인공 지능 기반 Cone Beam Computed Tomography와 Digital Dental Image의 신뢰성 통합

3차원(3D) 디지털 기술은 교정 또는 외과 교정 치료에 대한 진단 및 계획의 범위를 넓혔습니다. CBCT(Facial Cone-Beam Computed Tomography) 이미지로 구성된 가상 머리는 컴퓨터 지원 설계 및 제조를 사용하여 치과 안면 및 치아 이상을 평가하고, 양악 수술을 계획하고, 치과 웨이퍼를 제작하고, 수술 가이드를 이식하는 데 사용할 수 있습니다 1,2,3,4. 그러나 CBCT 스캔은 치과 형태 및 교합 간 관계를 포함한 치열에 대한 표현이 낮은데, 이는 제한된 해상도와 치과 수복 또는 교정 브라켓의 줄무늬 아티팩트 때문이다⁵. 따라서 CBCT 이미지의 치아 특징은 스캔된 캐스트 또는 구강 내 스캔 이미지와 같은 디지털 치과 이미지(DDI)로 대체되었습니다.

CBCT 이미지에 DDI를 안정적으로 통합하기 위해 수많은 연구에서 기준 마커 ^6,7, 복셀 기반⁸ 및 표면 기반 등록(SBR)^9,10과 같은 다양한 방법을 보고했습니다. 이러한 절차에는 구강 외 마커, 여러 CBCT 스캔 및 CBCT 이미지의 금속 아티팩트 청소와 같은 추가 프로세스 단계를 사용하는 방법이 있습니다. SBR 정확도와 관련하여, 몇몇 선행 연구들에서는 0.10에서 0.43mm 사이의 오차를 보고했다 ^9,11. 또한, Zou 등은 SBR을 사용하여 디지털 엔지니어와 교정 의사 간의 관찰자 내/간 신뢰도 및 오류를 평가하고 임상 경험과 반복 학습의 필요성을 보고했습니다¹⁰.

인공 지능(AI)은 치료 결과¹²를 예측하고1 두부 방사선 사진¹³ 또는 CBCT 이미지14,15,16의 랜드마크를 디지털화하는 데 사용되었으며, 현재 이 과정을 지원하기 위해 일부 상용 소프트웨어를 사용할 수 있다¹⁷. 3D 이미지에서 해부학적 랜드마크를 정확하게 식별하는 것은 평평한 표면이나 곡선 구조의 모호성, 밀도가 낮은 영역, 해부학적 구조의 넓은 가변성으로 인해 어렵습니다.

AI 기반의 머신 러닝 자동화는 디지털화뿐만 아니라 DDI와 치과 CBCT의 통합에도 적용될 수 있습니다. 그러나 기존 표면 기반 방법에 비해 AI 기반 등록(ABR)의 정확도에 대한 연구는 거의 없습니다. 양악 양악 수술을 통해 3D 골격 및 치아 변화의 보다 정확한 결과를 얻기 위해서는 CBCT와 DDI를 병합할 때 AI 기반 프로그램의 정확도를 평가해야 합니다. 따라서 이 기사에서는 CBCT 및 DDI를 AI 기반 등록(ABR)과 디지털화 및 통합하고 SBR과 비교하여 신뢰성과 재현성을 평가하기 위한 단계별 프로토콜을 제시합니다.

본 후향연구는 분당서울대학교 병원 기관심사위원회(B-2205-759-101)의 심사 및 승인을 받았으며, 헬싱키 선언의 원칙을 준수하였다. 이 연구에는 치과 캐스트의 STL(Standard Tessellation Language) 형식으로 된 CBCT 및 DDI의 DICOM(Digital Imaging and Communications in Medicine) 파일이 활용되었습니다. 정보에 입각한 동의의 필요성은 연구의 후향적 특성으로 인해 면제되었습니다.

