목적: 골다공증은 전신의 골격계에 이환되는 질환이다. 파노라마방사선영상을 사용한 인공지능(artificial intelligence, AI)의 골다공증 판별능에 관한 이전 연구들은 파노라마방사선영상 중 하악 하연의 피질골을 포함하여 국소적인 영역으로 관심영역 제한하여 시행되었다. 본 연구는 파노라마방사선영상의 전체 영역을 대상으로 AI의 골다공증 판별시 민감하게 반응하는 영역을 확인하는 데 목적을 두고 있다. 연구재료 및 방법: 본 연구를 위하여 총 1,156명(평균 49.0±24.0세)의 여성 환자의 치과용 파노라마방사선영상이 사용되었다. 파노라마방사선영상들은 영상치의학과 전문의에 의하여 골다공증 환자와 음성 환자로 진단되었다. 골다공증 환자 537명(평균 73.7±7.8세) 중 383명(평균 74.0±7.6세)의 파노라마방사선영상은 ...
목적: 골다공증은 전신의 골격계에 이환되는 질환이다. 파노라마방사선영상을 사용한 인공지능(artificial intelligence, AI)의 골다공증 판별능에 관한 이전 연구들은 파노라마방사선영상 중 하악 하연의 피질골을 포함하여 국소적인 영역으로 관심영역 제한하여 시행되었다. 본 연구는 파노라마방사선영상의 전체 영역을 대상으로 AI의 골다공증 판별시 민감하게 반응하는 영역을 확인하는 데 목적을 두고 있다. 연구재료 및 방법: 본 연구를 위하여 총 1,156명(평균 49.0±24.0세)의 여성 환자의 치과용 파노라마방사선영상이 사용되었다. 파노라마방사선영상들은 영상치의학과 전문의에 의하여 골다공증 환자와 음성 환자로 진단되었다. 골다공증 환자 537명(평균 73.7±7.8세) 중 383명(평균 74.0±7.6세)의 파노라마방사선영상은 학습 데이터, 72명(평균 73.7±8.0세)의 파노라마방사선영상은 테스트 데이터로 사용되었다. 정상환자 619명(평균 27.5±5.4세) 중 433명(평균 27.7±5.4세)의 파노라마방사선영상은 학습 데이터, 93명(평균 26.4±5.1세)의 파노라마방사선영상은 테스트 데이터로 사용되었다. VGG16딥러닝 합성곱(CNN) 모델이 골다공증과 정상을 판별하는 데 사용되었다. VGG16이 골다공증을 판별할 때 민감하게 반응하는 영역을 나타내기 위하여 gradient-weighted class activationmapping (Grad-CAM) 시각화를 시행하였다. 결과: 골다공증과 정상 판별의 정확도는 100%였다. CNN에 의하여 골다공증으로 판정된 72장의 파노라마방사선영상에서 Grad-CAM을 적용하여 얻은 히트맵 이미지에서 민감영역이 경추에서 70.8% (51/72), 하악 하연의 피질골에서 72.2% (52/72), 두개저 부분에서 30.6% (22/72), 하악 해면골에서 33.3% (24/72), 상악 해면골에서 20.8% (15/72), 관골에서 8.3% (6/72), 치아 부분에서 5.6% (4/72)로 나타났다. 고찰: 파노라마방사선영상의 전체 영역을 대상으로 AI가 골다공증을 판별할 때 경추 부분과 하악 하연 피질골이 민감하게 반응하는 영역으로 나타났다.
목적: 골다공증은 전신의 골격계에 이환되는 질환이다. 파노라마방사선영상을 사용한 인공지능(artificial intelligence, AI)의 골다공증 판별능에 관한 이전 연구들은 파노라마방사선영상 중 하악 하연의 피질골을 포함하여 국소적인 영역으로 관심영역 제한하여 시행되었다. 본 연구는 파노라마방사선영상의 전체 영역을 대상으로 AI의 골다공증 판별시 민감하게 반응하는 영역을 확인하는 데 목적을 두고 있다. 연구재료 및 방법: 본 연구를 위하여 총 1,156명(평균 49.0±24.0세)의 여성 환자의 치과용 파노라마방사선영상이 사용되었다. 파노라마방사선영상들은 영상치의학과 전문의에 의하여 골다공증 환자와 음성 환자로 진단되었다. 골다공증 환자 537명(평균 73.7±7.8세) 중 383명(평균 74.0±7.6세)의 파노라마방사선영상은 학습 데이터, 72명(평균 73.7±8.0세)의 파노라마방사선영상은 테스트 데이터로 사용되었다. 정상환자 619명(평균 27.5±5.4세) 중 433명(평균 27.7±5.4세)의 파노라마방사선영상은 학습 데이터, 93명(평균 26.4±5.1세)의 파노라마방사선영상은 테스트 데이터로 사용되었다. VGG16 딥러닝 합성곱(CNN) 모델이 골다공증과 정상을 판별하는 데 사용되었다. VGG16이 골다공증을 판별할 때 민감하게 반응하는 영역을 나타내기 위하여 gradient-weighted class activation mapping (Grad-CAM) 시각화를 시행하였다. 결과: 골다공증과 정상 판별의 정확도는 100%였다. CNN에 의하여 골다공증으로 판정된 72장의 파노라마방사선영상에서 Grad-CAM을 적용하여 얻은 히트맵 이미지에서 민감영역이 경추에서 70.8% (51/72), 하악 하연의 피질골에서 72.2% (52/72), 두개저 부분에서 30.6% (22/72), 하악 해면골에서 33.3% (24/72), 상악 해면골에서 20.8% (15/72), 관골에서 8.3% (6/72), 치아 부분에서 5.6% (4/72)로 나타났다. 고찰: 파노라마방사선영상의 전체 영역을 대상으로 AI가 골다공증을 판별할 때 경추 부분과 하악 하연 피질골이 민감하게 반응하는 영역으로 나타났다.
