Development of Machine Learning Models for Teeth Recognition Using Intraoral Photographs

使用口内照片进行牙齿识别的机器学习模型的开发

• 批准号: 20J15384
• 负责人: 清野 雄多
• 金额: $ 1.34万
• 依托单位: Gifu University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-04-24 至 2022-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20J15384/
• 关键词: 法歯学; 口腔内診査情報標準コード; 機械学習; 身元確認; 画像認識

第一の課題は大量の画像を集めることであるが、我々はコンピュータグラフィクス（computer graphics, CG）を用いて口腔内を再現することで、個人情報を持たず、任意の歯牙欠損パターンを持つ疑似口腔内写真を得ることに成功した。前年度は約8万枚のCGを生成し、今年度はさらに2倍の画像を生成した。さらに今年度は、カメラの位置や傾き、光源の明るさ等の撮影条件をランダムに変化させることで歯牙欠損パターン以外でも多様性のある画像の生成を行っている。第二の課題であるAI学習そのものに関しては、前年度と比較して様々な条件で実験を行うことができた。前年度では1つのモデルを作ったのみであったが、これに対して入力画像の解像度、畳み込み層の数、バッチサイズ、エポック数、転移学習の有無などの細かい条件について精度の関連を検証した。加えてVGG16, VGG19, ResNet, MobileNet, InceptionV3, Xeption, DenseNet等（すべてImageNetでの事前学習あり）のいわゆる有名どころでも残存歯認識タスクを行った。精度は、上位モデルはほぼ100%であった。次の段階として、CGで良い精度を達成したモデルに対して、実際の患者さんから得た口腔内写真（リアルデータと呼ぶ）を与えた。補綴物（銀歯や入れ歯）の少ない症例に関しては、残存歯を正確に識別することがわかったが、虫歯や歯石等で歯に変色がある場合や、歯が一部欠けているなどCGとは大きく異なる場合では精度が著しく低下し、約20%ほどになってしまうことが明らかになった。私たちはさらに発展的な内容で研究資金を獲得することができたため、本研究内容を基盤とした挑戦を次年度以降も継続していき、リアルデータにおいてもより高い精度で歯牙を認識するモデルの開発に努める。

The first task is to collect a large number of photos, to use computer graphics (CG), to reproduce personal information, to maintain any dental defects, and to obtain photos in the oral cavity. About 80,000 CG images were generated in the previous year, but twice as many images were generated this year. In addition, the image generation of this year's photo, the position of the photo, the brightness of the light source, etc. The second task is to compare the AI learning conditions of the previous year. In the previous year, the correlation between the resolution of the image, the number of layers, the number of layers, and the accuracy of the shift learning was verified. Add VGG16, VGG19, ResNet, MobileNet, InceptionV3, Xeption, DenseNet, etc. Accuracy: 100% The next step is to achieve good accuracy in CG, and in real time, the patient will be photographed in the mouth. In the case of a small number of cases where a supplement (silver dentition) is present, the residual dentition is correctly identified. In the case where a part of the dentition is absent, the CG is greatly different. In the case where the accuracy is low, about 20%, the residual dentition is correctly identified. The content of this study is based on the research funding obtained in the next year, and the research content is based on the research funding obtained in the next year.

项目成果

医療者はAIを学ぶべきかー触れてみれば意外と簡単なAI開発ー

医疗专业人员应该学习人工智能吗？ - 一旦尝试，人工智能开发就会出人意料地简单 -

• 发表时间: 2021
• 作者: Shiomoto Shohei;Higuchi Hayato;Yamaguchi Kazuo;Takaba Hiromitsu;Kobayashi Motoyasu;清野雄多
• 通讯作者: 清野雄多