Cross-center sex estimation from patellar CT: multi-feature transformer fusion of morphometry, radiomics, and deep features
본 연구는 매우 정확하고 일반화 가능한 성별 추정을 달성하기 위해 CT 스캔으로부터 슬개골 형태 측정학, 라디오믹스 및 딥러닝 특징을 통합하는 강력한 다중 특징 트랜스포머 융합 프레임워크를 제시하며, 이는 단일 특징 모델과 법의학 전문가의 성능을 능가하는 동시에 처리 시간을 크게 단축한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
재난이나 범죄가 지나간 고요한 여파 속에서, 법의학자들은 "이 사람은 누구였는가?"라는 거대한 수수께끼에 직면합니다. 그 수수께끼를 풀기 위한 첫 번째이자 가장 중요한 단계는 유해의 성별을 결정하는 것입니다. 수십 년 동안 전문가들은 남성과 여성 사이의 신체적 차이를 가장 명확하게 보여주는 뼈인 골반과 두개골을 주목해 왔습니다. 하지만 대규모 재난이나 고대 유적지의 혼란스러운 현실 속에서, 이 뼈들은 종종 부서지거나 타버리거나 아예 사라지기도 합니다. 일반적인 단서들이 사라질 때, 조사관들은 골격의 다른 부분으로 눈을 돌려야 합니다. 그러한 생존자 중 하나가 바로 무릎뼈(슬개골)입니다. 무릎뼈는 작고 조밀한 뼈로, 신체의 다른 부분보다 화염과 외상을 더 잘 견뎌내는 경우가 많습니다. 골반보다 크기도 작고 덜 눈에 띄지만, 무릎뼈는 그 형태와 질감 속에 성별을 읽어낼 수 있는 숨겨진 지도를 품고 있습니다.
중국 칭하이 대학교와 관련 병원들의 연구팀은 그 지도를 읽는 새로운 방법을 개발했습니다. 그들은 세 가지 서로 다른 방식으로 무릎뼈를 관찰하여 그것이 남성의 것인지 여성의 것인지를 추측하는 슈퍼 관찰자 역할을 하는 컴퓨터 시스템을 만들었습니다. 단순히 한 가지 방법에 의존하는 대신, 이 시스템은 크기에 대한 단순한 측정, 뼈의 내부 질감에 대한 상세한 분석, 그리고 뼈의 전체적인 형태에 대한 깊고 추상적인 이해를 결합합니다. 컴퓨터에게 이 모든 단서들의 비중을 함께 따지는 법을 가르침으로써, 연구진은 성별 추정을 현재의 인간 방식보다 더 빠르고, 일관되며, 정확하게 만드는 방법을 찾아냈습니다. 이는 뼈 스캔이 서로 다른 병원의 서로 다른 장비로부터 온 경우에도 마찬가지입니다.
연구는 칭하이성 두 곳의 병원에서 가져온 방대한 양의 무릎 스캔 데이터로 시작되었습니다. 연구진은 건강한 무릎을 가진 명확한 이미지를 가진 836명의 데이터를 수집했습니다. 이들은 컴퓨터가 패턴을 인식하도록 학습시키기 위한 더 큰 그룹과, 학습한 내용을 보지 못한 새로운 데이터에 적용할 수 있는지 테스트하기 위한 더 작은 별도의 그룹으로 나누었습니다. 도구를 구축하기 위해 연구팀은 먼저 각 스캔에서 무릎뼈를 수동으로 윤곽 지어 무릎 관절의 나머지 부분으로부터 분리했습니다. 이 분리된 뼈로부터 그들은 세 가지 뚜렷한 유형의 정보를 추출했습니다. 첫째, 뼈의 기본적인 기하학적 구조를 측정하여 길이, 너비, 두께, 부피, 표면적 및 가장자리 둘레를 계산했습니다. 둘째, 라디오믹스(radiomics) 기법을 사용하여 이미지를 수백 개의 미세한 질감 세부 사항으로 분해함으로써, 인간의 눈으로는 볼 수 없는 뼈 내부의 결 과 패턴을 포착했습니다. 셋째, 고급 인공지능 모델을 사용하여 뼈를 스캔하고, 인간의 뇌가 얼굴이나 물체를 인식하는 방식과 유사하게 뼈의 전체적인 형태와 구조를 나타내는 깊고 추상적인 특징들을 추출했습니다.
