Artificial Intelligence for Tooth Numbering and Full-Mouth Series Placement

치과의사들은 환자의 구강 전체 모습을 파악하기 위해 특정 세트의 X선 영상을 활용합니다. '풀 마우스 시리즈(full-mouth series)'라고 알려진 이 컬렉션은 치아와 뼈의 작은 단면을 포착하는 수십 장의 개별 사진으로 구성됩니다. 이러한 영상들을 이해하기 위해 치과의사는 각 프레임에 어떤 치아가 나타나는지, 그리고 그 프레임이 최종 순서 중 어디에 속하는지를 정확히 알아야 합니다. 전통적으로 이는 수동 작업이었습니다. 사람이 모든 이미지를 보고, 치아를 식별하며, 보편적인 체계에 따라 번호를 부여한 뒤, 사진들을 올바른 순서로 배열해야 했습니다. 이 과정은 시간이 많이 소요될 뿐만 아니라, 특히 이미지가 흐릿하거나, 치아가 빠져 있거나, X선 센서가 약간의 각도로 기울어져 있는 경우 인간의 실수에 취약합니다.

최근 몇 년 동안 컴퓨터는 의료 영상을 보고 해석하는 법을 배울 수 있을 만큼 강력해졌으며, 이는 인공지능이라 불리는 분야입니다. 이러한 시스템은 딥러닝을 사용하는데, 이는 컴퓨터가 모든 시나리오에 대한 규칙을 명시적으로 프로그래밍받지 않고도 수천 개의 사례를 분석하여 패턴을 학습하는 방법입니다. 컴퓨터가 이미 충치나 골절을 찾아낼 수 있다는 점은 입증되었지만, 전체 치과 X선 세트를 자동으로 배열하는 것은 여전히 어려운 과제로 남아 있었습니다. 그 복잡성은 단순히 하나의 치아를 식별하는 데 있는 것이 아니라, 일부 조각이 없거나 회전되어 있는 상황에서도 여러 이미지가 어떻게 하나의 더 큰 퍼즐처럼 맞물려 들어가는지 이해하는 데 있습니다.

텍사스 대학교 휴스턴 헬스 사이언스 센터 치과대학의 연구진은 대만 양밍교통대학교 연구진과 협력하여 이 문제를 해결할 새로운 방법을 개발했습니다. 이들은 치아를 감지하고, 번호를 올바르게 매기며, 전체 X선 세트를 놀라운 속도와 정확도로 적절한 순서로 배열할 수 있는 자동화된 시스템을 만들었습니다. 354명의 환자로부터 얻은 5,000장 이상의 방사선 사진을 대상으로 한 연구를 통해 발표된 이들의 성과는, 컴퓨터가 이전에는 상당한 인간의 주의력을 필요로 했던 치과 영상 정리의 전체 워크플로우를 이제 처리할 수 있음을 보여줍니다.

연구진은 방대한 치과 X선 데이터셋을 수집하는 것부터 시작했습니다. 그들은 354명의 서로 다른 환자로부터 상악과 하악을 모두 포함하는 5,431장의 이미지를 수집했습니다. 이 이미지 속의 모든 치아는 치과 전문가들이 각 치아 주위에 상자를 그리고 올바른 번호를 부여함으로써 정밀하게 표시되었습니다. 이는 컴퓨터가 학습하는 데 사용할 수 있는 완벽한 참조점인 '그라운드 트루스(ground truth)'를 생성했습니다. 그 후 연구팀은 이 데이터를 바탕으로 인공지능 모델을 훈련시켜, 다양한 조건에서 치아의 모양, 위치 및 번호를 인식하도록 가르쳤습니다.

이 시스템은 세 가지 주요 단계로 작동합니다. 첫째, 모든 치아를 찾아내는 탐지 도구를 사용합니다. 객체 주위에 단순한 사각형 상자를 그리는 기존 방식과 달리, 이 시스템은 치아의 정확한 위치에 맞춰 기울어지거나 회전할 수 있는 각진 상자를 사용합니다. 이는 X선 센서가 입안에 배치된 방식에 따라 치아가 종종 특이한 각도로 나타나기 때문에 매우 중요합니다. 치아의 위치가 파악되면, 시스템은 그것이 몇 번 치아인지 식별하고 치과의사들이 사용하는 표준 유니버설 번호 체계에 따라 1번부터 32번까지 번호를 부여합니다.

