AI-Hub

데이터 변경이력

데이터 히스토리

소개

측면두부규격방사선 영상 이미지의 DICOM 데이터셋 구축 및 AI 모델 생성 시 활용 가능한 치아의 성별, 나이대 정보 제공 (12세 이상, 남/여)

구축목적

한국인의 골격적인 안면 분석 및 계측에 도움을 줄 수 있는 인공지능 기술 개발을 통한 부정교합 진단을 위한 데이터셋

1. 데이터 구축 규모

• 최종 데이터: 이미지 30,199장 어노테이션 파일 30,199장

  1. 데이터 구축 규모

  데이터명	포맷	구축량	데이터 설명
  측면두부규격방사선사진 데이터	JPEG,JSON	가공데이터 30,199장	측면두부규격방사선사진 데이터는 부정교합 환자의 형태분석, 성장분석, 기능분석 및 치료분석을 위해 필요. 악안면 부위의 복잡성을 기하학적 도해로 요약한 것

2. 데이터 분포 : 하단 표 참조

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

가. AI 기반 측면두부규격방사선 분석모델

• 관련 연구
  – AI의 정밀한 학습을 위해 필수적인 학습용 데이터의 수와 환자의 임상정보(나이, 성별)은 고려되지 않았고, 제시조차 되지 않았음
  – 후향적 학습 데이터로 제한되어 계측점이 측정되었으며, AI 모델을 검증할 수 있는 전향적 분석은 연구되지 않았음
  – 대부분의 모델은 4mm 미만의 허용 오차 안에서 개발되었고, 두개골 영역과 gonion과 같이 파생된 계측점의 정확도는 매우 낮음
  – 문헌에 보고된 인간과 AI간 계측점 측정시 오차는 평균 1.46-2.97mm 범위이며, 이는 임상적으로 유의미하고 환자의 진단 및 치료계획 수립의 변화를 가져옴(표 1.)
  
   
• 필요성
  – 정밀한 AI 기반 측면두부규격방사선 분석모델과 같은 부정교합의 분석, 판독 진단등을 결합한 학습용 데이터의 구축 및 AI 응용 모델을 개발하기 위해서는 체계적으로 데이터의 획득, 가공 및 활용이 필요함
  – 본 과제를 통해 정련된 데이터를 활용하여 비교적 객관적이고 robust한 AI 모델 개발이 요구됨
   
• 개발내용
  – 다양한 의료기관에서 수집된 측면두부규격 방사선사진 및 전문가들이 직접 어노테이션 및 검수가 완료된 데이터를 학습하여 부정교합 진단에 필요한 19가지 랜드마크를 탐지하는 모델을 개발하였음
  – 다양한 태스크에 대해 문제점을 파악하고 AI 모델을 설계 및 개발하는 과정을 학습동영상으로 제작하여 초보자들도 쉽게 AI 모델을 개발할 수 있도록 하였음
   
• 방법론
  – 부정교합 진단에 필요한 측면두부규격 방사선사진에서의 19개 랜드마크를 탐지하기 위한 방법은 다양하지만 대표적으로 2가지 방법이 많이 채택되어 사용되고 있음
  – Coordinate Regression : 이미지 분류 알고리즘에서 주로 사용되는 마지막 N개의 랜드마크의 x,y 좌표를 구하기 위한 Fully Connected Layer를 활용하여 값을 Regression 하는 방법임. 이 방법은 계산속도는 빠르지만 부정확하고 일반화하기 어려움
  – Heatmap Regression : 이미지 분할 알고리즘에서 주로 사용되는 각 픽셀의 Class를 분리하여 값을 Regression 하는 방법임. 이 방법은 정확도가 높지만 계산량이 많음
  – 본 사업에서는 다양하고 최대한 많은 측면두부규격 방사선사진을 확보하고 어노테이션하는 것이 목적이기 때문에, 계산량이 많은 모델을 개발하는 것이 비효율적이라 판단되어 Coordinate Regression 방법을 채택하여 모델을 설계하였음
   
• 모델 설계
  – Coordinate Regression은 비교적 정확도가 낮음. 이러한 단점을 해결하기 위해 랜드마크를 탐지하는 모델을 2단계로 분할하여 설계하였음
  – 1단계에서는 19개의 랜드마크 위치를 대략적으로 추출함. 해당 단계에서 추출된 랜드마크 좌표를 중심으로 일정 크기만큼의 관심영역(RoIs)을 추출하고 각 관심영역은 정확한 랜드마크를 탐지하는 모델의 학습데이터로 사용됨(그림 3.)
  
  그림 3. 대략적인 랜드마크 좌표 추출 모델(1단계)
  
  – 2단계에서는 1단계에서 추출된 대략적인 랜드마크를 포함한 관심영역에서 정확한 랜드마크 위치를 추출함. 각 영역에서 추출된 랜드마크 위치는 원본 영상에 투영되어 최종 랜드마크 위치가 결정되어짐(그림 4.)
  
  그림 4. 정확한 랜드마크 좌표 추출 모델(2단계)
  
  – 최종적으로 모든 단계를 거친 측면두부규격 방사선사진에서 부정교합 진단을 위한 19개 랜드마크를 탐지하는 모델 구조는 아래와 같음(그림 5.)
  
