척수 손상 초음파 데이터셋 공개와 딥러닝 기반 위치 추정 및 해부학 분할 벤치마크

초록

본 논문은 25마리의 돼지를 대상으로 수집한 10,223장의 B‑mode 초음파 sagittal 영상으로 구성된 공개 데이터셋을 소개한다. 손상 부위(혈종) 위치 추정을 위해 YOLOv8, Faster‑RCNN, RetinaNet 등 최신 객체 검출 모델을 비교했으며, 해부학적 구조(경막, CSF, 피아, 척수 등) 분할을 위해 DeepLabv3, UNet, SAMed 등을 평가하였다. YOLOv8이 mAP 0.606으로 최고 성능을 보였고, DeepLabv3가 평균 Dice 0.587로 돼지 데이터에서 가장 정확했으며, SAMed은 인간 초음파 이미지에 대한 제로샷 일반화에서 Dice 0.445로 최고 점수를 기록했다. 데이터와 코드가 공개되어 의료 영상 AI 연구에 중요한 기반을 제공한다.

상세 분석

이 연구는 초음파 기반 척수 손상 모니터링이라는 임상적 필요성을 데이터 과학적 접근으로 해결하려는 시도다. 먼저, 25마리의 Yorkshire 돼지를 대상으로 T4‑T6 부위에 라미네이션을 시행하고, 20, 40, 60 g의 중량을 17 cm 높이에서 낙하시켜 다양한 정도의 contusion injury를 유도하였다. 초음파는 Canon Aplio i800 시스템과 12 MHz·20 MHz 트랜스듀서를 사용해 sagittal plane에서 1280 × 960 픽셀 해상도로 촬영했으며, 이후 690 × 275 픽셀 PNG로 변환·크롭하여 해부학적 관심 영역(25 mm × 8 mm)만 남겼다. 저품질 이미지와 잡음이 심한 프레임은 제외해 최종 10,223장의 고품질 이미지(건강 4,467장, 손상 5,756장)를 확보했다.

주석은 두 단계로 진행되었다. 손상 위치 검출을 위해 혈종이 보이는 프레임에 바운딩 박스를 그렸으며, 해부학적 분할을 위해 CVAT를 이용해 경막, CSF, 피아, 척수, 혈종, dorsal space, ventral space 등 7개의 레이블을 만든다. 경계가 흐릿하거나 불확실한 경우에는 dura/pia 복합, dura/ventral 복합 등으로 라벨을 통합해 라벨링 일관성을 유지했다. 인간 데이터는 8명의 환자(총 86장)에서 동일한 프로토콜로 수집했으며, 이는 제로샷 일반화 테스트용으로만 사용되었다.

객체 검출 실험에서는 YOLOv8, YOLOv5, Faster‑RCNN, RetinaNet, EfficientDet 등을 학습시켰으며, mAP(0.5:0.95) 기준으로 YOLOv8이 0.606으로 가장 우수했다. 이는 초음파 영상의 저대비·노이즈 특성에도 불구하고 최신 앵커‑프리 구조가 작은 혈종을 효과적으로 탐지함을 의미한다.

분할 모델은 DeepLabv3+, UNet, UNet++, SegFormer, SAMed 등을 비교했다. 평균 Dice(0.5 기준)에서는 DeepLabv3+가 0.587로 돼지 데이터에서 최고였으며, 구조적 어텐션과 Atrous Spatial Pyramid Pooling이 복잡한 조직 경계 구분에 기여한 것으로 해석된다. 인간 초음파에 대한 제로샷 성능은 전반적으로 낮았지만, SAMed이 0.445의 Dice로 가장 높은 일반화 능력을 보였다. 이는 대규모 사전 학습된 Foundation 모델이 도메인 차이를 완화하는 데 유리함을 시사한다.

또한 논문은 새로운 “연속 모니터링 적합도” 지표를 제안했는데, 이는 모델의 추론 속도·메모리 사용량·배터리 소모 등을 고려해 웨어러블·임플란터 초음파 디바이스에 실시간 적용 가능성을 평가한다. YOLOv8과 DeepLabv3+는 실시간(30 fps 이상) 처리와 적당한 메모리 요구량을 만족해 임상 현장에 바로 적용할 수 있는 잠재력을 가진다.

한계점으로는 데이터가 모두 돼지 모델에 기반하고 있어 인간 해부학적 변이성을 충분히 반영하지 못한다는 점, 혈종 외의 병변(예: 염증, 섬유화) 라벨이 부재한 점, 그리고 초음파 장비와 프로토콜이 단일 제조사에 국한된 점을 들 수 있다. 향후 다기관·다장비 데이터 수집과 멀티클래스 병변 라벨링, 그리고 시계열 기반 비디오 모델링이 필요하다.

전반적으로 이 연구는 초음파 기반 척수 손상 모니터링을 위한 가장 규모가 큰 공개 데이터셋을 제공하고, 최신 객체 검출·분할 모델의 벤치마크를 제시함으로써 의료 영상 AI 연구와 임상 전이 사이의 격차를 크게 좁혔다.