제 7 항에 있어서,상기 (c)단계는,상기 인공신경망이,상기 제2 출력 또는 상기 제3 출력과 상기 제1 출력이 직렬로 연결된 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 7 항에 있어서,상기 (c)단계는,상기 인공신경망이,상기 제1 출력과 상기 제2 출력이 직렬로 연결된 경우, 상기 제3 출력은 상기 제1 출력 및 상기 제2 출력과 병렬로 연결된 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

연산장치에 의해 수행되는 인공신경망 기반 부정교합 분류 방법에 있어서,(a) 상악과 하악의 치아가 스캔된 3D 모델 데이터를 전처리하여 정해진 시점의 2D 이미지 데이터를 얻기 위해 상기 3D 모델 데이터를 정렬하는 리-오리엔테이션(Re-orientation) 단계;(b) 정렬된 상기 3D 모델 데이터에서 부정교합 분류를 위한 라벨을 설정하는 단계로, 원-핫 인코딩(one-hot encoding)으로 앵글 클래스(Angle’s classification)에 기반한 제1 라벨을 설정하고, 상기 제1 라벨에 상악과 하악의 상대적 위치에 기반한 순서가 부여된 제2 라벨과, 교합된 상악과 하악의 치아 거리에 기반한 제3 라벨을 설정하는 라벨링 단계; 및(c) 상기 제1 라벨에는 다중 분류에서 사용되는 제1 손실함수가 설정되고, 상기 제2 라벨과 상기 제3 라벨은 회귀(regression)의 제2 손실함수가 설정되어, 이종(異種)의 손실함수들에 가중치를 부여하여 다항식으로 조합한 최종 손실함수를 갖고, 상기 최종 손실함수 기반으로 인공신경망 모델에 대해 정렬된 상기 3D 모델 데이터로부터 추출된 2D 교합 이미지의 앵글 클래스 분류를 학습하는 학습 단계;를 포함하여 학습을 수행하며,상기의 학습으로 추론 단계에서 상기 3D 모델 데이터의 입력시 앵글 클래스가 분류되고, 분류된 클래스의 정확도 관련 정량적 데이터가 산출 가능한 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 1 항에 있어서,상기 (a)단계의 수행 이후,정렬된 상기 3D 모델 데이터로부터 정해진 시점의 2D 이미지들을 추출하여 2D 이미지의 조합으로 학습을 위한 상기 2D 교합 이미지를 생성하는 단계를 더 포함하는 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 1 항에 있어서,상기 (a)단계는,정렬된 상기 3D 모델 데이터로부터, 특정 각도(N개)에서 바라본 단면의 2D 이미지를 그레이 스케일로 변환하여 상기 2D 교합 이미지를 생성하는 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 1 항에 있어서,상기 (b)단계는,상기 제2 라벨이 상기 제1 라벨의 분류에서 상악과 하악의 상대적 위치를 연속변수로 지정한 데이터 값으로 표현하여 회귀(regression)라벨로 생성하는 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 1 항에 있어서, 상기 (b)단계는,상기 제3 라벨이 상기 3D 모델 데이터로부터, 상악 대구지와 하악 대구치의 특정 포인트의 거리를 픽셀 기반으로 수치화한 데이터인 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 5 항에 있어서,상기 제3 라벨은,상기 3D 모델 데이터에서, 상악 제1 대구치의 근협측 교두와 하악 제1 대구치의 협측 홈을 거리 산출의 기준점인 특정 포인트로 하는 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 1 항에 있어서,상기 (c)단계는,합성곱 신경망(CNN) 모델을 특징 추출(Feature extraction)을 위한 백본 네트워크로 하고, 상기 제1 라벨에 대응하는 제1 출력과, 상기 제2 라벨에 대응하는 제2 출력과, 상기 제3 라벨에 대응하는 제3 출력의 다중 출력을 갖도록 하고, 상기 제1 내지 3 출력이 직렬 또는 병렬로 조합된 다중 출력의 인공신경망이 구성되며, 상기 인공신경망의 상기 최종 손실함수를 최소화하기 위한 모델 파라메터 업데이트를 수행하는 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

제 7 항에 있어서,상기 (c)단계는,상기 인공신경망이,상기 제1 출력과 상기 제3 출력이 직렬로 연결된 경우, 상기 제2 출력은 상기 제1 출력 및 상기 제3 출력과 병렬로 연결된 것을 것을 특징으로 하는 인공신경망 기반 부정교합 분류 방법.

연산장치에 의해 수행되는 인공신경망 기반 부정교합 분류 애플리케이션에 있어서,(a) 상악과 하악의 치아가 스캔된 3D 모델 데이터를 전처리하여 정해진 시점의 2D 이미지 데이터를 얻기 위해 상기 3D 모델 데이터를 정렬하는 리-오리엔테이션(Re-orientation) 기능;(b) 정렬된 상기 3D 모델 데이터에서 부정교합 분류를 위한 라벨을 설정하는 단계로, 원-핫 인코딩(one-hot encoding)으로 앵글 클래스(Angle’s classification)에 기반한 제1 라벨을 설정하고, 상기 제1 라벨에 상악과 하악의 상대적 위치에 기반한 순서가 부여된 제2 라벨과, 교합된 상악과 하악의 치아 거리에 기반한 제3 라벨을 설정하는 라벨링 기능; 및(c) 상기 제1 라벨에는 다중 분류에서 사용되는 제1 손실함수가 설정되고, 상기 제2 라벨과 상기 제3 라벨은 회귀(regression)의 제2 손실함수가 설정되어, 이종(異種)의 손실함수들에 가중치를 부여하여 다항식으로 조합한 최종 손실함수를 갖고, 상기 최종 손실함수 기반으로 인공신경망 모델에 대해 정렬된 상기 3D 모델 데이터로부터 추출된 2D 교합 이미지의 앵글 클래스 분류를 학습하는 학습 기능;을 실행시키기 위하여 매체에 저장되어, 상기의 학습으로 추론 단계에서 상기 3D 모델 데이터의 입력시 앵글 클래스가 분류되고, 분류된 클래스의 정확도 관련 정량적 데이터가 산출 가능한 것을 특징으로 하는 인공신경망 기반 부정교합 분류 애플리케이션.