[논문]자동 치아뿌리 영역 검출 알고리즘에 관한 연구

신승환; 김윤호

doi:10.7838/jsebs.2014.19.4.045

자동 치아뿌리 영역 검출 알고리즘에 관한 연구
A Study on Automatic Tooth Root Segmentation For Dental CT Images 원문보기

한국전자거래학회지 = The Journal of Society for e-Business Studies, v.19 no.4, 2014년, pp.45 - 60

신승환 (Mobile Division, Samsung Electronics) , 김윤호 (Dept. of Computer Science, Sangmyung University)

초록
AI-Helper

컴퓨터 단층 촬영(Computed Tomography)을 통해 만들어진 3차원의 데이터를 온라인상으로 치과 의료에 사용하게 되면서 정보의 왜곡이나 손실 없이 3차원의 해부학적 정보를 얻을 수 있고, 치아 이식술이나 교정을 하기 전에 안전하게 치료계획을 세울 수 있다. CT 데이터를 이용한 정확한 진단을 위해서는 개별 치아를 분할 할 수 있어야 한다. 그러나 CT 데이터 상에서 치아 영역과 그 주변 영역은 밝기의 차이가 크기 않기 때문에 개별 치아를 분할하는 작업은 쉽지 않다. 특히 치아의 뿌리 부분으로 갈수록 치아 주변에 턱 뼈가 위치하기 때문에 더욱 구별이 힘들다. 본 논문에서는 자동으로 개별 치아를 분리하는 기존의 SRG(Seeded Region Growing) 알고리즘에 레벨-셋 방법을 추가하여 치아 뿌리 부분까지 더 정확하게 분할하는 알고리즘을 제안한다. 제안한 방법은 기존의 방법과 비교한 결과 개별 치아의 종류에 따라 19.2%의 정확도 향상을 얻을 수 있다.

Abstract ▼ AI-Helper

Dentist can obtain 3D anatomical information without distortion and information loss by using dental Computed Tomography scan images on line, and also can make the preoperative plan of implant placement or orthodontics. It is essential to segment individual tooth for making an accurate diagnosis. However, it is very difficult to distinguish the difference in the brightness between the dental and adjacent area. Especially, the root of a tooth is very elusive to automatically identify in dental CT images because jawbone normally adjoins the tooth. In the paper, we propose a method of automatically tooth region segmentation, which can identify the root of a tooth clearly. This algorithm separate the tooth from dental CT scan images by using Seeded Region Growing method on dental crown and by using Level-set method on dental root respectively. By using the proposed method, the results can be acquired average 19.2% better accuracy, compared to the result of the previous methods.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 이러한 기존 방식의 문제를 해결하기 위하여 치관(Dental Crown)부분과 치근(Dental Root)부분을 분리하여 각기 다른 알고리즘을 사용하는 방법을 제안한다. 우선 치관 부분은 주변 영역과의 밝기 차이가 크기 때문에 기존의 알고리즘으로도 쉽게 분할이 가능하므로 기존 알고리즘을 유지하는 방향으로 한다.
본 논문에서는 치아의 뿌리 부분까지 온전하게 분할하는 알고리즘을 제안한다. 제 2장에서는 의료 영상 처리에 사용되는 기본적인 기술에 대해 소개한다.
실험 결과를 수치적으로 분석하기에 앞서, 기존 SRG 방식에 비하여 어느 정도의 성능 향상이 있었는지를 가시적으로 확인하고자 한다. 분할한 개별 치아들에 고유의 번호를 지정한다.

가설 설정

(2) CT 영상의 뼈 부분 중 가장 앞부분으로 돌출되어 나오는 부분은 전치이다. 이 전치의 위치를 찾는다.

