MediWave

  http://dx.doi.org/10.31916/sjmi2025-01-7 인공지능, 영상의학의 새로운 동반자 21세기 의료 혁신의 중심에는 의료 인공지능(AI)이 있다.  특히 영상의학(Radiology) 분야는 AI 기술의 발전에 따라 가장 빠르게 변화하는 영역 중 하나로 꼽힌다.  과거 인공지능은 단순히 보조 도구로 여겨졌지만, 이제는 진단의 정밀도와 효율성을 혁신적으로 높이는 ‘Radiology Extender(영상의학 확장자)’로 진화하고 있다. 최신 연구에 따르면, AI는 단순히 병변을 감지하는 수준을 넘어 영상 판독, 데이터 분석, 보고서 자동화, 그리고 임상적 의사결정 지원까지 수행한다.  이러한 변화는 단순한 기술 혁신을 넘어 의료 생태계의 근본적 전환점 으로 평가된다. AI 영상의학의 핵심 기능 4가지 첨부 연구는 AI가 영상의학에서 수행하는 역할을 네 가지 핵심 기능 으로 구분했다.  이는 임상 현장에서 AI가 Radiology Extender로 작동하는 구체적인 기술 기반을 보여준다. 1️⃣ 병변 탐지와 분류 (Lesion Detection & Classification) 딥러닝 기반의 CNN(Convolutional Neural Network) 모델은 CT, MRI, X-ray 등 다양한 영상에서 병변을 자동으로 탐지하고 분류할 수 있다.  예를 들어, 폐결절 탐지, 뇌출혈 인식, 유방암 미세석회화 감지 등에서 인간 전문가 수준의 정확도를 보인다. AI는 또한 ‘이중 판독자(second reader)’로서 방사선과 전문의가 놓칠 수 있는 병변을 보완하며, 진단 신뢰도를 높인다. 💡 AI 영상 판독은 진단 오류를 줄이고, 판독자의 피로도를 낮춰 의료 안전성을 향상시킨다. 2️⃣ 영상 트리아지(Image Triage & Prioritization) 응급실과 같이 신속한 판독이 요구되는 환경 에서는 AI의 역할이 더욱 중요하다.  예...

  양전자 방출 단층 촬영(PET)을 위한 3차원 최대사후(MAP) 영상 재구성에서 평활 파라미터의 적응형 미세 조정 핵심 키워드 : 양전자 방출 단층 촬영, PET 영상 재구성, MAP 알고리즘, 평활 파라미터, 적응형 알고리즘, 의료영상 처리 doi:10.9718/JBER.2024.45.5.205  서론: PET 영상에서의 해상도와 평활화의 균형 양전자 방출 단층 촬영(PET)은 종양, 뇌 질환, 심혈관 질환 진단에서 뛰어난 감도를 자랑하는 핵의학 영상 기술입니다. 그러나 PET 영상은 일반적으로 공간 해상도가 낮고 노이즈에 민감 하다는 약점을 가집니다. 이러한 한계를 극복하기 위해 3차원 최대사후(MAP: Maximum a Posteriori) 영상 재구성 기법 이 활용되며, 이 과정에서 정규화(smoothing) 파라미터 의 설정은 영상 품질에 결정적인 영향을 줍니다. MAP 재구성 알고리즘 개요 MAP 알고리즘은 Bayesian 추론 기반으로, 영상의 가능도(likelihood)와 사전정보(prior)를 조합해 영상의 통계적 최댓값을 추정합니다. 이때 사용하는 에너지 함수(E(x))는 다음과 같습니다: E ( x ) = − log ⁡ P ( y ∣ x ) − β ⋅ R ( x ) E(x) = -\log P(y|x) - \beta \cdot R(x) E ( x ) = − log P ( y ∣ x ) − β ⋅ R ( x ) P ( y ∣ x ) P(y|x) P ( y ∣ x ) : 측정 데이터 y y y 에 대한 영상 x x x 의 가능도 R ( x ) R(x) R ( x ) : 평활화 정규항 (prior term) β \beta β : 평활 파라미터 (regularization strength) 문제점 고정된 β \beta β 를 사용할 경우: 값이 너무 크면 → 과도한 평활화 로 경계 손실 값이 너무 작으면 → 노이즈 증가 적응형 평활 파라미터 조정의 필요성 PET 영상은...