[논문]심층 학습을 활용한 가상 치아 이미지 생성 연구 -학습 횟수를 중심으로

배은정; 정준호; 손윤식; 임중연

doi:10.14347/kadt.2020.42.1.1

심층 학습을 활용한 가상 치아 이미지 생성 연구 -학습 횟수를 중심으로
A Study on Virtual Tooth Image Generation Using Deep Learning - Based on the number of learning 원문보기

대한치과기공학회지 = The Journal of Korean Academy of Dental Technology, v.42 no.1, 2020년, pp.1 - 8

배은정 (동국대학교 기계로봇에너지공학과) , 정준호 (공주대학교 컴퓨터공학과) , 손윤식 (동국대학교 컴퓨터공학과) , 임중연 (동국대학교 기계로봇에너지공학과)

Abstract ▼ AI-Helper

Purpose: Among the virtual teeth generated by Deep Convolutional Generative Adversarial Networks (DCGAN), the optimal data was analyzed for the number of learning. Methods: We extracted 50 mandibular first molar occlusal surfaces and trained 4,000 epoch with DCGAN. The learning screen was saved every 50 times and evaluated on a Likert 5-point scale according to five classification criteria. Results were analyzed by one-way ANOVA and tukey HSD post hoc analysis (α = 0.05). Results: It was the highest with 83.90±6.32 in the number of group3 (2,050-3,000) learning and statistically significant in the group1 (50-1,000) and the group2 (1,050-2,000). Conclusion: Since there is a difference in the optimal virtual tooth generation according to the number of learning, it is necessary to analyze the learning frequency section in various ways.

주제어

표/그림 (6)

그림 Figure 1. Schematic diagram of tooth image generation and learning model process
표 Table 1. Match classification standards of the virtual mandibular left first molars and inter-rater reliability analysis results (ICC)Item
표 Table 2. Descriptive statistical results of mandibular left first molar measured on a likert 5-point scale
표 Table 3. ANOVA test results between groups according to the number of learning
표 Table 4. Tukey HSD multiple comparison results for mandibular left first molar classification
그림 Figure 2. Random image by group

AI 본문요약
AI-Helper

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

문제 정의

그러나 분석 횟수나 방법 등에 따라서 결과의 질에 차이가 있을 수 있기 때문에 최적화된 학습에 대한 연구가 필요하다. 본 연구에서는 DCGAN을 통해생성된 가상 치아들 중 최적의 데이터가 가장 많은 학습횟수 구간을 분석하여 의료 빅데이터를 위한 기초연구자료로 활용하고자 한다.
본 연구에서는 실제 치아를 학습한 인공지능에서 만들어낸 가상 치아가 실제 치아와 얼마나 유사한지 알아보고자 하였으며, 그 중에서도 학습 횟수 구간에 따라 어떤 차이가 있는지 분석하였다. 리커트 5점 척도로 분석한 평균의 점수가 높을수록 일치하는 항목이 많다는 점에서 2,050~3,000번 학습한 그룹3의 학습 횟수에서 가상 치아의 유사도가 높은 것을 알 수 있었다.

