より高速なR-CNNの転移学習による歯科インプラントおよびインプラント周囲組織の正確な検出：診断精度の研究

Accurate detection for dental implant and peri-implant tissue by transfer learning of faster R-CNN: a diagnostic accuracy study.

抄録

背景:

歯科周囲X線写真を用いたインプラントおよびインプラント周囲組織の診断は極めて重要である。近年、人工知能はX線画像診断の分野で急速な進歩を見せている。

BACKGROUND: The diagnosis of dental implants and the periapical tissues using periapical radiographs is crucial. Recently, artificial intelligence has shown a rapid advancement in the field of radiographic imaging.

目的:

本研究では、人工歯根周囲X線写真のインプラント画像に対して、物体検出として知られるディープラーニング法を用いて、歯科インプラントおよびインプラント周囲組織の検出を試みた。

PURPOSE: This study attempted to detect dental implants and peri-implant tissues by using a deep learning method known as object detection on the implant image of periapical radiographs.

方法:

インプラント治療後、インプラント周囲画像を収集し、画像内でインプラントとインプラント周囲組織を一緒にラベリングしてデータを処理した。次に、歯根膜周囲X線写真の画像300枚を80:20の割合で分割した（すなわち、データの80%をモデルのトレーニングに使用し、20%をモデルのテストに使用した）。これらを、分類と位置特定を同時に行うFaster R-CNNとして知られる物体検出モデルを用いて評価した。このモデルは、精度、再現率、F1スコアなどの指標を用いて分類性能を評価した。さらに、ローカライゼーションのパフォーマンスを評価するために、IoU（Intersection over Union）による評価が利用され、分類とローカライゼーションのパフォーマンスを評価するために、AP（Average Precision）が利用された。

METHODS: After implant treatment, the periapical images were collected and data were processed by labeling the dental implant and peri-implant tissue together in the images. Next, 300 images of the periapical radiographs were split into 80:20 ratio (i.e. 80% of the data were used for training the model while 20% were used for testing the model). These were evaluated using an object detection model known as Faster R-CNN, which simultaneously performs classification and localization. This model was evaluated on the classification performance using metrics, including precision, recall, and F1 score. Additionally, in order to assess the localization performance, an evaluation through intersection over union (IoU) was utilized, and, Average Precision (AP) was used to assess both the classification and localization performance.

結果:

分類性能を考慮すると、precision=0.977、recall=0.992、F1スコア=0.984となった。また、局在化の指標は平均IoU=0.907であった。一方、分類性能と定位性能の両方の指標を考慮すると、APはAP@0.5=0.996、AP@0.75=0.967 の物体検出レベルを示した。

RESULTS: Considering the classification performance, precision = 0.977, recall = 0.992, and F1 score = 0.984 were derived. The indicator of localization was derived as mean IoU = 0.907. On the other hand, considering the indicators of both classification and localization performance, AP showed an object detection level of AP@0.5 = 0.996 and AP@0.75 = 0.967.

結論:

このように、Faster R-CNNモデルをインプラントを含む300枚の歯根膜周囲X線画像に適用することで、インプラントおよびインプラント周囲組織の高品質な物体検出が可能となった。

CONCLUSION: Thus, the implementation of Faster R-CNN model for object detection on 300 periapical radiographic images including dental implants, resulted in high-quality object detection for dental implants and peri-implant tissues.