1. CBCT 및 DDI(Digital Dental Image) 획득

1. 다음 포함 기준에 따라 환자를 선택합니다: 골격 클래스 III 부정교합; 컴퓨터 지원 계획을 통한 양악 수술; 그리고 fixed edgewise 장치를 사용한 교정 치료.
2. 두개안면 증후군, 구순구개열 또는 상악 제1대구치 또는 우측 중앙 앞니가 없는 환자는 제외합니다.
3. 200mm x 180mm의 시야, 0.2mm의 복셀 크기, 80kVp, 15mA 및 10.8s의 노출 조건에서 CBCT 스캔을 얻을 수 있습니다. 환자가 치아가 최대한의 삽입 상태에 있도록 똑바로 서 있는지 확인하십시오. 스캔을 DICOM(Digital Imaging and Communications in Medicine) 데이터 파일로 저장합니다.
4. 치과 결석 캐스트 또는 직접 구강 내 스캔에서 DDI를 획득하고 STL(Standard Tessellation Language) 형식으로 별도의 상악 치열 및 하악 치열로 저장합니다.

2. AI 기반 등록 프로토콜(ABR)

1. CBCT 방향 전환 및 디지털화
   1. 소프트웨어를 열고 DICOM 파일로드 버튼을 클릭하여 CBCT DICOM 파일을 소프트웨어로 가져옵니다.
   2. DICOM 데이터 폴더에서 DICOM 파일 중 하나를 선택하고 열기를 클릭합니다.
      참고 : DICOM 파일이로드되면 소프트웨어가 자동으로 CBCT 두개안면 볼륨으로 재구성합니다.
   3. Landmark 패널에서 Reorientation 버튼을 클릭합니다(그림 1).
   4. N (Nasion): 3D 뷰에서 정면 골격의 V 노치를 클릭합니다(그림 2). 클릭 직후 파란색 점(활성화됨)이 축 보기, 시상 및 코로나 보기에도 표시되는 빨간색 십자가로 바뀌는 것을 관찰하십시오. 파란색 삼각형 화살표를 앞뒤로 클릭하여 랜드마크를 식별합니다.
      1. 시상 보기에서 마우스 휠을 위아래로 스크롤하여 전두엽 봉합사가 비강 및 전두골과 만나는 가장 앞쪽 지점을 찾고 클릭하여 랜드마크의 수직 및 전후 위치를 확인합니다.
      2. 관상 보기에서 마우스 휠을 위아래로 스크롤하여 코뼈가 사라지기 직전의 순간을 찾아 가장 앞쪽 지점을 확인하고 클릭하여 Nasion의 수평 위치를 확인합니다.
      3. 축 보기에서 가장 앞쪽 점에 있는 것처럼 전후 위치를 조정합니다.
   5. R Or (Orbitale): 3D 모델에서 오른쪽 궤도 윤곽선의 여백에서 가장 아래쪽 점을 클릭합니다(그림 2).
      1. 코로나 보기에서 마우스 휠을 위아래로 스크롤하여 오른쪽 궤도의 아래쪽 가장자리에서 가장 낮은 점을 찾은 다음 클릭합니다.
      2. sagittal view에서 orbit의 하부 경계를 구성하는 오른쪽 maxilla 또는 zygomatic bone structure의 가장 우수한 점을 클릭합니다.
      3. 축 보기에서 마우스를 스크롤하고 클릭하여 눈 궤도 테두리가 만나는 위치에 빨간색 십자가가 배치되도록 합니다.
   6. L Or (Orbitale) : 3D 모델 (그림 2)에서 왼쪽 궤도 윤곽선의 여백에서 가장 아래쪽 점을 클릭하고 R 또는 프로세스에서와 같이 세 개의 뷰에서 점을 수정합니다.
   7. R Po (Porion): 3D 모델에서 오른쪽 외부 청각 고기의 윤곽선에서 가장 우수한 지점을 클릭합니다(그림 2).
      1. 관상동맥 보기에서 오른쪽 측두골의 가장 낮은 점을 클릭하여 수평 및 수직 위치를 결정합니다.
      2. sagittal view에서 우측 외이도의 윤곽선에서 가장 우월한 지점을 클릭하여 수직 및 전후 위치를 조정합니다.
      3. 축 보기에서 마우스 휠을 스크롤하여 측두골의 선이 사라지는 외이도가 나타나는 위치를 클릭합니다.
   8. L Po (Porion) : 3D 모델 (그림 2)에서 왼쪽 외부 청각 고기의 윤곽선에서 가장 우수한 점을 클릭하고 R Po 프로세스에서와 같이 3 개의 다중 평면도에서 점을 수정합니다.
      참고: 재구성된 두개안면 모델(그림 2)에서 Nasion, 좌우 안와, 좌우 포리온을 포함한 5개의 기본 골격 표식이 이제 식별되었습니다.
   9. Done(완료) 버튼을 클릭하여 재구성된 두개안면 모델의 방향 전환을 완료합니다.
   10. 랜드마크 패널에서 Preliminary Landmark Picking 버튼을 클릭하고 Dentition I 랜드마크 그룹을 선택합니다.
       참고: 두개골 기저부, TMJ, 상악 골격, 하악 골격, 치열 I 및 연조직의 랜드마크 그룹은 이미 두개안면 분석을 위해 선택되어 있습니다.
   11. Preliminary Landmark Picking 패널에서 Execute 버튼을 클릭하고 소프트웨어가 자동으로 예비 랜드마크를 선택하고 좌표를 결정하도록 합니다.
   12. 랜드마크를 수정할 때 Volume 탭에서 Manual Landmark Picking 버튼을 누르고 필요한 사항을 조정한 다음 Done(완료) 버튼을 클릭하여 확인합니다(그림 3).

