[논문]치주질환 예측을 위한 치과 X-선 영상에서의 초해상화 알고리즘 적용 가능성 연구

김한나

doi:10.7742/jksr.2021.15.2.153

치주질환 예측을 위한 치과 X-선 영상에서의 초해상화 알고리즘 적용 가능성 연구
Investigation of the Super-resolution Algorithm for the Prediction of Periodontal Disease in Dental X-ray Radiography 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.15 no.2, 2021년, pp.153 - 158

김한나 (청주대학교 보건의료과학대학 치위생학과)

초록
AI-Helper

치주질환의 조기 진단률 및 예측 정확도 향상을 위한 X-선 영상 분석은 매우 중요한 분야이다. 이러한 치과 X-선 영상의 화질 개선을 위한 인공 지능 기반의 알고리즘 개발 및 적용에 관한 연구는 전 세계적으로 널리 수행 중이다. 따라서 본 연구의 목표는 치주질환 예측을 위한 치과 X-선 영상에서의 초해상화 알고리즘의 모델링 및 적용 가능성에 관하여 평가하는 것이다. 초해상화 알고리즘은 convolution layer와 ReLU를 기반으로 구성하였고, 저해상도 영상을 2배로 업샘플링 한 영상을 입력으로 사용하였다. 딥러닝 훈련을 위해 사용한 치과 X-선 데이터는 1,500장을 사용하였다. 영상의 정량적 평가는 2가지 영상의 비교를 통해 유사도를 측정할 수 있는 인자인 root mean square error와 structural similarity를 사용하였다. 이와 더불어 최근에 개발된 no-reference 기반으로 사용되는 natural image quality evaluator 와 blind/referenceless image spatial quality evaluator를 추가적으로 분석하였다. 결과적으로 기존에 사용되던 bicubic 기반의 업샘플링 기법을 사용하였을 때에 비하여 제안하는 방법이 치과 X-선 영상에서 평균적으로 유사도와 no-reference 기반의 평가 인자가 각각 1.86 그리고 2.14배 향상됨을 확인하였다. 결론적으로 치주질환의 예측을 위한 초해상화 알고리즘의 치과 X-선 영상에서의 유용성을 증명하였고 향후 다양한 분야에서의 적용 가능성이 높을 것으로 기대된다.

Abstract ▼ AI-Helper

X-ray image analysis is a very important field to improve the early diagnosis rate and prediction accuracy of periodontal disease. Research on the development and application of artificial intelligence-based algorithms to improve the quality of such dental X-ray images is being widely conducted worldwide. Thus, the aim of this study was to design a super-resolution algorithm for predicting periodontal disease and to evaluate its applicability in dental X-ray images. The super-resolution algorithm was constructed based on the convolution layer and ReLU, and an image obtained by up-sampling a low-resolution image by 2 times was used as an input data. Also, 1,500 dental X-ray data used for deep learning training were used. Quantitative evaluation of images used root mean square error and structural similarity, which are factors that can measure similarity through comparison of two images. In addition, the recently developed no-reference based natural image quality evaluator and blind/referenceless image spatial quality evaluator were additionally analyzed. According to the results, we confirmed that the average similarity and no-reference-based evaluation values were improved by 1.86 and 2.14 times, respectively, compared to the existing bicubic-based upsampling method when the proposed method was used. In conclusion, the super-resolution algorithm for predicting periodontal disease proved useful in dental X-ray images, and it is expected to be highly applicable in various fields in the future.

주제어

표/그림 (6)

그림 Fig. 1. Simplified flowchart for single image super-resolution algorithm with deep learning.
그림 Fig. 2. Result images using conventional bicubic upsampling and proposed super-resolution algorithm in dental X-ray imaging system.
그림 Fig. 3. Graph for similarity results using root mean square error and structural similarity as function of image enhancement method.
표 Table 1. Evaluated RMSE and SSIM results with respect to applied algorithm.
그림 Fig. 4. Graph for similarity results using natural image quality evaluator and blind/referenceless image spatial quality evaluator as function of image enhancement method.
표 Table 2. Evaluated NIQE and BRISQUE results with respect to applied algorithm.

