목적: 하악 제3대구치(M3)와 하악관(MC) 사이의 공간적 관계를 3차원(3D)으로 정확하게 평가하는 것은 M3 발치 시 신경 손상 위험을 평가하는 데 핵심적이다. 본 연구의 목적은 CBCT 영상에서 해부학적 접촉 또는 관여의 정도와 공간적 근접성을 기준으로 M3와 MC 사이의 다양한 공간적 관계를 5가지의 서로 다른 범주로 자동 분류하는 것을, 기하 인지(geometry-aware) 딥러닝 프레임워크를 사용하여 구현하는 데 있다. 방법: M3와 MC의 3D 공간적 관계는 5가지의 서로 다른 유형으로 범주화하였다. 제안된 프레임워크는 2단계로 구성되었다. 첫째, 수정 mAttUNet은 주의(attention) 메커니즘이 보강된 개선된 3D U-Net 아키텍처로, M3와 MC의 분할(segmentation)에 사용하였다. 둘째, 제안된 DenseAttNet을 다중 클래스 분류를 위해 개발하였다. 조밀한 주의 메커니즘(dense attention)과 부호 있는 거리 지도(signed distance map, SDM) 입력을 통합함으로써, 제안된 네트워크는 기하학적 및 해부학적 특징을 모두 효과적으로 포착하여 더 정확하고 신뢰할 수 있는 다중 클래스 분류를 가능하게 하였다. 결과: mAttUNet은 다른 기존 모델들보다 우수하였으며, MC에 대해 평균 정밀도(average precision) 0.96, M3에 대해 0.84로 가장 높은 분할 성능을 달성하였다. 제안된 DenseAttNet은 전반적으로 우수하고 일관된 성능을 보였으며, 전체 AUC 0.97을 달성하고 5가지 모든 관계 유형에서 높은 정확도를 유지하였다. 또한 MC와 M3 사이의 다양한 공간적 관계를 효과적이고 신뢰성 있게 구분하였다. 결론: M3-MC 공간적 관계에 대한 자동화되고 정확한 분류는 중요한 임상적 유용성을 제공하며, 신경 손상 위험 평가의 향상과 수술 계획의 최적화에 기여하고, 궁극적으로 열등치조신경(inferior alveolar nerve) 손상과 같은 합병증을 감소시키는 데 도움을 줄 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.