의료 영상 진단 AI의 혁신: 전처리 기법과 딥러닝 모델의 최적 조합 발견

베트남 정보기술대학교 연구팀이 의료 영상 분석 분야에서 획기적인 연구 결과를 발표했다. 2025년 2월 Alexandria Engineering Journal에 게재된 이 연구는 다양한 의료 영상 모달리티에서 전처리 기법과 딥러닝 모델의 최적 조합을 체계적으로 평가하여, 진단 정확도와 자원 효율성을 동시에 향상시킬 수 있는 실용적 가이드라인을 제시한다.

8개 데이터셋, 200가지 조합의 포괄적 실험

연구팀은 X-ray, CT, MRI, 초음파 등 4가지 의료 영상 모달리티를 대표하는 8개의 데이터셋을 선정했다. 여기에 CLAHE+Butterworth, DWT+Threshold 등 5가지 전처리 기법과 EfficientNet-B4, ResNet-50, DenseNet-169, VGG16, MobileNetV2 등 5가지 딥러닝 모델을 조합하여 총 200가지 경우의 수를 실험했다. 이는 COVID-19 폐렴 진단부터 뇌종양 검출, 유방암 분류까지 실제 임상 환경에서 직면하는 다양한 진단 과제를 망라한다. 특히 주목할 만한 점은 각 조합의 성능을 정확도, 정밀도, 재현율, F1-score, Kappa score 등 5가지 지표로 다각도로 평가했다는 것이다. 이를 통해 단순한 정확도 경쟁을 넘어 임상적 신뢰성과 실용성을 종합적으로 검증했다.

전처리가 만드는 차이: Median-Mean Hybrid Filter와 Unsharp Masking의 우수성

연구 결과, Median-Mean Hybrid Filter와 Unsharp Masking+Bilateral Filter가 87.5%의 효율성 비율로 가장 뛰어난 전처리 방법으로 확인됐다. Median-Mean Hybrid Filter는 중앙값 필터와 평균 필터의 장점을 결합하여 노이즈를 효과적으로 제거하면서도 중요한 영상 특징을 보존한다. 특히 뇌 CT 영상에서 뇌졸중 징후를 탐지하는 데 96.20%의 정확도를 달성했다. Unsharp Masking+Bilateral Filter 조합은 초음파 영상 분석에서 탁월한 성능을 보였다. 유방암 초음파 이미지 분류에서 98.78%의 정확도를 기록하며, 노이즈가 심하고 대비가 낮은 초음파 영상의 고질적인 문제를 효과적으로 해결했다. 이는 Unsharp Masking이 경계를 선명하게 하고, Bilateral Filter가 구조적 무결성을 유지하면서 노이즈를 감소시키는 상호보완적 작용 덕분이다.

모델 선택의 지혜: EfficientNet-B4와 MobileNetV2의 균형

딥러닝 모델 측면에서는 EfficientNet-B4와 MobileNetV2가 각각 75%의 효율성 비율로 최고 성능을 기록했다. EfficientNet-B4는 복합 스케일링 기법을 통해 깊이, 너비, 해상도를 최적화하여 복잡한 다중 클래스 분류 작업에서 뛰어난 성능을 보인다. 뇌 MRI 종양 분류에서 98.55%, 유방암 초음파 분류에서 98.78%의 정확도를 달성하며 복잡한 의료 영상 분석의 새로운 기준을 제시했다. 반면 MobileNetV2는 경량화된 아키텍처로 자원 제약 환경에서도 높은 성능을 발휘한다. 뇌 CT 뇌졸중 검출에서 96.20%의 정확도를 달성하면서도, 평균 실행 시간이 6.97초로 ResNet-50보다 34% 빠른 처리 속도를 보였다. 이는 실시간 진단이나 모바일 의료 기기 적용에 결정적인 장점이다.

비즈니스 관점: 맞춤형 솔루션 구축의 청사진

이 연구의 진정한 가치는 의료 영상 AI 솔루션 개발자들에게 제공하는 실용적 가이드라인에 있다. X-ray 영상에는 Median-Mean Hybrid Filter와 ResNet-50 조합을, 초음파 영상에는 Unsharp Masking+Bilateral Filter와 EfficientNet-B4 조합을 권장하는 등, 각 영상 모달리티별 최적 전략을 명확히 제시한다. 특히 의료 기기 제조사나 헬스케어 IT 기업 입장에서는 자원 효율성이 중요한 고려사항이다. MobileNetV2는 높은 정확도를 유지하면서도 적은 파라미터로 작동하여, 제한된 연산 자원을 가진 엣지 디바이스나 IoT 의료 기기에 최적이다. 반면 클라우드 기반 고성능 진단 시스템이라면 EfficientNet-B4의 우수한 정확도가 더 큰 가치를 제공할 것이다.

시장 진입 전략과 파트너십 기회

연구 결과는 의료 영상 AI 시장 진입 전략에도 중요한 시사점을 제공한다. 초음파 영상 분석 솔루션은 EfficientNet-B4 기반으로 최고 98.78%의 정확도를 달성할 수 있어, 유방암 조기 검진 시장에서 차별화된 경쟁력을 확보할 수 있다. CT 기반 폐암 검진 솔루션은 DWT+Threshold 전처리와 EfficientNet-B4 조합으로 87.62%의 정확도를 달성하며, 4가지 암 유형을 분류하는 복잡한 진단 과제를 해결한다. 또한 연구팀이 제공하는 데이터셋별 혼동 행렬 분석은 각 솔루션의 강점과 약점을 명확히 보여준다. 이는 규제 승인 과정에서 요구되는 성능 검증 자료로 활용되거나, 임상 파트너와의 협력 논의에서 기술적 신뢰성을 입증하는 근거가 될 수 있다. 특히 의료기관과의 파트너십을 모색하는 기업들에게 이 연구는 각 진단 영역별 최적 기술 스택을 제시함으로써, 협력 제안서 작성과 개념 증명 단계에서 실질적인 가이드를 제공한다.

이번 연구는 Thien B. Nguyen-Tat, Tran Quang Hung, Pham Tien Nam, Vuong M. Ngo가 수행했으며, University of Information Technology와 Vietnam National University, Ho Chi Minh City Open University의 공동 연구로 진행되었다. 논문은 2025년 2월 10일 Alexandria Engineering Journal 119권 558-586페이지에 게재되었으며, DOI 10.1016/j.aej.2025.01.090로 확인할 수 있다. 이 연구는 VNUHCM-University of Information Technology의 과학연구지원기금의 지원을 받아 수행되었으며, CC BY-NC-ND 4.0 라이선스 하에 공개되어 연구자와 산업계 모두가 활용할 수 있다.