AI 본문요약
AI-Helper

문제 정의

따라서 본 연구에서는 4차 산업혁명 시대에 크게 각광받고 있는 딥러닝 기술 기반의 초해상화 알고리즘을 모델링하여 일반 치과 X-선 영상에 적용 후 치주질환 분야에서의 적용 가능성에 대하여 분석하고자 한다. 연구의 목적을 위하여 기존에 널리 사용되는 영상처리기술을 함께 모델링하였고, 제안하는 방법과 유사도 및 no-reference 기반의 측정인자를 통해 비교평가를 수행하였다.
여기서 p는 저해상도 데이터, f는 고해상도 데이터, k는 고해상도 데이터를 저해상도 데이터로 콘 볼루션, ⊗ ,을 통해 저하시키는 열화 정보량이다. 본 연구에서는 획득된 저해상도 영상정보 (p)만을 활용하여 고해상도 영상정보 (f)를 예측하는 단일 영상 기반 초해상화 영상복원 작업을 목표로 한다.

제안 방법

따라서 본 연구에서는 4차 산업혁명 시대에 크게 각광받고 있는 딥러닝 기술 기반의 초해상화 알고리즘을 모델링하여 일반 치과 X-선 영상에 적용 후 치주질환 분야에서의 적용 가능성에 대하여 분석하고자 한다. 연구의 목적을 위하여 기존에 널리 사용되는 영상처리기술을 함께 모델링하였고, 제안하는 방법과 유사도 및 no-reference 기반의 측정인자를 통해 비교평가를 수행하였다.

데이터처리

입력영상은 저해상도 영상을 2배로 upsampling한 후 딥러닝 아키텍쳐에 입력하였으며, 훈련과정에서 예측된 결과와 레퍼런스 결과 사이에 오차율을 계산하기 위해서는 평균 제곱 오차식 (2)를 사용하여 계산하였다.

성능/효과

Fig. 2는 기존에 가장 널리 사용되는 알고리즘과 제안하는 딥러닝 기반의 초해상화 영상 개선 방법을 적용한 치과 X-선 영상 결과이다.
4는 영상 화질 개선 방법에 따른 no-reference 기반의 영상 평가 결과이다. NIQE 결과는 bicubic 기반의 영상 개선 방법과 제안하는 딥러닝 기반의 초해상화 알고리즘을 적용하였을 때 각각 18.88 및 6.34 값이 도출되었고 두 가지 결과의 차이는 약 2.98배를 나타내었다.
3은 영상 화질 개선 방법에 따른 유사도 평가의 결과이다. RMSE 결과는 bicubic 기반의 영상개선 방법과 제안하는 딥러닝 기반의 초해상화 알고리즘을 적용하였을 때 각각 21.51 및 8.65 값이 도출되었고 두 가지 결과의 차이는 약 2.87배를 나타내었다. 또한, bicubic 기반의 영상개선 방법과 딥러닝 기반의 초해상화 알고리즘의 SSIM 결과는 각각 0.
결론적으로 유사도 및 no-reference 기반의 영상 평가 인자들을 활용하여 치과 X-선 영상에서의 딥러닝 기반 초해상화 영상 개선 알고리즘의 적용 가능성 및 유용성을 증명하였다. 본 연구결과를 기반으로 향후 X-선을 기반으로 한 치주질환 예측과 더불어 다양한 구강질병을 더욱 정확하게 진단할 수 있을 것으로 기대된다.
또한, bicubic 기반의 영상 개선 방법과 딥러닝 기반의 초해상화 알고리즘의 BRISQUE 결과는 각각 40.84 및 31.23 값이 측정되었고, 두 가지 결과의 차이는 약 1.31배를 나타내었다.
87배를 나타내었다. 또한, bicubic 기반의 영상개선 방법과 딥러닝 기반의 초해상화 알고리즘의 SSIM 결과는 각각 0.73 및 0.90값이 측정되었고, 두 가지 결과의 차이는 약 1.23배를 나타내었다.
육안 평가 결과 기존에 고전적으로 사용되던 bicubic 기반의 upsampling 기법에 비하여 제안하는 딥러닝 기반의 초해상화 알고리즘을 적용하였을 때 뼈 조직을 포함한 모든 부분에서 화질이 개선되는 것을 확인할 수 있었다. 레퍼런스 영상과 위의 2가지 방법을 이용한 영상을 비교하였을 때 노이즈 부분과 경계 부분의 표현 능력의 차이점이 제안하는 방법에서 훨씬 뛰어난 것으로 나타났다.
육안 평가 결과 기존에 고전적으로 사용되던 bicubic 기반의 upsampling 기법에 비하여 제안하는 딥러닝 기반의 초해상화 알고리즘을 적용하였을 때 뼈 조직을 포함한 모든 부분에서 화질이 개선되는 것을 확인할 수 있었다. 레퍼런스 영상과 위의 2가지 방법을 이용한 영상을 비교하였을 때 노이즈 부분과 경계 부분의 표현 능력의 차이점이 제안하는 방법에서 훨씬 뛰어난 것으로 나타났다.
특히, 치과 X-선 영상에서의 초해상화 영상 개선 알고리즘을 적용하여 NIQE와 BRISQUE를 측정한 연구는 거의 이루어지지 않았으며, bicubic 기반의 방법에 비해 평균적으로 2.14배 향상된 수치는 향후 여러 분야에서 적용이 가능할 것으로 예상된다.
2가지 영상에서의 휘도, 대조도, 그리고 구조를 함께 비교하여 다양한 부분에서 특성을 비교할 수 있는 정확도가 매우 높은 장점이 있다. 특히나, 치과 X-선 영상에서 제안하는 딥러닝 기반의 초해상화 영상 개선 알고리즘이 기존에 가장 널리 사용되던 영상 개선 방법에 비하여 평균적으로 1.86배 유사도가 향상되었다는 점은 치주질환 진단 분야에서의 적용 가능성을 제시할 수 있을 것으로 사료된다.

