이 논문의 원문링크 입니다 : https://www.hindawi.com/journals/jhe/2022/1933617/

1. Introduction

2. Proposed Methods

• 결함 있는 폐색 표면을 재구성하기 위해 제안된 방법은 기본적으로 치아 깊이 지도 생성 및 치아 복원 네트워크를 포함하며, 이는 그림 2에 나와 있다.
  
• 깊이 맵 생성 단계에서는 적응형 시각적 거리 기반 직교 투영 방법을 사용하여 깊이 맵을 생성한다. 치아 복원 단계에서 이중 discriminator 네트워크 아키텍처는 누락된 치아 이미지를 합성하도록 설계되었으며, 두 개의 discriminator가 학습되어 재구성된 누락된 크라운과 생성된 전체 치아 이미지를 실제와 가짜로 구분한다.

2.1. Dental Map Generation.

• 치아 깊이 지도는 시각적 이미지의 특성을 가지고 있으며 치아 모델의 공간 정보를 포함하고 있어 교합 표면의 3D 기하학적 정보를 직접적으로 반영한다. 치과 모델의 지오메트리 정보를 보존하기 위해 먼저 오일러 각도 변환 및 경계 상자를 사용하여 3D 치아 모델을 정규화합니다(그림 3 참조).

  그림 3

• 표준화된 처리에 대한 자세한 설명은 알고리즘 1과 같이 결론지어진다.
  

• 네트워크 훈련을 위한 보다 자세한 특징을 가진 치과 깊이 맵을 계산하기 위해 이미지 엔트로피 지원 적응 시각 거리 직교 투영 방법을 제안하며, 이 방법은 픽셀 거리 양방향 가역 매핑을 실현할 수 있다. 깊이 맵을 계산하는 자세한 단계는 알고리즘 2에 나와 있습니다.
  

• 픽셀 거리 변환 관계에 따라, 치과 깊이 맵은 알고리즘 2에 의해 구성된다. 계산식은 다음과 같습니다.
  

• 이미지 엔트로피는 이미지가 전달하는 정보의 양을 반영하는 이미지 기능의 통계적 형태이다. 따라서 영상 엔트로피는 서로 다른 α 값으로 치과 깊이 맵의 품질을 평가하는 데 도움이 됩니다(그림 4 참조).

  그림 4

• 엔트로피 계산 공식은 다음과 같이 정의됩니다.
  

• 여기서 m은 픽셀 값의 범위(0-255), Pt는 이미지에서 픽셀 t의 확률입니다. 다수의 실험에 기초하여, α = 2일 때 교합면의 상세한 정보를 유지할 수 있다.

2.2. Dental Restoration Network.

• 생성적 적대 네트워크(GAN)는 의료 이미지 복원 분야에서 많은 놀라운 성과를 거두었으며, 이를 적용하면 복잡한 추상적 특징과 인페인팅 규칙을 수동으로 설계하는 문제를 피할 수 있다. 최근, 일부 효과적인 네트워크 아키텍처는 서로 다른 규모의 차별적인 부분에서 글로벌 및 로컬 이미지 콘텐츠 일관성을 동시에 채택하는 이중 discriminator GAN과 같은 적대적 학습의 능력을 향상시키기 위해 개발되었다. 여기서는 생성 모델과 이중 판별 모델을 구성하여 새로운 DL 기반 폐색 표면 재구성 방법을 설계한다. 그림 5에서 입증되었듯이, 우리의 접근 방식은 치아 복원 작업을 위해 훈련된 심층 컨볼루션 신경망을 기반으로 한다. 누락된 폐색 표면 합성에 단일 생성 모델이 사용되는 반면, 두 discriminator 네트워크는 폐색 표면이 완료되었는지 여부를 판단하도록 훈련된다.

