학습모델 후보군

학습모델 후보군별 선정기준 및 적합성 검토

* MS R-CNN, DenseNet 121 모델로 최종선정

학습 모델 개발
○ 영역 탐지 관련 모델: mask scoring R-CNN
- 치과 임상사진 이미지 상 중요한 임상 정보 영역의 분할 경계를 탐지
- 치아 경계, 치축, 안모 중심선, 충치, 입술 경계에 해당하는 영역 분할을 정확하게 수행할 수 있는 모델을 개발
○ 임상 진단 분류 모델: DenseNet 121
- 치과교정 임상에 있어 부정교합 진단 분류를 수행
- 치아 대구치 관계를 기반으로 하는 치과교정학 부정교합 분석 진단을 수행하는 모델을 개발

데이터 구성
○ 환자별 이미지 종류
- 개구기 정면 이미지, 개구기 좌측 이미지, 개구가 우측 이미지, 교합면 상악 아미지, 교합면 하악 이미지, 스마일 이미지

○ 객체 종류
- segmentation: 치아 경계, 충치, 입술 경계
- polyline: 치축, 안모정중선
- class: 교합면 관계

○ 객체 카테고리

○ 폴더 구조 예시 (이미지/라벨링)

데이터 포맷
○ 이미지 폴더 구조
    - 이미지 폴더 root 
    - 환자 번호
        - front.png
        - left.png
        - right.png
        - up.png
        - bottom.png

라벨링 포맷 규칙

annotation: {
  image_id: string
  category_id: number
  segmentation: array
  img_type: { 
             path: string
             position: string
            }
  polyline: array
  class: number
}
 

이미지/라벨링 예시

실제 예시

{
 "annotations": [
{
 "image_id": "0_lower.png",
 "category_id": 16,
 "segmentation": [
[
 1026,
 1064
],
[
 1042,
 1031
],
[
 1060,
 1014
],
[
 1079,
 1005
],
[
 1107,
 1013
],
[
 1125,
 1033
],
[
 1135,
 1051
],
[
 1143,
 1089
],
[
 1144,
 1111
],
[
 1161,
 1144
],
[
 1165,
 1197
],
[

1155,
 1213
],
[
 1125,
 1221
],
[
 1102,
 1225
],
[
 1063,
 1222
],
[
 1041,
 1216
],
[
 1020,
 1208
],
[
 1004,
 1193
],
[
 984,
 1169
],
[
 984,
 1144
],
[
 996,
 1109
],
[
 1017,
 1084
]
],
 "img_type": {
 "position": "lower",
 "path": "./images/0/lower.png"
},
 "polyline": null,
 "class": null
},
]
}

Meta JSON structure
○ 환자의 meta 정보로 성별, 나이대 정보를 포함

{
 "info": [
{
 "Gender": "F",
 "Age": 4,
 "patient_id": 2976
},
{
 "Gender": "M",
 "Age": 2,
 "patient_id": 2986
},