본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

요약 5

Ⅰ. 서론 6

Ⅱ. 연구 대상 및 방법 7

1. Ethics Statement 7

2. 연구 대상 7

3. 연구 방법 7

가. 데이터 전처리 7

나. 데이터 분류 8

다. 네트워크 사전 훈련(Network pre-training) 8

라. 5겹 교차검증(Five-fold cross-validation) 및 데이터 증강(Data augmentation) 9

마. 네트워크 훈련 조건(Training options) 10

바. 진단 성능 평가 10

사. Visualizing Model Decision 11

아. 딥러닝 모델과 인간 평가자의 과잉치 분류 능력 비교 11

자. 통계 분석 11

Ⅲ. 연구 결과 12

1. 딥러닝 모델의 과잉치 분류 성능 12

2. Visualization of model classification 13

3. 딥러닝 모델과 인간 집단의 과잉치 분류 능력 비교 평가 13

Ⅳ. 고찰 15

Ⅴ. 결론 17

참고문헌 18

Abstract 20

Table 1. Properties of pre-trained convolutional neural networks 9

Table 2. Performances of deep learning models for Data set 1 12

Table 3. Comparison of diagnostic performance between the deep learning models and human 14

Fig. 1. Region of interests (ROI). Images were cropped based on the distal and superior-most points of both permanent canine tooth germs and mandibular anterior... 8

Fig. 2. Relative speeds and accuracies of the different networks used in this study. Orange dash line represents for Pareto frontier: data from Benchmark Analysis of Representative... 9

Fig. 3. 5-fold cross-validation. The data were randomly split into five partitions, with one partition being used as a validation set, the residual data being used as a training set. The... 10

Fig. 4. Receiver operating characteristic curves of deep learning models for Data set 1. Numbers in parentheses show AUC values. 12

Fig. 5. Example of the class activation maps of four deep learning models. 13

Fig. 6. Boxplot of diagnostic performance among three groups. Kruskal-Wallis test was performed to analyze the statistical significance of specificity.... 14

초록보기

 이 연구의 목적은 여러 가지 네트워크를 사용하여 파노라마 방사선 사진에서 정중과잉치를 자동으로 판독하는 딥러닝 모델을 제작하고 성능을 평가하는 것이다. 또한 class activation mapping (CAM) 기술을 사용하여 모델을 시각화하고, 모델과 인간 집단의 판독 능력을 비교하고자 하였다.

과잉치를 가진 환자 550명과 과잉치가 없는 환자 550명의 파노라마 방사선 사진을 연구에 사용하였다. 모든 환자는 유치열기 또는 혼합치열기에 해당하였다. SqueezeNet, ResNet-18, ResNet-101, Inception-ResNet-V2를 사용하여 과잉치 분류를 위한 딥러닝 모델을 제작하였다. 1,000장의 파노라마 방사선 사진(Data set 1)을 8:2의 비율로 훈련 데이터, 검증 데이터로 나누어 5겹 교차검증(5-fold cross validation)을 시행하였다. 나머지 100장의 파노라마 방사선 사진(Data set 2)에 대하여 소아치과 전공의 6명, 일반 치과의사 6명, 딥러닝 모델이 각각 과잉치 유무에 대한 판독을 시행하였고, 그 결과를 비교하였다.

ResNet-18, ResNet-101, Inception-ResNet-V2를 이용한 모델에서 Data set 1에 대한 정확도, 정밀도, 재현율, F1 점수는 모두 0.90 이상으로 나타났다. SqueezeNet은 상대적으로 낮은 결과 값을 보였다. Data set 2에서 소아치과 전문의 군과 일반 치과의사군, SqueezeNet, ResNet-18, ResNet-101, Inception-ResNet-V2 모델의 정확도는 각각 0.99, 0.95, 0.65, 0.82, 0.86, 0.88로 나타났다. Data set 2의 판독에 소요된 평균 시간은 소아치과 전문의 375.5초, 일반 치과의사 811.8초, 딥러닝 모델 1.5초였다.

이번 연구 결과를 토대로 과잉치 판독 시 인공지능의 활용이 임상 경험이 부족한 치과의사의 정확한 진단 및 진료시간 단축에 도움을 줄 수 있을 것으로 사료된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차