  그림 5

2.3. Deep Generative Model.

• 다양한 의료 이미지 분석 작업에서 encoder-decoder 아키텍처의 우수한 성능으로 인해, 우리는 generator와 유사한 네트워크 아키텍처를 채택하여 이미지를 추가 처리하기 전에 초기에 해상도를 낮춰 계산 효율성을 향상시킬 수 있다. 그런 다음 디콘볼루션(Dconv.) 레이어를 사용하여 출력이 원래 해상도 이미지로 복원됩니다. 이미지 해상도를 낮추기 위한 다른 풀링 기반 아키텍처와 달리, 우리의 네트워크 모델은 분해능을 두 번 감소시키기 위해 분수 보폭())을 가진 컨볼루션 작업을 사용하는데, 이는 빠진 치아에서 조직 구조가 분명한 폐색 표면을 생성할 수 있다. 그림 5(a)에서 보는 바와 같이 네트워크는 입력 영상과 함께 필터 뱅크가 합성되어 폐색 표면 이미지를 생성하는 층으로 형성된다. 각 컨볼루션(Convolution, Convolution, Convolution, Convolution, Convolution, Convolution) 레이어 뒤에 마지막 레이어를 제외한 BN(Batch Normalization)과 ReLU(Cred Linear Unit, ReLU) 활성화 함수가 추가되며, 출력 레이어는 [0, 1] 범위까지 출력을 정규화하는 시그모이드 함수를 갖는 Convolution으로 구성된다.

• 네트워크가 복잡한 폐색 표면 재구성을 처리할 수 있도록 네트워크의 학습 능력을 향상시키기 위해 확장된 컨볼루션 레이어를 추가하는데, 이는 주로 분산된 커널을 사용하며 훨씬 더 큰 입력 영역으로 각 출력 픽셀을 계산할 수 있다. 일반적인 연결과 달리 확장된 컨볼루션 레이어는 그림 6에 표시된 것처럼 이전 피쳐 맵을 채널에서 후속 출력에 각각 연결합니다.

  그림 6

• 확장된 컨볼루션 레이어는 세밀한 구조 정보를 얻고 효율적인 특징 표현을 위해 수용 필드를 확장한다. 치과 교합 표면의 보다 명확한 조직 구조를 재구성하기 위해 다양한 확장 속도가 적절한 척도의 수용 필드를 얻도록 설정됩니다. 또한 이 연결을 통해 각 피처 맵은 서로 다른 확장 속도로 여러 컨볼루션 작업을 수행하여 서로 다른 유형의 피처 정보를 캡처할 수 있다. 각 레이어의 특징 매핑은 마지막 확장 컨볼루션의 출력에 통합되어 생성 모델이 더 효과적이고 풍부한 생물학적 특성을 추출할 수 있다.

• 하나의 2D 레이어가 i+1번째 채널 h1 + 1 x wi + 1 이미지라면, 확장 컨볼루션 연산자는 각 픽셀에 대해 다음과 같이 쓸 수 있다:
  
  kn + 1 - kn - 1/2 및 kw + 1 = (kw - 2)/2는 각각 커널 폭과 높이이고, y와 x는 입출력 화소 성분이며, F(·)는 구성 요소별 비선형 전달 함수, b는 바이어스 벡터, M은 커널의 i + 1-by-i 행렬을 나타내고, α는 확장 계수이다.

2.4. Global-Local Discriminative Models.

• 주목할 만한 생성 모델에 비해, 강력한 discriminator는 좋은 복원 네트워크를 훈련시키는 데 다소 더 중요하다. 보다 현실적인 크라운 세부 사항을 장려하기 위해, 우리는 고해상도 실제 및 합성 치과 이미지를 구별하기 위해 이중 discriminator 네트워크를 GAN discriminator로 채택한다. 훈련 중에 글로벌 discriminator DG와 로컬 discriminator DL은 모두 동일한 제너레이터 G를 공유하지만 다른 방식으로 출력을 검사한다. 전역 discriminator DG는 준비 치아와 인접 치아를 입력으로 사용하는 반면, 국부 discriminator DL은 준비 치아만 입력으로 사용한다. 두 discriminator의 개요는 그림 5(b)와 5(c)에서 확인할 수 있다.

  • 인접한 치아 x1을 가진 준비 치아와 인접한 치아 z1을 가진 해당 대상 크라운이 주어졌을 때, 적대적 학습의 객관적 함수는 다음과 같이 쓸 수 있다:
    
    여기서 c1은 반대쪽 치아를 나타내고, c2는 치아의 생물학적 형태(포괄적 지문과 폐색 홈), d는 두 턱 사이의 간격 거리를 나타낸다.

• generator G는 이러한 객관적 함수를 최소화하기 위해 노력하는 반면, 글로벌 discriminator DG는 minGmax DG, DLDG(G, Dk)로 최대화를 시도한다.

