본 연구는 소아 파노라마 방사선사진에서 매복된 중절치(mesiodens)의 분류 및 분할(segmentation)에 대한 딥러닝 알고리즘의 성능을 평가하고자 하였다. 본 연구에는 3–9세 소아 환자의 파노라마 방사선사진 850장을 포함하였다. 상악 전방 부위에서 중절치의 탐지 및 분할을 위해 U-Net 의미론적 분할(semantic segmentation) 알고리즘을 적용하였다. 알고리즘의 성능을 향상시키기 위해 인코딩 경로(encoding path)에 사전 학습된 ResNet 모델을 적용하였다. 분할 성능은 Jaccard index와 Dice coefficient를 사용하여 평가하였다. 진단 정확도, 정밀도(precision), 재현율(recall), F1-score 및 진단 소요 시간(time to diagnosis)을 테스트 데이터셋을 사용하여 사람 전문가 집단과 비교하였다. 모델과 사람 집단 간 Cohen's kappa 통계를 비교하였다. 분할 모델은 높은 Jaccard index 및 Dice coefficient(>90%)를 보였다. 중절치 진단에서 학습된 모델은 91–92%의 정확도와 94–95%의 F1-score를 달성하였으며, 이는 사람 전문가 집단 결과(96%)와 비교 가능하였다. 딥러닝 모델의 진단 소요 시간은 7.5초였고, 사람 집단에 비해 중절치 탐지에서 유의하게 더 빠른 것으로 나타났다. 딥러닝 모델과 사람 전문가 간의 일치도는 중등도였으며(Cohen's kappa = 0.767), 제안된 딥러닝 알고리즘은 양호한 분할 성능을 보였고 중절치 진단에서 사람 전문가의 성능에 근접하면서도 유의하게 더 빠른 진단 시간을 나타냈다.

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