[인공지능 의료 혁명] 딥러닝 기반 척추 자동 분할: 골다공증 진단의 정밀도를 높이는 CM-Net 기술 분석

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

키워드: 척추 자동 분할, 딥러닝 의료 영상, 골다공증 진단 AI, CM-Net, Modified U-Net, 요추 X-ray 분석, 인공지능 척추 모델, 척추 중심점 알고리즘, 스마트 의료 솔루션

---

최근 전 세계적으로 고령화 사회가 가속화됨에 따라, 뼈의 밀도가 낮아져 골절 위험이 급증하는 골다공증(Osteoporosis) 관리가 현대 의료계의 핵심 과제로 부상하고 있습니다. 

골다공증 진단을 위한 가장 중요한 지표 중 하나는 요추(Lumbar spine)의 골밀도(Bone Mineral Density, BMD) 측정입니다. 

이를 위해 의료 영상에서 척추 영역을 정확하게 분리해내는 척추 자동 분할(Vertebra Segmentation) 기술이 필수적인데, 최근 딥러닝 기술의 비약적인 발전으로 그 정확도가 혁신적으로 개선되었습니다.

본 컬럼에서는 최신 연구 데이터인 Modified U-Net과 척추 중심점을 결합한 새로운 모델 'CM-Net'을 중심으로, 인공지능이 어떻게 의료 현장에서의 진단 효율성과 정확성을 극대화하고 있는지 심층적으로 분석해보겠습니다.

1. 척추 자동 분할 기술의 필요성과 임상적 가치

의료 현장에서 요추 X-ray 영상을 수작업으로 분석하는 것은 전문가의 막대한 시간과 노력을 필요로 합니다. 또한, 판독자의 경험과 지식에 따라 일관성이 떨어지거나 미세한 오류가 발생할 가능성도 배제할 수 없습니다.

딥러닝 기반의 척추 자동 분할은 다음과 같은 측면에서 강력한 장점을 가집니다:

• 정확한 분석 자동화: 척추의 위치, 크기, 형태를 자동으로 추출하여 수작업의 번거로움을 해결합니다.
• 객관적 지표 제공: 학습된 모델을 통해 일관된 기준에 따라 영상 판독을 수행함으로써 진단의 신뢰도를 높입니다.
• 대규모 데이터 처리: 방대한 양의 X-ray 데이터셋을 빠르게 분석하여 의료 연구 및 대규모 검진에 효율적입니다.

2. 기존 모델의 한계와 새로운 대안: CM-Net의 등장

기존의 척추 분할 연구에서는 U-Net, SegNet 등 다양한 모델이 활용되어 왔습니다. 

하지만 일반적인 딥러닝 모델은 데이터셋의 규모가 작을 경우 일반화 성능이 떨어지거나, 특히 수술용 임플란트 및 골 시멘트와 같은 금속 노이즈가 포함된 영상에서 정확도가 급격히 저하되는 한계가 있었습니다.

이러한 문제를 해결하기 위해 제안된 CM-Net은 의료 영상 분할의 표준인 U-Net을 개량한 Modified U-Net 구조에, 척추 마디의 해부학적 위치 정보인 척추 중심점(Center Point)을 입력 채널로 추가한 것이 특징입니다.

[표 1] 여러 분할 모델에 대한 성능 평가 비교

Networks	DSC	Accuracy	Precision	Recall	AUPRC
U-Net	0.945	0.996	0.854	0.892	0.873
Modified U-Net	0.965	0.996	0.895	0.867	0.892
CM-Net (Ours)	0.974	0.998	0.916	0.906	0.912

 

3. CM-Net의 핵심 알고리즘 및 데이터 처리 프로세스

연구팀은 서울 세브란스 병원에서 수집된 21,915건의 척추 측면 X-ray 데이터셋(VERTEX) 중 요추 영상 695장을 활용하였습니다.

 

그림 1. VERTEX 데이터셋 예시

(a) 흉추 포함 영상, (b) 요추 포함 영상, (c) 전체 척추체를 포함한 다양한 척추 영상 데이터의 샘플입니다.

핵심 설계 요소

1. Modified U-Net 구조: 6개의 레벨로 구성된 Context Pathway와 Localization Pathway를 통해 맥락 정보와 경계 정보를 정밀하게 결합합니다. 또한 그룹 정규화와 드롭아웃을 통해 일반화 성능을 높였습니다.
2. 척추 중심점 결합: 척추 마디의 무게 중심 좌표를 추가함으로써, 모델이 척추체가 아닌 엉뚱한 위치를 척추로 오인할 가능성을 원천적으로 차단합니다.
3. 복합 손실 함수(Loss Function): 분할 마스크와 중심점 예측값을 동시에 최적화하는 다중 손실 함수를 사용하여 학습 효율을 극대화했습니다.

