배경: 우리는 발달성 고관절 이형성증(DDH) 선별을 위한 표준 단면을 개발하기 위해, 2차원(2D) 초음파(US) 검사에서 5개의 랜드마크를 자동으로 탐지하는 심층학습 신경망 모델을 제안하고자 하였다. 방법: DDH 선별을 위해 2D US 동안 5개의 랜드마크를 탐지하는 전역(global) 및 국소(local) 네트워크 모델을 개발하였다. 2016년 1월부터 2021년 12월까지 3차 의료기관에서 DDH 선별을 목적으로 고관절 초음파를 시행받은 환자(N = 532)를 등록하였다. 모든 데이터셋은 랜드마크 탐지의 최종 평가를 위해 70:10:20 비율로 무작위로 훈련, 검증, 테스트 세트로 분할하였다. DDH 유도에 필요한 5개 랜드마크 탐지에 대한 이 모델의 성능은 제곱근평균오차(root mean square error, RMSE)와 다이스 유사계수(dice similarity coefficient)로 분석하였다. 결과: 전역 및 국소 네트워크를 사용하여 DDH를 진단하고 분류하기 위한 5개 랜드마크의 RMSE 값은 4.023 ± 3.723이었다. EfficientNetB2를 사용한 점(point) 결과는 1번째 점 1.69 ± 1.26, 2번째 점 3.34 ± 2.37, 3번째 점 2.54 ± 1.61, 4번째 점 5.92 ± 4.25, 5번째 점 6.61 ± 4.82였다. 결론: 우리의 심층학습 네트워크 모델은 초음파 영상을 이용하여 DDH에 필요한 5개 랜드마크를 탐지하는 데 가능함을 보였다. 임상 환경에서 심층학습 모델을 적용하면 DDH를 결정하는 주요 매개변수들이 유의하게 탐지될 것이다.

배경: 골 연령 평가(bone age assessment, BAA)에 사용되는 딥러닝 방법은 대부분 수부 전체를 이용하거나 수근골(carpal bones) 없이 국소 합성곱 신경망(regional convolutional neural networks)을 활용하므로, 영유아에게 적용하기에는 충분하지 않다. 목적: 본 연구는 수근골 분석을 통합하여 영유아에서의 BAA 정확도를 향상시키고, 모든 연령대에서 유사한 BAA 정확도를 달성하고자 하였다. 대상 및 방법: BAA를 위한 하이브리드 Greulich-Pyle(GP) 및 수정 Tanner-Whitehouse 딥러닝 모델을, 공개 데이터셋의 추가 수근골 분석을 통합하여 학습하였다. 단일 기관에서 수집된 총 453장의 손 방사선 영상을 외부 검증용으로 선정하였다. 기준 표준(reference standard)을 마련하기 위해, 3명의 인체 전문가가 GP Atlas에 기초하여 BAA를 수행한 후, 관찰자 간 일치도를 평가하였다. 모델의 성능은 수근골 분석을 포함한 1개 모델(M1)과 포함하지 않은 1개 모델(M2) 및 기준 표준 간의 두 BAA 모델 사이 평균 절대 차이(mean absolute difference, MAD)와 제곱평균제곱근(root mean square error, RMSE)을 비교하여 추정하였다. MAD는 네 가지 주요 발달 단계, 즉 사춘기 전(pre-puberty), 초기 및 중기 사춘기(early and mid-puberty), 후기 사춘기(late puberty), 사춘기 후(post-puberty)에 대해 성별 및 연령군별로 각 모델 간에 비교하였다. 결과: M1 모델은 모든 연령군에서 M2 모델(0.388; 95% 신뢰구간 [CI]: 0.358 - 0.418)보다 더 낮은 MAD(0.366; 95% CI: 0.337 - 0.395)를 보이며 더 높은 정확도를 나타냈고, 이는 유의한 차이였다(P < 0.001). 기준 표준 대비 RMSE 값은 M1 및 M2 모델 각각 0.483년 및 0.505년이었다. 성별 및 발달 단계 분포에 따르면, M1 모델은 성별과 무관하게 사춘기 전 환자에서 M2 모델에 비해 더 높은 예측 능력을 보였으며(남아 P = 0.008, 여아 P = 0.022), 임상적으로 유의하였다. 결론: 본 연구 결과에 따르면, BAA 모델에 수근골 분석을 통합하는 것은 특히 영유아에서 정확도를 향상시켰다.

