STONE-06. CT 이미지로부터 결석을 추출하는 기술 및 모델 소개

CT 이미지에서 결석(Urolithiasis)을 추출하고 정량화하는 기술은 최근 딥러닝 기반의 세그멘테이션(Segmentation) 모델을 중심으로 비약적으로 발전했습니다. 특히 결석은 주변 조직(신장, 요관)에 비해 크기가 매우 작고 비정형적인 경우가 많아, 이를 해결하기 위한 특화된 아키텍처들이 주목받고 있습니다.

 

CT 데이터 전처리에 활용 가능한 기술 및 모델을 소개합니다.

1. 추천 인공지능 모델 및 아키텍처

① 3D U-Net 및 변형 모델 (표준 아키텍처)

의료 영상 분할의 표준인 U-Net은 결석 추출에서도 가장 널리 쓰입니다. 특히 CT의 입체적 정보를 활용하기 위해 3D 버전이 주로 사용됩니다.

• 3D U-Net: 슬라이스 간의 연속성을 학습하여 작은 결석의 위치를 3차원적으로 파악하는 데 탁월합니다.
• Attention U-Net: 결석이 이미지 전체에서 차지하는 비중이 매우 낮기 때문에, 중요한 특징에 가중치를 두는 Attention 메커니즘을 추가하여 성능을 높입니다.
• SQEU-Net (2026년 최신 동향): Squeeze-and-Excitation(SE) 블록과 Dilated Convolution을 결합한 모델로, 미세하고 불규칙한 모양의 결석을 정밀하게 추출하는 데 최적화된 최신 연구 결과들이 보고되고 있습니다.

② Swin-Transformer 기반 모델 (SOTA)

최근 컴퓨터 비전 분야의 트렌드인 Transformer 계열이 의료 영상에서도 높은 성과를 내고 있습니다.

• Swin-Unet / SwinTResNet: CNN의 국소적 특징 추출 능력과 Transformer의 전역적 문맥 파악 능력을 결합한 모델입니다. 결석과 주변 장기(신장 피질 등) 간의 해부학적 관계를 더 잘 이해하여 오검출을 줄입니다.

③ YOLOv5/v8 기반 Detection + Segmentation

결석의 위치를 먼저 찾고(Detection), 해당 영역(ROI)만 분할하는 2단계(Two-stage) 방식입니다.

• YOLOv8-Seg: 속도가 매우 빠르고, '결석 유무 판별'과 '영역 추출'을 동시에 수행할 수 있어 실시간 진단 보조 솔루션에 적합합니다.

2. 주요 기술적 접근 및 전략

결석 추출 모델을 설계할 때 고려해야 할 핵심 기술 요소들입니다.

기술 요소	설명 및 적용 방안
Hounsfield Unit (HU) 필터링	결석은 밀도가 높아 HU 값이 큽니다. 학습 전 특정 범위의 HU 값만 강조하는 윈도잉(Windowing) 처리가 필수입니다.
3D ROI Cropping	전체 CT 볼륨에서 결석이 차지하는 영역은 극히 적습니다. 신장 영역을 먼저 분할한 뒤, 해당 영역 내부에서 결석을 찾는 계층적(Hierarchical) 학습이 효과적입니다.
Class Imbalance 해결	배경 대비 결석의 픽셀 수가 압도적으로 적습니다. Dice Loss나 Focal Loss를 사용하여 작은 객체에 대한 학습 민감도를 높여야 합니다.
Multi-view Ensemble	Axial(가로), Coronal(정면), Sagittal(측면) 뷰를 각각 학습시킨 뒤 결과를 통합(Ensemble)하면 미세 결석의 검출 성능(Sensitivity)을 95% 이상으로 올릴 수 있습니다.

3. 공개 데이터셋

• 연구를 위해 KSSD2025 (Kidney Stone Segmentation Dataset)나 Mendeley Data에 공개된 Axial CT Imaging Dataset 등을 활용하여 초기 모델을 검증해 볼 수 있습니다.