[혁신 의료 AI] 딥러닝 기반 척추 자동 분할 기술: CM-Net과 Modified U-Net을 활용한 골다공증 진단의 미래

 http://dx.doi.org/10.9718/JBER.2023.44.2.139

최근 고령화 사회로 접어들면서 골밀도 감소로 인해 골절 위험이 증가하는 골다공증(Osteoporosis)이 심각한 보건 문제로 대두되고 있습니다. 

특히 요추(Lumbar spine)의 정확한 골밀도 측정은 골다공증의 조기 진단과 예방에 필수적입니다. 

본 칼럼에서는 최첨단 인공지능 기술인 딥러닝(Deep Learning), 그중에서도 Modified U-Net과 척추의 중심점 정보를 결합하여 척추 영역을 정밀하게 추출하는 혁신적인 자동 분할 기술인 CM-Net에 대해 심도 있게 다루어 보겠습니다.

1. 척추 자동 분할 기술의 필요성 및 배경

인간의 척추는 신체를 지탱하고 척수를 보호하는 핵심 골격으로, 나이가 들면 퇴행성 변화를 겪게 됩니다. 

골다공증 진단을 위해서는 대퇴골 및 요추의 골밀도를 측정해야 하는데, 요추 X-ray 영상에서 척추 마디를 정확히 분할(Segmentation)하는 작업이 선행되어야 합니다.

기존의 수작업 방식은 전문가의 숙련도에 따라 결과의 일관성이 떨어질 수 있고, 방대한 양의 데이터를 처리하는 데 한계가 있습니다. 

하지만 딥러닝 기반 자동 분할을 도입하면 다음과 같은 이점이 있습니다:

·         분석적 측면: 구조물의 위치, 크기, 형태를 일관된 기준에 따라 정확하고 빠르게 추출할 수 있습니다.

·         임상적 측면: 병변을 정확히 분석하여 환자 맞춤형 치료 계획을 수립하고 압박 골절 위험을 조기에 방지할 수 있습니다.

2. 데이터셋 및 전처리 과정

본 연구에서는 서울 세브란스 병원에서 수집된 VERTEX 데이터셋을 활용하였습니다. 이 데이터셋은 2007년부터 2020년까지 촬영된 21,915건의 영상으로 구성되어 있으며, 압박 골절, 골 시멘트, 척추 임플란트 등 다양한 케이스를 포함하고 있습니다.

그림 1. VERTEX 데이터셋 예시

·        (a) 흉추 포함 영상, (b) 요추 포함 영상, (c) 전체 척추체 포함 영상의 샘플을 보여줍니다.

효율적인 학습을 위해 요추 영상 695장을 선별하여 전문가의 레이블링을 거쳤으며, 이미지 크기를 1,024 × 512 픽셀로 표준화하고 히스토그램 평활화를 통해 픽셀 값을 고르게 분포시켰습니다.

3. CM-Net: Modified U-Net과 중심점의 결합

본 연구에서 제안한 CM-Net은 의료 영상 분할의 표준인 U-Net을 개량한 Modified U-Net을 베이스로 합니다.

·         Modified U-Net의 특징: 6개 레벨의 컨텍스트 경로(Context pathway)와 로컬라이제이션 경로(Localization pathway)를 통해 이미지의 맥락과 경계 정보를 동시에 정밀하게 파악합니다. 그룹 정규화와 Leaky ReLU, 드롭아웃 등을 적용하여 모델의 일반화 능력을 극대화했습니다.

·        중심점(Center Point) 정보 결합: 척추 마디의 해부학적 무게 중심 정보를 입력 채널에 추가함으로써, 모델이 척추의 정확한 위치를 인식하고 엉뚱한 곳을 예측하는 오류를 줄이도록 설계되었습니다.

그림 2. 제안된 모델의 전반적인 흐름도

·         입력 영상과 마스크, 중심점 정보가 Modified U-Net을 통해 학습되고 업데이트되는 과정을 도식화하였습니다.

그림 3. Modified U-Net과 척추의 중심점을 결합한 네트워크 구조

·         다운샘플링과 업샘플링 과정에서 Skip Connection을 통해 세밀한 특징 정보를 보존하는 구조를 보여줍니다.

4. 연구 결과 및 성능 분석

실험 결과, 제안된 CM-Net은 기존의 U-Net이나 일반 Modified U-Net보다 월등한 성능을 기록했습니다.

표 1. 여러 분할 모델에 대한 성능 평가 비교 

CM-Net은 평균 DSC 0.974를 달성하여 척추 경계 예측의 정확성을 입증하였습니다. 특히 임플란트나 골절이 있는 복잡한 영상에서도 견고한 분할 성능을 보였습니다.

그림 4. 여러 모델에 대한 Precision-Recall Curve와 AUPRC 결과 비교

·       CM-Net(AUPRC=0.912)이 가장 우상향 곡선을 그리며 최적의 성능을 나타내고 있습니다.

5. 임상적 의의와 한계점

임상적 성과:

·         척추 테두리를 정밀하게 예측하여 골밀도 측정의 신뢰도를 높였습니다.

·         다양한 노이즈(골절, 시멘트, 임플란트) 환경에서도 안정적인 결과를 도출합니다.

그림 5. 척추 임플란트와 압박 골절, 수술용 시멘트가 포함된 영상에 대한 CM-Net의 예측 마스크

·       심한 노이즈 상황에서도 척추 영역을 정확하게 식별해내는 고도의 판독 능력을 보여줍니다.

한계점 및 향후 과제:

·         척추 중심점을 수작업으로 추출해야 하므로 비용과 시간이 소요됩니다.

·        제조사별(GE, Samsung 등) 영상 분포 차이(Intensity)로 인해 타 도메인 적용 시 성능이 다소 하락하는 경향이 있어, 향후 도메인 적응(Domain Adaptation) 연구가 필요합니다.

6. 결론

본 연구의 CM-Net은 딥러닝 기술과 해부학적 지식(중심점)을 결합하여 요추 자동 분할의 새로운 기준을 제시하였습니다. 이는 골다공증의 정확한 진단뿐만 아니라, 의료진의 효율성을 극대화하고 환자의 삶의 질을 향상시키는 데 기여할 것입니다. 의료 AI 기술의 발전이 우리 사회의 건강한 노후를 보장하는 강력한 도구가 되기를 기대합니다.

References

1.   Fasihi L, et al. Artificial intelligence used to diagnose osteoporosis from risk factors in clinical data. Scientific Reports. 2022.

2.   Cootes TF, et al. Active Shape Models-Their Training and Application. Computer Vision and Image Understanding. 1995.

3.   Ronneberger O, et al. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015.

4.   Kim DH, et al. Automated Vertebral Segmentation and Measurement of Vertebral Compression Ratio Based on Deep Learning. J Digit Imaging. 2021.

5.   He K, et al. Deep Residual Learning for Image Recognition. CVPR 2016.

6.   Kim KC, et al. Automatic detection and segmentation of lumbar vertebrae from X-ray images for compression fracture evaluation. CMPB. 2021.

Abraham N, et al. A Novel Focal Tversky Loss Function With Improved Attention U-Net for Lesion Segmentation. ISBI 2019.