제안 방법

DCGAN을 통해 생성된 가상 치아들 중 최적의 데이터가 가장 많은 학습 횟수 구간을 분석하고자 50~1,000번 학습한 구간을 그룹1, 1,050~2,000번 학습한 구간을 그룹2, 2,050-3,000번 학습한 구간을 그룹3, 3,050~4,000번 학습한 구간을 그룹4로 구분하여 비교한 결과를 요약하면 다음과 같다.
본 연구에서는 객관적인 분류기준을 만들기 위해서 치아형태가 기록된 전문 서적을 참고하여 다섯 가지의 분류기준을 만들었다. 그리고 이 다섯 가지 분류기준에 일치하는 정도를 리커트 5점 척도로 평가하였다.
분류 기준에 따라 다섯 가지 항목이 모두 일치하는 경우는 5점으로 하여 일치하는 정도를 리커트 5점 척도로 전문지식을 가진 1인의 전문가 1주 간격을 두고 3회에 걸쳐 평가하였다. 전문가는 다섯 가지 기준을 바탕으로 모든 데이터를 비교해가며 다섯 가지 기준 중 얼마나 일치하는 지를 평가하였다.
실제 치아 이미지로부터 딥러닝 모델인 Deep Convolutional Generative Adversarial Networks(DCGAN)을 이용해 학습을 시키고, 주어진 조건을 만족하는 가상의 치아 이미지를 분류하는 딥러닝 모델을 제안하고자 본 연구에서는 DCGAN을 통해 생성된 가상치아들 중 최적의 데이터가 가장 많은 학습 횟수 구간을분석하였다.
실제 치아 특징과 유사한 가상 치아 데이터가 가장 많은 학습 횟수 구간을 파악하기 위해 50번 단위마다 학습 화면을 저장하였고, 화면 당 25개의 가상 치아가 생성되었다. 생성된 가상 치아가 실제 치아와 어느 정도의 유사성을 가지는지 평가하기 위해 치아형태학(손향옥,지성출판사)을 참고하여 table 1과 같은 분류 기준을 세웠다.
이를 위해 충분히 데이터를 수집해야 하지만 앞에 언급된 문제로 인해 수집되는 양이 매우 적으며, 수집하는데 있어 어려움이 존재한다. 이를 극복하고자 실제 치아 이미지로부터 딥러닝 모델인 Deep Convolutional Generative Adversarial Networks (DCGAN)을 이용해 학습을 시키고, 주어진 조건을 만족하는 가상의 치아 이미지를 분류하는 연구를 제안하고자 하였다.
전체 학습 epoch는 4,000번으로 실행했는데, 각각의학습마다 생성기(generator)가 이미지를 생성하고 식별기(discriminator)가 생성된 이미지를 판별하는 횟수인 배치 사이즈를 다양하게 바꿔보며 모델을 학습하였다. 학습을 진행한 컴퓨터의 GPU RAM 크기가 16GB인점을 고려해 최종 배치 사이즈는 25개로 설정했다.
치과용 스캐너(3shape E1, Copenhagen, Denmark)로 스캔 된 치아 중에서 분석을 위해 하악 좌측 제1대구치 교합면을 jpg 파일 형식으로 추출하였다. 총 50개의교합면 이미지를 DCGAN 분석에 사용하였다(Fig.

대상 데이터

본 연구에 사용된 데이터 셋은 총 50개로 Choi 등의DCGAN 기반영상 패턴 제거 연구에서는 1100장의 영상을 사용하였고 Choi et al(2018), 약 2000장의 이미지를 학습데이터로 사용한 Jang 등(Jang et al, 2018)의 연구에 비해 많은 데이터는 아니지만 DCGAN 모델이 적은 양의 데이터만으로도 학습이 가능하다는 점에서 50개의 데이터로 연구를 수행하였다. Jung 등의 연구에서는 40장의 원본 데이터를 사용하여 추가적인 데이터를 생성하는 연구를 진행하면서 본 연구와 유사한 수준의 데이터를 사용하였다(Jung et al, 2019).