이 연구에서 가장 혁신적인 부분은 시스템이 이미지를 배열하는 방식입니다. 컴퓨터는 단순히 한 번에 하나의 치아만 보는 것이 아니라, 여러 이미지 사이의 관계를 살펴봅니다. 연구진은 컴퓨터가 X선 이미지를 마치 직소 퍼즐 조각처럼 생각하도록 설계했습니다. 사람이 퍼즐 조각의 가장자리와 다른 조각의 곡선을 보며 서로 맞는지 확인하는 것처럼, 컴퓨터는 서로 다른 X선 이미지 사이의 공간적 관계를 분석합니다. 컴퓨터는 앞니를 보여주는 이미지가 옆 치아를 보여주는 이미지 옆에 있어야 한다는 것과, 상악 이미지가 하악 이미지와는 다른 위치에 놓여야 한다는 것을 학습합니다. 이러한 접근 방식 덕분에 시스템은 일부 치아가 없거나 해부학적 구조가 불분명한 상황에서도 이미지를 올바르게 배치할 수 있으며, 이는 기존 방식들이 자주 실패했던 지점이기도 합니다.

이 자동화 프로세스의 결과는 놀라웠습니다. 연구진이 시스템을 테스트했을 때, 치아를 식별하고 번호를 매기는 데 있어 99%의 정확도를 보였습니다. 더욱 중요한 점은, 전체 X선 세트를 올바른 순서로 배열하는 데 있어 시스템이 98%의 확률로 정확했다는 것입니다. 이러한 높은 수준의 정확도는 상악, 하악, 그리고 치아의 머리 부분을 보여주는 바이트윙(bitewing) 이미지를 포함한 다양한 유형의 이미지 전반에 걸쳐 유지되었습니다. 시스템은 특히 앞니와 양측 뒷니 부분에서 뛰어난 성능을 보였으며, 하악의 맨 오른쪽 이미지 두 장처럼 서로 매우 유사한 이미지들 사이에서만 미미한 혼동이 발생했습니다.

이 연구의 가장 중요한 성과 중 중 하나는 바이트윙 이미지를 처리하는 시스템의 능력입니다. 치아의 윗부분과 치아 사이의 뼈를 보여주는 이 특정 X선들은 치아 뿌리를 덜 보여주고 명확한 랜드마크가 부족한 경우가 많아 역사적으로 컴퓨터가 자동으로 배치하기 어려웠던 부분입니다. 이전의 치과 영상 배열 자동화 시도들은 이러한 특정 사진들에서 어려움을 겪었습니다. 그러나 새로운 시스템은 바이트윙 이미지를 96%의 정확도로 성공적으로 배치함으로써, 인간의 개입 없이도 전체 치과 검진의 복잡성을 관리할 수 있음을 증명했습니다.

연구진은 결과가 신뢰할 수 있는지 확인하기 위해 시스템을 엄격하게 테스트했습니다. 그들은 데이터를 다섯 개의 별도 그룹으로 나누고, 네 그룹으로 컴퓨터를 훈련시킨 뒤 다섯 번째 그룹으로 테스트하는 과정을 다섯 번 반복하여 모든 이미지가 정확히 한 번씩 테스트되도록 했습니다. 이 방법은 시스템이 단순히 정답을 암기하는 것이 아니라, 보지 못한 새로운 환자에게도 적용될 수 있는 패턴을 실제로 학습하고 있음을 보장했습니다. 다섯 번의 테스트 모두에서 나타난 결과의 일관성은 이 시스템이 견고하며, 임상 현장에서 검증을 거친다면 실제 현장에서 사용할 준비가 되었음을 시사합니다.

이 연구는 향다면 치과 영상이 어떻게 다뤄질지에 대한 변화를 의미합니다. 치아를 세고 이미지를 분류하는 지루한 작업을 자동화함으로써, 시스템은 치과 전문가들이 진단과 치료에 집중할 수 있도록 시간을 확보해 줍니다. 이 연구는 인공지능이 치과 X선의 미묘한 공간적 관계를 학습하여, 단순한 탐지를 넘어 구강 전체의 맥락을 이해할 수 있음을 보여줍니다. 현재 이 시스템은 연구용 도구이지만, 높은 정확도와 바이트윙 이미지와 같은 까다로운 사례를 처리하는 능력은 이 시스템이 곧 치과 업무의 표준적인 일부가 되어, X선 촬영 순간부터 치과의사가 검토할 준비가 될 때까지의 과정을 효율화할 수 있음을 시사합니다.