닫기

Ex) Article Title, Author, Keywords

Original Article

Split Viewer

Journal of Technologic Dentistry 2024; 46(3): 93-100

Published online September 30, 2024

https://doi.org/10.14347/jtd.2024.46.3.93

© Korean Academy of Dental Technology

딥러닝으로 생성된 가상 치아의 형태학적 분석 연구

배은정

부천대학교 치기공과

Received: August 22, 2024; Revised: September 12, 2024; Accepted: September 12, 2024

Morphological analysis of virtual teeth generated by deep learning

Eun-Jeong Bae

Department of Dental Technology, Bucheon University, Bucheon, Korea

Correspondence to :
Eun-Jeong Bae
Department of Dental Technology, Bucheon University, 56 Sosa-ro, Bucheon 14774, Korea
E-mail: baebae@bc.ac.kr
https://orcid.org/0000-0002-3098-7673

Received: August 22, 2024; Revised: September 12, 2024; Accepted: September 12, 2024

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Purpose: This study aimed to generate virtual mandibular first molars using deep learning technology, specifically deep convolutional generative adversarial network (DCGAN), and evaluate the accuracy and reliability of these virtual teeth by analyzing their morphological characteristics. These morphological characteristics were classified based on various evaluation criteria, facilitating the assessment of deep learning-based dental prosthesis production’s practical applicability.
Methods: Based on our previous research, 1,000 virtual mandibular first molars were generated, and based on morphological criteria, categorized as matching, non-matching, and partially matching. The generated first molars or the categorization of the generated molars were analyzed through the expert judgment of dental technicians.
Results: Among the 1,000 generated virtual teeth, 143 (14.3%) met all five evaluation criteria, whereas 76 (7.6%) were judged as completely non-matching. The most frequent issue, with 781 (78.1%) instances, including some overlapping instances, was related to occlusal buccal cusp discrepancies.
Conclusion: The study reveals the potential of DCGAN-generated virtual teeth as substitutes for real teeth; however, additional research and improvements in data quality are necessary to enhance accuracy. Continued data collection and refinement of generation methods can maximize the practicality and utility of deep learning-based dental prosthesis production.

Keywords: Deep convolutional generative adversarial network, Deep learning, Dental prosthesis, Morphological analysis, Virtual teeth

디지털 혁신과 인공지능(artificial intelligence, AI)의 발전은 치과보철 분야에서도 혁신적인 변화를 가져오고 있으며, 특히 딥러닝 기술은 보철물 제작 과정의 효율성과 정확성을 크게 향상하고 있다[1]. 전통적인 치과 보철물 제작 방식은 시간이 많이 소요되고 수작업에 의존하여 오류 가능성이 있는 반면, 딥러닝을 활용한 가상 치아 생성 기술은 이러한 문제를 해결할 수 있는 잠재력을 지니고 있다[2].

딥러닝은 복잡한 데이터 패턴을 학습하고 예측하는 능력으로 의료분야에서 성공적으로 적용되고 있으며[3,4], 치과보철 분야에서는 환자의 치아 데이터를 기반으로 최적화된 보철물을 설계하고 제작하는 데 중요한 역할을 한다. 딥러닝 모델을 통해 생성된 가상 치아는 환자의 개별 구강 구조에 맞춤형으로 설계된 보철물을 제작할 수 있어 환자의 만족도와 치료 결과를 높일 수 있다[5].

다수의 선행연구는 딥러닝 기술이 치과 분야에 제공하는 이점을 이미 입증하고 있다. Nguyen 등[6]은 인공지능이 치과 진단 및 치료 계획에서 어떻게 활용될 수 있는지에 대해 논의하며, AI 기반 시스템이 기존 방법보다 더 높은 정확도를 제공할 수 있음을 언급하였다. Wang 등[7]은 딥러닝 모델이 치아의 구조적 특성을 파악하고, 보철물 제작에 필요한 세부 정보를 효율적으로 생성할 수 있음을 발견했다. Dobrzański와 Dobrzański [8]는 딥러닝을 활용한 가상 치아 생성이 보철물 제작의 정밀도와 효율성을 크게 높일 수 있음을 시사했다. Khanna 등[9]의 연구는 AI를 보건의료에 활용 시 비용을 절감하고, 불필요한 재작업을 줄여 경제적 이점을 제공할 수 있음을 보여주며, 특히 비용 효율성 측면에서 딥러닝 기술의 장점을 강조했다. 이러한 연구들은 딥러닝 기술이 치과 보철물 제작 과정에서의 실질적인 혜택과 가능성을 보여주며, 앞으로의 발전 방향을 제시하고 있다.

본 연구는 딥러닝 기술, 특히 딥 컨볼루션 생성적 적대 신경망(deep convolutional generative adversarial networks, DCGAN)을 활용해 생성된 가상 치아 이미지에서 발생하는 불일치 특징을 분석하는 것을 목표로 한다. DCGAN은 비지도 학습 방식의 알고리즘으로, 입력 데이터의 특징을 스스로 학습하여 새로운 데이터를 생성할 수 있어[10] 의료 데이터의 부족이라는 한계를 극복할 수 있는 유망한 방법으로 주목 받고 있다.

그러나 DCGAN을 활용한 가상 이미지 생성에 관한 연구는 아직 초기 단계이며, 특히 치과 분야에서는 연구가 매우 부족한 상황이다. 따라서 본 연구를 통해 가상 치아 데이터의 정확성을 높이고, 딥러닝 기반 치과 보철물 제작 과정의 신뢰성과 효율성을 증대시키고자 한다. 또한, 불일치 항목의 주요 특징을 파악하여 가상 치아 생성 과정에서 발생할 수 있는 문제를 해결하기 위한 개선 방안을 제시하는 것을 목표로 한다.

이를 위해 선행연구 결과[11]를 분석하는 과정에서 불일치 항목의 공통적인 특징을 발견하였으며, 이 특징들에 대해 세부적으로 분석을 시도하였다. 딥러닝 알고리즘의 성능에 따라 생성된 가상 이미지들의 정확도가 달라짐에 따라 어떤 불일치 특징이 나타나는지 비교하는 것은 중요하다. 이를 통해, 딥러닝이 만들어낸 가상의 치아 데이터가 어떤 유형의 불일치를 초래하는지 파악하고, 이러한 문제를 해결하는 방안을 모색할 수 있다.