데이터처리

학습 횟수에 따른 차이를 확인하고자 1,000번 단위로나누어 그룹간 평균을 비교하였다. 그룹은 50~1,000번(그룹1), 1,050~2,000번(그룹2), 2,050~3,000번(그룹3), 3,050~4,000번(그룹4)로 총 4개의 그룹이었으며, 그룹간의 차이를 보기위해 one-way ANOVA분석과 tukey HSD 사후분석을 실시하여 유의수준 0.05에서 검정하였다(IBM SPSS statistics 23).
전문가는 다섯 가지 기준을 바탕으로 모든 데이터를 비교해가며 다섯 가지 기준 중 얼마나 일치하는 지를 평가하였다. 측정자(전문가)의 신뢰도 평가를 위해 한 명의 측정자(전문가)가 3회 동일한 분석을 반복하였으며, 급내상관분석을 통해 신뢰성 분석을 실시하였다. 측정자 내 신뢰도 분석은 급내상관계수(Intraclass correlation coefficient, ICC)로 표시하고0에서 1사이의 값 중 1에 가까울수록 일치도가 높은 것을 의미한다.
학습 횟수에 따른 차이를 확인하고자 1,000번 단위로나누어 그룹간 평균을 비교하였다. 그룹은 50~1,000번(그룹1), 1,050~2,000번(그룹2), 2,050~3,000번(그룹3), 3,050~4,000번(그룹4)로 총 4개의 그룹이었으며, 그룹간의 차이를 보기위해 one-way ANOVA분석과 tukey HSD 사후분석을 실시하여 유의수준 0.

성능/효과

1. 최적의 가상 치아 데이터가 가장 많은 분석 구간은 그룹3으로 83.90±6.32점이었고 가장 낮은 구간은 34.35±16.36점인 그룹1이었다.
3. 학습 횟수 증가와 최적의 가상 치아 생성은 비례하지는 않았다.
본 연구에서는 실제 치아를 학습한 인공지능에서 만들어낸 가상 치아가 실제 치아와 얼마나 유사한지 알아보고자 하였으며, 그 중에서도 학습 횟수 구간에 따라 어떤 차이가 있는지 분석하였다. 리커트 5점 척도로 분석한 평균의 점수가 높을수록 일치하는 항목이 많다는 점에서 2,050~3,000번 학습한 그룹3의 학습 횟수에서 가상 치아의 유사도가 높은 것을 알 수 있었다. 그러나 학습 횟수가 많을수록 우수하다고 판단하기는 어렵다.
적용하는 분야마다 차이는 있겠지만 딥러닝을 통한 분석 시 약 3,000번 정도의 학습을 하는 것을 알 수 있었다. 본 연구에서도 4,000번의 학습이 끝난 후 생성된 이미지들을 확인해보니 DCGAN의 향상된 성능 덕분에 2,000~3,000번 사이의 학습만으로도충분히 좋은 이미지를 생성할 수 있었다.

