스마트폰을 이용한 AI 잇몸 건강 평가

I. 머리말 가장 흔한 치과 질환은 충치(우식증)와 잇몸 질환(치은염 및 치주염)입니다. 이러한 질병이 치석(박테리아 생물막)에 의해 발생한다는 증거입니다[1]-[3]. 대부분의 환자는 매일 양치질을 하지만 모든 치아를 깨끗하게 유지할 수는 없습니다. 밀집된 부위, 구치부 또는 치간 부위와 같이 접근하기 어려운 구강 부위는 일반적으로 영향을 받습니다(부위별)[4]. 철저한 전문적인 치아 세척 후 며칠 내에 잇몸 가장자리 근처의 치아 표면에 플라그가 축적되기 시작합니다. 플라크에 대한 정기적인 파괴가 필요하고 잇몸 질환을 예방하고 멈출 수 있음을 나타내는 임상 연구[5]. 그러나 치과 질환은 발전하는 데 수년이 걸릴 수 있으며 환자는 질병이 진행 단계로 진행되지 않는 한 일반적으로 통증 증상이 없습니다 [6]. 환자에게 구강 청결을 유지하도록 동기를 부여하고 지시하기 위해 상당한 양의 자원과 임상 시간이 사용되었지만 결과는 만족스럽지 않습니다. 필요할 때 치료를 받을 수 있도록 매일 구강 건강을 모니터링하는 자동화된 기술을 채택하는 것이 바람직합니다.

잇몸 가장자리에 축적된 플라크에 대한 환자의 반응은 박테리아 침입에 맞서 싸우기 위해 더 많은 혈액 세포를 부위로 가져오는 염증에 의한 것입니다[7]. 잇몸의 염증은 붉어짐(색상), 부피 증가(부종), 표면 특성 상실(스티플링, 잇몸 섬유 부착)의 증가로 나타납니다[8]. 이러한 질병 부위는 치과 의사의 육안 검사로 확인할 수 있습니다. 또한 이러한 잇몸의 염증성 변화는 구강 내 촬영으로도 확인할 수 있습니다. 본 연구의 목적은 인공지능(AI) 기술을 적용하여 구강 내 사진에서 잇몸 염증을 감지하는 것입니다. 대상 염증 부위는 모양과 크기가 다양한 잇몸 가장자리에 있기 때문에 픽셀 수준의 의미론적 분할이 필요합니다. 이 연구를 위해 우리는 몇 가지 예비 연구 작업을 수행했습니다. DeepLabv3+ [9] 가벼운 백본 MobileNetV2 [10]가 있는 인코더-디코더 네트워크는 구강 내 사진에서 잇몸 염증의 픽셀 단위 의미론적 분할을 수행하기 위해 채택되었습니다. 네트워크 교육을 위한 인덱스 범주 이미지를 얻기 위해 15년 이상의 임상 경험을 가진 치과 전문의가 사진을 인덱스화합니다.

II. 다른 사람이 수행한 작업 딥 러닝 접근 방식을 사용하여 구강 이미지에서 치은 질환을 자동으로 분할하려는 첫 번째 시도가 [11]에서 제안되었습니다. 딥 컨볼루션 신경망을 갖춘 오토인코더 네트워크 아키텍처를 채택합니다. 사용된 데이터 세트는 150명의 개인으로부터 405개의 색상 증강 구강 내 바이오마커 이미지로 구성됩니다. 잇몸 염증 영역은 치과 전문가가 표시했으며 훈련된 네트워크는 수신자 작동 특성 곡선(AUC) 0.746 아래 영역으로 염증을 예측할 수 있습니다. 정밀도와 재현율 값은 각각 0.347과 0.621입니다. 네트워크는 질병이 있는 잇몸에 대한 라벨링으로 훈련되었습니다. 치아의 일부 치석은 황색을 띠는 색상이 병든 잇몸에 기술적으로 가깝기 때문에 병든 잇몸으로 예측되었습니다. 또한 관심이 없는 잇몸 부위의 일부도 병든 잇몸으로 예측되었습니다. 전체 세분화가 만족스럽지 않습니다.

