Automated Biological Sex Estimation from Two-Dimensional Dental Arch Images Using Deep Learning

기술 요약: 딥러닝을 이용한 2차원 치아궁 영상을 활용한 자동 생물학적 성별 추정

문제 정의
법의학적 신원 확인에서 생물학적 성별을 판별하는 것은 미확인 유해의 후보군을 좁히는 데 있어 매우 중요한 초기 단계이다. 골반과 두개골은 성별 이형성(sexual dimorphism)이 가장 뚜렷한 골격 요소이지만, 대규모 재난, 화재 또는 장기간의 매립 과정에서 파손되는 경우가 많다. 치아 조직은 가장 광물화된 조직으로서 이러한 조건에서도 빈번하게 생존한다. 그러나 치아 형태학에 의존하는 기존의 자동 성별 추정 방식은 이온화 방사선(파노라마 방사선 사진/OPG 또는 콘빔 CT/CBCT)에 의존한다. 이러한 영상 방식은 방사선 노출, 고가의 장비 필요성, 임상 인프라 의존성 등 현장 배포 시 상당한 장벽을 제시한다. 또한, 전통적인 수동 치아 측정법(odontometry)은 마모되지 않은 온전한 치관(crown)을 필요로 하며 관찰자 간 변동성에 취약하다. 저자들은 방사선이 없는 대안으로서, 내부 구조 데이터 없이도 성별에 따른 기하학적 특징(예: 견치 폭 및 구치 폭)을 부호화하는 2차원(2D) 교합 투영 영상이 존재한다고 상정한다. 본 연구는 수동 랜드마크 지정 없이 딥러닝 모델이 이러한 방사선 없는 2D 치아궁 영상으로부터 엔드투엔드(end-to-end)로 성별을 추정할 수 있는지 체계적으로 평가하는 공백을 다룬다.

연구 방법론
본 연구는 모로코의 단일 기관에서 획득한 성인(18~65세)의 디지털 구강 스캔에서 유래한 균형 잡힌 6,000장의 이미지(남성 3,000장, 여성 3,000장) 코퍼스를 활용하였다. 이미지는 3D 표면 메쉬를 교합면에 직교 투영하여 생성되었으며, 이를 통해 원근 왜곡이 없는 재현 가능한 투영 축을 확보하였다.

• 데이터 분할: 모델 적합 전, 1,000장의 이미지(남성 500장, 여성 500장)를 별도의 테스트 세트로 보류하였다. 나머지 5,000장의 이미지는 연령과 성별 균형을 유지하기 위해 5개의 층화 교차 검증 폴드로 분할되었다.
• 전처리 파이프라인: 이미지는 네 가지 결정론적 단계를 거쳤다: (1) 종횡비를 보존하기 위한 224×224 픽셀 크기의 레터박스 리사이징; (2) 그레이스케일 변환 및 치아궁 가장자리 대비를 높이기 위한 CLAHE(Contrast-Limited Adaptive Histogram Equalization) 적용; (3) 훈련 중 기하학적 증강(회전 ±15°, 수평 뒤집기, 스케일 지터링); (4) ImageNet 통계에 기반한 강도 정규화.
• 아키텍처: 네 가지 합성곱 신경망(CNN) 백본을 동일한 프로토콜과 공유 분류 헤드(Global Average Pooling, Dense 512, Dropout, Softmax) 하에서 벤치마킹하였다:
  • Custom CNN: 세 개의 합성곱 블록을 가진 베이스라인 모델로, 처음부터 학습됨.
  • EfficientNetB0: Squeeze-and-Excitation(SE) 모듈을 갖춘 복합 스케일링 아키텍처.
  • MobileNetV2: 엣지 배포에 최적화된 심층 분리 합성곱(depthwise-separable) 아키텍처.
  • ResNet50: 2,560만 개의 파라미터를 가진 심층 잔차 네트워크.
• 훈련 및 평가: Adam 옵티마이저와 범주형 교차 엔트로피 손실을 사용하여 모델을 훈련하였다. 성능은 정확도, 정밀도, 재현율, F1 점수 및 AUC를 사용하여 평가되었으며, 통계적 유의성은 Bonferroni 교정된 쌍체 t-검정과 Cohen's d 효과 크기를 통해 검증되었다.
• 설명 가능성: EfficientNetB0에 Gradient-weighted Class Activation Mapping(Grad-CAM)을 적용하여 모델의 주의(attention)가 생물학적으로 확립된 이형성 영역(견치 폭 및 구치 폭)과 일치하는지 검증하였다.
• 절제 연구(Ablation Study): 요인 설계(factorial design)를 통해 CLAHE와 기하학적 증강의 기여도를 격리하여 분석하였다.