< 0.05). 단일 영상 획득 면 내에서, 축상면(axial plane)이 가장 우수한 성능을 보였으며(AUC: 0.71), 그다음으로 시상면(sagittal) (AUC: 0.70)과 관상면(coronal) (AUC: 0.68)이 뒤를 이었다. 민감도와 정확도 역시 전면(모든 면) 훈련(all-plane training)을 사용한 모델에서 각각 가장 높았고(0.98 및 0.96), 그에 따라 딥러닝 기반 자동 회전근개(rotator cuff) 파열 검출은 세 가지 영상면 모두에서 회전근개 부위의 다양한 영역에 있는 파열 부위를 검출하는 데 유용할 수 있다.

사춘기 시기에는 성장 급등과 함께 골연령이 빠르게 진행된다. 이 시기에서 정확한 골연령 평가는 중요하지만, 손과 팔꿈치(엘보)에서 얻은 결과는 서로 다를 수 있다. 본 연구의 목적은 사춘기 발병 시점 전후에서 손과 팔꿈치의 골연령을 비교하고, 팔꿈치 기반 골연령에 따라 사춘기 발병을 확인하는 연령의 시계적 연령을 규명하는 데 있다. 2개월 이내에 손 및 팔꿈치 방사선촬영을 시행받은 주사춘기(peripubertal) 대상자 211명(남아 127명, 여아 84명)을 모집하였다. 두 명의 영상의학과 전문의와 소아 정형외과 전문의가 골연령을 평가하였다. 손의 골연령은 Greulich-Pyle(GP) 방법으로 등급화하였고, 팔꿈치의 골연령은 Sauvegrain 방법으로 결정하였다. 두 방법의 상관성은 Demining 회귀분석으로 평가하였으며, 시계적 연령과의 평균절대차(MAD)는 사춘기 전과 사춘기 군 간에 비교하였다. 또한, 사춘기 발병을 확인하는 시계적 연령을 결정하기 위해 수신자작동특성(Receiver-operating characteristic, ROC) 곡선 분석을 수행하였다. 사춘기 군에서는 GP 방법과 Sauvegrain 방법으로 밝혀진 골연령 간에 통계적으로 유의한 차이가 있었다. 사춘기 군에서 남아의 경우 MAD는 GP 방법에서 1.26 ± 0.90년, Sauvegrain 방법에서 0.61 ± 0.47년이었으며(P < .001), 여아에서는 각각 0.84 ± 0.60년과 0.53 ± 0.36년이었다(P = .033). 팔꿈치를 이용하여 사춘기 발병을 확인하기 위한 시계적 연령은 남아에서 12.2세, 여아에서 10.3세였다. 사춘기 시기에 손과 팔꿈치의 골연령은 서로 달랐으며, 팔꿈치는 사춘기에서 골연령 평가의 보다 신뢰할 수 있는 부위였다. 팔꿈치에 따른 사춘기 발병은 예상보다 약간 더 이르게 나타났다.

배경: 우리는 발달성 고관절 이형성증(DDH) 선별을 위한 표준 단면을 개발하기 위해, 2차원(2D) 초음파(US) 검사에서 5개의 랜드마크를 자동으로 탐지하는 심층학습 신경망 모델을 제안하고자 하였다. 방법: DDH 선별을 위해 2D US 동안 5개의 랜드마크를 탐지하는 전역(global) 및 국소(local) 네트워크 모델을 개발하였다. 2016년 1월부터 2021년 12월까지 3차 의료기관에서 DDH 선별을 목적으로 고관절 초음파를 시행받은 환자(N = 532)를 등록하였다. 모든 데이터셋은 랜드마크 탐지의 최종 평가를 위해 70:10:20 비율로 무작위로 훈련, 검증, 테스트 세트로 분할하였다. DDH 유도에 필요한 5개 랜드마크 탐지에 대한 이 모델의 성능은 제곱근평균오차(root mean square error, RMSE)와 다이스 유사계수(dice similarity coefficient)로 분석하였다. 결과: 전역 및 국소 네트워크를 사용하여 DDH를 진단하고 분류하기 위한 5개 랜드마크의 RMSE 값은 4.023 ± 3.723이었다. EfficientNetB2를 사용한 점(point) 결과는 1번째 점 1.69 ± 1.26, 2번째 점 3.34 ± 2.37, 3번째 점 2.54 ± 1.61, 4번째 점 5.92 ± 4.25, 5번째 점 6.61 ± 4.82였다. 결론: 우리의 심층학습 네트워크 모델은 초음파 영상을 이용하여 DDH에 필요한 5개 랜드마크를 탐지하는 데 가능함을 보였다. 임상 환경에서 심층학습 모델을 적용하면 DDH를 결정하는 주요 매개변수들이 유의하게 탐지될 것이다.

