[논문 리뷰] Forensic Dental Age Estimation Using Modified Deep Learning Neural Network

İsa Ataş, Cüneyt Özdemir외 2명|arXiv (Cornell University)|2022. 08. 21.

Dental Radiography and Imaging참고 문헌 35인용 수 4

한 줄 요약

이 연구는 8–68세 연령대의 개인에서 치과 패널라미크 레이저 사진(DPR)을 사용하여 자동화된 법의 치과 연령 추정을 위한 수정된 InceptionV3 딥 러닝 모델을 제안한다. 전이 학습과 아키텍처 자르기 기법을 활용하여 평균 절대 오차(MAE) 3.13년, 루트 평균 제곱 오차(RMSE) 4.77, 결정계수(R²) 87.2%를 달성하였으며, 수동 특징 추출이 필요 없이 높은 정확도와 효율성을 확보하였다.

ABSTRACT

Dental age is one of the most reliable methods to identify an individual's age. By using dental panoramic radiography (DPR) images, physicians and pathologists in forensic sciences try to establish the chronological age of individuals with no valid legal records or registered patients. The current methods in practice demand intensive labor, time, and qualified experts. The development of deep learning algorithms in the field of medical image processing has improved the sensitivity of predicting truth values while reducing the processing speed of imaging time. This study proposed an automated approach to estimate the forensic ages of individuals ranging in age from 8 to 68 using 1,332 DPR images. Initially, experimental analyses were performed with the transfer learning-based models, including InceptionV3, DenseNet201, EfficientNetB4, MobileNetV2, VGG16, and ResNet50V2; and accordingly, the best-performing model, InceptionV3, was modified, and a new neural network model was developed. Reducing the number of the parameters already available in the developed model architecture resulted in a faster and more accurate dental age estimation. The performance metrics of the results attained were as follows: mean absolute error (MAE) was 3.13, root mean square error (RMSE) was 4.77, and correlation coefficient R$^2$ was 87%. It is conceivable to propose the new model as potentially dependable and practical ancillary equipment in forensic sciences and dental medicine.

연구 동기 및 목표

• 수동 기법에 의존하는 데 소요되는 시간을 줄이기 위해, 치과 패널라미크 레이저 사진(DPR)을 활용한 자동화되고 정확하며 효율적인 법의 치과 연령 추정 방법을 개발하는 것.
• 주관성, 측정 편향, 고도의 노동 집약성 등 전통적 연령 추정 방법의 한계를 해결하는 것.
• 특히 성징 이후에 치아 발달 속도가 둔화되는 점을 감안해, 넓은 연령 범위(8–68세)에서 연령 예측 정확도를 향상시키는 것.
• InceptionV3 아키텍처를 수정하여 파rameter 수를 감소시키고 속도 및 성능를 향상시켜 전이 학습의 최적화를 도모하는 것.
• Grad-CAM 히트맵을 활용해 모델의 집중 영역을 검증함으로써, 해부학적 연령 추정에 중요한 영역과의 일치성과 해석 가능성 확보

제안 방법

• 1,332장의 DPR 이미지에 대해 사전 학습된 InceptionV3, DenseNet201, EfficientNetB4, MobileNetV2, VGG16, ResNet50V2 모델을 활용해 전이 학습을 수행하였다.
• 성능이 가장 뛰어난 기반 모델로 InceptionV3를 선정하고, 이를 수정하여 파rameter를 감소시킨 결과, InceptionV3Mixed_04 버전을 도출하였다.
• 모델 일반화 및 강건성을 향상시키기 위해 사전 처리 단계에서 데이터 증강 기법을 적용하였다.
• 수동 세분화나 특징 공학 없이도, 수정된 InceptionV3Mixed_04 모델을 사용해 DPR 이미지에서 특징 추출을 수행하였다.
• 추출된 특징을 연령에 매핑하기 위해 선형 회귀를 사용하여 엔드 투 엔드 회귀 기반 연령 추정을 구현하였다.
• 특정 해부학적 영역(예: 상악 및 상악 치아)에 대한 모델의 주의 집중도를 시각화하고 해석하기 위해 Grad-CAM 히트맵을 생성하였다.

실험 결과

연구 질문

• RQ1 DPR 이미지를 활용해 넓은 연령 범위(8–68세)에서 높은 정확도를 달성할 수 있는 수정된 전이 학습 기반 딥 뉴럴 네트워크가 가능한가?
• RQ2 사전 학습된 InceptionV3 모델의 아키텍처 자르기 기법이 치과 연령 추정에서 성능, 추론 속도, 파rameter 효율성에 어떤 영향을 미치는가?
• RQ3 딥 러닝 모델이 연령 예측 시 주로 집중하는 DPR 이미지의 해부학적 영역는 무엇이며, 이러한 영역는 연령 관련 치과 변화에 대한 임상 지식과 일치하는가?
• RQ4 제안된 수정된 InceptionV3 모델의 성능은 기존 방법 대비 MAE, RMSE, R² 측면에서 다양한 연령군에서 어떻게 비교되는가?
• RQ5 모델은 55세 이상의 연령대에서 정확도를 유지하는가? 이 그룹에서 성능 저하가 발생할 수 있는 요인는 무엇인가?

주요 결과

• 수정된 InceptionV3Mixed_04 모델은 8–68세 연령 범위에서 평균 절대 오차(MAE) 3.13년을 기록하여 높은 정밀도의 연령 추정을 가능하게 하였다.
• 루트 평균 제곱 오차(RMSE)는 4.77로, 모델의 전체 예측 오차 분포와 강건성을 반영하였다.
• 결정계수(R²)는 87.2%에 도달하여 예측된 연령과 실제 연령 간의 강한 상관관계를 보였다.
• 특히 16–65세 연령군에서 기존 연구에서 보고한 MAE 값(6.48–8.58)에 비해 더 높은 정확도를 확보하여 기존 방법을 초월하였다.
• Grad-CAM 시각화 결과, 모델이 주로 상악 및 상악 치아에 집중하고 있음을 확인하였으며, 이는 임상적으로 연령 추정에 중요한 영역와 일치하였다.
• 55세 이상의 개인에서 성능 저하가 관찰되었으며, 이는 치아 발달 변화의 감소와 이 연령대의 훈련 데이터 부족으로 인한 것으로 판단되었다.