심층 컨볼루션 신경망을 이용한 파노라마 방사선영상에서 비구개관낭과 상악전치부 치근단낭의 정확하고 견고한 탐지 = Accurate and robust detection of nasopalatine duct cyst and periapical cyst on panoramic radiographs using deep convolutional neural networks
저자
발행사항
서울 : 서울대학교 대학원, 2024
학위논문사항
학위논문(박사)-- 서울대학교 대학원 : 치의과학과 영상치의학전공(임상) 2024. 2
발행연도
2024
작성언어
한국어
주제어
DDC
617.6
발행국(도시)
서울
형태사항
vi, 45 ; 26 cm
일반주기명
지도교수: 허민석
UCI식별코드
I804:11032-000000180003
DOI식별코드
소장기관
Objective: Interpreting the anterior area of the jaw on a panoramic radiograph could be challenging due to its narrow focal trough and multiple superimpositions. Cases of periapical cysts arising in the anterior maxillary area and nasopalatine duct cysts are frequently left undetected during multiple visits, especially when the lesion shows no clear symptoms. Therefore, this study aims to evaluate a deep convolutional neural network (DCNN) method for the detection and classification of nasopalatine duct cysts and periapical cysts on panoramic radiographs and assess its values in the actual clinical setting.
Study Design: Panoramic radiographs, acquired from patients aged 15-80 years, who visited Seoul National University Dental Hospital obtained from January 2009 to May 2022 with reports containing "nasopalatine canal cyst" or "periapical cyst" involving the maxillary central and lateral incisors were collected. The radiology reports were generated by five oral and maxillofacial radiologists with more than 10 years of experience. Each image was assessed by two different radiologists and the final diagnosis for the radiology report was made by consensus between the two. All the radiologic reports were compared and validated against histopathologic reports. Inclusion criteria were; 1. patients aged from 15-80 years with permanent dentition, 2. nasopalatine duct cyst or periapical cyst evident on panoramic radiographs with matching histopathologic diagnosis. Exclusion criteria were; 1. history of surgery in the maxilla, 2. multiple lesions, 3. presence of lesions other than nasopalatine duct cyst or periapical cyst involving the anterior area of the maxilla, 4. lesions with atypical morphology extending beyond premolar teeth range, 5. images without histopathologic reports. The panoramic radiographs were taken by two panoramic X-ray devices: the Orthopantomograph OP100 (Instrumentarium Dental, Tuusula, Finland) and RAYSCAN α+ (Ray, Hwaseong-si, Korea). A total of 1209 panoramic radiographs with 606 nasopalatine duct cyst and 603 periapical cyst were labeled with a bounding box and divided into training, validation, and test sets with an 8:1:1 ratio. The networks used were EfficientDet-D3, Faster R-CNN, YOLOv5, RetinaNet, and SSD. Mean average precision (mAP) was used to assess performance. Sixty images with no lesion in the anterior maxilla were added to the previous test set and were tested on two general practitioners, and on EfficientDet-D3. The performances were comparatively examined. In order to ensure the reliability of the results, the tests were run twice with a 24-hour interval. Classification metrics such as accuracy, sensitivity, specificity, positive predictive value and negative predictive value were used to assess performance.
Results: The mAP for each DCNN was EfficientDet-D3 93.8%, Faster RCNN 90.8%, YOLOv5 89.5%, RetinaNet 79.4%, and SSD 60.9%. The classification performance of EfficientDet-D3 was higher than that of the dentists with accuracy, sensitivity, specificity, positive predictive value, and negative predictive value of 94.4%, 94.4%, 97.2%, 94.6%, and 97.2% respectively. The performance of general practitioner1 was as follows; accuracy was 80.1%, 81.7%, sensitivity was 80.2%, 81.9%, specificity was 90.0%, 90.9%, positive predictive value was 92.2%, 84.9% and negative predictive value was 91.2%, 92.1%. The performance of general practitioner2 was as follows; accuracy was 82.8%, 79.0%, sensitivity was 82.9%, 79.1%, specificity was 91.4%, 89.5%, positive predictive value was 85.0%, 84.2% and negative predictive value was 92.2%, 91.3%.
Conclusion: The proposed method achieved high performance for the detection and classification of nasopalatine duct cyst and periapical cyst were compared to the general practitioners and presented promising prospects for clinical application.
