실무 기반 3D 치아 스캔 데이터 세분화를 위한 딥러닝 모델 성능 평가: MeshSegNet과 DilatedToothSegNet 모델 활용

초록

본 연구는 치과 진료 현장에서 빈번히 발생하는 작업치(크라운, 임플란트, 인레이)와 국소 스캔 데이터를 포함한 910건의 3D 치아 스캔 데이터를 수집, 15개의 클래스(치은 및 치아 번호별)로 라벨링하여 임상 적용 가능성을 높이는 것을 목표로 한다. 기존 연구는 전체 구강 구조 데이터를 활용해 실제 임상 데이터의 불규칙성을 충분히 반영하지 못했으나, 본 연구는 이를 개선하고자 딥러닝 모델인 MeshSegNet과 DilatedToothSegNet을 활용해 치아 번호별 3D 세그멘테이션 성능을 비교·평가하였다. 해상도 별 비교를 위해 메쉬 셀을 10,000개와 16,000개로 다운샘플링하여 학습시켰으며, DSC와 mIoU를 사용해 성능을 측정했다. DilatedToothSegNet(16,000 Cells)은 상악과 하악 데이터에서 MeshSegNet 대비 DSC 및 mIoU 지표 모두 약 2.2~3.5% 우수한 성능을 보였으며, 작업치를 포함한 국소 스캔 데이터에서도 안정적이고 일관된 세분화 성능을 나타냈다.

키워드