두 번째 discriminator의 목적 함수는 다음과 같이 쓸 수 있다:

• 여기서 x≤1은 준비 치아를 나타내고, z≤1은 대응하는 대상 치관을 나타내며, c≤1은 준비 치아의 대향 치아를 나타내며, c3은 대상 치관의 폐색 홈을 나타낸다.

교합 표면 재구성의 품질을 보장하기 위해서는 효과적인 적대적 훈련이 필요하다. 따라서 전역 discriminator는 크기가 5 × 5이고 값이 2인 보폭을 갖는 컨볼루션 필터를 취한다. 기본 아이디어는 생성된 교합 표면이 사실적일 뿐만 아니라 인접한 치아 형태와도 일치해야 한다는 것이다. 국소 discriminator는 5개의 컨볼루션 레이어와 완전히 연결된 레이어로 구성된 동일한 구조 패턴을 따른다. 빠진 치아의 위치에서 재구성된 교합 표면이 실제인지 여부를 결정한다.

마지막으로, 두 개의 discriminator의 출력은 연결 계층에 의해 함께 융합되며, 이는 치과 이미지가 실제일 확률에 해당하는 연속 값을 예측한다. 우리의 최종 목표는 준비 치아와 치아 생물학적 형태에 대한 조건화된 발생기 네트워크를 배우는 것이다. 그런 다음, generator G에 의해 생성된 다른 스케일 이미지는 두 개의 discriminator DG와 DL을 속일 만큼 현실적이도록 권장된다. 따라서, 적대적 학습 문제는 다음과 같이 정의되는 다목적 학습 문제가 된다.

2.5. Loss Function

• 현실적인 치관을 재구성하도록 네트워크를 훈련시키기 위해, (6)에서 GAN의 적대적 손실(Ladv)은 지각 손실(Lper), L1 손실(LL1) 및 평균 제곱 오차(Lmse)를 추가하여 개선된다. 네 가지 손실 기능을 혼합하여 사용하면 교합 표면 재구성 네트워크를 안정적으로 교육할 수 있습니다. 아래에서는 이러한 손실 조건을 선택하는 이유를 설명하겠습니다. 평균 제곱 오차(MSE)는 의료 이미지 분석 연구에서 가장 널리 사용되는 충실도 측정 지표 중 하나이다. 생성된 치과 영상 G(x)와 해당 대상 치과 크라운 z 사이의 차이를 픽셀 단위로 평가하고 오류 신호의 강도를 객관적으로 정량화합니다. 따라서 MSE 손실을 사용하여 교육을 안정화합니다.
  

• 여기서 ||·|F는 프로베니우스 규범을 나타낸다. MSE 손실과 대조적으로 지각 손실은 두 개의 치과 이미지를 픽셀 수준이 아닌 특징 수준에서 평가하므로 생성된 폐색 표면의 세부 사항을 보존하고 구조 측면에서 더 선명하게 만드는 데 도움이 된다. 따라서 지각 손실은 빠진 치아의 생체 형태 특징을 재구성하는 능력을 더욱 향상시키기 위해 네트워크의 훈련에 추가된다. perceptual loss은 다음과 같이 표현될 수 있다.
  

• 여기서 ||·|1은 L1 규범을 나타내고, hi는 ith 컨볼루션 레이어에 의해 얻어진 형상 맵을 나타내며, C, H, W는 각각 형상 공간의 폭, 높이 및 깊이를 나타낸다. total loss function은 상기 손실의 가중합으로 다음과 같이 공식화된다.
  

여기서 λ L1, λ mse, λ per는 3개의 상수 가중 계수이다.

3. Experiment Results

3.1. Dental Dataset

• 손상·수리된 환자의 치아를 채취할 수 있는 인력과 구내과 전문 지식이 부족하기 때문에 네트워크 교육을 위한 치과 데이터베이스를 스스로 충분히 구축하기 어렵다. 이러한 상황을 고려하여, 이 프로젝트는 북경대학 기공병원과 협력하여 우리에게 수동으로 설계된 치아 준비와 추출된 치아 생물학적 형태를 제공한다. 많은 연구에서 하악골 첫째 어금니의 담낭률이 가장 높은것으로 보고되었으므로 연구 대상으로 #46 또는 #36 치아에 결함이 있는 환자를 선택했습니다(그림 7 참조).
  