3. DDI 병합 절차

1. Tools 패널에서 Registration of Dentition Scan 버튼을 클릭합니다(그림 4).
2. maxilla dentition을 선택하고 Dentition Registration 패널에서 Load 버튼을 클릭합니다.
3. 폴더에서 CBCT 모델과 동일한 환자의 STL 파일을 선택하여 상악 치열 STL 파일을 로드합니다. STL 파일이 열리면 화면 오른쪽에서 DDI를 찾고 화면 왼쪽에서 CBCT의 4가지 보기(3D, 축, 시상, 코로나)를 찾습니다.
4. 파란색 삼각형 화살표를 앞뒤로 전환하여 오른쪽 상악 제1대구치(R U6CP)의 장막협 교두, 절개 가장자리의 오른쪽 상악 중앙 앞니 중간점(R U1CP), 왼쪽 상악 제1대구치(L U6CP)의 중측 구강 교두(그림 5)와 같은 정합 랜드마크를 선택합니다.
   참고: 마우스 왼쪽 버튼을 클릭하고 끌어 DDI를 회전하고 마우스 오른쪽 버튼을 클릭하고 끌어 확대 및 축소합니다. 등록 랜드마크는 수동으로 디지털화된 후 기계 학습된 자동화에 의해 동시에 보정됩니다.
5. Dentition Registration 패널에서 Done(완료) 버튼을 클릭합니다.
6. Yes(예) 버튼을 클릭하여 자동 등록을 확인합니다(그림 6).
7. 하악 치열 병합의 경우, 하악 치열을 선택하고 Dentition Registration 패널에서 Load 버튼을 클릭합니다. 3.2-3.6단계를 반복합니다. 하악 치열의 등록 랜드마크를 선택합니다: 우측/좌측 하단 첫 번째 어금니의 중측 협측 교두(R-/L-L6CP), 절개 가장자리의 오른쪽 하단 첫 번째 앞니 중간 지점(R L1CP).
8. 이제 DDI가 재구성된 CBCT 모델과 병합되었습니다(그림 7).
   1. 병합을 수정할 때 Dentition Registration 패널에서 Pick Registration Landmark 버튼을 클릭합니다(그림 8).

4. 각 랜드마크의 3D 좌표 값(x, y, z)을 구합니다.

