흉부 후전방향 검사의 미래: 인공지능 기반 실시간 자세 평가 및 자동화 시스템 구축 전략

http://dx.doi.org/10.9718/JBER.2023.44.3.167

1. 서론: 흉부 방사선 검사의 중요성과 현대적 과제

흉부 방사선 검사(Chest Radiography)는 폐결핵, 폐렴, 기흉 등 주요 호흡기 질환뿐만 아니라 심혈관 질환을 진단하는 데 있어 가장 기초적이면서도 필수적인 검사법입니다. 특히 방사선이 등에서 앞쪽으로 투과하는 흉부 후전방향 검사(Chest PA)는 폐와 심장의 정면 이미지를 선명하게 얻을 수 있어 임상적 가치가 매우 높습니다.

그러나 최근 호흡기계 질병의 증가로 검사 수요가 폭증하면서 의료 현장에서는 몇 가지 심각한 문제에 직면해 있습니다:

• 방사선사 인력 부족 및 업무 피로도: 검사 수요에 비해 숙련된 방사선사의 공급이 부족하여, 업무 피로도 상승과 이로 인한 재검사율 증가(환자 피폭 선량 증가 유발) 문제가 발생하고 있습니다.
• 신체 접촉 및 성적 수치심: 최적의 영상을 위해 방사선사가 환자의 자세를 직접 교정하는 과정에서 발생하는 신체 접촉은 환자에게 성적 불쾌감을 줄 수 있는 리스크가 존재합니다.
• 감염병 전파 리스크: COVID-19와 같은 고위험 감염병 확산 시기에는 대면 검사 과정에서 의료진과 환자 간의 교차 감염 우려가 매우 큽니다.

이러한 문제들을 근본적으로 해결하기 위해, 최근 인공지능(AI)을 활용한 비대면 자동 검사 시스템 연구가 활발히 진행되고 있습니다.

---

2. 인공지능 기반 흉부 후전방향 검사 자세 평가 프로세스

인공지능을 통해 환자의 자세를 자동으로 평가하기 위해서는 크게 두 가지 핵심 알고리즘의 결합이 필요합니다: 자세 추정(Pose Estimation)과 분류(Classification) 알고리즘입니다.

2.1 데이터셋 구축 및 전처리

정교한 모델 학습을 위해 실제 및 시뮬레이션 환경에서 흉부 후전방향 검사 자세 영상을 획득해야 합니다.

• 올바른 자세(Correct Posture): 방사선사가 임상적으로 완벽하다고 판단한 검사 자세.
• 올바르지 않은 자세(Incorrect Posture): 교정 전 단계나 의도적으로 연출된 부적절한 자세.

구축된 데이터셋은 인공지능의 일반화 성능을 높이기 위해 회전, 이동, 반전 등 이미지 증강(Image Augmentation) 기법을 거쳐 학습 효율을 극대화합니다.

2.2 자세 추정 알고리즘의 역할 (Pose Estimation)

자세 추정은 이미지 내 사람 객체의 관절 위치(Keypoints)를 파악하는 기술입니다. 본 연구 수준의 분석에 따르면 크게 두 가지 방식이 대두됩니다:

1. Top-Down 방식 (예: AlphaPose): 사람을 먼저 검출한 후 골격을 탐지하며, 정확도가 매우 높습니다.
2. Bottom-Up 방식 (예: MMPose): 관절을 먼저 찾고 사람을 구성하며, 처리 속도 면에서 이점이 있을 수 있으나 복잡한 구도에서 정확도가 떨어질 수 있습니다.

2.3 딥러닝 분류 알고리즘 (Classification)

추출된 자세 데이터를 바탕으로 현재 자세가 '적합'한지 '부적합'한지 판별하는 단계입니다. Inception V3, ResNet50, DenseNet201, Xception 등 다양한 CNN 기반 아키텍처가 활용됩니다¹⁵. 특히 Inception V3는 모바일 기기 등 제한된 환경에서도 효율적으로 특징을 추출하여 높은 성능을 보입니다.

---

3. 연구 결과 및 기술적 통찰: 최적의 조합 탐색

다양한 실험 결과, 단순히 분류 알고리즘만 사용하는 것보다 자세 추정 알고리즘을 전처리 단계에 포함하는 것이 정확도를 비약적으로 상승시킨다는 점이 증명되었습니다.