• 3D 디지털 치과 데이터 세트는 3Shape 치과 스캐너(D700, 덴마크)에 의해 피험자의 치과 석고 모델에서 수집되며, 치과 샘플은 교육을 위한 850개, 유효성 검사를 위한 90개, 그리고 테스트를 위한 나머지 60개 치과 샘플의 세 부분으로 랜덤하게 분할된다.

3.2. Implementation

• 제안된 치아 복원 네트워크는 TensorFlow 프레임워크를 기반으로 하며, 모든 실험은 128GB RAM을 탑재한 Windows 10과 machine running은 GeForce GTX 1080Ti GPU, Intel(R) Platinum 8168 CPU @ 2.70GHz를 사용하였다.

모델을 훈련시키기 위해 다음 하이퍼 매개 변수를 사용하여 Adam 솔버를 사용하여 네트워크를 최적화한다.

λL1 = 100, λmse = 50, λper = 50
β1 = 0.5, β2 = 0.999
learning rate = 0.0002
all ReLUs in the network with slope 0.2.

3.3. Ablation Study

3.3.1 Loss Function Results

• 모든 객관적 제약 기능이 예상된 역할을 하도록 하고 기능 자체의 특성에 최대한의 효과를 주기 위해, 우리는 훈련 초기 단계에서 충분한 그레이디언트 업데이트를 보장하는 것을 기반으로 훈련 복잡성을 점진적으로 증가시키는 전략을 채택한다. 훈련 과정은 세 단계로 나뉜다. 첫째, 발생기 네트워크는 폐색 공간 제약, 치과 생물학적 형태 제약, L1 손실로 훈련되어 기본 폐색 표면(단계 I로 표시됨)을 산출한다. 그 후, generator 네트워크가 고정되고 2개의 discriminator는 MSE 손실과 2단계 II)로 표시된 지각 손실로 처음부터 훈련된다.

• 마지막으로, generator 네트워크와 이중 discriminator 네트워크는 전체 교육이 끝날 때까지 공동으로 훈련된다(III 단계로 표시). 그림 8은 세 가지 설정을 가진 두 가지 일반적인 복원 샘플을 보여줍니다. 하나는 #36 치아이고 다른 하나는 #46 치아입니다. 준비 치아에 생성된 교합 표면 형상은 훈련이 3단계에 도달했을 때 물체 형상에 매우 가깝다. (그림 8 참조)

  그림 8

외에도 세 가지 메트릭스를 사용하여 교합 표면 생성 작업의 성능을 평가한다. 최대 신호 대 잡음비(PSNR)는 압축 및 인페인팅된 이미지의 품질을 평가하는 일반적인 방법이 되었으며 , 이는 처리된 이미지에 대해 픽셀 기반 오류를 제공한다. 두 번째는 두 이미지의 로컬 위치에서 픽셀 값의 차이를 직접 측정하는 FSIM(Feature Similarity Index Measure)입니다. 세 번째 메트릭은 두 이미지 사이의 전체적 구조적 유사성을 평가하는 SSIM(Structural Similarity Index Measure)이다. Table 1은 다양한 설정의 평균 성능을 보여 줍니다.

Table 1

• 단계 III에 의해 얻어진 평균 PSNR 값이 단계 I에 비해 6.431 dB 증가함을 알 수 있다. 또한 FSIM은 0.961에서 0.993으로 증가하여 생성된 폐색 표면 이미지와 대상 이미지의 로컬 위치에서 픽셀 값의 차이를 측정하는 제안된 네트워크의 기능을 보여준다.

• 0.933에서 0.985로 증가하는 SSIM 측면의 개선은 폐색 표면 구조를 유지하는 데 있어 제안된 네트워크의 강력한 용량을 보여준다. 훈련 과정 동안 DentalRecNet의 수렴을 모니터링하기 위해 각 반복의 L1 loss(LL1), mean-squared error(Lmse), perceptual loss(Lper) 및 adversarial loss(Ladv)이 기록된다. 제안된 DentalRecNet에 사용된 각 손실의 성능을 평가하기 위해 네트워크 훈련 과정 중에 단계별 훈련 방법을 채택한다. 그림 9는 네트워크의 훈련 손실 대 반복 횟수를 나타내는데, 이는 네트워크가 손실 값의 안정적인 감소를 달성함을 보여준다.