본 연구에서는 딥러닝으로 생성된 가상 치아의 정확도를 분석한 선행연구[11]를 바탕으로, 생성된 가상 치아를 형태학적으로 세분화하여 분석하였다. 연구에 사용된 데이터 셋은 하악 좌측 제1대구치의 교합면 이미지를 포함하며, 다양한 환자들의 치아 이미지를 기반으로 한다. 데이터는 치과병원 및 연구 기관과 협력하여 치과용 스캐너(3shape D700, D800; 3Shape)를 이용하여 수집되었고, 개인정보 보호 규정을 준수하여 익명화되었다. 연구 방법의 주요 단계는 다음과 같다.

1. 데이터 셋 구성

치아 교합면의 이미지에서 주변 이미지를 제거한 경우와 포함한 경우를 각각 50개씩 추출하여 총 100개의 트레이닝 셋을 구성하였으며, 이를 바탕으로 1,000개의 가상 치아를 생성하였다.

2. 형태학적 분석

평가 과정에는 20년 이상의 경력을 가진 치과기공사(EJB)가 참여하여, 전문가의 숙련된 시각으로 가상 치아의 형태학적 특성을 판단하였다. 분석을 위해 선행연구에서 적용된 분류 기준을 참고하여 모든 일치 항목을 정의하였으며, 해당 기준에 부합하지 않는 항목들은 세부적으로 분류하여 분석에 포함하였다. 분류 기준은 Table 1 [11]과 같다.

Table 1 . Virtual teeth determined to meet all criteria (refer to previous research)

ItemClassificationCriteriaNaming
No. of cusp① No. of buccal cusp3 eaBC
② No. of lingual cusp2 eaLC
Occlusal surface ratio③ Buccal to lingual occlusal surface ratio based on the central groove3:2OBL
④ Ratio of buccal cusp – Mesiobuccal cusp (5):Distobuccal cusp (3):Distal cusp (2)5:3:2OBC
⑤ Ratio of lingual cusp – Mesiolingual cusp (1):Distolingual cusp (1)1:1OLC


1) 일치 항목

∙교두의 수

① 협측 교두의 수

② 설측 교두의 수

∙교합면 비율

③ 협측과 설측 교합면 비율

④ 3개의 협측 교두 비율

⑤ 2개의 설측 교두 비율

2) 불일치 항목

∙불일치 중 협측 교두 비율이 반대로 나온 가상 치아들

∙협측 교두가 4교두로 나타난 가상 치아들

∙협측 교두 중 원심협측교두가 크거나 또는 작은 가상 치아들

∙불일치로 판정된 결과 중 치아로 보기 어려운 기형 치아들

∙과다한 노이즈로 인해 판단이 불가한 가상 치아들

3) 통계 분석

본 연구에서는 딥러닝으로 생성된 가상 치아의 형태학적 특성을 분석하기 위해 빈도분석을 실시하였다. 빈도분석은 각 항목의 발생 빈도를 측정하고, 데이터의 분포를 파악하는 데 유용한 기법으로, 본 연구에서는 가상 치아의 다양한 특성 및 불일치 항목들의 빈도를 분석하는 데 활용되었다(IBM SPSS Statistics ver. 23.0, IBM).

불일치 항목들은 정밀한 분석을 위해 중복 빈도분석을 통해 다각적으로 평가되었다. 이러한 접근은 가상 치아 생성 과정에서 발생할 수 있는 오류의 빈도를 명확히 파악하고, 해당 문제를 해결하기 위한 개선 방안을 제시하는 데 중요한 자료를 제공하기 위함이다.

가상 치아 형태학적 분류 기준에 대해 ‘일치’, ‘불일치’, ‘일부 불일치’를 분석한 결과는 Table 2와 같다. 총 1,000개의 가상 치아 이미지에서 다섯 가지 기준을 모두 충족한 가상 치아 이미지는 143개(14.3%)였으며, 반대로 모두 불일치하다고 판정된 가상 치아 이미지는 76개(7.6%)였다. 모두 불일치로 판정된 가상 치아는 치아 이미지와 너무 다른 형태를 보이거나 생성 과정에서 발생한 노이즈로 인해 판단이 불가했던 경우이다. 일부 불일치한 결과는 78.1%로 가장 많았다.

Table 2 . The morphological classification results of virtual teeth

CategoryNumber (%)
All match143 (14.3)
All mismatch76 (7.6)
Partial mismatch781 (78.1)
Total1,000 (100.0)


다음은 일부 불일치로 나온 결과를 세분화하여 다각적으로 평가한 결과이다(Table 3). 연구 방법에서 언급하였듯이 일부 불일치 항목들은 정밀한 분석을 위해 중복으로 평가하였으며, 평가 결과 가장 높은 빈도를 차지하는 항목에 대해서 2차로 세부 분석을 시행하였다.

Table 3 . Detailed analysis results of partially mismatched items (multiple selections)

CategoryResult
number (%)
Detailed analysis (1)Result (1)
number (%)
Detailed analysis (2)Result (2)
number (%)
Partial mismatch781 (78.1)BC mismatch409 (28.2)
LC mismatch121 (8.3)
OBL mismatch4 (0.3)
OBC mismatch781 (53.8)Size error of distobuccal cusp187 (23.9)
Buccal cusp ratio error (symmetry)156 (20.0)
Four cusps103 (13.2)
Others335 (42.9)
Subtotal (2)1,562 (100.0)
OLC mismatch136 (9.4)
Subtotal (1)1,451 (100.0)

BC: number of buccal cusp, LC: number of lingual cusp, OBL: buccal to lingual occlusal surface ratio based on the central groove, OBC: ratio of buccal cusp, OLC: ratio of lingual cusp.



일부 불일치한 결과(78.1%)를 세부적으로 분석한 결과 OBC (ratio of buccal cusp) 불일치가 781개로 가장 많았으며, BC (number of buccal cusp) 불일치가 409개, OLC (ratio of lingual cusp) 불일치가 136개, LC (number of lingual cusp) 불일치가 121개 그리고 OBL (buccal to lingual occlusal surface ratio based on the central groove) 불일치가 4개였고, 이 결과는 중복 선택을 포함하였다.