Purpose: Osteoporosis is a disease that affects bones of the whole body. Previous studies of artificial intelligence (AI) for predicting osteoporosis on panoramic radiographs have used cropped images that include mandibular inferior cortical bone. This study aimed to investigate sensitive area for A...
Purpose: Osteoporosis is a disease that affects bones of the whole body. Previous studies of artificial intelligence (AI) for predicting osteoporosis on panoramic radiographs have used cropped images that include mandibular inferior cortical bone. This study aimed to investigate sensitive area for AI to predict osteoporosis on full-size panoramic radiographs. Materials and Methods: Panoramic radiographs were selected from 1,156 female patients (mean age 49.0±24.0 yrs). All panoramic radiographs were diagnosed as osteoporosis or normal by oral and maxillofacial radiologists. Among 537 radiographs of osteoporosis patients (mean age 73.7±7.8 yrs), 383 (mean age 74.0±7.6 yrs) were used for training data and 72 (mean age 73.7±8.0 yrs) for testing. Among 619 radiographs of normal patients (mean age 27.5±5.4 yrs), 433 (mean age 27.7±5.4 yrs) were used for training data and 93 (mean age 26.4±5.1 yrs) for testing. VGG16 deep learning convolutional neural network model was used for prediction of osteoporosis and normal. Gradient-weighted class activation mapping (Grad-CAM) visualization was performed for determining the sensitive area for VGG16 to diagnose osteoporosis. Results: The accuracy of predicting osteoporosis cases was 100%. In 72 osteoporosis patients predicted as having osteoporosis by AI, the sensitive area was at cervical vertebrae in 70.8% of the cases (51/72) and 72.2% (52/72) for mandibular inferior cortical bone, 30.6% (22/72) for cranial base, 33.3% (24/72) for mandibular cancellous bone, 20.8% (15/72) for maxillary cancellous bone, 8.3% (6/72) for zygomatic bone, and 5.6% (4/72) for teeth area. Conclusions: The cervical vertebrae and mandibular inferior cortical bone were sensitive area in predicting of AI for osteoporosis on full-size panoramic radiographs.
Purpose: Osteoporosis is a disease that affects bones of the whole body. Previous studies of artificial intelligence (AI) for predicting osteoporosis on panoramic radiographs have used cropped images that include mandibular inferior cortical bone. This study aimed to investigate sensitive area for AI to predict osteoporosis on full-size panoramic radiographs. Materials and Methods: Panoramic radiographs were selected from 1,156 female patients (mean age 49.0±24.0 yrs). All panoramic radiographs were diagnosed as osteoporosis or normal by oral and maxillofacial radiologists. Among 537 radiographs of osteoporosis patients (mean age 73.7±7.8 yrs), 383 (mean age 74.0±7.6 yrs) were used for training data and 72 (mean age 73.7±8.0 yrs) for testing. Among 619 radiographs of normal patients (mean age 27.5±5.4 yrs), 433 (mean age 27.7±5.4 yrs) were used for training data and 93 (mean age 26.4±5.1 yrs) for testing. VGG16 deep learning convolutional neural network model was used for prediction of osteoporosis and normal. Gradient-weighted class activation mapping (Grad-CAM) visualization was performed for determining the sensitive area for VGG16 to diagnose osteoporosis. Results: The accuracy of predicting osteoporosis cases was 100%. In 72 osteoporosis patients predicted as having osteoporosis by AI, the sensitive area was at cervical vertebrae in 70.8% of the cases (51/72) and 72.2% (52/72) for mandibular inferior cortical bone, 30.6% (22/72) for cranial base, 33.3% (24/72) for mandibular cancellous bone, 20.8% (15/72) for maxillary cancellous bone, 8.3% (6/72) for zygomatic bone, and 5.6% (4/72) for teeth area. Conclusions: The cervical vertebrae and mandibular inferior cortical bone were sensitive area in predicting of AI for osteoporosis on full-size panoramic radiographs.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.