  그림 9

3.4. Parameter Selection Results

강화 계수 α를 조정함으로써, 우리는 제안된 방법의 생성된 치아 이미지 품질에 대한 영향을 그림 10과 같이 추가로 평가한다. 강화 계수 2.0은 다른 6개의 파라미터보다 최상의 성능을 달성함을 알 수 있으며, 이는 그림 4와 같은 결론과 일치한다.

그림 4
따라서 이러한 매개 변수로 얻은 치아 깊이 맵은 실험에서 DentalRecNet을 훈련하는 데 사용된다.

3.5. Effectiveness of the Dilated Convolutional Layers.

그런 다음 DentalRecNet에 사용되는 확장 컨볼루션 레이어의 효과를 검증하기 위한 일련의 실험을 수행한다. 이러한 실험에서 우리는 확장 컨볼루션 레이어(Dilated Conv.)를 대체하기 위해 일반 컨볼루션 레이어(General Conv.)를 사용하여 결과 분석을 위한 generator를 구성한다. 회색 거리 매핑 관계에 따라, 점 구름 밀도를 기반으로 한 적응형 메시 재구성 방법을 사용하여 치과 깊이 이미지의 3D 모델을 얻는다. 그림 11은 두 가지 설정이 다른 일반적인 복원 샘플을 보여줍니다.

그림 11
Dilated Conv. based generator는 General Conv. based generator와 비교하여 더 나은 결과를 달성한다는 것이 관찰된다. 특히 DentalRecNet에서 생성된 폐색 지문 분포는 상대적으로 실측 표본에 가깝다. 교합 표면의 품질을 평가하기 위해 생성된 결과와 대상 크라운 사이의 편차는 인접한 치아의 제약 하에 계산된다. 그림 11과 같이, 제안된 generator가 구한 표준편차(SD) 값과 루트 평균 제곱(RMS) 값이 General Conv. based generator에 비해 각각 0.078 mm, 0.081 mm 감소하는 것을 알 수 있다.

3.6. Comparison Results with State-of-the-Art Methods

3.6.1. Qualitative Results.

• 이 섹션에서는 제안된 방법을 Pix2pix, CrownDesNet, Dental-GAN , DAIS 및 GL-GAN 등 5개의 대표적인 GAN 기반 방법과 비교한다. Pix2pix는 조건부 GAN 모델로, 쌍을 이룬 훈련 샘플로 입력에서 출력 이미지 영역으로 번역 기능을 학습하는 데 사용된다. CrownDesNet은 치과용 크라운 설계 네트워크로, 준비된 턱과 치과용 설계 턱 사이의 매핑을 학습하는 데 사용됩니다.

Dental-GAN은 Pix2pix를 기반으로 하는 치과 크라운 복원 네트워크로 지각 손실 및 폐색 그루브 필터 손실 기능을 추가하여 보다 사실적인 폐색 표면 이미지를 생성한다. DAIS는 특별히 설계된 훈련 전략을 가진 생성 모델, 이중 로컬-글로벌 판별 모델 및 구문 분석 모델로 구성된 치과용 인레이 복원 네트워크이다. GLGAN은 완전 컨볼루션 네트워크와 전역-국소 컨텍스트 discriminator를 기반으로 하는 완료 네트워크로 구성된다. 픽셀 거리 양방향 가역 매핑 관계에 따라, 3D 치과 교합 표면은 영역 성장을 기반으로 한 메시 재구성 방법을 사용하여 생성된 이미지에서 재구성된다. 우리는 재구성된 결과를 그림 12에 제시된 세 가지 일반적인 예와 시각적으로 비교하고 치과의사가 추출한 교합 지문(해녹색)을 제공한다.

Pix2pix 및 CrownDesNet에 의해 생성된 폐색면은 폐색 지문이 적거나 폐색 홈이 더 매끄러운 것을 알 수 있다. Dental-GAN과 GL-GAN은 CrownDesNet과 비교하여 더 나은 성능을 보여준다. DAIS에 의해 생성된 폐색 유전자의 분포는 다른 방법보다 더 합리적이다. DentalRecNet의 재구성 결과는 특히 폐색 지문 분포와 폐색 홈 특성에 대해 자연 치관에 상대적으로 가깝다.

또, 제안된 방법의 효과를 추가로 검증하기 위해 실험 사례(그림 13 참조)가 추가되었다.

