Automatic Localization of Cephalometric Landmarks Using Convolutional Neural Networks

Abstract

Experts have brought forward interesting and effective methods to address critical medical analysis problems. One of these fields of research is cephalometric analysis. During the analysis of tooth and the skeletal relationships of the human skull, cephalometric analysis plays an important role as it facilitates the interpretation of bone, tooth, and soft tissue structures of the patient. It is used during oral, craniofacial, and maxillofacial surgery and during treatments in orthodontic and orthopedic departments. The automatic localization of cephalometric landmarks reduces possible human errors and is time saving. To performed automatic localization of cephalometric landmarks, a deep learning model has been proposed inspired by the U-Net model. 19 cephalometric landmarks that are generally manually determined by experts are automatically obtained using this model. The cephalometric X-ray image dataset created under the context of IEEE 2015 International Symposium on Biomedical Imaging (ISBI 2015) is used and data augmentation is applied to it for this experiment. A Success Detection Rate SDR of 74% was achieved in the range of 2 mm, 81.4% in the range of 2.5mm, 86.3% in the range of 3mm, and 92.2% in the range of 4mm.Uzmanlar kritik tıbbi analiz problemlerinde ilginç ve etkili yöntemleri başarıyla ortaya koydular. Bu alanlardan biri de sefalometrik analizdir. Sefalometrik analiz, insan kafatasının diş ve iskelet ilişkilerinin analizi sırasında hastanın kemik, diş ve yumuşak doku yapılarının yorumlanmasını kolaylaştırdığı için önemli rol oynar. Ortodonti ve ortopedi bölümlerinde ağız, kraniyofasiyal ve çene cerrahisi ve ortodontik tedaviler sırasında kullanılmaktadır. Sefalometrik yer işaretlerinin otomatik olarak konumlandırılması, olası insan hatalarını azaltır ve zamandan tasarruf sağlar. Sefalometrik yer işaretlerinin otomatik lokalizasyonunu gerçekleştirmek için U-Net modelinden esinlenerek bir derin öğrenme modeli önerilmiştir. Genellikle uzmanlar tarafından manuel olarak belirlenen 19 sefalometrik yer işareti bu model kullanılarak otomatik olarak elde edilir. Bu araştırma için IEEE 2015 Uluslararası Biyomedikal Görüntüleme Sempozyumu (ISBI 2015) kapsamında oluşturulan sefalometrik X-ray görüntü veri seti kullanılmış ve bu verisetine veri büyütme uygulanmıştır. 2 mm aralığında 74%, 2.5 mm aralığında 81.4%, 3 mm aralığında 86.3% ve 4 mm aralığında 92.2% Başarı Tespit Oranı (SDR) elde edildi.