프로젝트(고객사) 소개

현대인들은 앉아 있는 시간이 길어지고 운동 부족으로 인해 근골격계 질환에 시달리는 경우가 많습니다. 이러한 질환은 일상생활에 큰 불편을 초래하고, 만성 통증으로 이어질 수 있습니다.

하지만 병원에서의 물리치료는 시간과 비용적인 부담이 크고, 개인에게 맞춤형 프로그램을 찾기 어려워 많은 환자들이 지속적인 치료를 포기하는 경우가 많습니다.

이러한 문제를 해결하기 위해, 집에서도 병원 수준의 효과적인 맞춤형 치료를 받을 수 있는 새로운 방법이 필요합니다.

환자의 상태를 지속적으로 모니터링하면서 개인에게 최적화된 치료 프로그램을 제공하는 시스템이 있다면, 더 많은 사람들이 편리하게 근골격계 질환을 관리하고 삶의 질을 높일 수 있을 것입니다.

 

고객사의 Problem

고객사는 의사의 처방 하에 사용되는 소프트웨어 의료기기를 개발하며, 운동 치료를 중심으로 한 재활 솔루션을 고도화하고자 하였습니다.

하지만 실제 사용 환경에서의 정확한 자세 인식은 여전히 해결해야 할 과제였습니다.

근골격계 질환을 시작으로 다양한 관절 질환에 대한 솔루션으로 확대 적용하기 위해서는 다양한 실사용 데이터의 구축과 AI 모델 학습이 필수적이었습니다.

데이터메이커는 고객사의 디지털 재활 치료 제품이 더욱 정확하고 개인화된 재활 치료를 제공할 수 있도록 실제 사용 환경에 맞는 이미지 데이터를 구축하고,

이를 바탕으로 AI 모델 학습을 진행하여 자세 추정 성능을 고도화하는 역할을 수행했습니다.

데이터메이커의 Solution

본 프로젝트는 근골격계 질환 환자의 재활 치료 효과를 극대화하기 위해, 디지털 재활 치료 제품의 정확한 자세 추적을 위한 AI 모델 개발을 목표로 진행되었습니다.

고객사가 제공한 실사용 환경의 이미지 데이터를 기반으로, 정형외과와 재활의학과 전문의의 의견을 반영하여 정확한 관절 부위에 대한 라벨링 작업을 수행하고, 이를 통해 AI 모델 학습을 진행하였습니다.

재활치료의 수행도 평가에 필요한 관절 부위를 특정하여 실사용 이미지에 관절 위치 데이터를 가공하고, 이를 통하여 자동화된 재활치료 수행도 평가가 가능한 AI 모델 개발을 수행하였습니다.

데이터 수집 및 개인정보 보호

• 데이터 수집: 고객사의 디지털 재활 치료 제품을 실제 사용하는 환자들의 이미지 데이터를 수집했습니다.
• 개인정보 보호:
  • 안면 비식별화: 자동화된 얼굴 인식 및 안면 비식별화 알고리즘을 적용하여 개인의 안면 정보를 보호했습니다.
  • 민감정보 미수집: 개인정보 보호법에 따라 보호되어야 할 민감정보는 수집하지 않았습니다.
  • 사용자 동의: 전신 이미지 수집과 비식별화, 이미지의 보관 및 활용에 대한 사용자의 동의를 얻어 동의서를 문서화하였습니다.
  • 정기적인 교육 및 점검: 라벨러에게 인공지능 윤리 및 개인정보 보호 관련 교육을 연 1회 실시하고, 지속적인 점검을 통해 개인정보 보호 체계를 강화했습니다.

데이터 전처리

• 데이터 정제 : 수집된 이미지 데이터에서 노이즈, 흐릿한 이미지, 불필요한 배경 등을 제거하여 데이터 품질을 향상시켰습니다.
• 데이터 형식 통일 : 다양한 형식의 이미지 데이터를 통일된 형식(예: JPEG, PNG)으로 변환하여 처리 효율성을 높였습니다.
• 데이터 분할 : 학습 데이터, 검증 데이터, 테스트 데이터로 분할하여 모델의 일반화 성능을 평가하고 오류를 방지했습니다.

