블링을 사용해 축삭 단면에서의 치아 국소화를 위한 3D U-Net 기반 V-Net 모델을 훈련시키며, 이를 3D 볼륨 마스크로 보간한다.
• 최적의 치아 추출 영역을 식별하기 위해 다중 시점 투영 전략(축삭, 전면, Sagittal)을 적용한다.
• 각 국소화된 치아 주변의 3D 부분 볼륨을 추출하고, 이를 64³로 재스케일링한 후 3D DenseNet 분류기로 전달한다.
• 3D DenseNet은 4개의 밀집 블록을 각각 6층으로 구성하고, 성장률은 48, 압축 요인은 0.5로 설정하며, 2D 컨볼루션을 3D 컨볼루션으로 대체한다.
• 클래스 빈도의 역수에 가중치를 두어 클래스 불균형을 완화하기 위해 이진 교차 엔트로피 손실을 사용해 분류 모델을 훈련시킨다.
• 치아 국소화 파이프라인의 성능을 향상시키기 위해 수직으로 15mm, 수평으로 8mm로 경계 상자를 확장하여 치아 주변 환경를 포괄하고 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 희박한 2D 레이블링과 3D 보간을 사용해 3D CBCT 볼륨에서 모든 치아를 정확하게 국소화할 수 있는가?
• RQ2 국소화된 치아 볼륨에서 다수의 상호배타적이지 않은 치과 병변을 분류하는 데 3D 컨volution 신경망이 높은 성능을 낼 수 있는가?
• RQ3 가중치를 적용한 이진 교차 엔트로피 손실이 희귀한 치과 병변(예: 임플란트 및 발음된 치아)의 클래스 불균형 문제를 얼마나 효과적으로 완화할 수 있는가?
• RQ4 국소화 모델이 임상 활용도를 높이기 위해 2D 풍경 재구성과 같은 후속 작업을 얼마나 잘 지원할 수 있는가?

주요 결과

• V-Net 기반 국소화 모델은 3D CBCT 볼륨에서 각 치아의 정확한 위치를 식별하는 데 96.3%의 정확도를 달성했다.
• 3D DenseNet 분류기는 6개의 치과 병변 유형에서 평균 AUROC가 0.94를 기록했으며, 개별 AUROC 점수는 충전물의 0.892에서 임플란트의 0.979까지 다양했다.
• 데이터셋에서 가장 흔한 병변은 충전물(양성 사례의 21.5%)이었고, 가장 희귀한 것은 임플란트와 발음된 치아였다(각각 1.5% 및 1.8%).
• 희귀 병변에 대해서도 분류 모델이 뛰어난 성능을 보였으며, 발음된 치아의 경우 AUROC가 0.931, 임플란트의 경우 0.979를 기록했다.
• 국소화 파이프라인은 고품질의 2D 풍경 재구성을 가능하게 하여, 치과의사가 3D CBCT 데이터를 검토할 때 익숙한 임상 인터페이스를 제공한다.
• 특히 국소화 성능 측면에서 시스템의 성능은 임상 통합을 위한 전처리 또는 의사결정 지원 도구로 활용하기에 충분하다.