Evaluating Children’s Growth Based on Carpal Bones in Left-Hand X-Ray Images Using Deep Learning

기술 요약: 딥러닝을 이용한 좌측 손 X-선 이미지 내 수근골(Carpal Bones) 기반 아동 성장 평가

문제 정의
골연령 측정(Bone Age Assessment, BAA)은 소아 방사선학 및 내분비학에서 골격 성숙도를 평가하고 성장 장애 치료를 안내하는 데 있어 매우 중요한 진단 도구이다. Greulich–Pyle(GP) 아틀라스나 Tanner–Whitehouse(TW) 점수 체계와 같은 전통적인 임상 방법은 골화 중심(ossification centers)의 시각적 비교에 의존한다. 이러한 방식은 본질적으로 주관적이며, 많은 시간이 소요될 뿐만 아니라 관찰자 간 및 관찰자 내 변동성이 크다는 단점이 있다. 최근 딥러닝의 발전으로 BAA를 자동화하려는 시도가 있었으나, 대부분의 최신 모델은 전체 손 엑스레이 영상을 글로벌 입력값으로 처리한다. 결과적으로, 특정 해부학적 영역, 특히 유아기를 지난 시점의 수근골이 갖는 구체적인 예측 기여도는 충분히 규명되지 않은 상태이다. 본 연구는 수근골만으로도 아동기 및 청소년기 전반에 걸쳐 정확한 BAA를 지원할 수 있는 충분한 연령 관련 정보를 포함하고 있는지 조사하며, 이를 통해 전체 손 분석보다 더 집중적이고 효율적인 대안을 제시하고자 한다.

연구 방법론
본 연구는 1~228개월령의 소아 환자로부터 얻은 12,811장의 좌측 손 X-선 영상으로 구성된 RSNA 소아 골연령 데이터셋을 활용한다. 원본 데이터셋의 불균형(특히 초기 영아 및 사춘기 이후 샘플의 부족)과 공식 테스트 세트에 대한 공개 라벨의 부재로 인해, 저자들은 라벨링된 훈련 데이터를 80:10:10 비율(훈련, 검증, 테스트)로 재배분하였다.

• 관심 영역 (Region of Interest, ROI): 전체 손이나 여러 영역을 분석하는 기존 연구와 달리, 본 연구는 수근골만을 분리한다. 수근골 영역을 보존하기 위해 각 X-선의 상단 50%를 크롭(crop)하였으며, 회전 증강 시 잘려 나가는 것을 방지하기 위해 하단 10%는 흰색 픽셀로 패딩(padding) 처리하였다.
• 전처리 파이프라인: 두 가지 서로 다른 전처리 파이프라인을 개발하여 비교하였다.
  1. 파이프라인 1 (비임계값 방식): 국소 대비 향상을 위한 CLAHE(Contrast Limited Adaptive Histogram Equalization)를 적용한 후, 노이즈 억제를 위해 가우시안 블러링(Gaussian blurring)과 중앙값 필터링(median filtering)을 수행한다.
  2. 파이프라인 2 (임계값 방식): 파이프라인 1의 모든 단계를 포함하되, 이미지를 이진 표현(binary representations)으로 변환하기 위한 적응형 임계값 처리(adaptive thresholding) 단계를 추가한다.
  • 참고: 수근골 윤곽의 명확성에 대한 수동 검증을 바탕으로 최적의 파라미터(가우시안 커널=11, 중앙값 커널=3, 블록 크기=33, C=2)를 결정하기 위한 그리드 탐색을 수행하였다.
• 모델 아키텍처: ImageNet으로 사전 학습된 ResNet-50 백본을 사용하였으며, 분류 헤드를 연령(월령)을 예측하는 완전 연결 계층(fully connected layer)으로 교체하여 회귀(regression) 모델로 적응시켰다 계층적 미세 조정(progressive fine-tuning) 전략을 채택하였다. 초기에는 회귀 헤드만을 훈련시킨 후, 점진적으로 더 깊은 층들의 잠금을 해제(unfreeze)하였다. 비임계값 파이프라인은 최적의 성능을 내기 위해 전체 네트워크의 미세 조정을 필요로 했으나, 임계값 방식은 마지막 30개 층을 해제한 후 안정화되었다.
• 데이터 증강 (Data Augmentation): 훈련 중 이미지는 정규화되었으며, 작은 회전(±5°), 수평/수직 이동(최대 10%/5%), 줌 변화(5%)를 거쳤다.

