초음파와 딥러닝을 이용한 인간 골격근 절대 상태 실시간 추정

초록

본 연구는 2차원 B-Mode 초음파 영상과 심층 합성곱 신경망(CNN)을 결합해, 인간 종아리 근육의 활성도(EMG), 관절 각도, 관절 모멘트를 비침습적으로 추정한다. 32명의 건강한 피험자를 대상으로 16‑fold 교차검증을 수행했으며, 관절 각도 55 ± 8 %, EMG 57 ± 11 %, 관절 모멘트 46 ± 9 %의 정확도로 추정하였다. 이는 초음파 영상에 근육의 길이‑긴장‑활동 상관관계가 내재되어 있음을 입증하고, 개인 맞춤형 근육 진단 및 재활 분야에 새로운 비침습적 측정 기술을 제시한다.

상세 분석

본 논문은 기존 근전도(EMG), 동역학 측정, 전단파 초음파 등은 각각 신경 활성, 힘·각도, 조직 강성을 개별적으로만 파악할 수 있다는 한계를 지적한다. 저자들은 이러한 제약을 극복하기 위해 2D B‑Mode 초음파 영상을 원시 데이터로 활용하고, 이미지 내에 내재된 근육의 구조적·기능적 정보를 딥러닝 모델이 자동으로 추출하도록 설계하였다.

데이터 수집 단계에서는 32명의 피험자(연령 19‑65세, 남·여 혼합)에게 정밀하게 동기화된 초음파 영상, 표면 EMG, 관절 각도·모멘트 센서 데이터를 동시에 기록하였다. 특히, 수동(관절 각도)과 능동(EMG) 입력을 독립적으로 변동시키는 실험 설계는 모델이 두 변수의 상호작용을 분리해 학습하도록 만든 핵심 요소다.

이미지 전처리에서는 저자들이 사전에 개발한 자동 분할 알고리즘을 이용해 종아리 근육(내측 비복근·종아리근)의 ROI를 정확히 추출하였다. 이는 초음파 영상의 잡음과 배경을 최소화하고, 근육 조직에 대한 순수한 텍스처와 에코 패턴을 보존한다.

모델 아키텍처는 표준 VGG‑style 합성곱 블록을 기반으로 하며, 다중 출력 레이어를 통해 세 가지 연속적인 회귀값(EMG, 관절 각도, 관절 모멘트)을 동시에 예측한다. 손실 함수는 각 출력에 대해 가중 평균 제곱오차(MSE)를 사용했으며, 데이터 불균형을 고려해 가중치를 조정하였다. 학습 과정에서는 16‑fold 교차검증을 적용해 피험자 간 일반화 성능을 검증했으며, 각 폴드마다 완전히 새로운 피험자를 테스트 셋으로 사용함으로써 모델이 개인별 특성을 과적합하지 않도록 설계했다.

성능 평가는 결정계수(R²)와 평균 절대 오차(MAE)로 수행했으며, 관절 각도와 EMG는 각각 0.55와 0.57의 R²를 달성했다. 관절 모멘트는 상대적으로 낮은 0.46을 보였지만, 이는 초음파 영상만으로는 근육 내부의 힘 전달 메커니즘을 완전히 포착하기 어려운 점을 반영한다. 또한, 실험 결과는 피험자별 변동성을 고려했을 때 평균 ± 표준편차(55 ± 8 %, 57 ± 11 %, 46 ± 9 %)로, 전반적으로 일관된 추정 능력을 보여준다.

기술적 의의는 두 가지다. 첫째, 2D 초음파 영상에 근육의 길이‑긴장‑활동 상관관계가 충분히 내재되어 있음을 실증했다는 점이다. 둘째, 딥 CNN이 이러한 복합 정보를 자동으로 추출해 실시간으로 정량화할 수 있음을 입증함으로써, 기존의 복합 센서 시스템을 대체하거나 보완할 수 있는 새로운 비침습적 측정 패러다임을 제시했다.

한계점으로는 초음파 영상의 품질이 장비·연산자에 따라 크게 달라질 수 있다는 점, 그리고 관절 모멘트 추정 정확도가 아직 임상 적용 수준에 미치지 못한다는 점을 들 수 있다. 향후 연구에서는 3D 초음파, 고프레임 레이더, 혹은 멀티모달 센서와 결합해 모델의 입력 다양성을 확대하고, 전이학습 및 도메인 적응 기법을 통해 다양한 인구통계학적 집단에 대한 일반화 능력을 강화할 필요가 있다.