Deep learning–based classification of mesial and distal horizontal projection deviations in intraoral radiographs

기술 요약: 구강 내 방사선 사진의 근심 및 원심 수평 투영 편차에 대한 딥러닝 기반 분류

문제 제기
구강 내 방사선 촬영은 치아 우식증과 치주 질환을 진단하는 데 필수적이지만, 진단 가능한 수준의 일관된 영상을 획득하는 것은 여전히 어려운 과제이다. 수평 각도 오류는 빈번하게 인접면 표면의 중첩을 유발하여, 인접면 우식 검출의 민감도를 저하시키고 영상 품질의 실패로 이어진다. 재촬영이 필요한 경우, 작업자는 적절한 X선 조사관(X-ray tube head)의 방향을 수정하기 위해 초기 수평 투영이 근심(mesial)으로 편향되었는지 또는 원심(distal)으로 편향되었는지를 판단해야 한다. 그러나 중첩된 해부학적 구조를 포함하는 2차원 방사선 사진으로부터 이러한 편차 방향을 객관적으로 추정하는 것은 어렵다. 기존의 딥러닝(DL) 연구들은 위치 오류의 '존재'를 탐지하거나 전반적인 영상의 적합성을 분류하는 데 집중해 왔으나, 교정 조치를 안내하기 위해 수평 투영 편차의 방향(근심 대 원심)을 구체적으로 분류하는 딥러닝 모델은 아직 보고된 바 없다.

연구 방법론
본 연구는 이중 팬텀 실험 설계를 사용하여 딥러닝 모델을 개발하고 평가하였다:

• 데이터 획득:
  • 훈련 데이터 (팬텀 A): 상악골 팬텀을 구강 내 X선 장치를 사용하여 촬영하였다. X선 조사관은 8개 방향(근심, 원심, 상측, 하측, 그리고 4개의 대각선 조합)으로, 6개의 편차 각도(5°에서 30°)에 따라 배치되었다. 이를 통해 상악 48장, 하악 48장의 원본 이미지를 얻었다.
  • 테스트 데이터 (팬텀 B): 평가를 위해 독립적인 두 번째 팬텀을 사용하였다. 40장의 테스트 이미지를 획득하였다(상악 근심, 상악 원심, 하악 근심, 하악 원심 편차 각각 10장씩). 훈련 세트와 달리, 이 이미지들은 고정된 증분 없이 가변적인 편차 각도(최대 약 45°)를 사용하였으며, 정확한 각도는 기록되지 않았다.
• 데이터 전처리 및 증강:
  • 구강 내 센서 배치 변동을 시뮬레이션하기 위해 무작위 이동(translation) 및 크롭(cropping)을 적용하였다. 96장의 원본 이미지 각각에 대해, 무작위 수평 및 수직 이동(-150 ~ +150 픽셀)을 적용하여 499개의 크롭 이미지를 생성하였으며, 결과적으로 각 턱(상악 및 하악)당 24,000장의 증강된 이미지를 확보하였다.
  • 이미지는 RGB로 변환되었고, 224 × 224 픽셀 크기로 조정되었으며, ImageNet 통계치를 사용하여 정규화되었다.
• 모델 아키텍처:
  • PyTorch를 사용하여 상악 및 하악 구치부 영역을 위한 두 개의 별도 모델(ResNet-18 백본 사용)을 개발하였다.
  • 멀티태스크 학습 (Multitask Learning): 모델은 공유된 표현(shared representation)을 활용하여 두 가지 작업을 동시에 수행하였다:
    1. 분류 (Classification): 8개의 편차 방향 클래스(예: 근심, 원심, 근심-상측 등) 중 하나를 출력한다.
    2. 회귀 (Regression): 연속적인 편차 각도(0°–30°)를 추정한다.
  • 분류 헤드의 출력을 사용하여 방향을 결정하였으며, 회귀 헤드는 테스트 세트에 실제 각도(ground-truth)가 없었기 때문에 최종 평가에서는 제외되었다.
• 평가 프로토콜:
  • 모델 정확도: 모델은 팬텀 B로부터 얻은 40장의 독립적인 이미지를 대상으로 테스트되었다. 예측값은 8개 클래스 출력을 바탕으로 "근심" 또는 "원심"으로 이진화되었다.
  • 치과의사 비교: 5명의 치과의사가 무작위로 선택된 20장의 테스트 이미지를 분류하였다. 이들의 수행 능력은 양측 검정인 exact McNemar test를 통해 모델과 비교되었다.
  • 시각화: 그래디언트 가중 클래스 활성화 매핑(Grad-CAM)을 사용하여 분류에 기여하는 이미지 영역을 식별하였다.

