딥러닝 CNN모델을 활용한 국소치아모델 이미지 분류의 정확도 평가

다국어 초록 (Multilingual Abstract)

The purpose of this study was to compare the performance of pretrained convolutional neural network (CNN)–based image classification models using partial edentulous oral model images according to the Kennedy classification. Three pretrained models—InceptionV4, VGG16, and ResNet18—were trained under identical experimental conditions and evaluated for their classification performance and learning characteristics. The dataset consisted of oral model images classified into four categories (Class I–Class IV). All models were trained through three repeated experiments, and performance was evaluated using accuracy, precision, recall, F1-score, confusion matrices, as well as Macro and Weighted F1-scores to assess overall performance and class balance. The results showed that InceptionV4 achieved stable learning convergence and high validation accuracy. VGG16 demonstrated generally balanced performance with increased misclassification in certain classes, while ResNet18 exhibited class-dependent performance variations. Overall, the results confirm that pretrained CNN models are applicable for automated
Kennedy classification and can provide effective performance even in limited data environments. This study demonstrates the applicability of deep learning–based image classification in dental technology and provides foundational data for the development of automated classification systems in digital dental prosthesis
design.
1. The application of pretrained CNN models confirmed the feasibility of automatic classification of oral model images based on the Kennedy
classification.
2. InceptionV4 demonstrated stable performance across repeated experiments, while VGG16 and ResNet18 showed generally favorable
performance with some variability observed in specific classifications.
3. This study suggests the applicability of deep learning techniques in the dental field and provides foundational data for the future development of automated classification systems.

국문 초록 (Abstract)

본 연구의 목적은 케네디 민분류(Kennedy classification)에 따른 구강 모델 이 미지를 대상으로 사전학습된 합성곱 신경망(Convolutional Neural Network, CN N) 기반 이미지 분류 모델의 성능을 비교·분석하는 데 있다. 이를 위해 Inceptio nV4, VGG16, ResNet18의 세 가지 사전학습 모델을 적용하여 동일한 실험 조 건에서 학습을 수행하고, 각 모델의 분류 성능과 학습 특성을 평가하였다. 연구에 사용된 데이터는 케네디 분류 기준에 따라 네 개의 분류(Class I∼Class IV) 로 구분된 구강 모델 이미지로 구성되었다. 모든 모델은 3회 반복 실험을 통해 학습되었으며, 성능 평가는 정확도(Accuracy), 정밀도(Precision), 재현율(Recal l), F1-score, 혼동행렬(Confusion Matrix)을 기준으로 수행하였다. 또한 Macro F1-score와 Weighted F1-score를 산출하여 클래스 간 성능 균형성과 전체 분 류 성능을 종합적으로 분석하였다. 실험 결과, InceptionV4는 안정적인 학습 수렴과 높은 검증 정확도를 보였다. VGG16은 전반적으로 균형 잡힌 분류 성능을 보였으나, 일부 클래스에서 오분 류가 증가하였다. ResNet18은 특정 클래스에서 높은 성능을 보였으나, 클래스 간 분류 난이도에 따라 성능 변동이 나타났다. 사전학습 모델 모두 케네디 분류 자동화에 활용 가능성이 확인되었으며, 특히 사전학습 모델 기반 접근법이 제한 된 데이터 환경에서도 효과적인 분류 성능을 제공할 수 있음을 확인하였다. 본 연구는 딥러닝 기반 이미지 분류 기법을 치과기공학의 국소의치 분류에 적용하여 모델별 성능 특성을 비교·분석하였다. 향후 디지털 치과 보철 설계 및 자동 분류 시스템 개발을 위한 기초 자료로 활용될 수 있을 것으로 기대된다. 1. 사전학습 CNN 모델을 적용한 결과, 케네디 분류 기반 구강 모델 이미지의 자동 분류 가능성이 확인되었다. 2. InceptionV4는 반복 실험에서도 안정적인 성능을 보였으며, VGG16과 ResNet18은 전반적으로 양호하나 일부 분류에서 성능 편차가 관찰되었다. 3. 본 연구는 딥러닝 기반 치과 분야 적용 가능성을 제시하며, 향후 자동 분류 시스템 개발의 기초 자료로 활용될 수 있다.

목차 (Table of Contents)

• I. 서 론 1
• II. 이론적 배경 4
• 1. 스마트 의료 기술과 시장 변화 4
• 2. 치의학 분야의 인공지능 연구 동향 6
• 3. 인공지능의 정의 및 개념 8
• 4. 합성곱 신경망(CNN)의 개념 13
• 5. 국소의치 설계와 Kenndedy 분류 20
• III. 연구 방법 23
• 1. 연구 설계 및 데이터 수집 23
• 2. 정확도(Accuracy)/ 손실도(Loss) 35
• 3. 혼동행령(comfusion matrix) 35
• 4. Recision / Recall / F1 36
• Ⅳ. 실험 결과 37
• 1. INCEPTION V4 모델 성능 분석 37
• 2. VGG 16 모델 성능 분석 42
• 3. RESNET 18 모델 성능 분석 47
• 4. 검증 손실 및 정확도 평가 52
• 5. 혼동행렬 비교 분석 (Confusion Matrix Analysis) 53
• 6. 세부 성능 지표 분석 54
• V. 고 찰 55
• Ⅵ. 결 론 58