제안 방법

즉, 레벨-셋 방법을 사용하는 대상이 3차원의 볼륨 영상인지, 아니면 2차원의 슬라이스 영상인지를 선택해야 한다. 3차원 레벨-셋 방법은 에너지 함수를 구성하기가 복잡하고 계산 시간이 많이 걸리기 때문에 본 논문에서는 치아 CT 영상을 여러 개의 축상면(Axial plane)으로 나누어 2차원 레벨-셋 방법을 적용하고 결과를 합친다.
먼저 실험 결과로 얻어진 개별 치아를 기존의 방식과 비교하고, 결과를 분석한다. 그 다음에는 두 방법이 실제 치아 영역과 어느 정도의 차이를 보이는가를 비교하고 그 결과를 분석한다. 실험은 Intel Core Quad CPU i5-CPU 3.
디락 델타 함수(Dirac Delta Function) δε 는 원래 x= 0일 때, 무한대의 값을 갖고 그 이외에는 0의 값을 갖는 함수지만, 여기서는 ε값을 두어, ε의 범위 안에서만 영향을 끼치도록 하였다.
일반적으로 치아는 치관 하부부터 치근까지 영역이 점차 가늘어지기 때문에, 초기 윤곽선보다 수축되어야 한다. 따라서 본 논문에서 제안한 방식에서는 계수 v를 양의 값으로 설정한다.
본 장에서는 앞서 제시한 SRG와 레벨-셋의 혼합 방법으로 실제 데이터를 가지고 수행한 실험 결과를 제시하고 분석한다. 먼저 실험 결과로 얻어진 개별 치아를 기존의 방식과 비교하고, 결과를 분석한다. 그 다음에는 두 방법이 실제 치아 영역과 어느 정도의 차이를 보이는가를 비교하고 그 결과를 분석한다.
본 논문에서 제안하는 방식은 치관 부분은 기존의 방식대로 SRG 방식으로 분할을 하기 때문에 레벨-셋 방법은 치관 아래부터 치근까지의 영역을 대상으로 적용된다. 2차원 레벨셋 방식이기 때문에 여러 개의 축상면(Axial plane)에 대해 알고리즘을 적용해야 하는데, 그 중 가장 위쪽 축상면을 처리할 때는 SRG로 찾은 영역을 기준으로 초기 윤곽선을 설정하는 것이다.
본 논문에서 제안한 방식은 치아 뿌리 부분을 좀 더 세밀하게 분할하기 위하여 기존의 단순한 SRG 방식에 레벨-셋 방법을 추가한 것이다. 따라서 레벨-셋 방법이 수행되는 시간만큼 시간이 더 걸리게 되는데, 레벨-셋 방식으로 각 치아가 분할되는 시간은 치아당 평균 5.
본 논문에서는 치관 부분과 치근부분을 분리하여 치관 부분은 주변 영역과의 밝기 차이가 크기 때문에 SRG 방식으로 해결하고 치근의 경우는 영역의 경계를 보다 정밀하게 검출할 수 있는 레벨-셋 방법을 제안하였다. 실험을 통하여 가시적인 결과와 다이스 계수를 이용하여 유사도를 측정한 결과 실제 치아와의 유사도를 향상시킴으로써 약 19.
본 장에서는 앞서 제시한 SRG와 레벨-셋의 혼합 방법으로 실제 데이터를 가지고 수행한 실험 결과를 제시하고 분석한다. 먼저 실험 결과로 얻어진 개별 치아를 기존의 방식과 비교하고, 결과를 분석한다.
치아 영역 검출 알고리즘은 SRG 방식을 사용한다. 분할 평면 사이에 뼈 부분에 기준점을 설정하고 그 부분으로부터 SRG 방식으로 영역을 확장해 나간다. 영역 확장 중에 분할 평면에 닿게 되면 확장을 멈추는 방식으로 진행하기 때문에, 인접한 치아로 넘어가서 과잉 영역을 확장하는 것을 어느 정도 방지 할 수도 있다.
40GHz에서 수행하였으며, 기준 영상은 600×600×423의 16bit 치아 CT 영상을 사용하였다. 실험은 총 6개의 CT 영상 데이터를 이용해 진행하였으며, 6개의 영상 데이터 중 비교적 금속인공물이 적은 영상을 사용한 실험을 중심으로 결과를 분석 하였다.
분할한 개별 치아들에 고유의 번호를 지정한다. 인접한 치아에 의해 분할 결과가 잘 식별되지 않는 것을 방지하기 위해 홀수 번째 치아와 짝수 번째 치아의 색을 달리하여 3차원 영상으로 가시화 하였다. [Figure 7]의 (a), (b), (c)는 오른쪽 어금니부터 1, 2, 3, 4 번째 치아, (d), (e), (f)는 5, 6, 7번째 치아를 분할 한 결과이다.
우선 치관 부분은 주변 영역과의 밝기 차이가 크기 때문에 기존의 알고리즘으로도 쉽게 분할이 가능하므로 기존 알고리즘을 유지하는 방향으로 한다. 치근의 경우는 영역의 경계를 보다 정밀하게 검출할 수 있는 레벨-셋 방법을 사용하여 정확도를 높이고자 한다. 치근의 윤곽선을 얻기 위해 레벨-셋 방법을 사용하려면 크게 세 가지 사항을 고려해야 한다.

