Statistical Shape Model–based Refinement of Dental Surface Geometries for Digital Manufacturing Workflows

기술 요약: 디지털 제조 워크플로우를 위한 통계적 형상 모델 기반 치아 표면 기하학 정밀화

문제 정의
치과 분야의 디지털 제조 워크플로우는 CBCT(Cone-Beam Computed Tomography) 및 구강 스캐너와 같은 이질적인 획득 양식으로부터 유도된 정확하고 해부학적으로 일관된 3D 치아 모델에 의존한다. 그러나 예비 치아 분할(segmentation) 결과물은 특히 치간 접촉부 및 교합 중첩 부위에서 불완전하거나 모호하거나 기하학적으로 일관되지 않은 영역을 포함하는 경우가 많다. 이러한 결함은 영상 아티팩트(예: 빔 경화 현상, 부분 체적 효과), 스캐닝 폐쇄(occlusion), 그리고 자동 분할 알고리즘의 한계로 인해 발생한다. 이러한 부정확성이 다운스트림 CAD/CAM 프로세스로 전파될 경우, 환자 맞춤형 장치(예: 수술용 가이드)의 설계를 저해하고, 교합 관계에 영향을 미치며, 제조 신뢰도를 떨어뜨린다. 딥러learning 기반의 분할 방법들이 정확도를 개선해 왔음에도 불구하고, 후방 구치부의 경우 인접면 접촉이 해부학적으로 모호한 영역을 생성하며, 불완전한 입력값에 대해 전역적인 해부학적 타당성을 강제하는 명시적인 메커니즘이 부족하다.

방법론
저자들은 **강화된 통계적 형상 모델(Enhanced Statistical Shape Model, eSSM)**에 기반한 완전 자동화된 해부학 인지형 정밀화 파이프라인을 제안한다. 이 프레임워크는 그 기원이 무엇이든(CBCT 또는 구강 스캔) 예비 치아 재구성 모델에 대한 후처리 단계로 작동한다.

1. 강화된 통계적 형상 모델 (eSSM):

   • 본 방법의 핵심은 완전한 치아 분할(특히 CBCT에서 유도된 성인 상악 제1대구치) 집단으로 학습된 고전적인 통계적 형상 모델(SSM)이다.
   • 표준 SSM과 달리, eSSM은 의미론적으로 풍부하게 구성되었다. 이는 추가적인 열(column)을 통해 평균 형상 표현에 해부학적 및 기능적 정보를 직접 인코딩한다:
     • 측면 면 식별(Lateral face identification): 인접 치아와 맞닿는 영역(접촉 모호성이 발생하는 부위)과 그 외의 영역을 구분하는 이진 라벨.
     • 의미론적 분할(Semantic segmentation): 교합면, 근심면, 치근 등 특정 해부학적 영역에 대한 라벨.
     • 치아 유형(Tooth class): 특정 치아 유형에 적합한 모델을 선택하기 위한 인코딩.
   • 모델은 주성분 분석(PCA)을 사용하여 집단 수준의 변동성을 포착하며, 형상 파라미터를 제한하여 해부학적 타당성(통상적으로 ±3 표준 편차 이내)을 보장한다.

2. 신뢰도 평가 및 영역 식별:

   • 파이프라인은 입력 대상 모델($s_0$) 상의 "신뢰할 수 있는" 영역과 "신뢰할 수 없는" 영역을 식별한다.
   • 신뢰할 수 없는 영역은 다음 두 가지 기준에 따라 플래그가 지정된다:
     • 의미론적 사전 지식(Semantic priors): 인접 치아와 맞닿는 측면 면에 해당하는 점들은 잠재적으로 신뢰할 수 없는 영역으로 표시된다.
     • 기하학적 일관성: 입력 모델의 표면 법선(normal)과 통계 모델에 의해 예측된 법선 사이의 각도 편차를 계산한다. 편차가 임계값($\theta_{th} = 20^\circ$)을 초과하는 점들은 신뢰할 수 없는 것으로 분류된다.
   • 신뢰할 수 있는 영역은 관찰된 데이터에 대한 충실도를 유지하기 위해 보존된다.

3. 반복적 형상 완성 (MAP 추정):

   • 재구성은 최대 사후 확률(Maximum A Posteriori, MAP) 추정 문제로 정식화된다.
   • 알고리즘은 신뢰할 수 있는 점들의 부분 집합($\mathcal{R}$)에 eSSM을 반복적으로 적합(fit)시키는 동시에, 전역적인 통계적 변형을 통해 신뢰할 수 없거나 누락된 영역의 기하학적 구조를 추론한다.
   • 프로세스는 관찰된 신뢰할 수 있는 점들과 모델 예측값 사이의 오차를 최소화하며, 통계적 사전 확률에 의해 정규화된다.
   • 각 반복 단계마다 재구성된 형상과 입력값 사이의 편차를 바탕으로 신뢰도 집합이 업데이트되며, 이를 통해 알고리즘은 관찰된 기하학과 추론된 기하학 사이의 경계를 점진적으로 정밀화하여 수렴에 도ink한다.