주요 기여

1. 방사선 없는 파이프라인: 수동 측정이나 이온화 방사선 없이 2D 치아궁 영상을 직접 성별 확률로 매핑하는 완전 자동화된 엔드투엔드 파이프라인을 정의하고 검증하였다.
2. 포괄적 벤치마킹: 엄격한 5-폴드 교차 검증 프로토콜 하에서 네 가지 서로 다른 CNN 아키텍처(커스텀, 복합 스케일링, 모바일 분리형, 심층 잔차형)를 체계적으로 비교하였다.
3. 통계적 엄밀성: 모델 간 결론을 뒷받침하기 위해 95% 부트스트랩 신뢰 구간, 쌍별 비교 및 효과 크기를 포함한 상세한 통계적 검증을 제공하였다.
4. 생물학적 추적 가능성: Grad-CAM 시각화를 통해 모델의 주의가 인구 집단 수준의 형태 측정 연구와 일치하는 해부학적 이형성 영역(견치 폭 및 구치 폭)에 집중됨을 보여줌으로써 법의학적 채택의 근거를 제시하였다.
5. 전처리 분석: 대비 향상과 기하학적 증강이 모델 성능에 미치는 근접 가산적(near-additive) 영향을 정량화하는 절제 연구를 수행하였다.

결과

• 성능: EfficientNetB0가 가장 높은 정확도(96.39% ± 0.84%)와 AUC(0.980 ± 0.006)를 달성하였다. MobileNetV2가 **95.88% ± 0.91%**의 정확도로 그 뒤를 이었다.
• 통계적 유의성: EfficientNetB0는 Custom CNN 및 ResNet50보다 유의미하게 우수한 성능을 보였다(p < 0.001). 그러나 Bonferroni 교정 후 EfficientNetB0와 MobileNetV2 사이의 차이는 통계적으로 유의하지 않았다(p = 0.042). 이는 MobileNetV2가 자원이 제한된 환경에서 실행 가능한 대안임을 시사한다.
• ResNet50의 저조한 성능: 2,560만 개의 파라미터에도 불구하고 ResNet50은 가장 낮은 정확도(79.38%)와 가장 높은 분산을 기록하였는데, 이는 구조적으로 희소한 입력 데이터에 대해 과적합(overfitting)되었음을 나타낸다.
• 절제 연구 결과: CLAHE와 기하학적 증강의 조합은 베이스라인(전처리 없음) 대비 4.69 퍼센트 포인트의 정확도 상승을 제공하였으며, 두 단계는 근접 가산적인 방식으로 작용하였다.
• 클래스 균형: 최적의 모델(EfficientNetB0)은 남성과 여성 클래스 모두에서 대칭적인 정밀도와 재현율을 보여, 체계적인 편향이 없음을 입증하였다.
• 설명 가능성: Grad-CAM 시각화는 모델이 인구 집단 수준의 형태 측정 연구와 일치하게 견치 및 구치 영역에 집중하고 있으며, 구개 중앙선과 같은 비이형성 영역은 무시한다는 것을 확인시켜 주었다.

의의 및 주장
본 논문은 2D 교합 투영을 통해 포착된 치아궁 기하학이 성별 추정을 위한 유효한 방사선 없는 양식임을 주장한다. 제안된 방법은 이온화 방사선이나 특수 임상 인프라의 필요성을 제거하면서도, 방사선 기반 딥러닝 모델(예: OPG 또는 CBCT 사용 모델)과 경쟁할 만한 정확도 수준을 달enc한다.

저자들은 특히 장비와 전력이 제한된 재난 피해자 식별(DVI) 현장 배포를 위해, EfficientNetB0(5.3M) 대비 파라미터 수가 적고(3.4M) 계산 비용이 낮은 MobileNetV2가 더 선호된다고 강조한다. 본 연구는 이 방식이 스캐너 기반 투영 영상을 통해 획득될 경우 부분 무치(partially edentulous) 대상자(치조 능선 윤곽을 통해)에게도 적용 가능하다는 점을 명시하며, 이 접근법이 유망하지만 운영 채택 전 다민족, 다기관 데이터셋에 대한 외부 검증과 스캐너 기반 투영과 현장 사진 간의 도메인 갭에 대한 추가적인 특성화가 필요함을 밝히고 있다.