OBC 불일치가 가장 높음에 따라 그 원인을 분석하고자 다시 세부 분석(2)을 시행하였다. 그 결과 원심협측교두의 비율이 기준에 비해 매우 크거나 작게 나온 가상 치아가 187개(23.9%)였다. 협측 교두의 비율이 5:4:2가 아닌 대칭으로(2:4:5) 생성된 가상 치아는 156개(20.0%)였다. 협측 교두가 3개가 아닌 4개로 나온 것은 103개(13.2%)로 나타났다. 그 외의 결과는 기타로 분류하였다 (42.9%).

Table 3에서 분류한 결과 중 일부를 선정하여 그림으로 나타내었다. Fig. 1은 다섯 가지 기준에 충족하여 하악 좌측 제1대구치로 보이는 가상 치아들이다. Fig. 2는 OBC 불일치 중 협측 교두의 비율이 대칭으로 나타난 결과로 좌측 제1대구치가 아닌 우측 제1대구치의 형태로 오인하게끔 잘못 생성된 가상 치아 이미지이다. Fig. 3에서는 OBC 불일치 중 협측 교두가 3개가 아닌 4개로 나타난 가상 치아들을 나타냈다. Fig. 4에서는 원심협측교두의 비율이 크거나 또는 작아서 불일치로 판정 난 가상 치아를 나타냈으며, 상단 2줄은 원심협측교두가 작게 나타난 가상 치아이고, 하단 2줄은 원심협측교두가 크게 나타난 가상 치아이다. 모두 불일치로 판정된 결과 중 치아로 보기 힘든 경우는 Fig. 5에, 그리고 교합면에 나타난 노이즈로 인해 판단이 불가했던 경우를 Fig. 6에 나타내었다.

Fig. 1.Virtual teeth judged to match all criteria.
Fig. 2.Virtual teeth with reversed buccal cusp ratio among mismatches.
Fig. 3.Virtual teeth with four cusps on the buccal side.
Fig. 4.Virtual teeth with distobuccal cusps that are either too large or too small (top 3 rows are large, bottom 2 rows are small).
Fig. 5.Deformed teeth among the mismatches that are difficult to identify as teeth.
Fig. 6.Virtual teeth that are indistinguishable due to excessive noise.

본 연구의 목적은 딥러닝 기술을 활용하여 가상 치아를 생성하고, 이를 실제 치과 보철물 제작에 적용할 가능성을 탐구하는 것이다. 생성된 가상 치아 모델의 정확성과 실용성을 평가하고, 임상 현장에서의 적용 가능성과 한계점을 검토함으로써, 향후 치과기공 분야에서 딥러닝 기술의 발전과 적용 방안을 제시하고자 하였다.

딥러닝을 통해 생성된 가상 치아는 보철물 제작 과정에서 여러 가지 중요한 이점을 제공할 수 있다. 첫째, 보철물 제작 과정에서의 오류를 줄이고, 결과적으로 제작 품질을 향상하는데 기여할 수 있다는 것이다. 이는 특히 반복적인 수작업에서 발생할 수 있는 실수를 줄이는 데 도움이 될 수 있다. 둘째, 가상 치아 모델을 활용하면 제작 과정의 효율성이 증가하여 작업 시간이 단축될 것이다. 이러한 효율성 증가는 치과기공사가 더 많은 보철을 신속하게 처리할 수 있도록 하여 전체적인 업무 효율성을 높일 수 있다. 셋째, 딥러닝 기술은 불필요한 재작업을 줄임으로써 재료비 절감 등 경제적인 이점을 제공할 수 있다.

본 연구에서 다섯 가지 평가 기준에 모두 일치하는 가상 치아는 1,000개 중 143개(14.3%)로 나타났다. 이는 DCGAN을 활용한 가상 치아 생성에서 여전히 개선이 필요한 부분이 있음을 시사한다. 특히, 협측 교두 비율의 불일치는 781개로 가장 많이 발생한 문제였다. 이 문제는 DCGAN이 치아에 대한 벡터에 수행하는 보간(interpolation) 과정에서 발생한 것으로 판단된다. DCGAN이 벡터에 대해 수행하는 랜덤(random) 연산 및 보간 연산은 이미지가 원래의 형태에서 천천히 회전하는 이미지를 생성할 수 있어[12], 협측 교두 간의 비율에서 오차가 발생하는 원인으로 작용한 것으로 보인다. Kim과 Bae [3]의 연구에서도 회전 등의 방법을 통해 데이터를 학습하였다고 하여 본 연구 결과를 뒷받침하고 있다.

또 다른 중요한 문제는 데이터 품질이다. 불완전하거나 불균형한 데이터는 인공지능 모델의 학습과 성능에 부정적인 영향을 미칠 수 있다. DCGAN과 같은 GAN 기반 모델들의 결과 이미지는 입력 데이터 셋의 크기와 품질에 크게 의존한다. Jang 등[13]의 연구에서도 이미지의 낮은 품질이 결과에 반영됨을 보고하였다. 따라서, 실제 치아 이미지를 추가하여 실험을 진행하면 더 높은 해상도의 결과 이미지를 얻을 수 있을 것이다. Fang 등[14]과 Gulrajani 등[15]의 연구에서도 DCGAN을 활용하여 convolutional neural network 기반 이미지 인식 성능을 개선한 바 있으며, 이는 본 연구의 결과와도 일맥상통한다. 모두 일치하였던 143개의 치아 이미지는 이에 대한 가능성을 보여준다.

인공지능은 데이터 기반으로 작업을 수행하므로 인간의 감성이나 복잡한 판단력이 필요한 부분에서는 한계가 있을 수 있다. 따라서 인공지능을 치과보철 분야에 도입할 때는 신중한 계획과 적절한 대비가 필요하다. 특히, 본 연구에서 제시된 교두 비율과 같은 형태학적 데이터는 임상에서 교합 분석 및 치료 계획 수립에 유용한 자료로 사용될 수 있다. 향후 연구에서는 개선된 알고리즘과 더욱 많은 학습데이터를 기반으로 대상으로 한 교두 비율 분석이 필요할 것이다. 이는 더 정확하고 정교한 보철물을 제작하여 치과기공사의 작업 과정의 효율성을 극대화하는데 이바지할 것으로 기대한다.