후속연구

이때 생성된 가상의 치아는 대체재이지만 반드시 실제 치아의 특성을 가지고 있어야 한다. 그러나 분석 횟수나 방법 등에 따라서 결과의 질에 차이가 있을 수 있기 때문에 최적화된 학습에 대한 연구가 필요하다. 본 연구에서는 DCGAN을 통해생성된 가상 치아들 중 최적의 데이터가 가장 많은 학습횟수 구간을 분석하여 의료 빅데이터를 위한 기초연구자료로 활용하고자 한다.
83점으로 오히려 낮게 나타나면서 분석 횟수가 증가한다고 해서 최적의 가상치아 생성이 비례하지는 않았다. 그러나 학습 횟수에 따라 최적의 결과를 얻어내는데 차이가 있는 것으로 나타나면서 학습 횟수 구간을 다양하게 나누어 분석할 필요가 있을 것으로 사료된다. 또한 학습 횟수별로 소요되는 시간에 차이가 있기 때문에 가장 최적의 데이터를 많이 확보하면서 효율적으로 분석이 가능한 구간을 파악한다면 가상 치아를 생성하는 딥러닝 알고리즘을 더욱 정밀하게 만들어 낼 수 있을 것이다.
그러나 학습 횟수에 따라 최적의 결과를 얻어내는데 차이가 있는 것으로 나타나면서 학습 횟수 구간을 다양하게 나누어 분석할 필요가 있을 것으로 사료된다. 또한 학습 횟수별로 소요되는 시간에 차이가 있기 때문에 가장 최적의 데이터를 많이 확보하면서 효율적으로 분석이 가능한 구간을 파악한다면 가상 치아를 생성하는 딥러닝 알고리즘을 더욱 정밀하게 만들어 낼 수 있을 것이다.
90)보다 낮은 것으로 나타났으나 통계적으로 유의한 차이는 없었기 때문이다. 즉, 2,050~3,000번의 학습 횟수가 가장 우수한 가상 치아들을 생성하였으나,학습 횟수가 더 늘어났을 때의 결과도 추가적인 연구를 통해 확인해야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	빅데이터를 의료분야에 활용할 때 얻을 수 있는 효과는 무엇이 있는가?	빅데이터(big data)란 기존 데이터베이스의 저장·관리·분석 능력을 초과하는 다양한 형식을 가진 대량의데이터를 의미한다. 빅데이터를 보건의료에 활용하면서 의료비 절감, 의료 서비스의 질 향상 등 국가 경쟁력을 향상시키고자 다양한 연구들이 시도되고 있다(Alyasset al, 2015). 그러나 정보오류에 대한 책임과 진단 및치료 과실에 대한 책임 그리고 개인의 의료정보를 수집하여 사용한다는 점에서 법적 문제가 제기되고 있으며, 이에 대한 분석과 대응이 뒷받침 되어야 한다(Vergheseet al, 2018).
	빅데이터란 무엇인가?	빅데이터(big data)란 기존 데이터베이스의 저장·관리·분석 능력을 초과하는 다양한 형식을 가진 대량의데이터를 의미한다. 빅데이터를 보건의료에 활용하면서 의료비 절감, 의료 서비스의 질 향상 등 국가 경쟁력을 향상시키고자 다양한 연구들이 시도되고 있다(Alyasset al, 2015).
	빅데이터를 의료분야에 적용하면서 발생하는 문제는 무엇인가?	빅데이터를 보건의료에 활용하면서 의료비 절감, 의료 서비스의 질 향상 등 국가 경쟁력을 향상시키고자 다양한 연구들이 시도되고 있다(Alyasset al, 2015). 그러나 정보오류에 대한 책임과 진단 및치료 과실에 대한 책임 그리고 개인의 의료정보를 수집하여 사용한다는 점에서 법적 문제가 제기되고 있으며, 이에 대한 분석과 대응이 뒷받침 되어야 한다(Vergheseet al, 2018).

참고문헌 (27)

Alyass A, Turcotte M, Meyre D. From big data analysis to personalized medicine for all: challenges and opportunities. BMC Med genomics, 8(1), 33, 2015.

상세보기
Anderson N, Paavola M, Sognnes J. On the use of Denoising Autoencoders and Deep Convolutional Adversarial Networks for Automated Removal of Date Stamps (Master's thesis, University of Agder). 2019.
Cho HJ, Chang CB, Jung JW, Seong SC, Kim TK. Prevalence of Radiographic Knee Osteoarthritis in Elderly Koreans. Knee Surg Relat Res, 21(4), 223-231, 2009.
Choi EJ, Jo HY, Kim KS, Kim JT. The Study on Removing Image Pattern based on Deep Convolutional Generative Adversarial Network, IEIE, 456-458, 2018.
Choi KT. Real-time Artificial Neural Network for High-dimensional Medical Image. J. Korean Soc. Radiol, 10(8), 637-643, 2016.

원문보기 상세보기
Gao F, Yang Y, Wang J, Sun J, Yang E, Zhou H. A deep convolutional generative adversarial networks (DCGANs)-based semi-supervised method for object recognition in synthetic aperture radar (SAR) images. Remote Sens, 10(6), 846, 2018.

상세보기
Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJ. Artificial intelligence in radiology. Nat Rev Cancer, 18(8), 500-510, 2018.

상세보기
Jang YC, Anisetti M, Jeon G. A Study on demosaicking using DCGAN. In Proceedings of the Korea Information Processing Society Conference, KIPS, 792-794, 2018.
Jung SH, Cho HS, Kim JY, Lee GH. Prediction of water level in a tidal river using a deeplearning based LSTM model. J Korea Water Resour Assoc, 51(12), 1207-1216, 2018.
Jung WH, Jung DH, Kim YH, Kim CH, Lee HS, Yu HJ, Ryu JH, Oh HS. Deep Generative Models to Overcome an Insufficient Data Problem in Structural Health Diagnosis. Trans Korean Soc Mech Eng A, 43(3), 169-176, 2019.