그들 혁신의 핵심은 이 세 가지 정보의 흐름을 결합하는 방식에 있었습니다. 단순히 결과를 평균 내거나 데이터를 쌓아 올리는 대신, 그들은 '트랜스포머(Transformer)'라고 알려진 정교한 컴퓨터 아키텍처를 사용했습니다. 이 시스템은 각 특정 뼈에 대해 가장 중요한 단서에 주의를 기울이는 법을 배우는 역동적인 의사 결정자처럼 작동합니다. 시스템은 어떤 무릎뼈에 대해서는 질감이 가장 결정적인 신호라고 판단하는 반면, 다른 무서에는 전체적인 크기가 더 중요하다고 판단할 수 있습니다. 이러한 유연성 덕분에 시스템은 데이터의 차이, 예를 들어 스캔이 촬영된 방식의 차이에 적응할 수 있습니다. 연구진은 이 시스템을 한 가지 유형의 정보만을 사용하는 더 단순한 모델들과, 데이터를 결합하는 다른 방식들과 비교 테스트했습니다.
결과는 결합된 접근 방식이 더 우수하다는 것을 보여주었습니다. 내부 테스트 세트에서 이 시스템은 94.3%의 사례에서 성별을 정확히 식별해 냈으며, 이는 단일 방법 접근 방식보다 유의미한 개선입니다. 더 중요한 것은, 약간 다른 스캐닝 장비를 사용하는 다른 병원의 환자들로 구성된 외부 그룹을 대상으로 테스트했을 때도 시스템은 높은 수준의 정확도를 유지하며 87.9%의 확률로 성별을 정확히 식별했다는 점입니다. 이와 대조적으로, 단 하나의 유형의 데이터에만 의依赖하는 더 단순한 모델들은 이러한 새로운 조건에 직면했을 때 정확도가 더 급격히 떨어졌습니다. 연구는 또한 컴퓨터의 성능을 인간 전문가와 비교했습니다. 학생부터 전문의까지 다양한 수준의 인간 판독자 3명이 전통적인 공식을 사용하여 동일한 15개의 뼈를 수동으로 측정했습니다. 인간 전문가들은 대체로 정확했지만, 그들의 측정값은 서로 상당히 달랐습니다. 동일한 뼈에 대해서도 한 전문가는 길이를 40mm로 측정하고 다른 전문가는 48mm로 측정할 수 있었습니다. 그러나 컴퓨터는 매번 똑같은 결과를 만들어내며 인간의 불일치를 제거했습니다. 또한, 컴퓨터는 뼈 하나당 평균 30초 만에 분석을 완료한 반면, 인간 전문가는 각각 4분에서 13분이 걸렸습니다.
연구진은 스캔 슬라이스의 두께가 다양한 방법의 성능에 결정적인 역할을 한다는 점에 주목했습니다. 스캔이 매우 얇아 미세한 디테일을 포착할 때는 질감 기반 및 딥러닝 방식이 탁월한 성능을 보였습니다. 그러나 실제 상황에서 흔히 발생하는 것처럼 스캔이 약간 두꺼워지면, 이러한 복잡한 방법들의 성능은 떨어졌습니다. 단순한 크기 측정은 스캔 두께와 상관없이 안정적이었는데, 이것이 바로 시스템의 세 가지 방법을 혼합하는 능력이 효과적이었던 이유입니다. 즉, 상세한 질감 데이터가 덜 신뢰할 수 있게 될 때 안정적인 측정값에 의존할 수 있었던 것입니다. 연구는 이 다중 특징 접근 방식이 견고하고 객관적인 도구를 제공한다고 결론지었습니다. 이는 컴퓨터가 다양한 유형의 증거에 무게를 두는 법을 배우게 함으로써, 뼈가 손상되었거나 데이터 출처가 다양하더라도 조사관들이 성별에 대해 더 신뢰할 수 있는 답을 얻을 수 있음을 시사합니다. 비록 이 연구가 중국의 특정 인구 집단에 국한되어 있고 살아있는 사람의 스캔을 사용했다는 한계가 있지만, 저자들은 이 방법이 대규모 재난의 희생자를 식별하거나 고고학적 맥락에서 유해를 분석하는 데 도움이 될 수 있는 강력한 토대를 제공하며, 흔히 간과되는 작은 뼈를 식별을 위한 강력한 열쇠로 바꿀 수 있다고 믿습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.