본 연구는 DCGAN을 활용하여 가상 치아를 생성하고, 그 실용성을 평가함으로써, 향후 치과기공 분야에서의 딥러닝 기술의 적용 가능성을 탐구하였다. 연구 결과, DCGAN으로 생성된 가상 치아가 실제 치아를 대체할 가능성을 보여주었으나, 정확도를 높이기 위한 추가적인 연구와 데이터 품질 개선이 필요하다는 점이 확인되었다. 지속적인 데이터수집과 생성 방법의 개선을 통해 딥러닝 기반 치과 보철물 제작의 실용성과 활용 가치를 극대화할 수 있을 것으로 기대된다.

이러한 연구는 치과기공사들에게 더 나은 도구와 기술을 제공하여, 작업의 효율성과 정확성을 크게 향상하는 데 중요한 역할을 할 것이다. 궁극적으로, 치과 분야의 디지털 혁신을 촉진하고, 환자 맞춤형 치료의 새로운 패러다임을 제시하는 데 기여할 수 있을 것이다.

No potential conflict of interest relevant to this article was reported.

  1. Tsoi JKH, Ding H, Burrow M, Fok A, Wang W. Premolar and molar crown generation using 3D-GAN method. Dent Mater. 2023;39(Suppl 1):e76.
    CrossRef
  2. Sivari E, Senirkentli GB, Bostanci E, Guzel MS, Acici K, Asuroglu T. Deep learning in diagnosis of dental anomalies and diseases: a systematic review. Diagnostics (Basel). 2023;13:2512.
    Pubmed KoreaMed CrossRef
  3. Kim M, Bae HJ. Data augmentation techniques for deep learning-based medical image analyses. J Korean Soc Radiol. 2020;81:1290-1304.
    Pubmed KoreaMed CrossRef
  4. Zhao D, Zhu D, Lu J, Luo Y, Zhang G. Synthetic medical images using F&BGAN for improved lung nodules classification by multi-scale VGG16. Symmetry. 2018;10:519.
    CrossRef
  5. Ding H, Cui Z, Maghami E, Chen Y, Matinlinna JP, Pow EHN, et al. Morphology and mechanical performance of dental crown designed by 3D-DCGAN. Dent Mater. 2023;39:320-332.
    Pubmed CrossRef
  6. Nguyen TT, Larrivée N, Lee A, Bilaniuk O, Durand R. Use of artificial intelligence in dentistry: current clinical trends and research advances. J Can Dent Assoc. 2021;87:l7.
    Pubmed
  7. Wang H, Minnema J, Batenburg KJ, Forouzanfar T, Hu FJ, Wu G. Multiclass CBCT image segmentation for orthodontics with deep learning. J Dent Res. 2021;100:943-949.
    Pubmed KoreaMed CrossRef
  8. Dobrzański LA, Dobrzański LB. Dentistry 4.0 concept in the design and manufacturing of prosthetic dental restorations. Processes. 2020;8:525.
    CrossRef
  9. Khanna NN, Maindarkar MA, Viswanathan V, Fernandes JFE, Paul S, Bhagawati M, et al. Economics of artificial intelligence in healthcare: diagnosis vs. treatment. Healthcare (Basel). 2022;10:2493.
    Pubmed KoreaMed CrossRef
  10. Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al. Advances in neural information processing systems 27. In:. Advances in neural information processing systems 27. Curran Associates, Inc., 2014. p.2672-2680.
  11. Bae EJ, Ihm SY. Generation of virtual mandibular first molar teeth and accuracy analysis using deep convolutional generative adversarial network. J Tech Dent. 2024;46:36-41.
    CrossRef
  12. Lee S, Kwon D, Ji Y. A study on the deep learning-based interpolation for time-series data with continuous missing values. Paper presented at: Korea Institute of Communications and Information Sciences (KICS) Fall Conference 2023; 2023 Nov 22-24; Gyeongju, Korea. Seoul: KICS, 2023. p. 765-766.
  13. Jang Y, Yoo J, Hong H. Assessment and analysis of fidelity and diversity for GAN-based medical image generative model. J Korea Comput Graph Soc. 2022;28:11-19.
    CrossRef
  14. Fang W, Zhang F, Sheng VS, Ding Y. A method for improving CNN-based image recognition using DCGAN. Comput Mater Continua. 2018;57:167-178.
    CrossRef
  15. Gulrajani I, Ahmed F, Arjovsky M, Dumoulin V, Courville A. Improved training of wasserstein GANs. Paper presented at: 31st International Conference on Neural Information Processing Systems; 2017 Dec 4-9; Long Beach, CA, USA. Red Hook, NY: ACM, 2017. p. 5769-5779.

Article

Original Article

Journal of Technologic Dentistry 2024; 46(3): 93-100

Published online September 30, 2024 https://doi.org/10.14347/jtd.2024.46.3.93

Copyright © Korean Academy of Dental Technology.

딥러닝으로 생성된 가상 치아의 형태학적 분석 연구

배은정

부천대학교 치기공과

Received: August 22, 2024; Revised: September 12, 2024; Accepted: September 12, 2024

Morphological analysis of virtual teeth generated by deep learning

Eun-Jeong Bae

Department of Dental Technology, Bucheon University, Bucheon, Korea

Correspondence to:Eun-Jeong Bae
Department of Dental Technology, Bucheon University, 56 Sosa-ro, Bucheon 14774, Korea
E-mail: baebae@bc.ac.kr
https://orcid.org/0000-0002-3098-7673

Received: August 22, 2024; Revised: September 12, 2024; Accepted: September 12, 2024

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract

Purpose: This study aimed to generate virtual mandibular first molars using deep learning technology, specifically deep convolutional generative adversarial network (DCGAN), and evaluate the accuracy and reliability of these virtual teeth by analyzing their morphological characteristics. These morphological characteristics were classified based on various evaluation criteria, facilitating the assessment of deep learning-based dental prosthesis production’s practical applicability.
Methods: Based on our previous research, 1,000 virtual mandibular first molars were generated, and based on morphological criteria, categorized as matching, non-matching, and partially matching. The generated first molars or the categorization of the generated molars were analyzed through the expert judgment of dental technicians.
Results: Among the 1,000 generated virtual teeth, 143 (14.3%) met all five evaluation criteria, whereas 76 (7.6%) were judged as completely non-matching. The most frequent issue, with 781 (78.1%) instances, including some overlapping instances, was related to occlusal buccal cusp discrepancies.
Conclusion: The study reveals the potential of DCGAN-generated virtual teeth as substitutes for real teeth; however, additional research and improvements in data quality are necessary to enhance accuracy. Continued data collection and refinement of generation methods can maximize the practicality and utility of deep learning-based dental prosthesis production.