III. 우리의 예비 작업 치주 치료를 받은 홍콩 대학교(HKU) 치과 학부에서 환자의 구강 내 사진을 예비 연구를 위해 수집했습니다. 이 연구는 HKU(UW20-230)의 기관 검토 위원회의 승인을 받았습니다. 해상도가 다른 총 110장의 표준 구강 사진을 수집하였다. 다른 작은 이미지로 수동으로 자르고 대상 레이블이 가능한 가장 큰 이미지를 차지하므로 교육에 매우 유용합니다. 크롭된 이미지의 크기는 512×512로 통일됩니다. 완성된 데이터 세트는 훈련을 위한 337개 이미지와 검증을 위한 110개 이미지의 두 세트로 나뉩니다. 한 환자에 해당하는 이미지가 여러 개 있다는 점을 고려하여 데이터셋을 분할할 때 동일한 환자의 이미지는 두 개의 분할된 데이터셋에 나타나지 않습니다. 4가지 건강 상태 수준(건강, 의심 건강, 의심 질병 및 질병)으로 분류되며 15년 이상의 임상 경험을 가진 치과 전문의가 확인합니다. 제안된 시맨틱 분할 아키텍처는 Xception 및 MobileNetV2를 백본으로 하는 DeepLabv3+ 네트워크를 기반으로 합니다. 실험 결과는 제안한 시스템의 유효성을 보여주며, 특히 치과 방문이 어렵거나 불가능한 질병 대유행 기간 동안 모바일 앱을 이용한 치과 자가 검진에 적용할 수 있음을 보여줍니다. 제안된 네트워크 모델은 관심 치은 영역의 윤곽을 예측할 수 있습니다. 실험 결과는 제안된 분할 모델이 대부분의 잇몸 염증 영역을 4개의 범주로 정확하게 나눌 수 있음을 보여줍니다. mIoU는 0.3514입니다. 데이터 세트를 확장하고 네트워크 구조를 최적화하면 성능을 더욱 향상시킬 수 있다고 생각됩니다. 예비에 대한 연구 작업은 [16]에 발표되었습니다.

IV. 핵심 이슈 및 연구 격차

A. 구강 사진에서 자동 치은 염증 검출을 위한 다중 수준의 부위별 의미론적 분할 신경망 모델이 없습니다.

B. 구강 내 사진에서 자동 잇몸 염증 감지를 적용하기 위한 잘 분류된 교육 데이터 세트가 없습니다.

참조:

1. J.K. Clarke, "치아 우식증의 병인학에 있는 박테리아 요인에 관하여," British Journal of Experimental Pathology, vol. 5, 아니오. 3쪽. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "파괴적인 치주 질환의 박테리아 병인: 현재 개념", Journal of periodontology, vol. 63쪽. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "인간 구강 미생물 생태와 충치 및 치주 질환", 구강 생물학 및 의학에 대한 비판적 리뷰, vol. 7, 아니오. 2쪽. 180-198, 1996.
4. 브린, N.W. 존슨, P.A. Rogers, "치료되지 않은 만성 성인 치주염에서 물리적 탐침으로 감지된 부위별 부착 수준 변화: 연구 검토 1982~1997," Journal of periodontology, vol. 70, 아니. 3쪽. 312-328, 1999.
5. H. Löe, "충치 및 치주 질환 예방을 위한 구강 위생", 국제 치과 저널, vol. 50, 아니. 3쪽. 129-139, 2000.
6. L. Croxson, "치주 인식: 치주 건강의 핵심", 국제 치과 저널, vol. 43, (2 Suppl 1) pp. 167-177, 1993.
7. R. Genco, J. Slots, "치주 질환의 호스트 응답 호스트 응답" Journal of Dental Research, vol. 63, 아니. 3쪽. 441-451, 1984.
8. G.C. Armitage, "치주 질환의 임상적 평가", Periodontology 2000, vol. 7, 아니오. 1, pp. 39-53, 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff 및 H. Adam, "시맨틱 이미지 분할을 위한 atrous 분리 가능 컨볼루션을 사용한 인코더-디코더", 컴퓨터 비전(ECCV)에 관한 유럽 회의 절차, 2018, pp. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov 및 L. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA , 2018, pp. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu 및 P. Shah, "구강 이미지에서 치은 질환의 자동 세분화", 2017년 IEEE 의료 혁신 및 치료 시점 기술(HI-POCT), 미국 메릴랜드 베데스다, 2017년, pp . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation", 제18회 의료 영상 컴퓨팅 및 컴퓨터 지원 개입(MICCAI) 국제 회의, 2015, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens 및 Q.V. Le, "Learning Transferable Architectures for Scalable Image Recognition," in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 2018, pp. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 1800-1807.
15. MX 탄과 Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", 기계 학습에 관한 36차 국제 회의 절차, PMLR, 2019, vol. 97, pp. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B.W.-K. 링, W.Y.-H. Lam, G. Pelekos 및 C. McGrath, "심층신경망 기반 자동 부위별 다단계 잇몸 질환 감지", 2021년 제15회 국제 의료 정보 통신 기술 심포지엄(ISMICT)(ISMICT2021), 중국 샤먼, 4월 2021.