주요 결과

• 전반적인 성능: 가장 우수한 성능을 보인 구성(파이프라인 1, 적응형 임계값 미사용)은 테스트 세트에서 8.38 ± 0.39개월의 평균 절대 오차(MAE)를 달s성하였다. 이 결과는 임계값 처리를 적용한 구성이 보여준 훨씬 높은 MAE(14.85 ± 0.72개월)보다 우수한 성능을 나타냈다.
• 기존 연구와의 비교: 8.38개월의 MAE는 전체 손 또는 다중 영역을 사용하는 최상위 모델(예: Kasani와 Sajedi 2023가 MobileNetV2를 사용하여 전체 손으로 보고한 3.84개월)보다는 높지만, 본 연구는 수근골 영역만을 사용하는 모델이 (예: Iglovikov 등이 2018년 RSNA 데이터셋에 대해 ResNet-50으로 보고한 약 8.42개월) 전체 손 방식과 비교했을 때 경쟁력 있는 정확도를 확보할 수 있음을 입증한다.
• 전처리 영향: 적응형 임계값 단계를 제거한 것이 성능 향상의 가장 결정적인 요인이었다. 저자들은 임계값 모델의 성능 저하 원인을 연령 추정에 필수적인 미세한 질감 정보(fine-grained textural cues)의 억제로 설명하였다.
• 인구통계 및 연령별 성능:
  • 성별: 모델은 여성(MAE 8.95개월)보다 남성(MAE 7.91개월)에서 약간 더 나은 성능을 보였다.
  • 연령 그룹: 정확도는 발달 단계에 따라 차이를 보였다. 수근골의 골화가 활발한 초기, 중기, 후기 사춘기 단계에서 낮은 오차를 보였다(예: 후기 사춘기 남성 6.27개월). 초기 영아기에서는 성능이 감소하였는데, 이는 데이터셋의 불균형(1~10개월령 샘플이 13개에 불과함)과 부분적으로 발달된 골화 중심의 제한된 해부학적 다양성 때문인 것으로 분석된다.

의의 및 주장
본 논문은 적절한 딥러닝 모델 및 세심한 전처리가 결합될 경우, 수근골이 신뢰할 수 있는 골연령 예측에 충분한 연령 관련 정보를 인코딩하고 있다고 주장한다. 본 연구는 고정밀 자동 BAA를 위해 반드시 전체 손 분석이 필요하다는 가설에 도전한다.

저자들은 본 연구의 결과가 더 효율적이고 해석 가능한 임상 시스템을 향한 단계라고 위치시킨다. 잘 정의된 작은 해부학적 영역(수근골)에 집중함으로써, 이러한 접근법은 어노테이션(annotation) 노력을 줄이고, 평가 시간을 단축하며, 전체 손을 분석하는 복잡성 없이 일관된 측정을 제공할 수 있다. 다만, 저자들은 절대적인 정확도 측면에서는 겸허한 태도를 유지하며, 수근골 전용 모델이 실행 가능하긴 하지만 현재 가장 진보된 전체 손 또는 다중 영역 계층 모델의 성능을 능가하지는 못한다는 점을 인정하였다. 본 연구는 특히 딥러닝 성능을 극대화하는 데 있어 전처리 방식의 선택(즉, 공격적인 이진화를 피하는 것)이 결정적인 요소임을 강조한다.