Prediction of Implant Placement Sites on CBCT Images Using Deep Learning = 딥러닝을 이용한 CBCT 영상 기반 임플란트 식립 위치 예측

다국어 초록 (Multilingual Abstract)

Objective: Obtaining detailed three-dimensional images of oral and maxillofacial structures using cone-beam computed tomography (CBCT) and analyzing them to identify the planned implant fixture position is a crucial step in contemporary implant prosthodontics. Although surgical guides can be used during implant placement, their preparation and analysis require considerable time. Therefore, the purpose of this study was to develop a deep learning model that repeatedly learns clinicians’ implant placement patterns to accurately predict fixture positions, enabling implant placement closer to the clinician’s intended target.
Methods: CBCT datasets from 66 patients who visited Seoul National University Dental Hospital for implant treatment were utilized. A 3D Cascaded Network–based preprocessing pipeline, including region-of-interest extraction, resizing, and normalization, was applied to obtain enhanced CBCT volumes. : Six implant planning landmarks defining the spatial extent of the planned implant fixture were precisely detected by selecting the region of the missing tooth and applying a landmark detection network. These landmark coordinates were converted into three-dimensional heatmaps ranging from 0 to 1, following a Gaussian distribution, and used as ground-truth labels for the 3D Cascaded Network. Performance was evaluated by calculating the mean radial error (MRE) and standard deviation between AI-predicted and ground-truth landmarks. The proposed model was compared with seven state-of-the-art architectures, including ResNet, DenseNet, EfficientNet, and SegFormer variants. Additionally, the success detection rate (SDR) under a 0.5-mm threshold was assessed across all six implant planning landmarks.
Results: The proposed model achieved the lowest mean error among all compared architectures, with an average MRE of 1.06 ± 0.45 mm across the test dataset. Notably, the mesial and buccal landmarks exhibited the smallest localization errors Under the 0.5-mm threshold, the proposed framework demonstrated higher success detection rates for several landmarks compared with CNN-based and Transformer-based models, particularly for the cervical, apical, mesial, distal, and buccal landmarks.
Conclusion: This study demonstrates that an anatomically informed, coarse-to-fine deep learning framework enables highly accurate automatic detection of implant planning landmarks on CBCT images, outperforming existing models in both accuracy and clinical applicability. The proposed method showed strong generalization across CBCT scans with diverse fields of view and anatomical variations, achieving an average error of approximately 1 mm—sufficient for practical clinical use. Automated implant position prediction has the potential to reduce the complexity of surgical guide fabrication and substantially improve clinical efficiency and consistency. Nevertheless, this study is limited to single-tooth missing cases and does not incorporate prosthetic data. Future work should include expanded datasets and multi-center validation to broaden its clinical applicability.

국문 초록 (Abstract)

1. 목적
콘빔 전산화단층촬영(cone-beam computed tomography, CBCT)을 이용하여 구강 및 악안면 구조에 대한 정밀한 3차원 영상을 획득하고 이를 분석하여 임플란트 고정체의 식립 예정 위치를 파악하는 과정은 현대 임플란트 보철 치료에서 중요한 단계이다. 임플란트 식립 시 수술 가이드를 사용할 수 있으나, 가이드 제작 및 분석에는 상당한 시간과 노력이 요구된다. 이에 본 연구의 목적은 술자의 임플란트 식립 패턴을 학습하는 딥러닝 모델을 개발하여 고정체의 식립 위치를 예측하고, 임상의가 의도한 목표 위치에 보다 근접한 임플란트 식립을 가능하게 하는 데 있다.
2. 방법
임플란트 치료를 위해 서울대학교 치과병원에 내원한 환자 66명의 CBCT 데이터셋을 활용하였다. 관심 영역 추출, 리사이즈, 정규화를 포함하는 3D cascaded network 기반 전처리 파이프라인을 적용하여 향상된 CBCT 볼륨 데이터를 생성하였다. 결손 치아 영역을 선택한 후 랜드마크 검출 네트워크를 적용하여, 계획된 임플란트 고정체의 공간적 범위를 정의하는 여섯 개의 임플란트 계획 랜드마크를 검출하였다. 각 랜드마크 좌표는 가우시안 분포를 따르는 0에서 1 사이의 값을 갖는 3차원 히트맵으로 변환되어 cascaded network 학습을 위한 정답 데이터로 사용되었다.
모델의 성능은 인공지능이 예측한 랜드마크와 실제 정답 간 평균 방사 오차(mean radial error, MRE) 및 표준편차를 계산하여 평가하였다. 또한 ResNet, DenseNet, EfficientNet, SegFormer 계열을 포함한 일곱 개의 최신 네트워크 아키텍처와 성능을 비교하였으며, 여섯 개의 임플란트 계획 랜드마크에 대해 0.5 mm 임계값에서의 성공 검출률(success detection rate, SDR)을 함께 평가하였다.
3. 결과
제안된 모델은 비교 대상이 된 네트워크들 중 가장 낮은 전체 평균 위치 오차를 기록하였으며, 평가 데이터셋에서 평균 MRE는 1.06 ± 0.45 mm였다. 특히 근심(mesial) 및 협측(buccal) 랜드마크에서 가장 작은 위치 오차가 관찰되었다. 0.5 mm 임계값 기준에서, 제안된 프레임워크는 기존 CNN 기반 및 Transformer 기반 모델과 비교하여 여러 랜드마크에서 더 높은 성공 검출률을 보였으며, 치경부, 치근단, 근심, 원심 및 협측 랜드마크에서 상대적으로 우수한 성능을 나타냈다.
4. 결론
본 연구는 해부학적 사전 정보를 활용한 단계적(coarse-to-fine) 딥러닝 프레임워크가 CBCT 영상에서 임플란트 계획 랜드마크를 정확하게 자동 검출할 수 있음을 보여주었으며, 정확도와 임상적 적용성 측면에서 경쟁력 있는 성능을 입증하였다. 제안된 방법은 다양한 시야(field of view)와 해부학적 구조를 가진 CBCT 영상에서도 안정적인 일반화 성능을 보였고, 평균 오차 약 1 mm 수준으로 실제 임상 적용이 가능한 정확도를 달성하였다. 자동화된 임플란트 위치 예측은 수술 가이드 제작 과정의 복잡성을 줄이고 임상 효율성과 일관성을 향상시킬 수 있는 잠재력을 가진다. 다만 본 연구는 단일 치아 결손 증례에 한정되었으며 보철 정보가 포함되지 않았다는 한계가 있다. 향후 연구에서는 데이터셋 확장과 다기관 검증을 통해 임상 적용 범위를 더욱 넓힐 필요가 있다.

목차 (Table of Contents)

• Abstract i
• List of Figures v
• List of Tables vi
• Chapter 1. Introduction 1
• Chapter 2. Methods 4
• Chapter 3. Results 10
• Chapter 4. Discussion 15
• Chapter 5. Conclusion 19
• Chapter 6. References 20
• 요약(국문초록) 23