4. 부분 형상 조건화 (Partial-Shape Conditioning):

   • 치은 하부 데이터가 결여된 구강 스캔의 경우, 파이프라인은 거친 정렬(coarse alignment)을 수행하고 k-최근접 이웃(k-nearest neighbors) 방식을 사용하여 관찰된 치관(crown) 점들을 선택한다. 이 점들은 초기 적합을 조건화하며, 이를 통해 eSSM은 관찰된 치관 기하학을 존중하면서도 집단 사전 지식을 바탕으로 완전한 치아 형태(치근 포함)를 추론할 수 있게 한다.

주요 기여

• 해부학 인지형 정밀화: 신뢰할 수 있는 영역과 모호한 표면 영역을 명시적으로 구분하여, 고충실도의 관찰 데이터를 보존하는 동시에 불확실한 영역을 통계적으로 완성하는 파이프라인을 도입하였다.
• SSM의 의미론적 강화: 하류 애플리케이션을 위한 자동 파티셔닝을 가이드하고 정밀화를 지원하기 위해 정점 수준의 의미론적 라벨(측면 면, 해부학적 영역)을 통합한 eSSM을 개발하였다.
• 양식 독립성(Modality Independence): 이산적인 표면 또는 포인트 클라우드 표현이 제공된다면, 어떤 획득 양식(CBCT 또는 구강 스캔)이나 세그멘테이션 전략으로부터 온 예비 재구성 모델도 수용할 수 있는 프레임워크를 구축하였다.
• 전역적 일관성: 일반적인 CAD 기반 방식인 국소적 기하학 보간에서 벗어나, 전체 치아 구조에 걸쳐 해부학적 일관성을 강제하는 전역적 형상 추정 문제로 전환하였다.

결과
본 방법은 훈련에 사용되지 않은 10개의 성인 상악 제1대구치(CBCT 유도 5개, 구강 스캔 유도 5개) 테스트 세트를 대상으로 평가되었다.

• 질적 성능: 파이프라인은 완전하고 매끄러우며 해부학적으로 타당한 치아 모델을 성공적으로 생성하였다. 시각적 검사를 통해 신뢰할 수 있는 영역은 편차가 최소화된 상태로 보존되었으며, 모호한 영역(치간 접촉부, 폐쇄 영역)은 국소적 아티팩트 없이 매끄럽게 재구성되었음을 확인하였다.
• 정량적 지표: 점 단위 편차 분석 결과, 신뢰할 수 있는 영역은 기대되는 낮은 편차를 보였으나, 재구성된 모호한 영역에서는 더 큰 편차가 나타났다. 최대 편차는 CBCT 유도 대상의 경우 약 +0.67/-0.62 mm였으며, 구강 스캔 유도 대상의 경우 +0.53/-0.83 mm였다.
• 모델 품질: 구축된 eSSM은 안정적인 일반화 능력($G \approx 0.56$ mm), 특이도(Specificity) 및 압축성(Compactness)을 보여주었으며, 이는 제한된 데이터 크기에도 불구하고 모델이 훈련 집단의 변동성을 효과적으로 포착하고 있음을 나타낸다.

의의 및 주장
본 논문은 이 연구를 디지털 치과 제조 워크플로우 내의 정밀화 전략을 위한 **개념 증명(proof-of-concept)**으로 규정한다. 저자들은 본 방법의 주요 가치가 정확히 관찰 불가능한 실제 참값(ground truth)을 복구하는 것이 아니라, 다운스트림 CAD/CAM 작업에 적합한 해부학적으로 일관되고 구조적으로 결합된 기하학을 생성하는 데 있다고 주장한다.

• 제조 유용성: 정밀화된 모델은 수술용 가이드 및 보철 장치 설계에 직접 사용할 수 있어, 수동 개입의 필요성을 줄이고 디지털 워크플로우의 견고함을 향상시킨다.
• 불확실성 처리: 집단 기반의 사전 지식을 활용하여 데이터가 누락되거나 모호한 부분을 채움으로써, 획득 아티팩트 및 세그멘테이션 부정확성의 영향을 효과적으로 완화한다.
• 한계 및 범위: 저자들은 현재의 검증이 단일 치아 유형(상악 제1대구치) 및 특정 데이터 세트에 국한되어 있음을 솔직하게 언급하였다. 또한, 접촉 영역에서의 실제 형태는 관찰이 불가능하기 때문에 임상 상황에서 참값에 대한 직접적인 정량적 검증이 불가능하다는 점을 인정하였다. 향-후 연구 과제로 다른 치아 유형으로의 프레임워크 확장, 초기화 자동화, 그리고 누락된 데이터 패턴에 대한 체계적인 민감도 분석이 필요함을 명시하였다.