구미 미소와 인공적인 ıntelligence

구미 스마일 (GS)의 원인 중에는 전방 상악골의 과도한 수직 발달, 주변 근육의 과잉 행동은 스마일 동안 과도한 입술 상승을 유발하며 짧은 임상 크라운 길이입니다. 짧은 임상 크라운 길이는 GS에 대한 감수성을 증가시킵니다. 변형 된 수동 분화, 치은 염증 및 치은 과형성은 임상 크라운 길이 감소에 기여합니다. 치아의 수직 치수가 수평 치수보다 짧은 경우 수동 분화는 GS에 기여하는 요소임을 시사합니다.

GS의 범위는 미소와 관련된 모든 치아에서 균질하지 않으며 종종 여러 병인 인자로부터 비롯됩니다. 치은 디스플레이가 3mm 인 경우, 과도한 치은 조직에만 귀속됩니다. 추가 2.2 mm의 치은 디스플레이가 존재하는 경우 (3 mm + 2.2 mm), 수직 상악 과잉 (VME)이 기여 요인으로 간주됩니다. 추가 2.8 mm의 치은 디스플레이가 관찰되면 (3 mm + 2.2 mm + 2.8 mm), 초 모빌 (HM) 립이 관련됩니다. 예를 들어, 상악 왼쪽 중심 절개에 대한 3mm gs는 HM 립 단독으로 인한 것일 수있는 반면, 상악 좌측 2 차 소구치에 대한 ≥8 mm gs는 HM 립 (2.8 mm), 과도한 치은 조직의 조합으로 인해 발생할 수있다. 3mm) 및 VME (2.2mm). 이것은 정확한 진단 및 개인 치료 계획을 위해 각 치아 수준에서 GS를 측정하는 것의 중요성을 강조합니다.

비대칭 GS를 평가하려면 각 치아에 대한 개별 측정이 필요하므로 오류 가능성과 환자 의자 시간을 증가시킬 수 있습니다. 미적 미소 디자인을위한 개인화 된 개입 전략을 식별하는 과학적 연구의 중요성을 고려할 때, 인공 지능 (AI)은 특정 참조 매개 변수를 따라 미학적 지각의 주관적인 특성을 개별화 된 과학 플랫폼으로 변화시키는 데 도움이 될 수 있습니다. GS 평가에서 정확하고 유효한 측정의 사용은 진단, 병인 평가 및 치료 계획을 촉진 할 수 있습니다.

포괄적 인 데이터 세트를 설정함으로써 측정 된 변수를 이상적인 기준 값과 비교하여 다양한 병인의 기여를 분석 할 수 있습니다. 병인성 생성 인자에 대한 세심한 분석과 그러한 접근법을 통해 조건의 심각성을 달성 할 수 있습니다. 이전 연구에 따르면 GS 진단의 정확성과 민감도를 검증하는 더 많은 연구가 필요하다는 것을 나타냅니다.

현재까지, AI를 사용하여 치은 디스플레이를 평가하는 문헌에서는 발견되지 않았다. 정확도 스코어링을 위해 테스트 데이터 세트 또는 완전히 개방 액세스 데이터 세트를 사용하는 연구와 달리이 연구에서 얻은 데이터는 교육 데이터 세트에서만 도출됩니다. AI 모델의 검증 전략을 최적화하기 위해, 선택된 임상 메트릭을 GS에 관련된 각 치아에 대해 별도로 측정 하였다. 라벨링은 여러 주석 옵션을 허용하는 라이센스가있는 웹 기반 주석 플랫폼을 사용하여 수행되었습니다.

이 연구에는 가지 대학교 치과 학부 치과학과에 신청하는 환자들 중에서 선정 된 스마일 라인 환자가 포함됩니다. 환자 사진의 라벨링은 두 명의 연구원, 즉 치주 학자와 인공 지능 (AI) 및 소프트웨어 개발의 선임 전문가에 의해 수행됩니다. 구미 스마일 (GS) 환자의 사진은 훈련, 검증 및 테스트 데이터 세트를 만드는 데 사용됩니다.

신뢰 수준은 0.95, 유병률 0.1 ​​및 오차의 마진이 0.05 인 간단한 무작위 샘플링 방법을 사용했습니다. 이 데이터 세트의 형성은 아래에 요약 된 단계를 따릅니다.

치은 가시성 측정을위한 표준화 방법을 식별하기 위해 문헌 검토가 수행되었습니다. 그러나, 치아의 치은 디스플레이의 동시 교정 및 측정을 허용하는 통치자 시스템은 발견되지 않았다. 결과적으로,이 연구를 위해 특별히 맞춤형 디자인 통치자 시스템을 개발해야 할 필요성이 등장했다.

치은 디스플레이는 하이브리드 모델을 사용하여 결정됩니다. 훈련 과정에는 픽셀 정확도 (PA)와 Union (MIOU) 메트릭에 대한 평균 교차가 포함됩니다. 데이터 세트는 교육, 검증 및 테스트 하위 집합으로 나뉩니다. 이미지는 전처리 워크 플로의 일부로 크기 조정, 정규화 및 텐서로 변환됩니다.