후속연구

결론적으로 유사도 및 no-reference 기반의 영상 평가 인자들을 활용하여 치과 X-선 영상에서의 딥러닝 기반 초해상화 영상 개선 알고리즘의 적용 가능성 및 유용성을 증명하였다. 본 연구결과를 기반으로 향후 X-선을 기반으로 한 치주질환 예측과 더불어 다양한 구강질병을 더욱 정확하게 진단할 수 있을 것으로 기대된다.

참고문헌 (8)

J. Highfield, "Diagnosis and classification of periodontal disease", Australian Dental Journal, Vol. 54, No. 1, pp. S11-S26, 2009. http://dx.doi.org/10.1111/j.1834-7819.2009.01140.x

상세보기
E. F. Corbet, D. K. L. Ho, S. M. L. Lai, "Radiographs in periodontal disease diagnosis and management", Australian Dental Journal, Vol. 54, No.1, pp. S27-S43, 2009. http://dx.doi.org/10.1111/j.1834-7819.2009.01141.x

상세보기
H. Rahmi-Fajrin, S. Puspita, S. Riyadi, E. Sofiani, "Dental radiography image enhancement for treatment evaluation through digital image processing", Journal of Clinical and Experimental Dentistry, Vol. 10, No. 7, pp. e629-e634, 2018. http://dx.doi.org/10.4317/jced.54607

상세보기
J. W. Soh, G. Y. Park, J. Jo, N. I. Cho, "Natural and realistic single image super-resolution with explicit natural manifold discrimination", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 8122-8131, 2019.
J. Kim, J. K. Lee, K. M. Lee, "Accurate image super-resolution using very deep convolutional networks", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1646-1654, 2016.
V. Nair, G. E. Hinton, "Rectified linear units improve restricted boltzmann machines", Proceedings of the 27th International Conference on International Conference on Machine Learning, pp. 807-814, 2010.
D. P. Kingma, J. L. Ba, "ADAM: a method for stochastic optimization", International Conference on Learning Representation, 2015. arXiv:1412.6980.
A. Mittal, R. Soundararajan, A. C. Bovik, "Making a "Completely Blind" image quality analyzer", IEEE Signal Processing Letters, Vol. 20, No. 3, pp. 209-212, 2013. http://dx.doi.org/10.1109/LSP.2012.2227726

상세보기

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