FedTensor

STONE-09. DICOM 파일 형식과 구조

CT 이미지와 의료용 디지털 영상 표준인 DICOM(Digital Imaging and Communications in Medicine)은 단순히 이미지만 담고 있는 파일이 아니라, 환자 정보, 촬영 장비 설정, 3D 공간 좌표 등 방대한 메타데이터가 포함된 복합 데이터 구조체입니다. 인공지능 모델 개발에 필요한 핵심적인 파일 형식과 내부 구조를 정리합니다.1. DICOM 파일 구조 (The Anatomy of a DICOM File)DICOM 파일은 크게 Preamble(서문), Prefix(접두사), 그리고 수많은 Data Element(데이터 요소)들의 집합으로 구성됩니다.구성 요소설명Preamble (128 bytes)파일의 시작을 알리는 공간 (주로 0으로 채워짐).Prefix (4 bytes)..

STONE-08. CT 이미지에서 개인 식별 정보 제거

의료 데이터, 특히 CT 이미지에서 개인 식별 정보(PII: Personally Identifiable Information)를 제거하는 것은 데이터 활용과 보호 사이의 균형을 맞추는 핵심 작업입니다. 인공지능 학습에서 이 과정은 데이터 비식별화(De-identification) 및 익명화(Anonymization)의 필수 단계가 됩니다. CT 이미지의 비식별화는 크게 두 가지 영역에서 이루어집니다.1. DICOM 메타데이터 비식별화 (Header Cleaning)대부분의 CT 이미지는 DICOM(Digital Imaging and Communications in Medicine) 형식으로 저장됩니다. 이 파일의 헤더에는 수많은 태그 정보가 포함되어 있습니다.직접 식별자 제거: 환자 성명(Patient ..

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 아키텍처① 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 탁월합..