골절 형태 분류의 새로운 접근: 지역적 다중 클래스 모델링

초록

소아 골절의 정확한 진단을 위해, 본 연구는 전신 X-ray 이미지에 대한 다중 레이블 분류 문제를 개별 골절 영역에 대한 다중 클래스 문제로 재구성하는 방법을 제안합니다. 공개 데이터셋의 전역 AO 코드를 각 골절 경계 상자에 매핑하여 형태를 분류하며, 이 방법은 평균 F1 점수를 7.89% 향상시켰습니다. 그러나 불완전한 골절 탐지기를 사용할 경우 성능이 저하되어 실제 현장 적용에는 한계가 있음을 확인했습니다.

상세 분석

본 연구의 핵심 기술적 기여는 ‘전역 다중 레이블(global multilabel)’ 작업을 ‘지역 다중 클래스(local multiclass)’ 작업으로 재구성한 방법론에 있습니다. 기존의 골절 분류 접근법은 전체 X-ray 이미지를 입력으로 받아 해당 이미지에 존재할 수 있는 여러 골절 형태(레이블)를 동시에 예측하는 다중 레이블 문제였습니다. 이는 하나의 이미지에 여러 개의 골절이 존재할 수 있는 임상 현실을 반영하지만, 분류 모델의 복잡성을 증가시키고 성능에 한계를 줍니다.

저자들은 GRAZPEDWRI-DX 데이터셋에서 제공하는 전역 AO 코드와 골절 경계 상자(Bounding Box), 그리고 별도 추출한 뼈 분할 마스크를 결합하는 정교한 파이프라인을 설계했습니다. 이를 통해 각 개별 골절 영역(패치)을 추출하고, 해당 영역에 단일 골절 형태 레이블을 할당할 수 있었습니다. 이 변환은 본질적으로 문제의 난이도를 낮추었으며, 결과적으로 정답 경계 상자를 사용한 실험에서 평균 F1 점수를 7.89% 크게 향상시켰습니다. 특히 ‘Avulsion’ 골절 형태에서 가장 큰 성능 향상을 보였습니다.

그러나 실제 적용을 위한 핵심 도전 과제는 골절 영역을 자동으로 탐지해야 한다는 점입니다. 저자들은 YOLO 객체 탐지 모델을 활용했으나, 탐지 성능이 분류 성능에 지대한 영향을 미치는 것을 확인했습니다. 낮은 신뢰도 임계값을 설정하면 재현율(Recall)은 높아지지만 정밀도(Precision)가 낮아져 많은 오탐지가 발생합니다. 이를 해결하기 위해 분류기에 ‘건강(Healthy)’ 클래스를 추가하는 오탐지 감소(FP-Reduction) 기법을 시도했으나, 오히려 전반적인 성능을 저하시키는 결과를 보였습니다. 이는 분류 문제 자체의 복잡성을 증가시켰기 때문으로 해석됩니다. 결론적으로, 제안된 지역 다중 클래스 접근법의 잠재력은 입증되었으나, 상용화를 위해서는 높은 재현율과 정밀도를 동시에 갖춘 강력한 골절 탐지 알고리즘의 개발이 선행되어야 함을 시사합니다.