그림 2. 제안된 모델의 전반적인 흐름도

입력 X-ray 이미지와 중심점 정보를 결합하여 Modified U-Net을 거쳐 최종 분할 마스크를 생성하는 전체 학습 프로세스를 보여줍니다.

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

1024x512 해상도의 입력을 처리하기 위한 6단계의 다운샘플링 및 업샘플링 구조와 스킵 커넥션(Skip Connection)의 배치를 도식화한 것입니다.

4. 성능 분석 및 결과 비교

실험 결과, CM-Net은 DSC(Dice Similarity Coefficient) 0.974라는 압도적인 성능을 기록했습니다. 이는 기존의 다른 연구 모델들과 비교했을 때 가장 높은 수치입니다.

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

CM-Net이 가장 우상향하는 곡선을 그리며 높은 AUPRC(0.912)를 기록, 모델의 정밀도와 재현율이 매우 우수함을 증명합니다.

그림 5. CM-Net과 Modified U-Net의 결과 비교

(b) Modified U-Net이 놓쳤던 상단 및 하단 척추 영역을 (c) CM-Net은 (d) 실제 GT(정답)에 가깝게 완벽하게 분할해냈음을 알 수 있습니다.

특히 주목할 점은 임플란트, 압박 골절, 수술용 시멘트가 포함된 까다로운 영상에서도 CM-Net이 강인한 분할 성능을 보여준다는 것입니다.

그림 6. 특수 케이스(임플란트, 골절, 시멘트)에 대한 CM-Net의 예측 마스크

인공물이나 뼈의 변형이 심한 영상에서도 CM-Net이 정확하게 척추 테두리를 추출하여 임상 적용 가능성이 높음을 시사합니다.

5. 결론 및 향후 전망

이번 연구는 인공지능이 의료 영상 분야에서 전문가의 보조 도구를 넘어, 진단의 정밀도를 획기적으로 향상시킬 수 있는 핵심 기술임을 입증했습니다.

CM-Net 모델을 통해 골다공증 진단의 정확성을 높임으로써 조기 예방과 맞춤형 치료 계획 수립이 가능해질 것으로 기대됩니다.

물론 제조사별 영상 분포 차이(Domain shift) 문제나 중심점 자동 추출 등 해결해야 할 과제가 남아있지만, 도메인 적응 기술 등을 접목한다면 의료 인공지능의 활용 범위는 더욱 넓어질 것입니다.

---

[표 2] 척추 위치 기반 제안 모델 및 기존 연구 성능 비교

Models	Spine View	DSC	Precision	Recall	Accuracy
Pose-net+M-net+Level set	Lumbar	0.916	0.846	0.901	-
MDR2-UNet	Lumbar	0.929	-	0.937	0.992
CM-Net (Ours)	Lumbar	0.974	0.916	0.906	0.998

---

참고문헌

[1] L. Fasihi, B. Tartibian, R. Eslami, and H. Fasihi, "Artificial intelligence used to diagnose osteoporosis from risk factors in clinical data and proposing sports protocols," Scientific Reports, vol. 12, no. 1, p. 18330, 2022

[2] T. F. Cootes, C. J. Taylor, D. H. Cooper, and J. Graham, "Active Shape Models-Their Training and Application," Computer Vision and Image Understanding, vol. 61, no. 1, pp. 38-59, 1995.

[3] O. Ronneberger, P. Fischer, and T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation," in Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Cham: Springer International Publishing, 2015.

[4] D. H. Kim et al., "Automated Vertebral Segmentation and Measurement of Vertebral Compression Ratio Based on Deep Learning in X-Ray Images," J Digit Imaging, vol. 34, no. 4, pp. 853-861, 2021.

[5] K. C. Kim, H. C. Cho, T. J. Jang, J. M. Choi, and J. K. Seo, "Automatic detection and segmentation of lumbar vertebrae from X-ray images for compression fracture evaluation," Computer Methods and Programs in Biomedicine, vol. 200, p. 105833, 2021.

[6] N. Abraham and N. M. Khan, "A Novel Focal Tversky Loss Function With Improved Attention U-Net for Lesion Segmentation," in 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019), 2019. 

[7] R. Zhao et al., "Rethinking Dice Loss for Medical Image Segmentation," in 2020 IEEE International Conference on Data Mining (ICDM), 2020.