배경: 골 연령 평가(bone age assessment, BAA)에 사용되는 딥러닝 방법은 대부분 수부 전체를 이용하거나 수근골(carpal bones) 없이 국소 합성곱 신경망(regional convolutional neural networks)을 활용하므로, 영유아에게 적용하기에는 충분하지 않다. 목적: 본 연구는 수근골 분석을 통합하여 영유아에서의 BAA 정확도를 향상시키고, 모든 연령대에서 유사한 BAA 정확도를 달성하고자 하였다. 대상 및 방법: BAA를 위한 하이브리드 Greulich-Pyle(GP) 및 수정 Tanner-Whitehouse 딥러닝 모델을, 공개 데이터셋의 추가 수근골 분석을 통합하여 학습하였다. 단일 기관에서 수집된 총 453장의 손 방사선 영상을 외부 검증용으로 선정하였다. 기준 표준(reference standard)을 마련하기 위해, 3명의 인체 전문가가 GP Atlas에 기초하여 BAA를 수행한 후, 관찰자 간 일치도를 평가하였다. 모델의 성능은 수근골 분석을 포함한 1개 모델(M1)과 포함하지 않은 1개 모델(M2) 및 기준 표준 간의 두 BAA 모델 사이 평균 절대 차이(mean absolute difference, MAD)와 제곱평균제곱근(root mean square error, RMSE)을 비교하여 추정하였다. MAD는 네 가지 주요 발달 단계, 즉 사춘기 전(pre-puberty), 초기 및 중기 사춘기(early and mid-puberty), 후기 사춘기(late puberty), 사춘기 후(post-puberty)에 대해 성별 및 연령군별로 각 모델 간에 비교하였다. 결과: M1 모델은 모든 연령군에서 M2 모델(0.388; 95% 신뢰구간 [CI]: 0.358 - 0.418)보다 더 낮은 MAD(0.366; 95% CI: 0.337 - 0.395)를 보이며 더 높은 정확도를 나타냈고, 이는 유의한 차이였다(P < 0.001). 기준 표준 대비 RMSE 값은 M1 및 M2 모델 각각 0.483년 및 0.505년이었다. 성별 및 발달 단계 분포에 따르면, M1 모델은 성별과 무관하게 사춘기 전 환자에서 M2 모델에 비해 더 높은 예측 능력을 보였으며(남아 P = 0.008, 여아 P = 0.022), 임상적으로 유의하였다. 결론: 본 연구 결과에 따르면, BAA 모델에 수근골 분석을 통합하는 것은 특히 영유아에서 정확도를 향상시켰다.

< 0.05). 단일 영상 획득 면 내에서, 축상면(axial plane)이 가장 우수한 성능을 보였으며(AUC: 0.71), 그다음으로 시상면(sagittal) (AUC: 0.70)과 관상면(coronal) (AUC: 0.68)이 뒤를 이었다. 민감도와 정확도 역시 전면(모든 면) 훈련(all-plane training)을 사용한 모델에서 각각 가장 높았고(0.98 및 0.96), 그에 따라 딥러닝 기반 자동 회전근개(rotator cuff) 파열 검출은 세 가지 영상면 모두에서 회전근개 부위의 다양한 영역에 있는 파열 부위를 검출하는 데 유용할 수 있다.

