오늘은 인공지능을 활용하여 스포츠 손상중 ACL 진단하는 논문에 대해 소개드리도록 하겠습니다.
[참고 논문]
Javed Awan, M., Mohd Rahim, M. S., Salim, N., Mohammed, M. A., Garcia-Zapirain, B., & Abdulkareem, K. H. (2021). Efficient detection of knee anterior cruciate ligament from magnetic resonance imaging using deep learning approach. Diagnostics, 11(1), 105.
1. 필요성
무릎에는 전방십자인대, 후방십자인대, 외측 및 내측 측부 인대로 총 4개의 주요 인대가 있습니다. 이중 전방십자인대(ACL)는 대퇴골과 경골을 연결하여 무릎의 안정성을 담당하는 가장 중요한 인대 중 하나이지만, 축구, 농구 등과 같은 운동선수에게 가장 빈번하게 손상되는 부위 중 하나입니다.
일반적으로 ACL의 손상은 X-ray, CT, 초음파 및 MRI 등을 통해 평가를 하게 되는데, MRI가 가장 정확한 진단 방법으로 알려져있으며, ACL 손상의 등급 및 증상은 아래와 같습니다.
- Grade 1: 인대 내부 손상, 인대 길이 변화 없음, 경미한 손상
- Grade 2: 인대 내부 손상, 인대 길이 변화, 부분 파열
- Grade 3: 완전 인대 파열
하지만, 이러한 방법은 의사가 직접 관찰하는 등 시간과 비용이 많이 든다는 단점이 있습니다. 따라서, 최근에는 머신러닝 및 딥러닝과 같은 인공지능 기술을 활용한 의료 영상 분석이 큰 인기를 끌고 있으며, ACL 손상 평가를 위한 연구도 다수 진행되었습니다.
| 모델 | 데이터셋 | 정확도 | AUC | |
| Stajduhar et al. | SVM | KneeMRI (917) | - | 0.894 |
| Bien et al. | AlexNet | MRNet (1370) | 86.7% | 0.965 |
| Liu et al. | VGG16 | MRI (175) | - | 0.95 |
| Zhang et al. | 3D DenseNet | MRI (408) | 95.7% | 0.960 |
하지만, 기존 연구들은 주로 소규모의 데이터셋을 활용하였으며, 클래스 불균형으로 인해 부분 손상(Partial tear)에 대한 평가의 정확도가 낮은 한계점이 보고되었습니다.
2. 연구 방법
따라서, 이 논문에서 제안하는 연구 방법은 다음과 같습니다.
- 총 917개의 무릎 MRI 데이터셋(KneeMRI) 활용
- ResNet-14모델 활용
- 필요한 부분의 ROI를 설정하여 추출
- 오버샘플링 및 언더샘플링을 혼합하여 부분 손상, 완전 파열의 데이터 균형을 맞춤
- 이미지 크기 통일(75 x 75 픽셀) 및 데이터 증강(Augmentation) 적용
3. 연구 결과
기존 CNN모델과 비교해서 이 연구에서 제안한 ResNet-14 CNN 모델에서 정확도 및 AUC 점수 등에서 더 높은 성능을 나타냈습니다.
결론적으로, MRI를 활용한 ACL의 손상 진단을 위해 개발한 ResNet-14 CNN 모델은 정도에 따른 무릎 ACL 손상을 자동으로 진단하였으며, 정확도(92%) 및 ACU(98%)의 성능을 보였습니다. 이 결과는 기존 연구들보다 높은 성능을 나타냈으며, 딥러닝을 통해 스포츠 손상 평가의 가능성을 제시하고 있습니다.