주요 기여

• 새로운 분류 과제: 본 연구는 단순한 "적합/부적합" 분류를 넘어, 구강 내 방사선 사진의 근심 및 원심 수평 투영 편차를 구별할 수 있는 최초의 딥러닝 모델을 제시한다.
• 멀티태스크 아키텍처: 특정 해부학적 영역(상악 vs 하악)에 맞춤화된 ResNet-18 프레임워크 내에서 멀티태스크 학습(분류 및 각도 회귀)을 구현하였다.
• 독립적 검증: 모델은 훈련 세트(팬텀 A)와 다른 획득 파라미터(가변 각도)를 가진 완전히 별개의 팬텀(팬텀 B)을 통해 평가되었으며, 이를 통해 특정 훈련 조건 너머의 일반화 능력을 입증하였다.

결과

• 모델 성능: 딥러닝 모델은 40장의 테스트 이미지 중 36장을 정확히 분류하여 90.0%(95% CI, 76.9%–96.0%)의 전체 정확도를 달s성하였다.
  • 상악 근심: 90%
  • 상악 원심: 90%
  • 하악 근심: 100%
  • 하악 원심: 80%
• 치과의사와의 비교:
  • 치과의사의 정확도는 5명의 평가자 사이에서 **25%에서 95%**까지 분포하였다.
  • 동일한 이미지에 대한 딥러닝 모델의 정확도는 85%에서 100% 사이였다.
  • 모델은 5명의 치과의사 중 4명을 능가하였으며, 2명의 치과의사를 유의미하게 앞질렀다 (p = 0.0078 및 p = 0.0002 fear).
  • 100개의 응답을 통합 분석했을 때, 모델은 90.0%의 정확도를 기록하여 치과의사의 62.0%보다 높은 성적을 보였다 (p < 0.001).
• Grad-CAM 시각화: 히트맵은 치관(crown), 인접면, 치근단 부위와 일치하는 영역을 강조하였으며, 이는 모델이 이미지의 경계나 배경 아티팩트가 아닌 관련 해부학적 특징을 활용하고 있음을 시사한다.

의의 및 주장
저자들은 이 딥러닝 모델이 구강 내 방사선 사진의 수평 투영 편차 방향을 객관적으로 결정하는 방법을 제공하며, 이는 재촬영 시 X선 조사관의 교정을 안내하는 데 매우 중요하다는 점을 주장한다. 편차가 근심인지 원심인지를 식별함으로써, 모델은 동일한 촬영 오류의 반복을 방지하여 임상적 효율성을 높이고 불필요한 방사선 노출을 줄이는 것을 목표로 한다.

본 연구는 모델이 이러한 특정 팬텀 기반 조건 하에서 숙련된 치과의사와 대등하거나 더 높은 정확도를 보였으나, 현재로서는 정량적인 교정 각도 측정을 위한 단독 도구라기보다는 작업자의 판단을 지원하는 보조 도구로 간주되어야 한다고 결론짓는다. 저자들은 모델의 성능을 검증하기 위해 여러 기관의 임상 이미지를 사용하고, 특정 편차 각도에 대한 성능을 평가하는 후속 연구가 필요함을 강조한다.