지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 오일석
- 발행연도
- 2022
- 저작권
- 전북대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
소아 청소년의 교정치료 시기를 결정하기 위해서는 어린이의 신체 성장 단계를 고려해야한다. 치과 교정학에서는 골 성숙도를 이용하여 어린이의 성장 정도를 판별하기 위해 측모 두부 영상을 활용한다. 성장에 따라 달라지는 경추의 형태적인 특징을 기준으로 골 성숙도를 6단계로 나눈다. 이러한 골 성숙도의 추정에는 가변성이 존재한다. 이를 줄이기 위해 본 연구에서는 딥러닝을 이용해 랜드마크를 검출하였다. 이 랜드마크는 어린이 경추의 형태 정보를 계산할 수 있어 경추 성숙도를 추정할 수 있다. 랜드마크 검출 실험 및 이를 이용한 분류 실험까지 진행하였다. 원본 측모 두부 영상을 입력으로 하여 ROI를 자른다. 그 ROI를 입력으로 하는 다중 팽창 컨볼루션 U-Net, Context-Net을 통과한 결과가 히트맵 이미지로 출력된다. 이 네트워크는 랜드마크 검출에 있어 1mm의 오차 범위 내에서 92%의 예측 정확률을 보였다. 검출된 랜드마크를 이용하여 기하학적 특징을 계산해 랜드마크 좌표 값과 함께 분류에 이용하였다. 분류 모델로 SVM을 이용했을 때, 두 입력을 모두 사용한 분류 결과는 67.64%이다.
목차
1. Introduction 12. Related works 42.1 Estimation method for bone maturation 42.1.1 Estimation of bone maturation using hand-wrist X-ray images 42.1.2 Estimation using lateral cephalogram 52.2 Landmark localization 83. Dataset 103.1 Datasets from Jeonbuk national university 103.2 Making ROI using landmark 113.3 Landmark from segmentation 123.3.1 Geometric feature from landmark 154. Method 184.1 Heatmap regression with Laplace distribution 184.2 Multi-size dilated convolution filter 194.2.1 Context-Net : U-Net with multi-size dilated convolution 204.3 Classification method using landmarks 215. Results 245.1 Experimental environment 245.2 Evaluation of landmark localization 255.2.1 Results with Context-Net 255.2.2 Compared to other models 275.3 Evaluation of classification accuracy 295.3.1 Compared to other models and data 295.3.2 SVM classification accuracy in 5-fold cross-validation within combined features 316. Discussion and conclusions 32Reference 34
최근 본 자료
댓글(0)
0