1. 볼륨(Volume) 탭에서 수동 랜드마크 선택(Manual Landmark Picking) 버튼을 클릭하거나 분석(Analysis) 탭을 클릭하여 랜드마크의 3D 좌표 값을 가져옵니다. 데이터를 내보내려면 분석 탭→데이터 내보내기 패널로 이동하고 랜드마크 버튼을 클릭하여 데이터를 파일로 저장합니다.
   알림: X-plane(수평)은 왼쪽 및 오른쪽 Orbitales와 오른쪽 Porion을 통과하는 Frankfort 수평(FH) 평면과 평행한 Nasion을 통과하는 평면입니다. Y-평면(midsagittal)은 X-평면에 수직이며 Nasion과 basion을 통과합니다. Z-plane(coronal)은 Nasion(영점, 0, 0, 0)을 통해 수평 및 중간 시상면에 수직인 평면을 설정합니다(그림 9).

여기에서는 AI 기반 프로그램을 사용하여 CBCT와 DDI의 통합 프로세스를 설명했습니다. 신뢰성과 재현성을 평가하기 위해 SBR(surface-based registration)과의 비교 연구를 수행했습니다. 상관 관계 ρ H1 = 0.77, α = 0.05 및 검정력 (1−β) = 0.8018에서 전력 분석 후 최소 표본 크기 10이 필요한 것으로 확인되었습니다. 2016년 3월부터 2019년 10월까지 분당서울대학교 병원에서 양악질환 환자의 총 17세트의 CBCT 스캔과 디지털 치과 이미지를 연구하였다. 동일한 모집단에 대한 전체 SBR 및 ABR 프로세스는 1.5년 이상 랜드마크 식별 교육을 받은 교정 레지던트인 동일한 검사관에 의해 두 번 반복되었습니다. SBR은 일부 선행 연구와 유사한 프로토콜을 통해 수행되었다 9,10 (그림 10). 각 프로그램과의 반복적인 적분 후 R-/L-U6CP 및 R U1CP의 x, y 및 z 좌표 값의 평균 차이를 평가했습니다. 모든 데이터는 SPSS 22.0 소프트웨어를 사용하여 통계적으로 분석되었습니다. 랜드마크 좌표의 신뢰성은 ICC(Intraclass Correlation)19를 사용하여 재현성을 평가하기 위해 각 ABR, SBR 및 그 사이에서 분석되었습니다.

R-/L-U6CP 및 R U1CP의 x-, y-, z 좌표 값의 관찰자 내 신뢰도는 ABR(0.950 ≤ ICC ≤ 0.998) 및 SBR(0.886 ≤ ICC ≤ 0.997)에 대해 각각 유의하고 거의 완벽했습니다(표 1). 대부분의 랜드마크에서 y 및 z 좌표 값의 신뢰성 차이는 유의했으며 SBR과 ABR 간에 거의 완벽하거나 실질적인 일치를 보였습니다. 그러나 R-/L-U6CP 및 R U1CP의 x 좌표 값은 각각 보통, 보통, 낮음 일치를 나타내며 유의하지 않았습니다.

표 2에서 볼 수 있듯이 반복된 적분에서 얻은 모든 좌표 값의 평균 차이는 각 방법에서 유의하게 다르지 않았습니다. x 좌표에 대한 이러한 차이의 범위는 ABR의 경우 -0.005mm에서 -0.098mm까지, SBR의 경우 -0.212mm에서 0.013mm까지였습니다. ABR의 y 좌표는 -0.084mm에서 -0.314mm, SBR의 경우 -0.007mm에서 0.084mm까지, ABR의 경우 z 좌표에서 -0.005mm에서 0.045mm, SBR의 경우 -0.567mm에서 0.074mm까지 다양했습니다. 그러나 ABR과 SBR 간의 첫 번째 등록과 두 번째 등록 간의 평균 차이에는 유의하지 않았습니다.

