Missing_Tooth_Detection

Deep_Learning_based_Missing_Teeth_Detection_for_Dental_Implant_Planning_in_Panoramic_Radiographic_Images

논문 재구현

Code

• vis_utils.py : pred_seg / pred_det를 할 때 라벨링 이름 조정을 위한 코드

Tooth Instance Segmentation

• train_seg2.py : train code
• eval_seg.py : evaluation code
• pred_seg.py : prediction code

Missing Tooth Regions Detection

• train_det.py : train code
• eval_det.py : evaluation code
• eval_det_500.py : evaluation code 500번마다 저장된 가중치를 전부 평가하여 best weight를 뽑아내준다.
• pred_det.py : prediction code

과제설명

과제목적 :

panoramic radiographic image 만으로 임플란트 식립 위치를 진단하는 것

과정 :

1. Segmentation model 이 파노라마 이미지에서 치아를 segment 한 뒤 치아의 마스크를 생성
2. Detection model 이 치아의 mask 를 인풋으로 하여 치아가 없는 지역을 예측

데이터셋 :

1. Tooth Instance Segmentation : 사랑니를 제외한 28 개의 치아를 라벨링 한 데이터 셋을 사용
2. Missing Tooth Regions Detection : Tooth Instance Segmentation을 통해 만든 teeth mask와 치아 28개가 다 있는 mask로부터 임의로 치아 를 제거한 합성 데이터 사용

사용 모델 :

1. Tooth Instance Segmentation: Mask R-CNN
2. Missing Tooth Regions Detection: Faster R-CNN

결과

Tooth Instance Segmentation

	Batch Size	Learning Rate	Iterator	AP[0.5]	AP[0.5 : 0.95]
논문	4	0.01	70000	91.14%	76.78%
설정1	4	0.01	70000	91.72%	76.88%
설정2	4	0.0015	10000	92.43%	78.41%

Missing Tooth Regions Detection

	Batch Size	Learning Rate	Iterator	AP[0.5]	AP[0.5 : 0.95]
논문	32	0.01	100000	59.09%	20.40%
설정1 Faster R-CNN	32	0.01	100000	56.23%	20.34%
설정2 Retina Net	16	0.01	100000	56.47%	20.05%

• Tooth Instance Segmentation의 경우는 하이퍼 파라미터 튜닝을 통해 더 좋은 성능을 내었다.
• Missing Tooth Regions Detection의 경우는 논문과 근사하지만 59%의 성능을 내지는 못하였다.