Keywords: Deep convolutional generative adversarial network, Deep learning, Dental prosthesis, Morphological analysis, Virtual teeth

INTRODUCTION

디지털 혁신과 인공지능(artificial intelligence, AI)의 발전은 치과보철 분야에서도 혁신적인 변화를 가져오고 있으며, 특히 딥러닝 기술은 보철물 제작 과정의 효율성과 정확성을 크게 향상하고 있다[1]. 전통적인 치과 보철물 제작 방식은 시간이 많이 소요되고 수작업에 의존하여 오류 가능성이 있는 반면, 딥러닝을 활용한 가상 치아 생성 기술은 이러한 문제를 해결할 수 있는 잠재력을 지니고 있다[2].

딥러닝은 복잡한 데이터 패턴을 학습하고 예측하는 능력으로 의료분야에서 성공적으로 적용되고 있으며[3,4], 치과보철 분야에서는 환자의 치아 데이터를 기반으로 최적화된 보철물을 설계하고 제작하는 데 중요한 역할을 한다. 딥러닝 모델을 통해 생성된 가상 치아는 환자의 개별 구강 구조에 맞춤형으로 설계된 보철물을 제작할 수 있어 환자의 만족도와 치료 결과를 높일 수 있다[5].

다수의 선행연구는 딥러닝 기술이 치과 분야에 제공하는 이점을 이미 입증하고 있다. Nguyen 등[6]은 인공지능이 치과 진단 및 치료 계획에서 어떻게 활용될 수 있는지에 대해 논의하며, AI 기반 시스템이 기존 방법보다 더 높은 정확도를 제공할 수 있음을 언급하였다. Wang 등[7]은 딥러닝 모델이 치아의 구조적 특성을 파악하고, 보철물 제작에 필요한 세부 정보를 효율적으로 생성할 수 있음을 발견했다. Dobrzański와 Dobrzański [8]는 딥러닝을 활용한 가상 치아 생성이 보철물 제작의 정밀도와 효율성을 크게 높일 수 있음을 시사했다. Khanna 등[9]의 연구는 AI를 보건의료에 활용 시 비용을 절감하고, 불필요한 재작업을 줄여 경제적 이점을 제공할 수 있음을 보여주며, 특히 비용 효율성 측면에서 딥러닝 기술의 장점을 강조했다. 이러한 연구들은 딥러닝 기술이 치과 보철물 제작 과정에서의 실질적인 혜택과 가능성을 보여주며, 앞으로의 발전 방향을 제시하고 있다.

본 연구는 딥러닝 기술, 특히 딥 컨볼루션 생성적 적대 신경망(deep convolutional generative adversarial networks, DCGAN)을 활용해 생성된 가상 치아 이미지에서 발생하는 불일치 특징을 분석하는 것을 목표로 한다. DCGAN은 비지도 학습 방식의 알고리즘으로, 입력 데이터의 특징을 스스로 학습하여 새로운 데이터를 생성할 수 있어[10] 의료 데이터의 부족이라는 한계를 극복할 수 있는 유망한 방법으로 주목 받고 있다.

그러나 DCGAN을 활용한 가상 이미지 생성에 관한 연구는 아직 초기 단계이며, 특히 치과 분야에서는 연구가 매우 부족한 상황이다. 따라서 본 연구를 통해 가상 치아 데이터의 정확성을 높이고, 딥러닝 기반 치과 보철물 제작 과정의 신뢰성과 효율성을 증대시키고자 한다. 또한, 불일치 항목의 주요 특징을 파악하여 가상 치아 생성 과정에서 발생할 수 있는 문제를 해결하기 위한 개선 방안을 제시하는 것을 목표로 한다.

이를 위해 선행연구 결과[11]를 분석하는 과정에서 불일치 항목의 공통적인 특징을 발견하였으며, 이 특징들에 대해 세부적으로 분석을 시도하였다. 딥러닝 알고리즘의 성능에 따라 생성된 가상 이미지들의 정확도가 달라짐에 따라 어떤 불일치 특징이 나타나는지 비교하는 것은 중요하다. 이를 통해, 딥러닝이 만들어낸 가상의 치아 데이터가 어떤 유형의 불일치를 초래하는지 파악하고, 이러한 문제를 해결하는 방안을 모색할 수 있다.

MATERIALS AND METHODS

본 연구에서는 딥러닝으로 생성된 가상 치아의 정확도를 분석한 선행연구[11]를 바탕으로, 생성된 가상 치아를 형태학적으로 세분화하여 분석하였다. 연구에 사용된 데이터 셋은 하악 좌측 제1대구치의 교합면 이미지를 포함하며, 다양한 환자들의 치아 이미지를 기반으로 한다. 데이터는 치과병원 및 연구 기관과 협력하여 치과용 스캐너(3shape D700, D800; 3Shape)를 이용하여 수집되었고, 개인정보 보호 규정을 준수하여 익명화되었다. 연구 방법의 주요 단계는 다음과 같다.

1. 데이터 셋 구성

치아 교합면의 이미지에서 주변 이미지를 제거한 경우와 포함한 경우를 각각 50개씩 추출하여 총 100개의 트레이닝 셋을 구성하였으며, 이를 바탕으로 1,000개의 가상 치아를 생성하였다.

2. 형태학적 분석

평가 과정에는 20년 이상의 경력을 가진 치과기공사(EJB)가 참여하여, 전문가의 숙련된 시각으로 가상 치아의 형태학적 특성을 판단하였다. 분석을 위해 선행연구에서 적용된 분류 기준을 참고하여 모든 일치 항목을 정의하였으며, 해당 기준에 부합하지 않는 항목들은 세부적으로 분류하여 분석에 포함하였다. 분류 기준은 Table 1 [11]과 같다.

Table 1 . Virtual teeth determined to meet all criteria (refer to previous research).