그림 1: 두개안면 모델의 방향 변경. 이 작업은 Landmark 패널에서 Reorientation 버튼을 클릭하여 시작합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 2: 재구성된 두개안면 모델의 방향 전환을 위한 5가지 기본 랜드마크; nasion, right and left orbitales, right and left porions. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 3: 예비 자동 랜드마크 선택 후의 랜드마크와 해당 좌표. 랜드마크에 대한 검토 및 수정은 Volume 탭에서 Manual Landmark Picking 버튼을 클릭하여 수행할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 4: 디지털 치과 이미지를 재배치된 두개안면 모델과 병합하기 시작. 이것은 Tools 패널에서 Registration of Dentition Scan 버튼을 클릭하여 수행됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 5: 로드된 디지털 치과 이미지에서 3개의 등록 랜드마크 위치. 우측 상악 제1대구치의 중측측 교두(R U6CP), 절개 가장자리의 우측 상악 중앙 앞니 중간점(R U1CP) 및 좌측 상악 제1대구치의 중측측 교두(L U6CP). 이러한 랜드마크는 기계 학습 자동화에 의해 동시에 보정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 6: 로드된 디지털 치과 이미지 및 CBCT에서 3개의 등록 랜드마크 확인. 상악 제1대구치의 우측 및 좌측 중측 측두측 교두(R U6CP, L U6CP) 및 우측 상부 중앙 앞니 중앙점(R U1CP). Yes(예 ) 버튼을 클릭하면 자동 등록이 수행됩니다. 약어: CBCT = 콘빔 컴퓨터 단층 촬영. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 7: 디지털 치과 이미지가 병합된 재구성된 두개안면 모델. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 8: 병합 수정 병합을 수정할 때 Dentition Registration 패널에서 Pick Registration Landmark 버튼을 클릭합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 9 : 프로그램의 참조 평면. X-plane(수평)은 좌우 Orbitales와 오른쪽 Porion을 통과하는 Frankfort 수평(FH) 평면과 평행한 Nasion을 통과하는 평면입니다. Y-평면(midsagittal)은 X-평면에 수직이며 Nasion과 basion을 통과합니다. Z-plane(coronal)은 Nasion(영점, 0, 0, 0)을 통해 수평 및 중간 시상면에 수직인 평면을 설정합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 10: 재구성된 CBCT 이미지의 치과 부분에 대한 상악 디지털 치과 이미지의 표면 기반 정합. (A) 병합 전과 (B) 병합 후. 먼저 상악 제1대구치의 장협측 교두와 중심 앞니의 접촉점을 사용하여 CBCT 및 DDI에서 초기 점을 등록했습니다. 그 후, 반복적인 가장 가까운 점 알고리즘을 사용하여 보다 정확한 통합을 달성하기 위해 표면을 등록했습니다. 약어: CBCT = 콘 빔 컴퓨터 단층 촬영; DDI = 디지털 치과 이미지. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 1: 각 ABR 및 SBR에서 그리고 그 사이에서 안면 CBCT와 디지털 치과 이미지를 통합할 때 각 랜드마크의 3개 좌표에 대한 신뢰성. *쌍체 T 검정; † 독립 t 테스트. ICC > 0.8/0.6/0.4/0.2 또는 ≤ 0.2는 각각 매우 좋음, 좋음, 보통, 보통, 보통 또는 나쁨 합의 강도를 나타냅니다. 약어: CBCT = 콘 빔 컴퓨터 단층 촬영; AI = 인공 지능; ABR = AI 기반 등록; SBR = 표면 기반 등록; CI = 신뢰 구간; ICC= 클래스 내 계수. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 2: ABR 및 SBR에 안면 CBCT 및 디지털 치과 이미지를 반복적으로 등록한 경우 각 랜드마크의 3개 좌표에 대한 평균 차이. Δ (1-2번째), DDI 및 얼굴 CBCT 이미지의 첫 번째 등록(1번째)과 두 번째 등록(2번째) 사이의 각 랜드마크의 x, y 및 z 좌표의 평균 차이. *쌍체 T 검정; † 독립적 t 테스트; ᄂWilcoxon 부호 순위 테스트. 유의성은 P < 0.05로 설정되었습니다. 약어: CBCT = 콘 빔 컴퓨터 단층 촬영; AI = 인공 지능; ABR = AI 기반 등록; SBR = 표면 기반 등록; S.D. = 표준 편차. 이 표를 다운로드하려면 여기를 클릭하십시오.

저자는 이해 상충이 없음을 선언합니다.