  그림 5. 측면두부규격 방사선사진에서의 랜드마크 탐지 모델 구조
   
• 성능 향상 기법
  – 측면두부규격 방사선사진에서 랜드마크를 탐지하는 모델의 정확도를 향상시키기 위하여 각 단계별 성능 향상 기법을 적용하였음
  – 먼저 다양한 기관에서 수집된 데이터의 질을 향상시키기 위하여 Contrast Limited Adaptive Histogram Equalization(CLAHE) 알고리즘을 적용하였음. CLAHE 알고리즘은 이미지를 일정한 크기를 가진 작은 블록으로 구분하고, 블록별로 히스토그램 균일화를 시행하여 이미지 전체에 대해 균일화를 달성하는 알고리즘임. 해당 알고리즘을 활용하여 뼈와 배경의 간격을 명확히 하는 성과를 달성하였음(그림 6.)
  
  그림 6. 히스토그램 적용 예시(왼쪽 원본, 오른쪽 적용 결과)
  
  – 1단계에서는 대략적인 랜드마크의 좌표를 추출하는 것이 중요하므로 컨볼루션 신경망에서 최대한 넓은 영역의 특징을 확보하는 것이 중요함. 따라서 Dilated 컨볼루션 기법을 적용하여 해상도의 손실없이 receptive field의 크기를 확장하여 합성곱 연산을 수행할 때 최대한 넓은 영역의 특징을 고려하도록 설계함(그림 7.)
  
  그림 7. Dilated 컨볼루션 예시
  
  – 2단계에서는 Learning Rate가 스케쥴되어 감소하면서 학습되게 되는 Weight Decay 기법을 적용하였음. Weight Decay를 적용하게 되면 학습과정중 Learning rate가 서서히 감소되어 비교적 손실함수의 값이 Global minimum에 도달할 확률이 높아지게 되고, 과적합 방지의 효과를 얻을 수 있음
• 평가 지표
  – 측면두부규격 방사선사진에서 랜드마크를 탐지하는 모델의 성능을 평가하기 위하여 모델이 예측한 랜드마크와 정답 랜드마크와의 거리인 Mean Radial Error를 적용함. Mean Radial Error의 계산식은 아래와 같음(그림 8.)
  
  그림 8. Mean Radial Error 계산식
   
• 성능 평가 결과
  – 테스트 데이터셋 2000장에 대하여 19개 랜드마크에 대한 평균 Mean Radial Error를 계산한 결과는 아래 표와 같음(표 2.)

  가. AI 기반 측면두부규격방사선 분석모델

  Landmarks	Mean Radial Error (mm)	Landmarks	Mean Radial Error (mm)
  1. Nasion	1.35	11. Constrcted conion	4.08
  2, Sella	0.94	12. Pogonion	1.29
  3. Articulare	1.58	12. Menton	1.18
  4. Orbitale	2.35	14. Anterior nasal spine	1.67
  5. Porion	2.39	15. Posterior nasal spine	1.74
  6. A Point	1.8	16. Gnathion	1.16
  7. B Point	2.63	17. L1 incisal tip	0.96
  8. U1 incisal tip	0.86	18. Labrale inferius	2.08
  9. Labrale superius	2.2	19. Pronasale	1.47
  10. Soft tissue Pogonion	3.41	Average	1.85

  표 2. 19개 랜드마크에 대한 Mean Radial Error
  
  – 모델 성능 평가 결과, 평균 1.85mm로 목표로 설정한 2,5mm 이하를 달성함
  – 성능 평가 과정중, 테스트 데이터셋 2000장 중에서 이상치 데이터 2장을 발견하여 2장을 제외한 평균 Mean Radial Error 결과는 아래와 같음(표 3.)

  Landmarks	Mean Radial Error (mm)	Landmarks	Mean Radial Error (mm)
  1. Nasion	1.35	11. Constrcted conion	1.96
  2, Sella	0.94	12. Pogonion	1.29
  3. Articulare	1.58	12. Menton	1.18
  4. Orbitale	2.35	14. Anterior nasal spine	1.67
  5. Porion	2.39	15. Posterior nasal spine	1.74
  6. A Point	1.8	16. Gnathion	1.16
  7. B Point	2.63	17. L1 incisal tip	0.96
  8. U1 incisal tip	0.86	18. Labrale inferius	2.08
  9. Labrale superius	2.2	19. Pronasale	1.47
  10. Soft tissue Pogonion	3.41	Average	1.74

  표 3. 이상치 데이터 2장을 제외한 Mean Radial Error 결과
  
  – 11번 랜드마크인 Constructed conion의 Mean Radial Error가 4.08mm에서 1.96mm로 감소하였고, 이에 따라 평균은 1.85mm에서 1.74mm로 감소하였음

데이터 성능 점수

설명서 및 활용가이드 다운로드

그림1. 어노테이션 표시 예시

그림2. json 형식

데이터 구성

어노테이션 포맷

실제 예시

데이터셋 구축 담당자

수행기관(주관) : 연세대학교 산학협력단

수행기관(참여)

데이터 관련 문의처