ItemClassificationCriteriaNaming
No. of cusp① No. of buccal cusp3 eaBC
② No. of lingual cusp2 eaLC
Occlusal surface ratio③ Buccal to lingual occlusal surface ratio based on the central groove3:2OBL
④ Ratio of buccal cusp – Mesiobuccal cusp (5):Distobuccal cusp (3):Distal cusp (2)5:3:2OBC
⑤ Ratio of lingual cusp – Mesiolingual cusp (1):Distolingual cusp (1)1:1OLC


1) 일치 항목

∙교두의 수

① 협측 교두의 수

② 설측 교두의 수

∙교합면 비율

③ 협측과 설측 교합면 비율

④ 3개의 협측 교두 비율

⑤ 2개의 설측 교두 비율

2) 불일치 항목

∙불일치 중 협측 교두 비율이 반대로 나온 가상 치아들

∙협측 교두가 4교두로 나타난 가상 치아들

∙협측 교두 중 원심협측교두가 크거나 또는 작은 가상 치아들

∙불일치로 판정된 결과 중 치아로 보기 어려운 기형 치아들

∙과다한 노이즈로 인해 판단이 불가한 가상 치아들

3) 통계 분석

본 연구에서는 딥러닝으로 생성된 가상 치아의 형태학적 특성을 분석하기 위해 빈도분석을 실시하였다. 빈도분석은 각 항목의 발생 빈도를 측정하고, 데이터의 분포를 파악하는 데 유용한 기법으로, 본 연구에서는 가상 치아의 다양한 특성 및 불일치 항목들의 빈도를 분석하는 데 활용되었다(IBM SPSS Statistics ver. 23.0, IBM).

불일치 항목들은 정밀한 분석을 위해 중복 빈도분석을 통해 다각적으로 평가되었다. 이러한 접근은 가상 치아 생성 과정에서 발생할 수 있는 오류의 빈도를 명확히 파악하고, 해당 문제를 해결하기 위한 개선 방안을 제시하는 데 중요한 자료를 제공하기 위함이다.

RESULTS

가상 치아 형태학적 분류 기준에 대해 ‘일치’, ‘불일치’, ‘일부 불일치’를 분석한 결과는 Table 2와 같다. 총 1,000개의 가상 치아 이미지에서 다섯 가지 기준을 모두 충족한 가상 치아 이미지는 143개(14.3%)였으며, 반대로 모두 불일치하다고 판정된 가상 치아 이미지는 76개(7.6%)였다. 모두 불일치로 판정된 가상 치아는 치아 이미지와 너무 다른 형태를 보이거나 생성 과정에서 발생한 노이즈로 인해 판단이 불가했던 경우이다. 일부 불일치한 결과는 78.1%로 가장 많았다.

Table 2 . The morphological classification results of virtual teeth.

CategoryNumber (%)
All match143 (14.3)
All mismatch76 (7.6)
Partial mismatch781 (78.1)
Total1,000 (100.0)


다음은 일부 불일치로 나온 결과를 세분화하여 다각적으로 평가한 결과이다(Table 3). 연구 방법에서 언급하였듯이 일부 불일치 항목들은 정밀한 분석을 위해 중복으로 평가하였으며, 평가 결과 가장 높은 빈도를 차지하는 항목에 대해서 2차로 세부 분석을 시행하였다.

Table 3 . Detailed analysis results of partially mismatched items (multiple selections).

CategoryResult
number (%)
Detailed analysis (1)Result (1)
number (%)
Detailed analysis (2)Result (2)
number (%)
Partial mismatch781 (78.1)BC mismatch409 (28.2)
LC mismatch121 (8.3)
OBL mismatch4 (0.3)
OBC mismatch781 (53.8)Size error of distobuccal cusp187 (23.9)
Buccal cusp ratio error (symmetry)156 (20.0)
Four cusps103 (13.2)
Others335 (42.9)
Subtotal (2)1,562 (100.0)
OLC mismatch136 (9.4)
Subtotal (1)1,451 (100.0)

BC: number of buccal cusp, LC: number of lingual cusp, OBL: buccal to lingual occlusal surface ratio based on the central groove, OBC: ratio of buccal cusp, OLC: ratio of lingual cusp..



일부 불일치한 결과(78.1%)를 세부적으로 분석한 결과 OBC (ratio of buccal cusp) 불일치가 781개로 가장 많았으며, BC (number of buccal cusp) 불일치가 409개, OLC (ratio of lingual cusp) 불일치가 136개, LC (number of lingual cusp) 불일치가 121개 그리고 OBL (buccal to lingual occlusal surface ratio based on the central groove) 불일치가 4개였고, 이 결과는 중복 선택을 포함하였다.

OBC 불일치가 가장 높음에 따라 그 원인을 분석하고자 다시 세부 분석(2)을 시행하였다. 그 결과 원심협측교두의 비율이 기준에 비해 매우 크거나 작게 나온 가상 치아가 187개(23.9%)였다. 협측 교두의 비율이 5:4:2가 아닌 대칭으로(2:4:5) 생성된 가상 치아는 156개(20.0%)였다. 협측 교두가 3개가 아닌 4개로 나온 것은 103개(13.2%)로 나타났다. 그 외의 결과는 기타로 분류하였다 (42.9%).

Table 3에서 분류한 결과 중 일부를 선정하여 그림으로 나타내었다. Fig. 1은 다섯 가지 기준에 충족하여 하악 좌측 제1대구치로 보이는 가상 치아들이다. Fig. 2는 OBC 불일치 중 협측 교두의 비율이 대칭으로 나타난 결과로 좌측 제1대구치가 아닌 우측 제1대구치의 형태로 오인하게끔 잘못 생성된 가상 치아 이미지이다. Fig. 3에서는 OBC 불일치 중 협측 교두가 3개가 아닌 4개로 나타난 가상 치아들을 나타냈다. Fig. 4에서는 원심협측교두의 비율이 크거나 또는 작아서 불일치로 판정 난 가상 치아를 나타냈으며, 상단 2줄은 원심협측교두가 작게 나타난 가상 치아이고, 하단 2줄은 원심협측교두가 크게 나타난 가상 치아이다. 모두 불일치로 판정된 결과 중 치아로 보기 힘든 경우는 Fig. 5에, 그리고 교합면에 나타난 노이즈로 인해 판단이 불가했던 경우를 Fig. 6에 나타내었다.

