上顎犬歯周囲X線撮影における位置決め品質評価のためのディープラーニング技術の性能評価

Performance of deep learning technology for evaluation of positioning quality in periapical radiography of the maxillary canine.

抄録

目的:

本研究の目的は、上顎犬歯周囲X線撮影における位置決めの技術的品質を評価するための自動システムを、深層学習分類およびセグメンテーション技術を使用して作成し、テストすることである。

OBJECTIVES: The aim of the present study was to create and test an automatic system for assessing the technical quality of positioning in periapical radiography of the maxillary canines using deep learning classification and segmentation techniques.

方法:

500枚の上顎洞周囲X線写真（良品と不良品各250枚）を用いて、2つのディープラーニングシステムを作成し、テストした。350枚、70枚、80枚の画像をそれぞれトレーニング、バリデーション、テストデータセットとして割り当てた。システム1の学習モデルは分類処理のみで作成され，システム2はセグメンテーションと分類の両モデルで構成される．各モデルにおいて、分類にはAlexNetを、セグメンテーションにはU-netを用いて、それぞれ500エポックの学習を行った。セグメンテーションの結果は、intersection over union 法で評価し、0.6 以上を成功としている。また、分類結果を2つのシステム間で比較した。

METHODS: We created and tested two deep learning systems using 500 periapical radiographs (250 each of good- and bad-quality images). We assigned 350, 70, and 80 images as the training, validation, and test datasets, respectively. The learning model of system 1 was created with only the classification process, whereas system 2 consisted of both the segmentation and classification models. In each model, 500 epochs of training were performed using AlexNet and U-net for classification and segmentation, respectively. The segmentation results were evaluated by the intersection over union method, with values of 0.6 or more considered as success. The classification results were compared between the two systems.

結果:

システム 2 のセグメンテーション性能は、回収率 0.937、精度 0.961、F 値 0.949 であった。システム2は、システム1で得られた分類性能値よりも優れた分類性能値を示した。また、受信者動作特性曲線下面積は、システム1（0.649）とシステム2（0.927）で有意な差があった。

RESULTS: The segmentation performance of system 2 was recall, precision, and F measure of 0.937, 0.961, and 0.949, respectively. System 2 showed better classification performance values than those obtained by system 1. The area under the receiver operating characteristic curve values differed significantly between system 1 (0.649) and system 2 (0.927).

結論:

作成した深層学習システムは、セグメンテーションと分類機能の利用により、歯根膜X線写真の技術的位置決め品質の評価において潜在的な利点を有すると思われた。

CONCLUSIONS: The deep learning systems we created appeared to have potential benefits in evaluation of the technical positioning quality of periapical radiographs through the use of segmentation and classification functions.