치과용 임플란트의 조직학적 분석 보조 수단으로서 인공지능 딥러닝 기법의 활용 가능성에 대한 연구 : 주변 조직과의 경계면 분할에 대한 고찰 = A Study on the Applicability of Deep Learning Technique as an Assistant for Histological Analysis of Dental Implants : A Consideration on the Separation of the Interface with Surrounding Tissues
저자
발행사항
서울 : 서울대학교 대학원, 2022
학위논문사항
학위논문(석사)-- 서울대학교 대학원 : 치의과학과 구강병리학전공 2022. 8
발행연도
2022
작성언어
한국어
주제어
DDC
617.6
발행국(도시)
서울
형태사항
64 ; 26 cm
일반주기명
지도교수: 이재일
UCI식별코드
I804:11032-000000173922
소장기관
Objectives
The purpose of this study is to examine whether deep learning technique can be used as an efficient and consistent aids in the bone histomorphometry of dental implant tissue images. To this end, the image segmentation accuracy of the implant and the surrounding tissue was evaluated compared to the previously developed staining color-based method.
Methods
In this study, images taken at 200x magnification from 16 dental implant specimens placed in the tibiae of rabbits were used. Through image annotation processing for use as ground truth, an entire image was divided into two classes: an implant area and a tissue area. The region of interest(ROI) was set around the boundary line of the two classes. The artificial intelligence methodologies used in this study are kNN and deep learning U-Net models, where kNN is a method of segmenting color based on the representative pixel value(instance) of each class. The U-Net is a model actively used in AI-based medical image segmentation research. This study used the Vanilla U-Net, which is the most basic structure. To compare the results between the two methodologies, test images not used for deep learning training were used. The ground truth image and the predicted image were compared on a pixel-by-pixel basis, and the accuracy, sensitivity, and the area under the ROC curve (AUROC) were evaluated. Also, the segmentation accuracy was compared using two evaluation indicators: IOU (Intersection Over Union) and DSC (Dice Similarity Coefficient).
Results
An instance was designated by randomly selecting a single image from kNN, and the accuracy with ground truth was compared as an IOU index by extracting predicted results from all image data. The accuracy of ROI was 90.39% on average in the range of 65-96%. Of these, the lowest accuracy was 65.83%, which rose to 91.39% when the instances were reselected according to the image, and in the predicted images, it was observed that the boundaries of each class became clearer. Through this, it was confirmed that there is a limitation of requiring the observer’s manual intervention to adjust the reference value each time the tissue image to be evaluated is changed, which is the same limitation shown in the previously developed staining color-based method. In the ROI, based on the implant, the average sensitivity was 90.68% for kNN and 98.32% for U-Net with data augmentation. The accuracy was 94.89% in kNN and 97.86% in U-Net, and AUROC was 93.69% in kNN and 99.79% in U-Net. IOU was 84.19% in kNN and 93.4% in U-Net, and DSC was 91.03% in kNN and 96.58% in U-Net model. When the deep learning method was used, superior performance was confirmed compared to the existing color-based segmentation method. In addition, in the segmented image, it was shown that the segmentation into two classes was more clear than kNN without encroaching on each other.
Conclusions
Deep learning technique can compensate for differences in results between observers that may appear when measuring bone to implant contact (BIC) and bone area (BA), which are important indicators in histological analysis of dental implants. The potential of deep learning technique was confirmed for development as an auxiliary tool to improve the consistency and efficiency of analysis. If tissue images including various aspects are obtained and training based on expert annotations is accompanied, it is determined that it could be used as an assisting means of bone-tissue analysis in pathology laboratories by possibly achieving segmentation accuracy from tissue area to bone and non-bone area.
목 적
이 연구의 목적은 치과용 임플란트 조직 이미지의 뼈 조직형태계측에서 인공지능 딥러닝 기법이 효율적이고 일관적인 보조수단으로 활용이 가능한 지 고찰하는 것이다. 이를 위해 염색된 색상 기반의 선행 개발 방식과 딥러닝 기법을 비교하여 임플란트와 주변 조직으로의 이미지 분할 정확도를 평가하였다.