Figure 1. Virtual teeth judged to match all criteria.
Figure 2. Virtual teeth with reversed buccal cusp ratio among mismatches.
Figure 3. Virtual teeth with four cusps on the buccal side.
Figure 4. Virtual teeth with distobuccal cusps that are either too large or too small (top 3 rows are large, bottom 2 rows are small).
Figure 5. Deformed teeth among the mismatches that are difficult to identify as teeth.
Figure 6. Virtual teeth that are indistinguishable due to excessive noise.

DISCUSSION

본 연구의 목적은 딥러닝 기술을 활용하여 가상 치아를 생성하고, 이를 실제 치과 보철물 제작에 적용할 가능성을 탐구하는 것이다. 생성된 가상 치아 모델의 정확성과 실용성을 평가하고, 임상 현장에서의 적용 가능성과 한계점을 검토함으로써, 향후 치과기공 분야에서 딥러닝 기술의 발전과 적용 방안을 제시하고자 하였다.

딥러닝을 통해 생성된 가상 치아는 보철물 제작 과정에서 여러 가지 중요한 이점을 제공할 수 있다. 첫째, 보철물 제작 과정에서의 오류를 줄이고, 결과적으로 제작 품질을 향상하는데 기여할 수 있다는 것이다. 이는 특히 반복적인 수작업에서 발생할 수 있는 실수를 줄이는 데 도움이 될 수 있다. 둘째, 가상 치아 모델을 활용하면 제작 과정의 효율성이 증가하여 작업 시간이 단축될 것이다. 이러한 효율성 증가는 치과기공사가 더 많은 보철을 신속하게 처리할 수 있도록 하여 전체적인 업무 효율성을 높일 수 있다. 셋째, 딥러닝 기술은 불필요한 재작업을 줄임으로써 재료비 절감 등 경제적인 이점을 제공할 수 있다.

본 연구에서 다섯 가지 평가 기준에 모두 일치하는 가상 치아는 1,000개 중 143개(14.3%)로 나타났다. 이는 DCGAN을 활용한 가상 치아 생성에서 여전히 개선이 필요한 부분이 있음을 시사한다. 특히, 협측 교두 비율의 불일치는 781개로 가장 많이 발생한 문제였다. 이 문제는 DCGAN이 치아에 대한 벡터에 수행하는 보간(interpolation) 과정에서 발생한 것으로 판단된다. DCGAN이 벡터에 대해 수행하는 랜덤(random) 연산 및 보간 연산은 이미지가 원래의 형태에서 천천히 회전하는 이미지를 생성할 수 있어[12], 협측 교두 간의 비율에서 오차가 발생하는 원인으로 작용한 것으로 보인다. Kim과 Bae [3]의 연구에서도 회전 등의 방법을 통해 데이터를 학습하였다고 하여 본 연구 결과를 뒷받침하고 있다.

또 다른 중요한 문제는 데이터 품질이다. 불완전하거나 불균형한 데이터는 인공지능 모델의 학습과 성능에 부정적인 영향을 미칠 수 있다. DCGAN과 같은 GAN 기반 모델들의 결과 이미지는 입력 데이터 셋의 크기와 품질에 크게 의존한다. Jang 등[13]의 연구에서도 이미지의 낮은 품질이 결과에 반영됨을 보고하였다. 따라서, 실제 치아 이미지를 추가하여 실험을 진행하면 더 높은 해상도의 결과 이미지를 얻을 수 있을 것이다. Fang 등[14]과 Gulrajani 등[15]의 연구에서도 DCGAN을 활용하여 convolutional neural network 기반 이미지 인식 성능을 개선한 바 있으며, 이는 본 연구의 결과와도 일맥상통한다. 모두 일치하였던 143개의 치아 이미지는 이에 대한 가능성을 보여준다.

인공지능은 데이터 기반으로 작업을 수행하므로 인간의 감성이나 복잡한 판단력이 필요한 부분에서는 한계가 있을 수 있다. 따라서 인공지능을 치과보철 분야에 도입할 때는 신중한 계획과 적절한 대비가 필요하다. 특히, 본 연구에서 제시된 교두 비율과 같은 형태학적 데이터는 임상에서 교합 분석 및 치료 계획 수립에 유용한 자료로 사용될 수 있다. 향후 연구에서는 개선된 알고리즘과 더욱 많은 학습데이터를 기반으로 대상으로 한 교두 비율 분석이 필요할 것이다. 이는 더 정확하고 정교한 보철물을 제작하여 치과기공사의 작업 과정의 효율성을 극대화하는데 이바지할 것으로 기대한다.

CONCLUSIONS

본 연구는 DCGAN을 활용하여 가상 치아를 생성하고, 그 실용성을 평가함으로써, 향후 치과기공 분야에서의 딥러닝 기술의 적용 가능성을 탐구하였다. 연구 결과, DCGAN으로 생성된 가상 치아가 실제 치아를 대체할 가능성을 보여주었으나, 정확도를 높이기 위한 추가적인 연구와 데이터 품질 개선이 필요하다는 점이 확인되었다. 지속적인 데이터수집과 생성 방법의 개선을 통해 딥러닝 기반 치과 보철물 제작의 실용성과 활용 가치를 극대화할 수 있을 것으로 기대된다.

이러한 연구는 치과기공사들에게 더 나은 도구와 기술을 제공하여, 작업의 효율성과 정확성을 크게 향상하는 데 중요한 역할을 할 것이다. 궁극적으로, 치과 분야의 디지털 혁신을 촉진하고, 환자 맞춤형 치료의 새로운 패러다임을 제시하는 데 기여할 수 있을 것이다.

ACKNOWLEDGEMENTS

None.

FUNDING

None to declare.

CONFLICT OF INTEREST

No potential conflict of interest relevant to this article was reported.

Fig 1.

Figure 1.Virtual teeth judged to match all criteria.
Journal of Technologic Dentistry 2024; 46: 93-100https://doi.org/10.14347/jtd.2024.46.3.93

Fig 2.

Figure 2.Virtual teeth with reversed buccal cusp ratio among mismatches.
Journal of Technologic Dentistry 2024; 46: 93-100https://doi.org/10.14347/jtd.2024.46.3.93

Fig 3.

Figure 3.Virtual teeth with four cusps on the buccal side.
Journal of Technologic Dentistry 2024; 46: 93-100https://doi.org/10.14347/jtd.2024.46.3.93

Fig 4.