그림 13

이론적으로 사람의 왼쪽 치아(#36)와 오른쪽 치아(#46)는 대칭이다. 보시는 바와 같이 저희 방법으로 디자인한 치관 모델은 치과에서 디자인한 치관보다 더 개인화 되어 있고 제안된 DentalRecNet 모델에 의해 생성된 치아 보철물은 형태학적으로 반대쪽 치아와 유사하며, 이는 이 방법이 우수한 임상 적용 가능성을 더 보여준다.

3.6.2. Quantitative Results.

PSNR, FSIM 및 SSIM의 양적 비교는 표 2에 요약되어 있다.

표 2

Pix2pix, CrownDesNet, GL-GAN은 PSNR, FSIM, SSIM에 대한 값이 낮아 폐색 표면의 생물학적 특성을 정확하게 재구성할 수 없음을 알 수 있다. 크라운 설계 네트워크(CrownDesNet)와 비교하여 Dental-GAN 및 DAIS는 더 나은 결과를 얻을 수 있다. 동시에 DentalRecNet은 그림 12와 같이 시각적 결과와 일치하는 다른 다섯 가지 방법을 크게 능가한다.

따라서 빠진 치아의 자동 폐색 표면 재구성을 위한 entalRecNet의 실용적인 유용성이 추가로 입증된다. 또한, 우리는 다른 기존 방법을 사용하여 제안된 방법의 효과를 직관적으로 평가한다. 생성된 교합 표면과 자연 치관 사이의 RMS 값을 측정하고 유사도 측정 결과에 대해 일련의 통계 분석을 수행한다.(그림 14 참조)

그림 14

이 논문의 방법으로 얻은 결과는 다른 방법에 비해 현저히 우수함을 알 수 있다. 특히 DentalRecNet에 의한 검출 오차는 0.114mm인 반면 다른 방법에서 최적의 DAIS에 의한 검출 오차는 0.164mm이다. 또한 생성된 치아 크라운과 개체 치아 크라운 간의 편차 측정의 유사성을 평가하기 위해 일원 분산 분석 검정이 수행됩니다. 이 여섯 가지 방법의 경우 편차 측정에서 통계적으로 유의한 차이를 발견한다(p 11e - 3) 마찬가지로, 우리는 DentalRecNet과 Kruskal-Wallis 테스트를 사용하는 다른 다섯 가지 방법(p 11e - 3) 사이에 통계적으로 유의한 차이를 발견한다.

4. Discussion

결함이 있는 치아의 정확한 공간적 교합 접촉 관계를 재구성하는 것은 성공적인 회복을 평가하고 구강 건강을 유지하기 위한 기초가 된다. 각 치아가 동일한 이름의 표준 치아와 동일한 특징적인 모양을 가지고 있다는 점을 고려하여, 생체 공학 기하학 형태 설계 기반 방법은 크라운을 설계하기 위해 표준 치아를 채택하는 경향이 있다.

• 크라운 설계 프로세스에서 교합 지문은 정확한 교합 접점의 위치와 방향에 대한 참조를 제공하기 때문에 교합 표면의 기능적 특성을 완전히 반영하기 위해 필요하다. 설계 프로세스 중에 폐색 지문 분포를 고려하지 않을 경우 설계 크라운에 불합리한 간섭 영역이 많이 발생할 수 있습니다. 이는 폐색 지문이 치과 크라운에 대한 인장 응력을 분산시키는 데 도움이 되기 때문에 특히 중요하다. 치아 크라운의 독특한 폐색 홈 특성은 씹는 과정에서 음식 흐름의 방향과 매스틱 효율을 결정하는데, 이는 치아 복원 성공 여부를 평가하는 기준으로도 활용된다. 따라서 교합 지문과 교합 홈을 고려하지 않은 구강 복원술은 에나멜 균열 및 기타 파괴 과정의 발생을 선호할 수 있다.

제안된 DentalRecNet의 효과를 검증하기 위해 두 가지 대표적인 GAN 모델과 세 가지 GAN 기반 치아 복원 방법과 비교하며 예제 결과는 그림 12과 같다.

그림 12

• DentalRecNet은 Pix2pix 및 GL-GAN과 비교하여 보다 현실적인 표면 형태를 얻을 수 있으며, 치아 생물학적 특성(폐색 지문, 폐색 홈)은 자연 치아에 가깝다.이는 기존의 최첨단 치아 복원 방법보다 우수하며, 교합 표면에 더 많고 적합한 기능적 특징 영역을 생성할 수 있다.

