초간단 근육구조 분석 이미지J 매크로를 이용한 B모드 초음파 자동 측정

초록

본 논문은 근육 초음파 영상에서 근섬유와 근막의 배치를 자동으로 정량화하는 ImageJ 매크로인 SMA(Simple Muscle Architecture Analysis)를 제안한다. 공간·주파수 필터링과 외부 플러그인(OrientationJ)을 활용해 근막을 강조하고, 관심 영역 내 섬유의 주된 방향을 계산한다. 수동 측정과 비교한 Bland‑Altman 분석 결과, 자동 방법이 체계적 편향 없이 동일한 정확도를 보이며, 다양한 초음파 설정에서도 적용 가능함을 확인하였다.

상세 분석

SMA는 기존에 수동으로 수행되던 근육 구조 측정 과정을 완전 자동화한 ImageJ 스크립트이다. 먼저 입력된 B‑mode 초음파 영상에 대해 공간 도메인에서는 Gaussian 블러와 Median 필터를 적용해 잡음을 감소시키고, 주파수 도메인에서는 Fast Fourier Transform(FFT) 기반 고역 필터링을 통해 근섬유와 근막을 구분한다. 이러한 이중 필터링은 근막(아포네우시스)과 근섬유(파시클)의 경계가 명확히 드러나게 하여 이후 단계의 정확성을 높인다.

필터링 후, 외부 플러그인인 OrientationJ를 호출해 사용자가 정의한 ROI(Region of Interest) 내에서 각 픽셀의 구조적 방향성을 추정한다. OrientationJ는 구조 텐서 기반 방법으로, 각 픽셀에 대한 주축 방향과 강도를 제공한다. SMA는 이 정보를 통합해 ROI 전체의 지배적 섬유 방향을 평균값으로 산출하고, 섬유 길이와 삽입각(pennation angle) 등 근육 구조 지표를 자동 계산한다. 특히, 삽입각은 근막과 섬유 방향 사이의 각도로 정의되며, 이는 근육의 힘 발생 메커니즘을 해석하는 데 핵심적인 파라미터이다.

알고리즘 검증을 위해 저자들은 다양한 표면 근육(예: 비복근, 대퇴사두근)의 초음파 영상을 수집하고, 동일 이미지에 대해 전문가가 수동으로 측정한 값과 SMA가 산출한 값을 비교하였다. Bland‑Altman 플롯을 이용한 통계 분석 결과, 평균 차이는 0에 근접했으며, 측정 범위 전반에 걸쳐 편차가 일정하게 유지되어 체계적 편향이 없음을 확인했다. 또한, 반복 측정 시 SMA의 변동계수(CV)가 수동 측정보다 낮아 재현성이 우수함을 보여준다.

SMA의 장점은 다음과 같다. 첫째, ImageJ 기반이므로 오픈소스 환경에서 무료로 사용할 수 있다. 둘째, 스크립트가 플러그인 형태로 제공돼 사용자는 최소한의 파라미터(ROI 위치와 크기)만 지정하면 된다. 셋째, 다양한 초음파 기기와 설정(주파수, 깊이, 프로브 각도)에서도 동일한 파이프라인을 적용할 수 있어 임상 및 연구 현장에서의 범용성이 높다. 다만, 현재는 표면 근육에 국한된 검증이 이루어졌으며, 깊은 근육이나 병변이 있는 경우 필터링 파라미터 조정이 필요할 수 있다. 향후 연구에서는 3‑D 초음파 데이터와 딥러닝 기반 전처리와의 결합을 통해 복잡한 근육 구조에도 적용 가능한 확장성을 모색할 여지가 있다.