사춘기 시기에는 성장 급등과 함께 골연령이 빠르게 진행된다. 이 시기에서 정확한 골연령 평가는 중요하지만, 손과 팔꿈치(엘보)에서 얻은 결과는 서로 다를 수 있다. 본 연구의 목적은 사춘기 발병 시점 전후에서 손과 팔꿈치의 골연령을 비교하고, 팔꿈치 기반 골연령에 따라 사춘기 발병을 확인하는 연령의 시계적 연령을 규명하는 데 있다. 2개월 이내에 손 및 팔꿈치 방사선촬영을 시행받은 주사춘기(peripubertal) 대상자 211명(남아 127명, 여아 84명)을 모집하였다. 두 명의 영상의학과 전문의와 소아 정형외과 전문의가 골연령을 평가하였다. 손의 골연령은 Greulich-Pyle(GP) 방법으로 등급화하였고, 팔꿈치의 골연령은 Sauvegrain 방법으로 결정하였다. 두 방법의 상관성은 Demining 회귀분석으로 평가하였으며, 시계적 연령과의 평균절대차(MAD)는 사춘기 전과 사춘기 군 간에 비교하였다. 또한, 사춘기 발병을 확인하는 시계적 연령을 결정하기 위해 수신자작동특성(Receiver-operating characteristic, ROC) 곡선 분석을 수행하였다. 사춘기 군에서는 GP 방법과 Sauvegrain 방법으로 밝혀진 골연령 간에 통계적으로 유의한 차이가 있었다. 사춘기 군에서 남아의 경우 MAD는 GP 방법에서 1.26 ± 0.90년, Sauvegrain 방법에서 0.61 ± 0.47년이었으며(P < .001), 여아에서는 각각 0.84 ± 0.60년과 0.53 ± 0.36년이었다(P = .033). 팔꿈치를 이용하여 사춘기 발병을 확인하기 위한 시계적 연령은 남아에서 12.2세, 여아에서 10.3세였다. 사춘기 시기에 손과 팔꿈치의 골연령은 서로 달랐으며, 팔꿈치는 사춘기에서 골연령 평가의 보다 신뢰할 수 있는 부위였다. 팔꿈치에 따른 사춘기 발병은 예상보다 약간 더 이르게 나타났다.

방사선의학은 관절염 진단에서 핵심적인 역할을 한다. 본 연구에서는 관절염을 진단하기 위한 알고리즘적 접근법을 제안한다. 첫째, 관절 침범의 개수를 검토한다. 단관절(단일관절)성 관절염에는 화농성 관절염, 색소성 융모결절성 활막염, 활막 연골종증이 포함된다. 둘째, 다관절성 관절염은 그 특징에 따라 침식성(erosive), 증식성(productive), 혼합성(mixed)으로 분류할 수 있다. 침식성 질환에는 류마티스관절염, 혈우병, 아밀로이드증이 포함되며, 증식성 질환에는 골관절염과 혈색소침착증(hemochromatosis)이 포함된다. 셋째, 혼합성 질환은 대칭성에 따라 세분화한다. 강직성 척추염과 염증성 장질환 관련 관절염은 관절을 대칭적으로 침범하는 반면, 건선성 관절염, 반응성 관절염, 결정성 관절병증(crystalline arthropathy)은 비대칭적이다. 인접 연부조직 음영, 골막염(periostitis), 골 밀도(bone density)는 추가적인 감별진단 단서로 활용될 수 있는 부수적 소견이다. 특정 관절염의 유형을 최종적으로 확인하기 위해서는 병의 위치가 다른 질환보다 한 가지 특정 질환에서 더 자주 영향을 받는 부위인지 여부를 확인한다. 이러한 체계적인 접근은 방사선과 전문의의 관절염 진단에 도움이 될 것이다.

목적: Dixon MRI로 측정한 회전근개(Rotator Cuff) 근육의 유효 단면적(effective cross-sectional area, eCSA)과 Biodex 등속성 검사의 결과 간 상관관계를 평가하고자 하였다. 방법: 어깨 MRI 및 Biodex 등속성 검사를 시행한 87명의 환자에서 견갑하근(subscapularis, SSc), 극상근(supraspinatus, SST), 극하근+소원근(infraspinatus+teres minor, ISTM)의 단면적(CSA)을 비스듬한 시상(Y) 뷰(oblique sagittal Y-view)에서 측정하였다. eCSA는 CSA에 (1-지방분율)을 곱하여 계산하였다. Biodex에서는 8가지 어깨 동작(FL60, EX60, FL180, EX180, ER60, IR60, ER180 및 IR180)과 4가지 매개변수(최대 토크[peak torque, PT], 체중 대비 최대 토크(peak torque/body weight), 30°에서의 토크(torque at 30°, TQ30), 총 작업(total work))를 기록하였다. eCSA와 Biodex 결과 간의 Pearson 상관계수를 계산하였다. Biodex 결과에 영향을 미치는 요인을 규명하기 위해 단변량 회귀분석을 시행하였다. 일반선형모형을 적용하여, 이들 요인에 대해 보정한 후에도 eCSA와 Biodex 32개 매개변수 간의 상관관계를 확인하였다. 결과: SSc, SST 및 ISTM의 eCSA는 IR180에서 TQ30과 유의한 상관관계(r=0.549), FL60에서 TQ30과의 유의한 상관관계(r=0.522)를 보였으며, ER60에서 PT와의 유의한 상관관계(r=0.656) 및 EX60에서 PT와의 유의한 상관관계(r=0.575), 그리고 ER60에서 PT와의 유의한 상관관계(r=0.674) 및 FL180에서 PT와의 유의한 상관관계(r=0.626) 각각을 나타냈다. 연령, 성별, SST 및 SSc의 파열이 Biodex 결과에 영향을 미치는 요인으로 확인되었다. FL60TQ30, ER60PT 및 EX60PT는 각각 요인 보정 후 SSc, SST 및 ISTM의 eCSA와 유의한 관련성을 보였다. 결론: eCSA는 회전근개 근육의 기능을 평가하기 위한 유용한 정량적 영상 마커일 수 있다. FL60TQ30, ER60PT 및 EX60PT는 각각 SSc, SST 및 ISTM에 대한 유용한 Biodex 지표이다.