• Depth map을 사용하여 교합 표면 형태를 나타내는 접근 방식을 도입하여 템플릿 치아를 기반으로 정상적인 매스틱 기능과 자연 형상을 만족시키는 교합 표면을 재구성하기 어렵다는 문제를 해결하였다.

• 생체 공학 기하학 형태 설계 기반 방법은 많은 수의 샘플 치아와 수동 상호 작용을 필요로 한다. 가장 적합한 폐색 표면과 몇 개의 특징점이 선택되는지, 폐색 표면 설계가 완료되었을 때, 폐색 기능을 정량화하는 방법을 정의해야 한다. 특징적인 영역 이러한 평가 기준을 찾고 관련 매개변수를 결정하려면, 원칙적으로 32개의 치아 유형에 대해 설계된 크라운 모델(수천 개 이상)을 분석해야 한다.

• 이러한 설계 규칙은 유형에 따라 다를 수 있으며 결과적으로 다른 유형의 치아가 다른 설계 표준과 매개변수와 함께 사용될 수 있고 해결할 수 있다는 것이 입증되었다. 다단계 네트워크 아키텍처는 더 많은 대표적인 기능 정보를 얻기 위해 대규모 데이터에 의해 훈련된다.

• 따라서 각 특정 치아에 대한 수동 변형 대신 given input (preparation tooth)에 대한 constraint condition (opposing jaw, gap distances, occlusal groove, and occlusal fingerprint)을 지정한 후 손실 함수를 최소화하는 많은 사례를 수집하여 특징 간의 통계적 차이를 정량화한다. 이러한 최소화를 통해 네트워크의 가중치는 생성 능력을 향상시키기 위해 최적화된다. 특히 심층 네트워크는 샘플 데이터 세트에서 고급스럽고 더 차별적인 특징을 자동으로 학습할 수 있는 능력을 가지고 있으며, GAN은 복잡한 생성 모델을 학습하여 현실적인 이미지를 합성하는 데 탁월한 결과를 얻었다.

5. Conclusions

• 본 논문에서는 dual global-local discriminative model을 포함하는 부분 치의환자의 성형 기능 복원을 위한 새로운 치아 교합 표면 재구성 모델을 제안한다. 특히, 확장된 컨볼루션 구조를 생성 모델에서 활용하여 차별적 특징 표현을 얻고 정확한 재구성을 위해 보다 세분화된 생물학적 특징 정보를 보존한다.

• Dual global-local discriminative model 은 더 나은 결정을 위해 판별 능력을 향상시키려고 시도하는데, 이는 두 개의 분리되지만 상호 보완적인 discriminator로 생성 모델을 더 효과적으로 최적화한다. 실험 결과는 동일한 조건에서 제안된 접근 방식이 실제 치과 데이터베이스에 대한 최근의 발전을 능가한다는 것을 보여준다.

• 특히, 우리 방법에 의한 검출 오차는 0.114mm인 반면, 다른 방법의 최적 검출 오차는 0.164mm이다. 한편, 제안된 DentalRecNet은 지능적이고 개인화된 치과 복구 방법으로서 잠재적인 적용 가치가 있음을 검증했다. 중요한 것은 제안된 방법이 기하학적 형상 설계에서 기능적 특성 설계로 보철물의 변환을 실현한다는 점이다.

• DentalRecNet은 개인화된 치과 교합 표면 재구성의 어려운 문제를 해결하는 데 있어 가장 진보된 성능을 달성했지만, 향후 몇 가지 기술적 문제를 여전히 고려해야 한다.

  (1) 현재 DentalRecNet에서는 치과 깊이 이미지가 네트워크 훈련에 사용되므로 추가 사후 처리가 필요하다.3D 치아 크라운을 디자인하는 ng 프로세스. 따라서 치아 크라운 재구성을 위한 종단 간 솔루션을 탐색하여 복원 프로세스를 더욱 단순화할 수 있다.
  ⠀
  (2) 현재 교육 데이터 세트에는 치아 결함률이 가장 높은 하악골 첫 번째 어금니(#36 또는 #46)만 포함되어 있다. 결함 치아의 무작위성을 고려할 때 더 많은 치아 유형을 포함하는 더 큰 데이터 세트를 설정해야 DentalRecNet의 임상 성능을 더욱 향상시킬 수 있다.