평가 지표 (Best Combination)	수치
최적 알고리즘 조합	AlphaPose (YOLOX) + Inception V3
테스트 정확도 (Test Accuracy)	99.37%
테스트 손실 (Test Loss)	1.69%

시사점:

• Top-Down 방식의 우수성: AlphaPose와 같은 Top-Down 방식이 흉부 후전방향 검사 환경에서 더욱 정밀한 골격 추출을 가능하게 하여 분류 성능을 높입니다.
• 실시간 처리 가능성: AlphaPose 적용 시 장당 약 0.04초의 추가 시간만 소요되어, 임상 현장에서 실시간 피드백을 주기에 충분한 속도를 확보했습니다.

---

4. 실제 현장 적용을 위한 시각 자료 분석

[그림 1] 의료 현장의 스탠드 버킷 시스템 환경

인공지능 학습 및 데이터 획득에 사용된 실제 병원 및 연구실의 X-ray 촬영 장비 배치도입니다. (a) GXR-S, (b) REX-650r, (c) VB-90 모델을 통해 다양한 환경 변수를 고려한 데이터 수집이 이루어졌습니다.

 

[그림 2] 흉부 후전방향 검사의 정상 및 비정상 자세 비교

(a)는 폐와 심장이 명확히 투영될 수 있는 올바른 밀착 자세이며, (b)는 어깨의 위치나 밀착 정도가 불량하여 재촬영이 필요한 오답 사례를 보여줍니다.

 

[그림 4] AI 자세 추정 알고리즘(YOLOX) 적용 예시

AI가 환자의 주요 관절 포인트를 실시간으로 트래킹하는 모습입니다. (a)는 정렬이 올바른 상태를 인식한 것이며, (b)는 골격의 비대칭이나 이탈을 감지하여 오류를 표시합니다.

[표 1] 학습 및 검증 데이터셋 구성 현황

총 1,592장의 고품질 영상을 확보하였으며, 이 중 'Wrong' 자세 데이터를 충분히 확보하여 미세한 자세 오류도 잡아낼 수 있도록 설계되었습니다.

---

5. 결론 및 향후 전망: 비대면 자동 검사 시스템을 향하여

인공지능 기반 자세 평가 기술은 단순히 방사선사의 보조 도구에 그치지 않습니다. 이는 '비대면 자동 흉부 PA 검사 시스템' 구축의 핵심 엔진입니다.

이를 통해 우리는:

1. 의료 인력의 업무 효율을 극대화하고 피로도를 낮출 수 있습니다.
2. 환자와의 불필요한 신체 접촉을 최소화하여 인권과 위생을 동시에 잡을 수 있습니다.
3. 재촬영률을 획기적으로 줄여 환자의 의료 만족도를 높일 수 있습니다.

향후 척추 측만증 환자나 소아 체형 등 특수 사례에 대한 데이터를 보강하고, GAN(생산적 적대 신경망) 등을 활용한 데이터 증강 기술이 접목된다면, 의료 현장의 디지털 전환은 더욱 가속화될 것입니다.

---

참고문헌

1. B. Kelly, "The chest radiograph," The Ulster Medical Journal, vol. 81, no. 3, p. 143, 2012.
2. B. J. Ahn and J. H. Lee, "Image Evaluation of Projection Method in Chest Radiography," Journal of the Korean Society of Radiology, vol. 16, no. 3, pp. 217-223, 2022.
3. P. G. Jo, "The Importance of Positioning in General X-ray Examination: Based on Chest PA X-ray," JRST, vol. 45, no. 3, pp. 249-254, 2022.
4. G. Moon, J. Y. Chang, and K. M. Lee, "Camera distance-aware top-down approach for 3d multi-person pose estimation from a single rgb image," in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019, pp. 10133-10142.
5. J. Y. Han and J. H. Park, "Turtle Neck Syndrome Posture Correction Service Using CNN-based Learning Model," Journal of Korea Contents Association, vol. 20, no. 7, pp. 47-55, 2020.
6. Y. J. Im, H. S. Hwang, D. H. Kim, and H. C. Kim, "A Study on the Dataset Construction and Model Application for Detecting Surgical Gauze in C-Arm Imaging Using Artificial Intelligence," Journal of Biomedical Engineering Research, vol. 43, no. 6, pp. 390-398, 2022.
7. J. M. Jo, S. S. Kang, and K. K. Kim, "Object Recognition and Pose Estimation Based on Deep Learning for Visual Servoing," KRS Journal, vol. 14, no. 1, pp. 1-7, 2019.