前頭部セファロメトリックランドマーキング：人間と人工ニューラルネットワークの比較。

Frontal cephalometric landmarking: humans vs artificial neural networks.

• Alexandr Alexandrovich Muraev
• Pavel Tsai
• Ilya Kibardin
• Nikolay Oborotistov
• Tatyana Shirayeva
• Sergey Ivanov
• Sergey Ivanov
• Nidjat Guseynov
• Olga Aleshina
• Yuriy Bosykh
• Elena Safyanova
• Andrey Andreischev
• Sviatoslav Rudoman
• Alexandr Dolgalev
• Maksim Matyuta
• Vitaliy Karagodsky
• Nikolay Tuturov

抄録

前頭セファロ撮影（前頭セファロ撮影）は、矯正歯科や顎顔面外科における重要な診断法の一つです。これにより、横面および垂直面の咬合異常を判定し、顎骨の位置の解析を含め、正中面に対する顔面骨格の対称性を評価することができる。

Frontal cephalometric radiography (frontal ceph) is one of the important diagnostic methods in orthodontics and maxillofacial surgery. It allows one to determine occlusion anomalies in the transverse and vertical planes and to evaluate the symmetry of the facial skeleton relative to the median plane, including analysis of the position of the jawbone.

エイム:

本研究の目的は、前頭部頭頂部にセファロポイント（CP）を配置するための人工ニューラルネットワーク（ANN）を開発し、その性能の精度を人間と比較することであった。

AIM: The aim of this study was to develop an artificial neural network (ANN) for placing cephalometric points (CPs) on frontal cephs and to compare the accuracy of its performance against humans.

材料と方法:

研究には330個の脱人格化された前頭葉セフが含まれていた。ANNのトレーニング用に300個のセフ、研究用に30個のセフを使用した。各画像をViSurgeryソフトウェア（Skolkovo、ロシア）にインポートし、45個のCPを配置した。CPは3つのグループに分けられた：1）正確な解剖学的ランドマーク、2）複雑な解剖学的ランドマーク、および3）不明瞭な解剖学的ランドマーク。CP配置の精度を向上させるために2つのANNを使用した。1つ目のANNはマルチクラス画像のセグメンテーションの問題を解決し、2つ目の回帰ANNは1つ目のANNの予測を修正するために使用されました。このANNと、エキスパート、レギュラー、未経験の3つのグループの医師との間でCP配置の精度を比較した。次に、Wilcoxon t検定を用いて、ANNが点の3つのグループの医師と同程度のエラーを起こすことが少ないか、あるいは同程度のエラーを起こすという仮説を検定した。

MATERIALS AND METHODS: The study included 330 depersonalized frontal cephs: 300 cephs for training ANNs and 30 for research. Each image was imported into the ViSurgery software (Skolkovo, Russia) and the 45 CPs were arranged. The CPs were divided into three groups: 1) precise anatomical landmarks; 2) complex anatomical landmarks; and 3) indistinct anatomical landmarks. Two ANNs were used to improve the accuracy of CP placement. The first ANN solved the problem of multiclass image segmentation, and the second regression ANN was used to correct the predictions of the first ANN. The accuracy of CP placement was compared between the ANN and three groups of doctors: expert, regular, and inexperienced. Then, using the Wilcoxon t test, the hypothesis that an ANN makes fewer or as many errors as doctors in the three groups of points was tested.

結果:

偏差は平均絶対誤差(MAE)で推定した。ANNによる点配置のMAEは、対照群と比較して、正規医師群では2.87mm（ANN）と2.85mm（正規群）、エキスパート群では2.47mm（エキスパート群）と3.61mm（未経験群）と、平均値に近い結果が得られた。点群ごとの結果を示した。平均して、ANNは各ポイント群において、CPを正規の医師グループよりも正確に配置している。しかし、すべてのポイントを合計して計算すると、P値が0.0056であったため、この仮説は棄却されました。経験の浅い医師群では、異なる結果が観察された。ANNでは、グループ2と3のポイント、および全ポイントの合計がより正確に配置されていた（それぞれP = 0.99988、0.2628、0.9982）。例外はグループ1で、経験の浅い医師の方がより正確にポイントを配置していた（P = 0.0006）。

RESULTS: The deviation was estimated by the mean absolute error (MAE). The MAE for the points placed by the ANN, as compared with the control, was close to the average result for the regular doctor group: 2.87 mm (ANN) and 2.85 mm (regular group); 2.47 mm (expert group), and 3.61 mm (inexperienced group). The results for individual groups of points are presented. On average, the ANN places CPs no less accurately than the regular doctor group in each group of points. However, calculating all points in total, this hypothesis was rejected because the P value was 0.0056. A different result was observed among the inexperienced doctor group. Points from groups 2 and 3, as well as all points in total, were placed more accurately by the ANN (P = 0.9998, 0.2628, and 0.9982, respectively). The exception was group 1, where the points were more accurately placed by the inexperienced doctors (P = 0.0006).

結論:

本研究の結果、ANNはCPの配置において人間に匹敵する精度を達成し、場合によっては経験の浅い医師（学生、研修医、大学院生）の精度を凌駕することが示された。

CONCLUSION: The results of the present study show that ANNs can achieve accuracy comparable to humans in placing CPs, and in some cases surpass the accuracy of inexperienced doctors (students, residents, graduate students).