다기관 다기기 초음파 태아 측정 벤치마크 데이터셋

초록

본 논문은 3개 임상기관과 7대 초음파 장비에서 수집한 4,513장의 태아 초음파 영상을 포함하는 공개 벤치마크 데이터셋을 제시한다. 각 영상에는 두 개의 해부학적 랜드마크가 표시된 5가지 주요 바이오메트리(두정두위 직경, 전후두위 직경, 복부 횡단 직경, 복부 전후 직경, 대퇴골 길이)가 전문가에 의해 주석 처리되었다. 데이터는 피험자 단위로 분리된 학습·검증·테스트 셋으로 제공되며, 평가 코드와 베이스라인 모델 결과도 공개한다. 다기관·다기기 학습이 단일기관 학습에 비해 도메인 이동에 강인함을 보이며, 다중 출처 데이터의 필요성을 실증한다.

상세 분석

이 연구는 태아 초음파 기반 성장 평가에 필수적인 바이오메트리 측정의 자동화를 목표로, 기존에 제한된 규모와 단일 장비에 국한된 데이터셋의 한계를 극복하고자 한다. 데이터셋은 총 1,904명의 임산부로부터 4,513장의 이미지(각 이미지당 2~4개의 랜드마크)로 구성되며, 영국 UCL, 이스라엘 텔아비브, 그리고 추가적인 다기관 협력 병원에서 7종류의 초음파 기기(GE, Philips, Hitachi 등)를 사용해 수집하였다. 각 기관별로 표준 평면(두정두위, 복부, 대퇴골)을 정확히 촬영한 뒤, 임상 전문가가 BPD, OFD, AP‑AD, T‑AD, FL을 정의하는 두 점을 정밀히 표시하였다.

주요 기술적 기여는 다음과 같다. 첫째, 데이터의 다양성을 정량화하기 위해 구조물의 중심점 위치, 크기(이미지 면적 대비 비율), 그리고 회전 각도를 2‑D·1‑D 커널 밀도 추정 및 극좌표 히스토그램으로 시각화하였다. 결과는 기관·기기 간에 위치·스케일·방향이 크게 달라 도메인 쉬프트가 존재함을 명확히 보여준다. 둘째, 표준화된 피험자‑분리 학습/검증/테스트 분할과 함께, 파이썬 기반 평가 파이프라인을 제공함으로써 연구자 간 재현성을 확보하였다. 셋째, 베이스라인 모델로 최신 랜드마크 회귀 프레임워크인 BiometryNet(동적 방향 결정(DOD)과 HRNet 백본 결합)을 적용해 각 바이오메트리별 정규화 평균 오류(NME)를 측정하였다.

실험 결과는 다음과 같다. 동일 데이터셋 내(Within‑Domain) 학습·테스트에서는 NME가 0.03~0.08 수준으로 낮아 높은 정확도를 보였지만, 다른 기관·기기로 전이할 경우 NME가 두 배 이상 증가하였다. 특히 대퇴골 길이 측정은 FP→UCL 전이에서 NME가 0.90까지 급증해 심각한 도메인 의존성을 드러냈다. 반면, 모든 기관·기기의 데이터를 통합한 다기관(M‑C) 모델은 대부분의 교차 테스트에서 가장 낮은 NME를 기록했으며, UCL 테스트에서는 BPD 0.02±0.02, OFD 0.03±0.11 등 단일기관 모델보다 우수한 성능을 보였다. 이는 다양한 촬영 조건을 포함한 학습이 모델의 일반화 능력을 크게 향상시킨다는 실증적 증거다.

데이터셋의 공개는 다음과 같은 파급 효과를 기대한다. (1) 연구 커뮤니티가 동일한 기준에서 알고리즘을 비교·개선할 수 있는 공통 벤치마크를 제공한다. (2) 도메인 적응, 메타러닝, 그리고 연합 학습 등 다중 출처 데이터에 특화된 최신 머신러닝 기법을 검증할 수 있는 실험 기반을 마련한다. (3) 임상 현장에서 초음파 장비와 운영자에 따른 변동성을 최소화한 자동 바이오메트리 솔루션 개발을 촉진한다. 최종적으로, 보다 정확하고 일관된 태아 성장 모니터링이 가능해져 산모·태아 건강 관리에 기여할 것으로 기대된다.