목 적: 파노라마방사선영상에서 악골의 전방부는 초점층이 좁고, 다수의 구조물이 중첩되어 나타나기 때문에 정확한 판독이 어려울 수 있다. 특히, 증상이 없이 발생하는 상악 전치부의 치근단낭과 비구개관낭 병소의 경우, 오랜 내원 기간 동안에도 진단되지 못한 채 방치될 수 있다. 본 연구에서는 파노라마방사선영상에서 심층 컨볼루션 신경망(deep convulotional neural network, DCNN)을 이용하여 비구개관낭과 치근단낭을 자동으로 탐지 및 분류하고, 실제 진료 환경에서 심층 컨볼루션 신경망 적용의 임상적 가치를 평가하고자 한다.
방 법: 2009년 1월 1일부터 2022년 5월 31일까지 서울대학교치과병원에 방문한 15-80세 환자의 파노라마방사선영상 중 판독문에 “비구개관낭” 또는 상악 중절치 및 측절치에 발생한 “치근단낭”소견을 가지는 영상을 수집하였다. 각각의 판독문은 2명의 영상치의학 전문의에 의해 작성되었으며, 최종 판독문은 두 전문의 간 공통 의견으로 확정되었다. 이후, 수집된 모든 영상을 병리 진단 결과와 대조하였다. 포함 기준은 다음과 같다. 1. 15-80세 사이 영구치열기 환자, 2. 파노라마방사선영상에서 비구개관낭 또는 상악 전치부 치근단낭이 명확하게 관찰 가능하며, 판독 결과와 일치하는 조직 병리학적 검사 결과를 가지는 영상. 제외 기준은 다음과 같다. 1. 상악에 수술 이력이 있는 환자, 2. 다발성 병소, 3. 비구개관낭 또는 치근단낭 외의 상악 전치부 병소가 존재하는 영상, 4. 양측 제1 소구치 사이의 범위를 벗어나는 비전형적인 크기의 병소, 5. 조직병병리학적 검사 결과가 없는 환자. 촬영에는 Orthopantomograph OP100 (Instrumentarium Dental, Nahkelantie, Finland)과 RAYSCAN α+ (Ray, Hwaseoung-si, Korea)의 두 가지 기기가 사용되었다. 최종 비구개관낭 영상 606개, 치근단낭 영상 603개, 총 1209개의 영상을 수집하였다. 각 병소는 바운딩 박스(bounding box)로 표시하여 8:1:1의 비율로 학습, 검정, 테스트 세트로 사용하였다. 사용한 다섯 개의 DCNN은 EfficientDet-D3, FasterR-CNN, YOLOv5, RetinaNet, SSD이다. DCNN의 진단 정확도 평가 및 비교에는 mean average precision (mAP)을 지표로 사용하였다. 이후 상악 전방부에 병적인 소견을 가지지 않는 파노라마방사선영상 60매를 기존의 테스트 세트에 추가하여 일반 치과의사 2명과 가장 높은 성능을 보인 네트워크를 사용하여 진단 후 진단 정확도를 비교 평가하였다. 결과의 신뢰성을 위해 동일한 테스트를 2회 시행하였으며, 평가자의 피로도를 최소화하기 위해 각 테스트는 24시간 간격을 두고 시행하였다 평가에는 분류 지표인 정확도, 민감도, 특이도, 양성예측도, 음성예측도가 사용되었다.
결 과: 각 DCNN의 mAP는 EfficientDet-D3 93.8%, Faster R- CNN 90.8%, YOLOv5 89.5%, RetinaNet 79.4%, SSD 60.9%로 EfficientDet-D3에서 가장 높은 진단 정확도를 보였다. EfficientDet- D3의 분류 성능은 다음과 같다; 정확도 94.4%, 민감도 94.4%, 특이도 97.2%, 양성예측도 94.6%, 음성예측도 97.2%. 치과의사 1의 결과는 다음과 같다; 정확도 80.1%,81.7%, 민감도 80.2%,81.9%, 특이도 90.0%,90.9%, 양성예측도 92.2%,84.9%, 음성예측도 91.2%,92.1%. 치과의사2의 결과는 다음과 같다; 정확도 92.8%,79.0%, 민감도 82.9%,79.1%, 특이도 91.4%89.5%, 양성예측도 85.0%,84.2%, 음성예측도 92.2%,91.3%. 모든 지표에서 EfficientDet-D3의 성능이 두 치과의사보다 높았다.
결 론: DCNN을 이용한 파노라마방마선영상에서 비구개관낭과 치근단낭의 자동 탐지 및 분류 방법은 치과의사와 비교하여 높은 진단 정확도를 달성하였으며, 향후 임상 적용에 대한 긍정적인 가능성을 제시하였다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)