상세보기
Jung YC. De-identification Policy of Personal Information and Tasks on Healthcare Big Data. Health and welfare policy forum, 227(0), 50-60, 2015.
Kang HJ. National-Level Use of Health Care Big Data and Its Policy Implications. Health and welfare policy forum. 238(0), 55-71, 2016.
Kim HY, Jung DC, Choi BW. Exploiting the Vulnerability of Deep Learning-Based Artificial Intelligence Models in Medical Imaging: Adversarial Attacks. J Korean Soc Radiol, 80(2), 259-273, 2019.

상세보기
Kim KS, Yun YH, Part JS, Kim NK, Kim KJ, Kim HT, Hong SU, Jang BH, Yoon HJ, Choi IH, Ko SG. Inter- and Intra-rater Reliability of Pattern Identification Using Nasal Endoscopy for Allergic Rhinitis. J Korean Med Ophthalmol Otolaryngol Dermatol, 26(2), 10-18, 2013.

원문보기 상세보기
Kim SJ. Reliability evaluation of dental caries detection using deep learning. Master's Thesis Seoul National University Graduate School: Dentistry, Graduate School of Dentistry, 2019.
Kim YG, Park HJ, Lee SG, Cha EY. Correlation Analysis and Optimization between Parameters using with Deep Learning. In Proceedings of the Korea Information Processing Society Conference, 22(2), 1285-1288, 2015.
Lee MJ. Big Data and the Utilization of Public Data. Internet and Information security, 2(2), 47-64, 2011.
Lee SH, Sim KS, Goo YH, Kim MS. Application Traffic Classification using TensorFlow Machine Learning Tool. J Commun Netw - S Kor, 224-225, 2016.
Lee SJ, Lee HS. HA Basic Study on the Effect of Number of Hidden Layers on Performance of Estimation Model of Compressive Strength of Concrete Using Deep Learning Algorithms. J Korea Inst Build Constr, 18(1), 130-131, 2018.
Lim JH, Ryu KH, Kim BC. An exploratory study on the direction of education and teacher competencies in the 4th industrial revolution. J Korean Educ, 44, 5-32, 2017.
Moon SY, Choi BD, Moon YL. Virtual Reality for Dental Implant Surgical Education. IEIE, 53(12), 169-174, 2016.

원문보기 상세보기
Park SH, Cho YB. An Effect of Genetic Algorithm for Creating a Dataset. J. Digit. Contents Soc., 20(1), 127-133, 2019.

상세보기
Park SH. Artificial Intelligence in Medicine: Beginner's Guide. J Korean Soc Radiol, 78(5), 301-308, 2018.

상세보기
Verghese A, Shah NH, Harrington RA. What this computer needs is a physician: humanism and artificial intelligence. Jama, 319(1), 19-20, 2018.

상세보기
Yang KC, Varol O, Davis CA, Ferrara E, Flammini A, Menczer F. Arming the public with artificial intelligence to counter social bots. Human Behavior and Emerging Technologies, 1(1), 48-61, 2019.

상세보기
Yoon HJ, Jeong YJ, Kang DY, Kang H, Yeo KK, Jeong JE, Ha SW. Effect of Data Augmentation of F-18-Florbetaben Positron-Emission Tomography Images by Using Deep Learning Convolutional Neural Network Architecture for Amyloid Positive Patients. J Korean Phys Soc, 75(8), 597-604, 2019.

상세보기
Yun JR, Chun SK, Kim HM, Kim UY. Object Recognition in $360^{\circ}$ Streaming Video. In Proceedings of the Korean Society of Computer Information Conference. J Korea Soc Comput Inf, 27(2), 317-318, 2019.

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