CT 정도관리의 혁신: 인공지능(AI) 모델을 활용한 팬텀 영상 정량적 평가 기술

-

 http://dx.doi.org/10.9718/JBER.2023.44.3.182

전산화 단층촬영(CT)은 현대 의료 진단에서 결코 빼놓을 수 없는 필수 장비입니다. 

하지만 장비의 노후화와 높은 방사선 피폭량 문제로 인해 엄격한 CT 품질관리(Quality Control, QC)가 요구되고 있습니다. 

오늘은 최신 연구 결과를 바탕으로, 기존의 주관적인 육안 검사를 넘어 인공지능(AI)을 통해 CT 영상의 신뢰도를 획기적으로 높이는 방법에 대해 심도 있게 다루어 보겠습니다.

1. CT 품질관리의 현재와 한계: 정성적 평가의 딜레마

우리나라 의료법에 따르면 CT는 특수의료장비로 분류되어 정기적인 품질관리 검사를 받아야 합니다.

현재 실시되는 팬텀(Phantom) 검사 항목 중 공간분해능(Spatial Resolution)과 대조도분해능(Contrast Resolution)은 영상의학 전문가가 육안으로 합격 여부를 판단하는 '정성적 평가'에 의존하고 있습니다.

  • 문제점: 전문가의 주관이 개입될 수 있어 객관성이 떨어지고, 이는 곧 장비의 신뢰도 저하로 이어질 수 있습니다.

  • 해결책: 이를 극복하기 위해 딥러닝 기반의 인공지능 분류 모델을 도입하여 정량적인 평가 기준을 마련하는 연구가 활발히 진행되고 있습니다.

2. 연구 방법: AI 모델 구축 및 데이터 전처리

본 연구에서는 AAPM CT Performance Phantom(Model 76-410)을 사용하여 데이터를 획득하였습니다.

2.1 사용 장비 및 팬텀 검사항목

연구에는 SOMATOM Definition, Optima CT660 등 다양한 최신 CT 장비가 사용되었습니다. 팬텀을 통해 측정하는 주요 항목은 다음과 같습니다.

 

그림 1. CT 팬텀을 이용한 주요 검사항목 및 영상 판독 

 (a) 물의 CT 감약계수, 노이즈, 균일도: 중앙의 점과 전체적인 밀도 균일성을 측정하여 장비의 기초 성능을 확인합니다.

(b) 절편두께(Slice Thickness): 영상이 재구성되는 두께의 정확도를 판독합니다.

 (c) 공간분해능(Spatial Resolution): 미세한 구멍들을 통해 아주 작은 조직을 얼마나 분별할 수 있는지 판독하며, 1.0mm 이하 식별 시 합격입니다.

(d) 대조도분해능(Contrast Resolution): 농도 차이가 적은 조직을 구별하는 능력을 판독하며, 6.4mm 크기까지 식별 시 합격입니다.

2.2 데이터 증강(Data Augmentation) 및 학습 설정

실제 사용되는 장비들은 대부분 합격 판정을 받은 상태이기에 불합격 영상 데이터가 부족했습니다. 이를 해결하기 위해 회전(Rotation), 뒤집기(Flipping), 위치 이동 기법을 사용하여 불합격 데이터를 10배 증강시켰습니다.

표 1. 학습에 사용된 최초 팬텀 영상 및 증강 데이터 수  

구분합격(Pass)불합격(Non-pass) 원본불합격(Augmentation) 증강
공간분해능302장9장90장
대조도분해능441장20장200장

 

그림 2. CT 팬텀 영상에 적용된 데이터 증강 기법 (회전 및 위치 이동) 

원본 영상을 다양한 각도로 회전시키거나 위치를 조정하여, AI 모델이 장비의 이상 상태를 편향 없이 학습할 수 있도록 가공된 이미지들입니다.

3. 적용된 AI 분류 모델 및 하이퍼파라미터

본 연구에서는 의료 영상 분류 성능이 검증된 6가지 알고리즘을 사용하였습니다:

  • VGG19, DenseNet201, EfficientNet B2, Inception_ResNet_V2, ResNet50V2, Xception.