관절 가시 여부 판단 및 표기

• 식별, 가려짐, 화면 밖 구분: 이미지 내에서 관절이 얼마나 잘 보이는지에 따라 '식별', '가려짐', '화면 밖'으로 세 가지 상태로 분류하였습니다.
• 가려진 관절 표기: 관절이 완전히 보이지 않는 경우에도, 예상되는 관절 위치에 '가려짐' 표기를 하여 모델 학습에 필요한 정보를 제공하였습니다.
• 측면 관절 표기: 측면에서 촬영된 이미지의 경우, 관절이 겹쳐 보일 수 있는 상황을 고려하여 가능한 관절 위치에 표기를 진행하였습니다.
• 시각적으로 구분: '동그라미', '세모' 등 다양한 기호를 활용하여 각 관절의 상태를 시각적으로 구분하고, 태스크별로 구분하여 관리하였습니다.

척추 라벨링 전략

• 기준점 설정: 2번 목 척추와 피부 사이의 거리를 기준으로 목 중심에 위치하는 키포인트를 설정하여 척추 라벨링의 시작점으로 삼았습니다.
• 척추 곡률 보정: 시냅스 내에 가공 툴인 '보정 동전' 도구를 활용하여 척추의 자연스러운 곡률을 반영하여 라벨링을 진행할 수 있었습니다.
• 키포인트 척추 라인 보정: 키포인트를 활용하여 척추 라인을 보정함으로써 더욱 정확한 라벨링을 수행하였습니다.

클래스 구분 및 시각화

• 상하 좌우 구분: 라벨링을 할 때 관절의 상하 좌우 위치에 따라 색상을 다르게 적용하여 클래스를 구분하고, 시각적으로 쉽게 인지할 수 있도록 하여 라벨러의 작업 효율성을 높였습니다.
• 식별 여부 구분: 관절의 식별 여부를 모양으로 구분하여 클래스 간 차이를 명확히 하도록 하였습니다.
• 중복 클래스 방지: 데이터 라벨링 화면에서 클래스 중복을 자동으로 감지하고 알림을 통해 오류를 방지하였습니다.
• 태깅 오류 방지 : 지정한 24개의 관절 부위에서 과태깅 되거나 태깅 부위의 오류를 방지하기 위하여 24개의 어노테이션이 태깅될 경우 자동으로 감지하고 알림을 통해 과태깅 오류를 방지하였습니다.

AI 모델 개발 및 성능 평가

• 관절 부위 추정: 구축된 데이터를 기반으로 AI 모델을 학습하여, 이미지 내에서 관절 부위를 정확하게 추정하도록 개발하였습니다.
• 재활치료 수행도 평가: 관절의 움직이는 범위와 각도를 분석하여, 재활 치료 수행도를 자동으로 평가하는 모델을 개발하였습니다.
• 환자 피드백: AI 모델을 통해 얻은 결과를 바탕으로, 환자에게 맞춤형 피드백을 제공하여 치료 효과를 높일 수 있도록 지원하였습니다.

프로젝트를 마치며

본 프로젝트는 고품질의 의료 이미지 데이터를 구축하고 이를 바탕으로 AI 모델을 개발하여 디지털 재활 치료 기기의 정확도를 향상시키는 데 크게 기여했습니다.

정형외과 전문의와의 긴밀한 협력을 통해 해부학적 정확성을 확보하고, 다양한 환경에서 수집된 이미지 데이터를 활용하여 모델의 견고함을 높였습니다.

이를 통해 개발된 AI 모델은 환자의 자세를 정확하게 인식하고, 이를 바탕으로 맞춤형 재활 운동 프로그램을 제공하여 치료 효과를 극대화할 수 있을 것으로 기대됩니다.

이번 프로젝트를 통해 축적된 경험과 노하우를 바탕으로, 앞으로도 다양한 의료 분야에서 AI 기술을 활용하여 환자의 삶의 질 향상에 이바지할 수 있도록 노력할 것입니다.