Figure 4.Virtual teeth with distobuccal cusps that are either too large or too small (top 3 rows are large, bottom 2 rows are small).
Journal of Technologic Dentistry 2024; 46: 93-100https://doi.org/10.14347/jtd.2024.46.3.93

Fig 5.

Figure 5.Deformed teeth among the mismatches that are difficult to identify as teeth.
Journal of Technologic Dentistry 2024; 46: 93-100https://doi.org/10.14347/jtd.2024.46.3.93

Fig 6.

Figure 6.Virtual teeth that are indistinguishable due to excessive noise.
Journal of Technologic Dentistry 2024; 46: 93-100https://doi.org/10.14347/jtd.2024.46.3.93

Table 1 . Virtual teeth determined to meet all criteria (refer to previous research).

ItemClassificationCriteriaNaming
No. of cusp① No. of buccal cusp3 eaBC
② No. of lingual cusp2 eaLC
Occlusal surface ratio③ Buccal to lingual occlusal surface ratio based on the central groove3:2OBL
④ Ratio of buccal cusp – Mesiobuccal cusp (5):Distobuccal cusp (3):Distal cusp (2)5:3:2OBC
⑤ Ratio of lingual cusp – Mesiolingual cusp (1):Distolingual cusp (1)1:1OLC

Table 2 . The morphological classification results of virtual teeth.

CategoryNumber (%)
All match143 (14.3)
All mismatch76 (7.6)
Partial mismatch781 (78.1)
Total1,000 (100.0)

Table 3 . Detailed analysis results of partially mismatched items (multiple selections).

CategoryResult
number (%)
Detailed analysis (1)Result (1)
number (%)
Detailed analysis (2)Result (2)
number (%)
Partial mismatch781 (78.1)BC mismatch409 (28.2)
LC mismatch121 (8.3)
OBL mismatch4 (0.3)
OBC mismatch781 (53.8)Size error of distobuccal cusp187 (23.9)
Buccal cusp ratio error (symmetry)156 (20.0)
Four cusps103 (13.2)
Others335 (42.9)
Subtotal (2)1,562 (100.0)
OLC mismatch136 (9.4)
Subtotal (1)1,451 (100.0)

BC: number of buccal cusp, LC: number of lingual cusp, OBL: buccal to lingual occlusal surface ratio based on the central groove, OBC: ratio of buccal cusp, OLC: ratio of lingual cusp..


References

  1. Tsoi JKH, Ding H, Burrow M, Fok A, Wang W. Premolar and molar crown generation using 3D-GAN method. Dent Mater. 2023;39(Suppl 1):e76.
    CrossRef
  2. Sivari E, Senirkentli GB, Bostanci E, Guzel MS, Acici K, Asuroglu T. Deep learning in diagnosis of dental anomalies and diseases: a systematic review. Diagnostics (Basel). 2023;13:2512.
    Pubmed KoreaMed CrossRef
  3. Kim M, Bae HJ. Data augmentation techniques for deep learning-based medical image analyses. J Korean Soc Radiol. 2020;81:1290-1304.
    Pubmed KoreaMed CrossRef
  4. Zhao D, Zhu D, Lu J, Luo Y, Zhang G. Synthetic medical images using F&BGAN for improved lung nodules classification by multi-scale VGG16. Symmetry. 2018;10:519.
    CrossRef
  5. Ding H, Cui Z, Maghami E, Chen Y, Matinlinna JP, Pow EHN, et al. Morphology and mechanical performance of dental crown designed by 3D-DCGAN. Dent Mater. 2023;39:320-332.
    Pubmed CrossRef
  6. Nguyen TT, Larrivée N, Lee A, Bilaniuk O, Durand R. Use of artificial intelligence in dentistry: current clinical trends and research advances. J Can Dent Assoc. 2021;87:l7.
    Pubmed
  7. Wang H, Minnema J, Batenburg KJ, Forouzanfar T, Hu FJ, Wu G. Multiclass CBCT image segmentation for orthodontics with deep learning. J Dent Res. 2021;100:943-949.
    Pubmed KoreaMed CrossRef
  8. Dobrzański LA, Dobrzański LB. Dentistry 4.0 concept in the design and manufacturing of prosthetic dental restorations. Processes. 2020;8:525.
    CrossRef
  9. Khanna NN, Maindarkar MA, Viswanathan V, Fernandes JFE, Paul S, Bhagawati M, et al. Economics of artificial intelligence in healthcare: diagnosis vs. treatment. Healthcare (Basel). 2022;10:2493.
    Pubmed KoreaMed CrossRef
  10. Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al. Advances in neural information processing systems 27. In:. Advances in neural information processing systems 27. Curran Associates, Inc., 2014. p.2672-2680.
  11. Bae EJ, Ihm SY. Generation of virtual mandibular first molar teeth and accuracy analysis using deep convolutional generative adversarial network. J Tech Dent. 2024;46:36-41.
    CrossRef
  12. Lee S, Kwon D, Ji Y. A study on the deep learning-based interpolation for time-series data with continuous missing values. Paper presented at: Korea Institute of Communications and Information Sciences (KICS) Fall Conference 2023; 2023 Nov 22-24; Gyeongju, Korea. Seoul: KICS, 2023. p. 765-766.
  13. Jang Y, Yoo J, Hong H. Assessment and analysis of fidelity and diversity for GAN-based medical image generative model. J Korea Comput Graph Soc. 2022;28:11-19.
    CrossRef
  14. Fang W, Zhang F, Sheng VS, Ding Y. A method for improving CNN-based image recognition using DCGAN. Comput Mater Continua. 2018;57:167-178.
    CrossRef
  15. Gulrajani I, Ahmed F, Arjovsky M, Dumoulin V, Courville A. Improved training of wasserstein GANs. Paper presented at: 31st International Conference on Neural Information Processing Systems; 2017 Dec 4-9; Long Beach, CA, USA. Red Hook, NY: ACM, 2017. p. 5769-5779.

Stats or Metrics

Share this article on

  • line

Most KeyWord ?

What is Most Keyword?

  • It is most registrated keyword in articles at this journal during for 2 years.

Journal of Technologic Dentistry

eISSN 2288-5218
pISSN 1229-3954
qr-code Download