Development and validation of a visually explainable deep learning model for detection of C-shaped canals of the mandibular second molars in dental radiographs

Abstract

The purpose of this study was of this study was to develop and validate of a visually explainable deep learning model for detection of C-shaped canals of the mandibular second molars in dental radiographs. The periapical, panoramic, and CBCT images of 1000 mandibular second molars were collected from 372 patients. The diagnostic performance of the deep learning system using periapical and panoramic radiographs was investigated in respect to its ability to determine whether the second mandibular molar showed a C shaped canal configuration. The results of the canal configuration on CBCT were used as a gold standard. The AUC of the crown and root group was 0.96(periapical), 0.92(panoramic), 0.95(total) and the root only group was 0.97(periapical), 0.96(panoramic), 0.99(total). The sensitivity of the crown and root group was 0.93(periapical), 0.83(panoramic), 0.88(total) and the root only group was 0.83(periapical), 0.92(panoramic), 0.98(total). The specificity of the crown and root group was 0.91(periapical), 0.86(panoramic), 0.89(total) and the root only group was 0.93(periapical), 0.85(panoramic), 0.99(total). The deep CNN algorithm model showed high accuracy in predicting the C-shaped canal variation among mandibular second molars. With further optimization of the test data using a larger dataset and improvements made in the model, a deep learning system can be expected to effectively diagnose C-shaped canals and aid clinicians in everyday practice.

목적 :이 연구의 목적은 치과 방사선 사진을 사용하여 하악 제 2 대구치의 C 형 근관을 감지하기위한 시각적으로 설명 가능한 딥 러닝 모델을 개발하고 검증하는 것이다. 배경 : CNN (Convolution Neural Networks)은 컴퓨터 비전에서 탁 월한 성능을 보여 왔으며 방사선 및 병리학 분야에서 질환의 탐지 및 분류 측면에서 유망한 결과를 낳았다. 또한 CNN 모델은 해석 가능 해졌 고 클래스 활성화 맵을 시각화하는 GRAD-CAM의 적용을 통해 설명 불가 능 성을 일정 수준까지 극복하였다. 치아의 치근 및 치아 근관계의 형태를 파악하는 것은 성공적인 수술 적, 비수술적 근관치료를 위해 필수적이나 2차원 방사선 사진에서 이를 판단하는 것은 어려울 수 있으며 임상가의 경험과 숙달이 필요한 부분 이다. 이는 특히 C형 근관을 보이는 하악 제2대구치에서 두드러진다. 하악 제2대구치의 C형 근관은 아시아인에서 10~45%로 많이 나타나는 형 태학적 변이이며 그 복잡성으로 인해 해당 치아의 근관치료를 힘들게 하므로 술 전 이에 대한 평가가 필수적이다. C형 근관을 파악하지 않고 치료가 진행될 시 부족한 근관세정 및 성형에 따른 근관치료의 실패로 이어질 수 있으며, 치아의 예후 파악 및 환자에게 예후 고지에 불리할 수 있다. 치과 영역에서 통상적으로 진단에 사용할 수 있는 사진은 2차원의 파노라마 방사선 사진 또는 치근단 방사선 사진이며 CBCT를 찍는 것은 제한적이다. 이러한 제한된 영상 정보에서 C형 근관을 판단하는데 도움 이 되는 장치가 있다면 임상 치료 영역, 또는 의료인 및 학생 교육 영 역에서 유용할 것으로 판단된다. 이에 본 연구의 목적은 치과 방사선 사진을 이용하여 하악 제 2 대 구치의 C 자형 관을 검출하기위한 시각적으로 설명 가능한 딥 러닝 모 델을 개발하고 검증하는 데 있다. 재료 및 방법 : 372 명의 환자로부터 1000 개의 하악 제 2 대구치 의 치근단, 파노라마, CBCT 방사선 영상을 수집 하였다. 이미지 패치는 하악 제 2 대구치 영역의 치관부와 치근까지 모두 포함하게, 또는 치근 부분만 포함하도록 치근단 방사선 이미지 또는 파노라마 이미지로부터 준비하였다.(치관부-치근 그룹, 또는 치근 그룹으로 분류). 하악 제2대 구치에서 C형 근관 구성을 보이는지 여부를 확인하는 능력과 관련하여 근단 및 파노라마 방사선 사진을 사용한 딥 러닝 시스템의 진단 성능을 평가하였다. CBCT에서 나타난 근관 모양을 gold standard로 사용하였다. 학습 모델을 개발한 뒤 별도의 테스트 세트로 성능을 평가하였으며, 클 래스 활성화 맵을 통해 모델이 결과를 얻기 위해 초점을 맞춘 부분을 평가하였다. 결과 : 6 개 그룹의 결과를 각각 얻어 비교하였다. 결과는 크게 두 그룹으로 나뉘었으며 이는 사용 된 이미지에 의해 치관과 치근을 모두 포함한 군과 (crown-root group) 치근 부분만을 포함한 군 (root only group) 으로 구분되었다. 그런 다음 각 군을 사용 된 이미지 데이터의 소스로 나누었으며 이는 치근단 영상만을 이용한 경우 (peri), 파노라 마 영상만을 이용한 경우 (panoramic) 또는 모든 영상 이미지를 이요한 경우 (both)로 구분되었다. C형 근관을 가진 하악 제 2 대구치는 47 % 의 높은 유병률을 보였으며 전반적인 진단 정확도는 83 %로 나타났다. GRAD-CAM에서 얻은 히트 맵은 임상의가 진단에 집중하는 영역과 일치하 는 치근 중부 1/3 에서 치근단부 1/3 까지의 영역에서 하이라이트를 보 여주었다. 결론 : Deep CNN 알고리즘 모델은 하악 제 2 대구치 사이의 C형 근 관 변화를 예측하는 데 높은 정확도를 보였다. 더 큰 데이터 세트를 사 용하여 테스트 데이터를 추가로 최적화하고 모델을 개선하면 딥 러닝 시스템이 C 자형 근관을 효과적으로 진단하여 임상의의 일상적인 진료 와 교육을 지원할 수 있을 것으로 기대된다