[프로젝트 배경]
정형외과 및 재활 의학 분야에서는 척추와 주변 근육의 상태를 정량적으로 분석하는 것이 매우 중요합니다.
하지만 실제 임상에서는 CT 영상을 수동으로 확인하고 해석해야 하며,
척추 뼈와 근육 구조물을 하나씩 분리하고 분석하는 데에는 많은 시간과 인력 자원이 소요됩니다.

특히 다음과 같은 문제점이 있었습니다:
- 3D CT 영상은 해상도와 볼륨이 커 수작업 분할이 매우 비효율적임
- 척추 뼈가 여러 개 존재하고, 개별적으로 분리 및 분석되어야 하지만 기존 시스템에서는 Instance 구분이 어려움
- 근육 구조는 경계가 모호하고, 정량화된 수치 추출이 쉽지 않아 연구 및 진단에 활용하기 어려움

이러한 문제를 해결하기 위해,
CT 영상에서 척추 뼈와 주요 근육을 정확히 분리하고(instance segmentation),
각 구조물의 부피, 중심, 회전 각도 등 수치를 자동으로 계산해주는 시스템이 필요했습니다.

본 프로젝트는 3D 의료 데이터를 기반으로 전체 분석 과정을 자동화하고,
의료진이 직접 활용할 수 있는 실질적인 분석 정보를 제공함으로써
임상 의사결정과 연구 효율을 동시에 향상시키는 것을 목표로 진행되었습니다.

[1] 포트폴리오 소개
의료 영상 데이터를 활용한 3D CT 기반 척추 및 주변 근육의 instance segmentation 시스템을 구축했습니다.
Deep learning을 활용하여 라벨링 자동화부터 정교한 세분화까지 처리하였으며,
각 구조물의 부피, 중심 좌표, 각도 등 다양한 수치 정보를 추출하여 의학적 분석이 가능하도록 구현했습니다.
의료 연구용 또는 수술 전 분석 도구로 활용될 수 있도록 설계되었습니다.

[2] 작업 범위
- 3D CT 데이터 전처리 및 정합 (Reorientation, Resampling 등)
- 수작업 기반 GT 라벨링 툴 보조 기능 구현
- UNet 기반 3D instance segmentation 모델 학습
- 추론 결과 후처리 (Connected Components, Label ID 정리 등)
- 각 구조물의 부피, 중심점, 회전 각도 등 수치 계산
- 시각화 툴(Python 및 ITK-Snap 등)을 통한 확인 지원

[3] 주요 업무
- 척추 뼈 단위(instance)로 라벨링 및 세분화 수행
- 주변 주요 근육 구조 식별 및 분할
- 각 구조물에 대해 중심 좌표, 부피(cm³), 두께, 각도 등 수치 추출
- 3D NIfTI(.nii.gz) 데이터 기반 입출력 처리 자동화
- 스크립트를 통해 대용량 데이터 배치 처리 및 결과 저장
- 시각화 및 검수용 2D/3D 슬라이스 이미지 생성

[4] 주안점
- 의료 데이터 특성을 고려한 정밀한 라벨링 및 분할 처리
- Instance 구분을 통해 구조물별 독립된 정보 추출 가능
- 전처리부터 수치화까지 전체 파이프라인 자동화 구현
- 분석 결과를 연구자/의료진이 쉽게 활용할 수 있도록 수치값 정리 및 저장 자동화