방 법
본 연구에서는 토끼의 경골에 식립된 치과용 임플란트 표본 16장에서 200배율로 촬영된 이미지를 사용하였다. Ground truth로 사용하기 위한 이미지 주석(annotation) 처리를 통해 하나의 이미지 전체를 임플란트 영역과 조직 영역의 두가지 클래스로 구분하였다. 관심 영역은 두가지 클래스의 경계선을 중심으로 설정하였다. 연구에서 사용한 인공지능 방법론은 kNN과 딥러닝 U-Net 모델 두가지로, kNN은 색상을 나타내는 각 클래스의 대표 픽셀값(instance)에 기반하여 분할이 이루어진다. 딥러닝 U-Net 모델은 인공지능 기반 의료 이미지 분할 연구에서 활발하게 사용 중인 모델로, 본 연구는 가장 기본적인 구조인 Vanilla U-Net을 사용하였다. 두가지 방법론 간의 결과를 비교하기 위해 딥러닝 훈련에 사용하지 않은 테스트 이미지를 사용하였고, Ground truth 이미지와 예측된 이미지를 픽셀 단위로 비교하여 정확도와 민감도, Area under ROC curve(AUROC)로 평가하였다. 그리고 Intersection Over Union(IOU), Dice similarity coefficient(DSC)의 두가지 지표로 나타내어 분할 정확도를 비교하였다.
결 과
kNN에서 임의로 한 장의 이미지를 선택하여 instance를 지정하였고, 모든 이미지 데이터에서 예측 결과를 추출하여 Ground truth와의 정확도를 IOU 지표로서 비교하였다. 관심 영역의 정확도는 65~96% 범위에서 평균 90.39%로 나타났다. 이중 65.83%로 가장 낮은 정확도를 보인 이미지에 맞추어 다시 instance를 지정하였을 때 해당 사진은 91.39%까지 정확도가 상승하였고, 예측 결과 이미지에서 각 클래스의 서로 영역으로 침범 없이 경계가 명확해지는 양상을 확인하였다. 이를 통해 평가하고자 하는 조직 이미지가 변경될 때마다 그 이미지에 맞추어 기준값을 조정해야 하는 관찰자의 수동 개입이 매번 필요하다는 한계점을 확인하였고, 이는 선행 개발된 염색된 색상 기반 방식에서 나타나는 한계점과 동일하였다.
관심 영역에서 임플란트를 기준으로 sensitivity는 테스트 이미지 평균 kNN은 90.68%, 데이터 증강을 진행한 U-Net 모델에서는 98.32%, accuracy는 kNN에서 94.89%, U-Net 모델에서 97.86%, AUROC는 kNN에서 93.69%, U-Net 모델에서 99.79%로 나타났다. IOU는 kNN에서 84.19%, U-Net 모델에서 93.4%였으며, DSC는 kNN에서 91.03%, U-Net 모델에서 96.58%를 보이며 딥러닝 기법을 사용하였을 때 기존의 색상 기반 분할 방식과 비교하여 우수한 성능이 확인되었다. 더불어 분할 결과 이미지를 확인하였을 때 kNN에 비해 두가지 클래스로의 분할이 서로의 영역으로 침범 없이 더욱 명확한 양상을 확인하였다.
결 론
인공지능 딥러닝 기법은 치과용 임플란트의 조직학적 분석에서 중요한 지표인 Bone to implant contact(BIC)와 Bone area(BA)를 측정할 때 나타날 수 있는 관찰자 간의 결과 차이를 보완하며 분석의 일관성과 효율성을 향상시키는 보조 도구로의 발전 가능성이 확인되었다. 다양한 양상을 포함한 조직 이미지를 확보하고, 전문가의 주석을 토대로 한 훈련이 동반된다면 조직 영역에서 뼈와 뼈가 아닌 영역으로의 분할 정확도까지 달성하여 병리학 실험실에서 뼈조직 분석의 보조 수단으로 활용할 수 있을 것으로 판단하였다.
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)