학습 효율을 높이기 위해 배치 크기(Batch)는 32, 영상 크기는 512x512, 에포크(Epoch)는 100으로 설정하였으며, 성능 향상을 위한 미세 조정(Fine-tuning) 과정을 추가했습니다.

4. 연구 결과: AI 모델의 놀라운 성능

실험 결과, 모든 모델에서 기대 이상의 우수한 성능이 도출되었습니다.

4.1 공간분해능 및 대조도분해능 학습 성능

모든 분류 모델에서 정확도(Accuracy) 0.95 이상, 재현율(Recall) 1.0이라는 경이로운 수치를 기록했습니다.

표 2. 공간분해능(Spatial Resolution) 검사 분류 모델 성능 비교 

지표DenseNet201EfficientNet B2ResNet 50V2VGG19Xception
Accuracy0.95620.95620.95680.95670.9569
Precision0.95350.95350.95540.95350.9583
Loss0.18060.17750.17820.17760.1774
Time12분 21초10분 31초9분 39초11분 26초10분 32초

표 3. 대조도분해능(Contrast Resolution) 검사 분류 모델 성능 비교 

지표DenseNet201EfficientNet B2ResNet 50V2VGG19Xception
Accuracy0.97310.95310.97310.98360.9738
Loss0.20390.19510.19990.19600.1934
Time10분 09초8분 50초8분 10초9분 39초8분 52초

특히 Xception 모델은 두 항목 모두에서 가장 낮은 손실값(Loss)을 보여 CT 품질관리에 가장 적합한 모델로 평가되었습니다.

그림 3. Xception 인공지능 모델의 학습 에포크별 정확도 및 손실 곡선 

  • 학습이 진행됨(Epoch 증가)에 따라 정확도(Accuracy)는 빠르게 상승하여 안정화되고, 손실값(Loss)은 급격히 감소하는 양상을 보입니다. 이는 모델이 CT 영상의 합격/불합격 특징을 매우 효과적으로 학습했음을 증명합니다.

5. 결론 및 향후 전망

이번 연구를 통해 인공지능 분류 모델이 CT 팬텀 검사의 정성적 평가 항목을 객관적이고 정량적으로 대체할 수 있는 가능성을 충분히 확인하였습니다.

  • 임상적 가치: 육안 평가의 한계를 보완하여 품질관리의 신뢰성을 확보하고, 재촬영으로 인한 환자의 불필요한 피폭을 줄일 수 있습니다.

  • 향후 과제: 향후에는 인공물(Artifact) 영역에 대한 추가 연구와 더불어, 1%의 오차도 허용하지 않는 단항 분류 모델(One-class Detection) 개발을 통해 정밀도를 더욱 높일 예정입니다.

인공지능 기술은 이제 진단을 넘어, 의료 장비의 품질을 지키는 든든한 파수꾼 역할을 수행하게 될 것입니다.

References

  1. T. M. Buzug, Computed Tomography. Springer, 2011. 

  2. M. Prokop, "General principles of MDCT," European Journal of Radiology, vol. 45, pp. S4-S10, 2003.

  3. H. Ota et al., "MDCT compared with digital subtraction angiography for assessment of lower extremity arterial occlusive disease: importance of reviewing cross-sectional images," American Journal of Roentgenology, vol. 182, no. 1, pp. 201-209, 2004. 

  4. K. P. Kim, J. W. Gil, B. Y. Lee, and H. G. Lee, "Evaluation of national medical radiation dose," Weekly Health and Illness, vol. 14, no. 23, pp. 1614-1632, 2021. 

  5. S. G. Lee, "Current status and policy options for high-tech medical devices in Korea: vertical and horizontal synchronization of health policy," Journal of the Korean Medical Association, vol. 55, no. 10, pp. 950-958, 2012. 

