배경: 이중에너지 X선 흡수계측법(dual-energy X-ray absorptiometry, DXA)에서 골미네랄밀도(bone mineral density, BMD)를 정확히 측정하는 것은 골다공증의 적절한 진단에 필수적이다. BMD의 계산에는 정밀한 골 분할과 연부조직 흡수의 차감이 필요하다. 대퇴골 분할은, 기존의 많은 방법이 연부조직과 대퇴골을 올바르게 구분하지 못하는 문제로 인해 여전히 도전적이다. 이러한 실패의 원인에는 DXA 영상에서의 낮은 대비와 잡음, 뼈 형태의 변동성, 그리고 X선 빔의 침투 및 감쇠가 개인 간 일관되지 않아 발생하는 그림자 효과와 개인 간 변이가 포함된다. 목적: Pixel Label Decision Tree(PLDT)라는 새로운 방법을 제시하고, DXA 영상에서 대퇴골 분할에 더 높은 정확도를 달성할 수 있는지 평가하고자 한다. 방법: PLDT는 주로 특징 추출과 선택으로 구성된다. 사진 이미지와 달리 X선 이미지는 물체의 표면과 내부에 관한 특징을 포함한다. DXA 영상에서 숨겨진 패턴을 드러내기 위해 PLDT는 기존의 고에너지(high energy, HE) 및 저에너지(low energy, LE) X선 특징으로부터 7개의 새로운 특징 맵을 생성하고, 모델에 대한 최적의 특징 집합을 결정한다. 대퇴골 분할에서의 PLDT 성능은 Global Threshold(GT), Region Growing Threshold(RGT), 인공신경망(artificial neural networks, ANN) 등 널리 사용되는 3가지 의료 영상 분할 알고리즘과 비교하였다. 결과: PLDT는 DXA 영상에서 대퇴골 분할의 정확도가 91.4%로, GT(68.4%), RGT(76%), ANN(84.4%)보다 더 높았다. 결론: 본 연구는 PLDT가 DXA 영상을 분할함에 있어 다른 기존 분할 기법보다 우수함을 보여주었다. 분할 성능의 향상은 이후 BMD의 정확한 계산에 기여하여, 궁극적으로 골다공증의 임상 진단을 개선하는 데 도움이 될 수 있다.

배경: 고관절 골절은 전 세계 인구에서 두드러진 장애 요인 중 하나로 여겨진다. 고관절 골절을 겪은 사람들은 영구적인 장애 상태에 빠지거나 합병증으로 사망할 위험이 높다. 현재까지 최고의 결정 인자로 활용되는 골밀도(bone mineral density)에도 고관절 골절 위험 평가 측면에서 주목할 만한 한계가 있다. 목적: 골 강도를 더 잘 이해하기 위해, 고관절 기하학적 특징(hip geometric features, HGFs)을 수집할 수 있다. 그러나 수동적 HGFs 수집 기법을 사용하여 대규모 인구를 대상으로 고관절 골절 위험 연구를 구성하는 일은 너무나 어려워 실용적이지 않을 수 있다. 따라서 자동 HGFs 추출 기법이 필요하다. 방법: 본 논문에서는 지역(local) 랜덤 포레스트를 이용한 자동 HGFs 추출 기법을 제시한다. 지역 랜덤 포레스트는 대퇴골 DXA 영상으로부터 고관절 해부학의 국소 제약(local constraints)을 활용하여 랜드마크 지점을 국소화한다. 이러한 국소 영역 제약은 랜덤 포레스트를 잡음에 대해 견고하게 만들며, 처리하는 점과 패치의 수를 최소화하므로 성능을 향상시킨다. 결과: 제안된 시스템은 팬텀 데이터에서 96.22%, 실제 사람 스캔 데이터에서 95.87%의 전체 정확도를 달성하였다. 결론: 제안된 기법은 HGFs를 측정할 수 있는 능력을 통해 고관절 골절의 원인과 사실에 대한 연구에 유용할 수 있으며, 향후 고관절 골절 위험 평가를 위한 새로운 지침 개발에 도움을 줄 수 있다. 또한 이 기법은 업무 부담을 줄이고 X-ray 장비의 활용도를 향상시킬 것이다.

배경: 일반적으로 이중 에너지 X선 흡수계측법(dual energy X-ray absorptiometry, DXA)의 고에너지 및 저에너지 영상의 화질은 소량의 X선을 사용함에 따른 잡음의 영향으로 저하된다. DXA 영상의 잡음 제거(denoising)는 한 쌍의 고에너지 및 저에너지 영상으로부터 산출되는 골밀도 지도(bone mineral density map)의 개선을 위한 핵심 과정이 될 수 있으며, 이는 골절 및 골다공증 진단의 정확도를 추가로 향상시킬 수 있다. 목적: 본 연구는 실제 DXA 영상의 화질을 개선하고 잡음을 제거하면서 경계(edge)와 미세한 세부 정보를 보존하는 새로운 기술을 개발하고 시험하는 것을 목표로 한다. 방법: 본 연구에서는 비국소 평균 필터(non-local mean filter, NLM)를 이용한 고에너지 및 저에너지 DXA 영상의 잡음 제거 기법을 제시하였다. DXA 시스템의 원천 잡음(source noise)과 검출기 잡음(detector noise)을 고에너지 및 저에너지 DXA 영상 모두에 대해 모델링하였다. 이후 CIRS-BFP 팬텀(phantoms)으로부터 얻은 실험 데이터를 활용하여 NLM 필터의 최적화된 매개변수를 도출하였다. 그 다음, 최적화된 NLM을 팬텀의 DXA 영상과 실제 사람의 척추 및 대퇴골(femur) DXA 영상에 적용하여 시험하고 검증하였다. 결과: 결과에 대한 정량적 평가는 실제 고에너지 및 저에너지 척추 영상에서 각각 신호대잡음비(signal-to-noise ratio)의 평균 24.22% 및 34.43% 향상을 보였으며, 대퇴골 영상의 고에너지 및 저에너지에서는 약 15.26% 및 13.55%의 개선이 관찰되었다. 팬텀 및 실제 구조에 대한 정성적 시각 관찰에서도 고에너지 및 저에너지 영상 모두에서 경계를 보존하면서 화질이 유의하게 향상되고 잡음이 감소하는 결과를 보였다. 본 연구 결과는 제안된 NLM이 모든 팬텀 및 실제 사람의 DXA 영상에서 비등방성 확산 필터(anisotropic diffusion filter, ADF)와 중간값(median) 기법을 사용하는 기존 방법보다 성능이 우수함을 보여준다. 결론: 본 연구는 NLM을 통한 잡음 제거가 임상 DXA 영상 촬영을 위한 핵심 전처리 방법이 될 수 있음을 시사한다.