Deep_Learning_based_Missing_Teeth_Detection_for_Dental_Implant_Planning_in_Panoramic_Radiographic_Images
논문 재구현
- vis_utils.py : pred_seg / pred_det를 할 때 라벨링 이름 조정을 위한 코드
- train_seg2.py : train code
- eval_seg.py : evaluation code
- pred_seg.py : prediction code
- 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
panoramic radiographic image 만으로 임플란트 식립 위치를 진단하는 것
- Segmentation model 이 파노라마 이미지에서 치아를 segment 한 뒤 치아의 마스크를 생성
- Detection model 이 치아의 mask 를 인풋으로 하여 치아가 없는 지역을 예측
- Tooth Instance Segmentation : 사랑니를 제외한 28 개의 치아를 라벨링 한 데이터 셋을 사용
- Missing Tooth Regions Detection : Tooth Instance Segmentation을 통해 만든 teeth mask와 치아 28개가 다 있는 mask로부터 임의로 치아 를 제거한 합성 데이터 사용
- Tooth Instance Segmentation: Mask R-CNN
- Missing Tooth Regions Detection: Faster R-CNN
| 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% |
| 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.