확산 맘바 모델 활용 고관절 영상 품질 선별 연구

주장고품질 주석을 포함한 데이터셋 부족은 고관절 병리 진단 인공지능 개발의 주요 장애물입니다. 연구진은 이러한 데이터 부족 문제를 해결하고자 Hip-35 데이터셋을 구축했습니다.

팩트Hip-35 데이터셋은 3만5000개의 합성 영상과 76개의 임상 검사 데이터로 구성됩니다. 해당 데이터는 대퇴경부 골절과 비구 변형, 수술 후 사례 등 35개의 병리 범주를 포함합니다.

팩트연구진은 확산 맘바 모델을 활용해 합성 영상 후보를 생성했습니다. 생성된 영상은 품질 파이프라인을 거쳐 정제되었으며, 방사선 전문의의 맹검 검증 결과 92%의 수용률을 보였습니다.

주장인공지능이 생성한 의료 영상의 신뢰성을 확보하기 위해 3단계 품질 관리 프레임워크를 도입했습니다. 이는 영상의 해부학적 충실도와 임상적 관련성을 보장하는 핵심 절차입니다.

팩트품질 관리 첫 번째 단계는 색상 아티팩트 탐지입니다. 연구진은 RGB 채널 차이 임계값과 에지 마스킹을 활용해 영상 오염을 줄이고 데이터 순도를 높였습니다.

팩트색상 아티팩트 탐지를 마친 영상은 두 번째 단계인 다중 지표 디블러링 과정을 거칩니다. 맨해튼 거리와 코사인 유사도, 구조적 유사도 지수를 활용해 영상 선명도를 개선했습니다.

팩트선명도가 개선된 영상은 마지막 단계인 해부학적 해싱 중복 제거를 거칩니다. 유넷 기반의 관심 영역 서명과 시간적 검사를 활용해 동일하거나 유사한 데이터의 중복 학습을 방지합니다.

주장데이터 중복을 제거하는 과정은 인공지능 모델의 일반화 성능을 개선하는 데 기여합니다. 이는 정형외과적 이상을 진단하는 모델의 학습과 평가 효율을 높입니다.

교차검증이번 연구는 희귀 정형외과 질환에 대한 재현 가능한 인공지능 진단 기술 개발을 목표로 합니다. 다만 합성 데이터의 특성상 실제 임상 환경의 미세한 변수를 완벽히 대체하기에는 한계가 있어 지속적인 검증이 필요합니다.

팩트본 연구는 추저우 대학교의 연구 프로젝트인 Grant No. 2025qd36의 자금 지원을 받았습니다. 연구진은 산둥 대학교와 선전 루프 에어리어 연구소, 예시바 대학교, 치루 기술 대학교 소속 연구자로 구성되었습니다.

팩트연구 결과는 국제 학술지 사이언티픽 데이터에 게재되었습니다. 해당 데이터셋은 크리에이티브 커먼즈 라이선스에 따라 비상업적 용도로 공개되었습니다.

출처Wang, P., Li, J., Zheng, Z. et al. Hip joint image quality screening based on the Diffusion Mamba model. Sci Data (2026). https://doi.org/10.1038/s41597-026-07375-0을 교차 검증했습니다.