딥러닝 기반의 방사선학적 척추 매개변수 자동 계측 시스템 개발 : 흉추 측면 방사선 영상의 척추체 자동 분할 및 임상 지표 산출 알고리즘 유효성 검증 = Development of a Deep Learning-Based System for Automated Measurement of Radiographic Spinal Parameters : Validation of Vertebral Segmentation and Clinical Index Calculation in Lateral Thoracic Radiographs

국문 초록 (Abstract)

현대 사회의 고령화에 따라 골다공증성 척추 압박 골절 및 척추 변형 질환의 진단과 추적 관찰을 위한 정량적 지표 측정의 중요성이 증대되고 있다. 특히 흉추 측면 방사선 영상에서 산출되는 콥 각도와 척추 압박률은 의사결정의 핵심 지표로 활용된다. 그러나 수동 측정 방식은 측정자의 숙련도에 따른 주관적 오차가 발생할 수 있으며, 흉추 특유의 복잡한 해부학적 중첩으로 인해 정밀한 계측에 한계가 존재한다. 본 연구에서는 최신 딥러닝 기법인 SOLOv2 인스턴스 세그멘테이션 모델을 활용하여 흉추 측면 방사선 영상 내 개별 척추체를 자동으로 분할하 고, 이를 기반으로 주요 임상 지표를 정밀하게 산출하는 통합 알고리즘을 제안한다. 연구를 위해 가천대 길병원에서 확보한 2,631건의 흉추 측면 방사선 영상 데이터셋을 구축하였으며, 영상 품질 개선을 위한 적응형 윈도잉 및 대비 향상 전처리를 수행하였다. 연구 방법으로는 SOLOv2 모델을 통해 T1부터 T12에 이르는 각 척추 분절의 독립적인 마스크를 생성하고, 이를 기하학적으로 분석하여 네 개의 핵심 특징점을 추출하였다. 추출된 좌표를 바탕으로 대상 척추체와 인접 척추체 간의 상대적 높이를 비교하여 압박률을 도출하였으며, 종판의 기울기 차이를 활용하여 콥 각도를 자동 산출하는 파이프라인을 구축하였다. 실험 결과, 제안된 모델은 척추체 분할 성능에서 다이스 유사 계수 0.961±0.031이라는 우수한 형태학적 일치도를 기록하였다. 전문의의 수동 측정치와의 유효성 검증 결과, 콥 각도는 R2=0.848이라는 매우 높은 상관 관계와 1.74°±1.59°라는 낮은 평균 절대 오차를 보였으며, 척추 압박률 또한 R2=0.573이라는 유의미한 상관관계와 평균 절대 오차 3.1%±2.2%라 는 낮은 오차를 기록하며 임상적으로 허용 가능한 수준의 일치도를 확보하였다. 특히 블랜드-알트만 분석을 통해 자동 측정 시스템이 전문가들 사이에서 발생하는 자연스러운 오차 범위 내에서 안정적으로 작동함을 입증하였다. 결론적으로 본 연구에서 개발한 자동 측정 알고리즘은 흉추 영상의 기술적 난제를 극복하고 전문가 수준의 측정 정밀도를 확보하였다. 이는 의료 현장에서의 진단 객관성을 높이고 의료진의 업무 효율을 획기적으로 개선할 수 있는 실질적인 진단 보조 도구(AI-copilot)로서 높은 임상적 가치를 지닌다.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구의 목적 5
• 1.3 연구 내용 및 방법 개요 5
• 1.4 논문의 구성 6
• 제2장 이론적 배경 7
• 2.1 흉추 질환의 임상적 진단 지표 7
• 2.1.1 척추 압박률의 정의와 진단적 가치 7
• 2.1.2 콥 각도 측정의 임상적 표준 7
• 2.2 의료 영상 분석을 위한 딥러닝 기술 8
• 2.2.1 딥러닝 기반 척추 영상 분할 및 자동 계측 연구 8
• 2.2.1.1 척추체 영역 분할 연구 8
• 2.2.1.2 자동화 파이프라인 기반 임상 지표 계측 연구 10
• 2.2.2 SOLOv2 아키텍처의 기술적 특성 12
• 2.3 컴퓨터 보조 진단의 발전과 한계 12
• 제3장 연구 방법 13
• 3.1 연구 대상 및 데이터 구성 13
• 3.1.1 데이터 수집 및 IRB 승인 13
• 3.1.2 데이터셋 통계 14
• 3.2 데이터 전처리 및 데이터 증강 15
• 3.2.1 영상 품질 개선 및 정규화 15
• 3.2.2 영상 표준화 및 리사이징 16
• 3.2.3 데이터 증강 16
• 3.3 딥러닝 모델 아키텍쳐 17
• 3.3.1 인스턴스 세그멘테이션 개요 17
• 3.3.2 SOLOv2의 구조 18
• 3.3.3 손실 함수 19
• 3.4 실험 환경 및 학습 설정 21
• 3.4.1 하드웨어 및 소프트웨어 환경 21
• 3.4.2 초매개변수 설정 21
• 3.5 임상 지표 자동 산출 알고리즘 23
• 3.5.1 척추체 특징점 추출 23
• 3.5.2 척추 압박률 계산식 24
• 3.5.3 콥 각도 측정 원리 26
• 3.6 성능 평가 지표 및 통계 분석 27
• 3.6.1 분할 평가 지표 27
• 3.6.2 임상 지표 유효성 검증 방법 29
• 제4장 연구 결과 32
• 4.1 흉추 척추체 인스턴스 세그멘테이션 분석 32
• 4.2 지표별 상세 분석 및 고찰 32
• 4.2.1 픽셀 단위 분류 정확도 및 안정성 32
• 4.2.2 검출 능력과 정밀도의 균형 33
• 4.2.3 다이스 유사 계수를 통한 형태학적 일치도 평가 33
• 4.3 임상적 활용 가능성과의 연계 33
• 4.4 해부학적 구조 및 변형에 따른 분할 특성 분석 33
• 4.5 자동 측정 지표의 실험 결과 및 정량적 검증 35
• 4.5.1 임상 지표별 통계적 오차 분석 요약 35
• 4.5.2 콥 각도 측정 성능 검증 37
• 4.5.2.1 산점도 및 선형 회귀 분석 37
• 4.5.2.2 블랜드-알트만 분석을 통한 일치도 검증 38
• 4.5.3 척추 압박률 측정 성능 검증 40
• 4.5.3.1 산점도 및 선형 회귀 분석 40
• 4.5.3.2 블랜드-알트만 분석을 통한 일치도 검증 42
• 4.6 연구 결과 총괄 및 종합 고찰 43
• 4.6.1 지표별 산출 원리에 따른 기하학적 민감도 분석 44
• 4.6.2 선행 연구 대조 및 임상적 신뢰도 검증 46
• 4.6.2.1 콥 각도 계측 성능의 임상적 신뢰도 검증 46
• 4.6.2.2 척추 압박률 계측 성능의 임상적 신뢰도 검증 48
• 4.6.3 진단 객관성 확보 및 다각적 스크리닝의 향후 전망 51
• 4.6.3.1 통합적 진단 보조 및 의사결정 지원 51
• 4.6.3.2 의료 워크플로우(workflow) 최적화 52
• 4.6.3.3 디지털 헬스케어 시스템으로의 확장성 52
• 제5장 결 론 54
• 5.1 연구 결과 요약 54
• 5.2 연구의 기여도 및 임상적 의의 54
• 5.3 연구의 한계점 및 향후 과제 55
• 참고문헌 57
• ABSTRACT 61