腹腔周囲X線写真を用いたインプラントフィクスチャーシステム分類のためのディープニューラルネットワークによる伝達学習

Transfer Learning via Deep Neural Networks for Implant Fixture System Classification Using Periapical Radiographs.

• Jong-Eun Kim
• Na-Eun Nam
• June-Sung Shim
• Yun-Hoa Jung
• Bong-Hae Cho
• Jae Joon Hwang

抄録

正確なカルテがない中で、患者に正確な診断や治療を提供したり、合併症に対応したりするためには、口腔周囲X線写真を用いてインプラントフィクスチャーシステムを正しく分類することが重要である。本研究の目的は，ディープニューラルネットワークが口腔内X線写真上で4種類のインプラントを識別できるかどうかを評価することであった．本研究では、延世大学歯科病院で2005年から2019年の間に口腔周囲X線撮影を受けた患者801名の画像を使用した。以下の4種類のインプラントを含む画像を選択した。Brånemark Mk TiUnite、Dentium Implantium、Straumann Bone Level、Straumann Tissue Level。SqueezeNet、GoogLeNet、ResNet-18、MobileNet-v2、ResNet-50をテストし、最適な事前学習済みネットワークアーキテクチャを決定しました。混同行列を用いて、各ネットワークについて精度、精度、リコール、F1スコアを計算した。5つのモデルすべてが90%を超えるテスト精度を示した。パラメータ数が400万以下の小規模ネットワークであるSqueezeNetとMobileNet-v2は、それぞれ約96％、97％の精度を示した。この結果から、畳み込みニューラルネットワークは、比較的小さなネットワークと少ない画像数でも、4つのインプラントフィクスチャーを高い精度で分類できることが確認された。これにより、インプラントの正確な種類についての知識がないことによる不必要な治療や医療費の負担に伴う不都合が解消される可能性がある。

In the absence of accurate medical records, it is critical to correctly classify implant fixture systems using periapical radiographs to provide accurate diagnoses and treatments to patients or to respond to complications. The purpose of this study was to evaluate whether deep neural networks can identify four different types of implants on intraoral radiographs. In this study, images of 801 patients who underwent periapical radiographs between 2005 and 2019 at Yonsei University Dental Hospital were used. Images containing the following four types of implants were selected: Brånemark Mk TiUnite, Dentium Implantium, Straumann Bone Level, and Straumann Tissue Level. SqueezeNet, GoogLeNet, ResNet-18, MobileNet-v2, and ResNet-50 were tested to determine the optimal pre-trained network architecture. The accuracy, precision, recall, and F1 score were calculated for each network using a confusion matrix. All five models showed a test accuracy exceeding 90%. SqueezeNet and MobileNet-v2, which are small networks with less than four million parameters, showed an accuracy of approximately 96% and 97%, respectively. The results of this study confirmed that convolutional neural networks can classify the four implant fixtures with high accuracy even with a relatively small network and a small number of images. This may solve the inconveniences associated with unnecessary treatments and medical expenses caused by lack of knowledge about the exact type of implant.