  6. K. B. Lee, Y. B. Cho, H. K. Jeong, K. C. Nam, and H. C. Kim, "The Study on Automatized Quantitative Assessment Method of CT Image in Quality Control: Focusing on Spatial and Low Contrast Resolution," Journal of the Institute of Electronics and Information Engineers, vol. 54, no. 12, pp. 186-194, 2017. 

  7. Y. J. Im, H. S. Hwang, D. H. Kim, and H. C. Kim, "A Study on the Quantitative Evaluation Method of Quality Control using Ultrasound Phantom in Ultrasound Imaging System based on Artificial Intelligence," Journal of Biomedical Engineering Research, vol. 43, no. 6, pp. 390-398, 2022. 

  8. K. B. Lee, K. C. Nam, J. S. Jang, and H. C. Kim, "Feasibility of the Quantitative Assessment Method for CT Quality Control in Phantom Image Evaluation," Applied Sciences, vol. 11, no. 8, p. 3570, 2021. 

댓글

댓글 쓰기

이 블로그의 인기 게시물

수면 건강 혁신: 기능성 직물 전도성 전극을 활용한 심전도 측정 기술의 최신 연구와 발전 방향

-
이미지
  http://dx.doi.org/10.9718/JBER.2023.44.1.80 첨단 바이오센서 기술이 일상생활에 깊숙이 침투하면서 , 우리의 수면 건강 모니터링 방식에도 혁신적인 변화가 일어나고 있습니다 . 특히 , 기존의 불편한 습식 전극 (Ag/AgCl) 의 단점을 극복하고 , 침대나 스마트 의류와 같은 편안한 환경에서 생체신호를 측정할 수 있는 기능성 직물 전도성 전극 (Conductive textiles Electrode) 기술은 헬스케어 분야의 미래를 이끌 핵심 동력으로 주목받고 있습니다 . 본 컬럼은 기능성 직물 전도성 전극을 활용하여 침대 형태에서 심전도 (ECG) 를 측정하는 방법에 대한 최근의 파일럿 연구 (Pilot Test) 결과를 심도 있게 분석하고 , 이 기술이 가져올 수면 관련 질환 탐지 및 자율신경계 변화 분석 의 잠재력을 세계적인 전문가 수준의 지식으로 해설하고자 합니다 .   1. 서론 : 차세대 생체신호 측정 기술 , 기능성 직물 전도성 전극 생체신호 (Bio signal) 측정은 심전도 (ECG), 근전도 (EMG) 와 같은 중요한 건강 지표를 파악하는 핵심 수단이며 , 이 중심에는 전극 (Electrode) 이 있습니다 . 전통적으로 의료 분야에서 가장 널리 사용되는 것은 피부에 직접 부착하는 은 염화은 ($\text{Ag/AgCl}$) 습식 전극입니다 . 그러나 이 습식 전극은 피부 알레르기 유발 , 부착 불편함 , 그리고 옷 착용 시의 어려움 등 여러 가지 단점을 내포하고 있습니다 . 이러한 한계를 극복하기 위해 등장한 것이 바로 기능성 직물 전도성 전극 입니다 . 이 전극은 기존 전극과 마찬가지로 생체신호 측정이 가능하면서도 , 유연하고...
자세한 내용 보기