대상 데이터

실험은 Intel Core Quad CPU i5-CPU 3.40GHz에서 수행하였으며, 기준 영상은 600×600×423의 16bit 치아 CT 영상을 사용하였다.

이론/모형

(3) 전치와 연결되어 있는 뼈 영역을 연결 요소 레이블링(Connected-Component Labeling)방법을 이용하여 분할한다. 이 과정으로 인해 목뼈 부분이 관심 영역에서 제외 된다.
2차원 레벨셋 방식이기 때문에 여러 개의 축상면(Axial plane)에 대해 알고리즘을 적용해야 하는데, 그 중 가장 위쪽 축상면을 처리할 때는 SRG로 찾은 영역을 기준으로 초기 윤곽선을 설정하는 것이다. SRG로 분할 한 영역의 내부를 음의 값, 영역 외부를 양의 값을 설정하여 초기 윤곽선을 두고 레벨-셋 방법을 적용하여 실제 치아의 윤곽선을 얻는다. 이 윤곽선은 다음 축상면의 초기 윤곽선으로 이용되며 이러한 방식으로 계속 진행되어 나가면서 모든 축상면에서 치아 윤곽을 찾게 된다.
정확도 측정 방법은 다이스 계수(Dice Coefficient) 방식을 사용하여 측정한다. 다이스 계수 방식에서 QS(Quotient of Similarity)는 프로그램을 통해 검출한 영역과 실제 영역 사이의 비율을 의미한다.
치아 사이를 구분 하는 방법은 턱 분할 평면(Jaw division plane)을 찾을 때 사용 했던 비용 분석 방법을 사용한다.
치아 사이를 구분하는 평면을 찾았으면 구분 평면 사이 영역에서 실제 치아 영역을 추출해 낼 수 있다. 치아 영역 검출 알고리즘은 SRG 방식을 사용한다. 분할 평면 사이에 뼈 부분에 기준점을 설정하고 그 부분으로부터 SRG 방식으로 영역을 확장해 나간다.

성능/효과

SRG 방식은 평균 62.3%의 실제 치아와 유사도를 나타내고 있으며 제안한 SRG와 레벨-셋 혼합방식은 실제 치아와 81.5%의 유사도를 나타내고 있으며 약 19.2%의 정확도 향상을 얻을 수 있다. 레벨-셋 방식에 영향을 주는 인자들에 대해서는 여러 번 테스트를 하여 최적의 인자 값을 찾으려 하였다.
본 논문에서 제안한 방식은 치아 뿌리 부분을 좀 더 세밀하게 분할하기 위하여 기존의 단순한 SRG 방식에 레벨-셋 방법을 추가한 것이다. 따라서 레벨-셋 방법이 수행되는 시간만큼 시간이 더 걸리게 되는데, 레벨-셋 방식으로 각 치아가 분할되는 시간은 치아당 평균 5.37초가 걸렸다.
본 논문에서는 치관 부분과 치근부분을 분리하여 치관 부분은 주변 영역과의 밝기 차이가 크기 때문에 SRG 방식으로 해결하고 치근의 경우는 영역의 경계를 보다 정밀하게 검출할 수 있는 레벨-셋 방법을 제안하였다. 실험을 통하여 가시적인 결과와 다이스 계수를 이용하여 유사도를 측정한 결과 실제 치아와의 유사도를 향상시킴으로써 약 19.2%의 정확도 향상을 얻을 수 있었다.

