Automatic identification of posteroanterior cephalometric landmarks using a novel deep learning algorithm: a comparative study with human experts

Abstract

본 연구의 목적은 딥러닝 알고리즘을 이용하여 자동화 정모 두부방사선사진 계측점 탐지 모델을 설계하고, 인간 전문가와의 비교를 통해 그 정확성과 신뢰성을 평가하기 위함이다. Resnet18과 Resnet50로 구성된 두 단계의 딥러닝 알고리즘 모델을 설계하였으며, 19개의 정모 두부방사선사진 계측점을 정의하였다. 두 명의 인간 전문가에 의해 19개의 계측점이 탐지된 총 1,032개의 정모 두부방사선 사진이 인공지능 탐지 모형의 훈련 및 유효성 검사에 사용되었다. 82개의 시험 세트 이미지에 대하여 두 명의 전문의가 각각 19개의 계측점을 수동 식별하였으며, 설계된 인공지능 탐지모형을 이용한 계측 결과와 평균 반경 오차 (Mean Radial Error) 및 성공 감지율(Success Detection Rate) 계산을 통해 정확성과 신뢰성을 평가하였다. 인공지능 계측점 탐지 모형의 평균 반경 오차는 1.87 ± 1.53mm이었으며 성공 감지율은 오차 범위 <1.0, <2.0 및 <4.0mm인 경우에 각각 34.7%, 67.5% 및 91.5%였다. 인공지능 모형에서 sphenoid점과 mastoid process점이 가장 낮은 평균 반경 오차와 가장 높은 성공 감지율을 보인 반면, condyle point에서 가장 높은 평균 반경 오차와 가장 낮은 성공 감지율 결과를 보였다. 본 연구를 통해 딥러닝 알고리즘을 이용한 자동화 정모 두부 방사선사진 계측점 탐지 모형이 유망한 정확성과 신뢰성을 보여주며, 추후 상용화를 통해 임상가의 시간과 노력을 줄여 줌과 동시에 악안면영역의 교정학적 분석을 효과적으로 수행하는데 도움이 될 수 있음을 시사한다. This study aimed to propose a fully automatic posteroanterior (PA) cephalometric landmark identification model using deep learning algorithms and compare its accuracy and reliability with those of expert human examiners. In total, 1,032 PA cephalometric images were used for model training and validation. Two human expert examiners independently and manually identified 19 landmarks on 82 test set images. Similarly, the constructed artificial intelligence (AI) algorithm automatically identified the landmarks on the images. The mean radial error (MRE) and successful detection rate (SDR) were calculated to evaluate the performance of the model. The performance of the model was comparable with that of the examiners. The MRE of the model was 1.87 ± 1.53 mm, and the SDR was 34.7%, 67.5%, and 91.5% within error ranges of <1.0, <2.0, and <4.0 mm, respectively. The sphenoid points and mastoid processes had the lowest MRE and highest SDR in auto-identification; the condyle points had the highest MRE and lowest SDR. Comparable with human examiners, the fully automatic PA cephalometric landmark identification model showed promising accuracy and reliability and can help clinicians perform cephalometric analysis more efficiently while saving time and effort. Future advancements in AI could further improve the model accuracy and efficiency.