최첨단 진단 기술: 악성 포도막 흑색종 전이의 F-18 FDG PET/CT 조기 발견과 생존율 향상 전략

-
이미지
  https://doi.org/10.1186/s40644-025-00945-2 포도막 흑색종(Uveal Melanoma, UM)은 성인 안구에서 가장 흔하게 발생하는 원발성 악성 종양이지만, 전이가 발생한 후에는 확립된 효과적인 치료법이 없어 진단 후 평균 생존 기간이 약 12개월에 불과한 매우 예후가 좋지 않은 암입니다.   초기 진단 시에는 포도막 흑색종 환자의 5% 미만에서만 전이가 발견되지만, 궁극적으로는 환자의 최대 50%가 다양한 기간에 걸쳐 원격 전이를 겪게 됩니다.   이처럼 치명적인 질환의 예후를 개선하기 위해서는 전이성 포도막 흑색종 의 조기 발견 이 매우 중요합니다. 최근의 연구 결과는 포도막 흑색종의 전이 진단에 F-18 FDG PET/CT 스캔의 유용성을 강력하게 시사하고 있으며, 이는 생존율이 낮은 환자들에게 결정적인 역할을 할 수 있음을 보여줍니다.   본 칼럼에서는 전이성 포도막 흑색종 진단에 있어 F-18 FDG PET/CT 의 혁신적인 역할과 임상적 의미에 대해 심층적으로 분석하고, 포도막 흑색종 환자의 생존율을 높이기 위한 향후 전략을 세계적인 전문가 수준의 지식으로 제시하고자 합니다. 🌟 포도막 흑색종 전이 진단의 첨단 무기: F-18 FDG PET/CT F-18 FDG PET/CT 는 종양의 포도당 대사를 기반으로 암 전이를 감지하는 데 널리 사용되고 효과적인 검사 방법입니다.   암세포는 정상 세포보다 포도당 대사 활동이 상대적으로 높기 때문에, 방사성 의약품인 $\text{F-18}$ 플루오로데옥시글루코스 F-18 FDG 의 흡수가 증가하며, 이를 PET  스캔을 통해 시각화할 수 있습니다.   여기에 해부학적 정보를 제공하는 CT를 결합한 PET/CT는 기능적 정보와 구조적 정보를 동시에 제공하여 진단 정확도를 높입니다. 하지만 포도막 흑색종 환자군에서 F-18 FDG-PET의 사용에 대한 증거는 아직 부족했습니다.   이러...
자세한 내용 보기

[유방암 영상의학] DCIS 업스테이징 예측을 위한 맘모그래피 기반 Radiomics: 최신 연구로 본 임상적 적용 가능성

-
이미지
https://doi.org/10.1148/radiol.24373 서론: DCIS(유관상피내암) 진단의 한계와 “업스테이징” 문제 유관상피내암(DCIS: Ductal Carcinoma in Situ)은 비침습성 유방암으로 분류되지만, 실제 수술에서 약 1/4의 환자에서 침윤성 유방암(Invasive Ductal Carcinoma)으로 업스테이징 되는 것으로 알려져 있다. 이는 코어침생검(core-needle biopsy)의 샘플링 한계 때문이다. 업스테이징 가능성을 예측하지 못하면, 불필요한 광범위 수술을 시행하거나 반대로 필요한 액와 림프절 평가를 놓칠 위험이 있다. 최근 영상의학 분야에서는 이를 보완하기 위해 Radiomics + Machine Learning 기반 예측 모델 의 가능성에 주목하고 있다.  특히 맘모그래피 기반 석회화(calcification) 특징을 추출한 Radiomics 모델이 DCIS의 숨겨진 침윤성 병변(occult invasion)을 예측할 수 있다는 연구 결과가 발표되며 임상 적용 가능성이 커지고 있다. 이번 컬럼에서는 연구 자료(case study.docx)를 바탕으로 맘모그래피 기반 Radiomics 모델의 성능과 임상적 의미를 세계 전문가 수준으로 정리한다. 1. 연구 목적과 배경 ■ Radiomics 모델이 필요한 이유 DCIS는 비침습성으로 분류되지만 16~25%에서 침윤암이 동반 코어침생검의 under-sampling 문제 로 인해 초기 진단이 불완전할 수 있음 Radiomics는 미세 석회화의 형태학적 특징 텍스처 패턴 병변 주변 조직의 미세 구조 변화 등을 정량화하여 기존의 판독 방식으로는 구별하기 어려운 침윤성 패턴을 찾아낼 수 있다. ■ 연구의 핵심 목표 미국, 영국, 네덜란드의 3개 국가 데이터를 이용하여 Radiomics 모델의 일반화 가능성 검증 국가별 차이를 넘어서 DCIS의 업스테이징(occult invasion) 예측 이...
자세한 내용 보기