후속연구

향후에 다양하고 정상적인 데이터를 대상으로 실험이 이루어진다면 많은 테스트를 통해 좀 더 성능이 좋은 인자 값을 찾는 것이 가능할 수 있다. 또한 치아 영상의 노이즈를 제거함과 동시에 경계 부분을 살릴 수 있는 전처리 기술을 이용한다면 좀 더 좋은 결과를 얻을 수 있을 것으로 기대된다.
37초 정도 더 걸리는 문제가 발생하였다. 향후 개선 방향으로는 치아 분할 작업이 각기 독립적으로 이루어지기 때문에 병렬 프로그래밍으로 속도를 향상을 기대할 수 있다. 의료 영상 작업에 사용되는 데이터가 제한적이기 때문에 다양한 데이터의 확보가 어려우며, 확보한 데이터도 금속 인공물로 인해 육안으로도 구별이 힘든 경우가 많은 어려움이 있다.
의료 영상 작업에 사용되는 데이터가 제한적이기 때문에 다양한 데이터의 확보가 어려우며, 확보한 데이터도 금속 인공물로 인해 육안으로도 구별이 힘든 경우가 많은 어려움이 있다. 향후에 다양하고 정상적인 데이터를 대상으로 실험이 이루어진다면 많은 테스트를 통해 좀 더 성능이 좋은 인자 값을 찾는 것이 가능할 수 있다. 또한 치아 영상의 노이즈를 제거함과 동시에 경계 부분을 살릴 수 있는 전처리 기술을 이용한다면 좀 더 좋은 결과를 얻을 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	이진화란 무엇인가?	이진화(Thresholding)는 영상 처리에서 사용하는 가장 단순한 방법 중 하나이다. 치아단층촬영 영상은 일반적으로 12비트의 그레이-스케일(gray-scale)영상이다. 이 영상은 3차원의 해부학적 정보를 12비트 즉, 4096의 범위를 갖는다.
	Otsu의 방법의 장점은 무엇인가?	현재까지 알려진 이진화 방법 중 가장 성능이 좋고 널리 쓰이는 방식은 바로 Otsu의 방법이다[7]. 이 방법은 그레이-스케일 영상에서 배경과 물체를 구분하기 위한 최적의 임계값을 자동으로 찾아 준다.
	Otsu의 방법의 기본 원리는 무엇인가?	Otsu의 방법의 기본 원리는 영상의 픽셀당 밝기를 기준으로 히스토그램을 만들고 그 히스토그램을 두 그룹으로 나눌 수 있는 임계값을 찾는데, 이 때, 각 그룹 내의 히스토그램의 분산은 최소로 그룹 간의 히스토그램의 분산은 최대가 되도록 기준을 두는 것이다. 이렇게 되면 두 그룹을 분리할 수 있는 가장 최적의 임계값을 찾게 되고 이 값을 이진화에 사용할 수 있다.

참고문헌 (8)

Akhoondali, H., Zoroofi, R. A., and Shirani, G., "Rapid automatic segmentation and visualization of teeth in CT-scan data," Journal of Applied Sciences Vol. 9, No. 11, pp. 2031-2044, 2009.

상세보기
Gao, H. and Oksam Chae, "Automatic tooth region separation for dental CT images," Convergence and Hybrid Information Technology, 2008. ICCIT'08. Third International Conference on, Vol. 1, 2008.
Jageul, Y., "Smart Phone Picture Recognition Algorithm Using Electronic Maps of Architecture Configuration," The Journal of Society for e-Business Studies, Vol. 17, No. 3, 2012.

원문보기 상세보기
Kim, G. H., et al., "Automatic Teeth Axes Calculation for Well-Aligned Teeth Using Cost Profile Analysis Along Teeth Center Arch," Biomedical Engineering, IEEE Transactions on, Vol. 59, No. 4, pp. 1145-1154, 2012.

상세보기
Li, Chunming, et al., "Level set evolution without re-initialization : a new variational formulation," Computer Vision and Pattern Recognition, CVPR 2005, IEEE Computer Society Conference on, Vol. 1, 2005.
Li, Chunming, et al., "Distance regularized level set evolution and its application to image segmentation," Image Processing, IEEE Transactions on, Vol. 19, No. 12, pp. 3243-3254, 2010.

상세보기
Otsu, N., "A threshold selection method from gray-level histogram," IEEE Transactions on System Man Cybernetics, Vol. SMC-9, No. 1, pp. 62-66, 1979.
Savneet Dhaliwal, and Abhilasha Jain, "A Survey on Seeded Region Growing based Segmentation Algorithms," International Journal of Computer Science and Management Research, Vol. 2, No. 6, 2013.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증