후만증(kyphosis)은 시상면에서 척추가 만곡되는 흔한 척추 질환으로, 그 결과 척추 변형이 발생한다. 만곡 추정은 척추측만증의 변형 중증도를 평가하기 위한 강력한 지표를 제공한다. 현재의 임상 진단에서는 만곡을 정량적으로 평가하기 위한 표준 만곡 추정 방법이, 해당 척추뼈의 상·하 종판에 수직인 두 선 사이의 각도인 ‘척추뼈 각(vertebral angle)’을 측정하는 방식으로 수행된다. 그러나 수동 Cobb 각 측정은 상당한 시간과 노력이 필요하며, 관찰자 간 및 관찰자 내 변이와 같은 관련 문제를 동반한다. 따라서 본 연구에서는 심층 합성곱 신경망(CNN)을 기반으로 한 측면 척추 X-ray를 이용하여 척추뼈 각을 측정하는 모델인 UNet 기반 주의(attention) 네트워크인 흉요추 척추 압박 골절 각(UANV)을 제안한다. 구체적으로, 주의 메커니즘을 통해 각 척추뼈 몸통의 상세한 형태를 고려한 다음, 각 척추뼈의 각 변(edge)을 기록하여 척추뼈 각을 산출하였다.

목적: 본 연구는 대퇴경부-간부각(Femoral Neck Shaft Angle, FNSA)의 측정이 대퇴골두 스트레스 골절(Femoral Head Stress Fracture, SF)과 무혈성 괴사(Avascular Necrosis, AVN)를 구별하는 데 도움이 될 수 있는지를 평가하고자 하였다. 방법: 2019년 9월부터 2022년 4월까지, 고관절 방사선 촬영과 자기공명영상(Magnetic Resonance Imaging, MRI)을 모두 시행하였고 대퇴골두 SF 또는 AVN으로 진단된 64명의 환자[중앙값 32.0세, 사분위 범위(IQR) 23.0–39.0세]가 본 후향적 연구에 포함되었다. 환자는 대퇴골두 SF를 가진 군(n = 34)과 AVN을 가진 군(n = 30)으로 나누었다. FNSA는 전후방(AP) 고관절 방사선 촬영에서 측정하였다. 연속형 값은 Mann-Whitney U 검정을 이용하여 비교하였다. 대퇴골두 SF에 대한 FNSA의 예측 가치 평가는 Receiver Operating Characteristic(ROC) 분석을 통해 수행하였다. 결과: FNSA는 SF 환자에서(중앙값 133.5°, IQR 128.0–136.7°) AVN 환자(중앙값 127.5°, IQR 124.0–132.0°)보다 유의하게 높았다(p = 0.001). 또한 편측성 대퇴골두 SF 환자(n = 30)에서 SF 대퇴골(중앙값 134.8°, IQR 129.2–137.4°)의 FNSA는 반대측 정상 대퇴골(중앙값 127.1°, IQR 124.3–132.5°)보다 유의하게 높았다(p < 0.001). ROC 분석에서 대퇴골두 SF를 예측하기 위한 민감도, 특이도 및 곡선하면적(Area Under the Curve, AUC)은 절단값 130.2°에서 각각 77.3%, 63.3%, 0.785(95% 신뢰구간: 0.666–0.905)로 나타났다. 결론: FNSA의 증가가 대퇴골두 SF와 연관되었으므로, FNSA의 측정은 대퇴골두 SF와 AVN을 구별하는 데 도움이 될 수 있다.