수술 도구 추적 자동화를 위한 컴퓨터 비전 가이드

섹션별 상세

01

수술 도구 카운팅은 수술 전후 및 교대 시마다 반복되는 복잡한 과정으로, 수동 집계 시 누락 사고가 발생할 가능성이 크다. 컴퓨터 비전 시스템은 트레이 이미지를 파악하여 1초 이내에 모든 도구의 종류와 개수를 파악하고 디지털 기록으로 남긴다. 이 기술은 수술실뿐만 아니라 멸균 처리 부서(SPD)의 입고 및 재포장 단계에서도 동일하게 적용되어 전체 공급망의 투명성을 확보한다. 인적 오류를 줄이고 도구 관리의 연속성을 보장하는 안전 장치이다.

다양한 수술 도구들이 바운딩 박스와 함께 탐지된 결과 이미지 모음이다. — Screenshot모델이 여러 종류의 겸자와 가위를 정확하게 분류하고 카운팅하는 실제 성능을 나타낸다. 각 도구 위에 표시된 클래스명과 신뢰도 점수를 통해 탐지 정확도를 확인할 수 있다.

02

실시간 추적의 복잡성을 피하기 위해 수술 시작 전(Opening)과 종료 시(Closing) 두 지점의 상태를 비교하는 전략을 채택했다. 카메라가 트레이 상단에서 수직으로 이미지를 촬영하면, 동일한 추론 워크플로우가 두 시점의 데이터를 각각 JSON 형태로 추출한다. 이 설계는 도구의 이동 경로나 일시적인 가림 현상으로 인한 추적 오류를 원천적으로 차단하고 최종 수량이 시작 시점과 일치하는가라는 핵심 목적에만 집중한다. 시스템 구현 비용을 낮추면서도 실무에서 가장 중요한 검증 단계를 확실히 자동화했다.

수술 전후 두 번의 추론 호출과 비교 리포트 생성 과정을 표시하는 시스템 아키텍처 다이어그램이다. — Diagram수술 전(Opening) 이미지를 통해 기준점을 잡고 수술 후(Closing) 이미지와 대조하여 최종 리포트를 생성하는 전체 파이프라인을 나타낸다. 실시간 추적 대신 체크포인트 기반의 검증 방식을 채택했음을 알 수 있다.

03

객체 탐지를 위해 실시간 성능이 뛰어난 RF-DETR 아키텍처를 선택하고 10가지 주요 수술 도구 클래스를 학습시켰다. Roboflow의 자동 학습 파이프라인을 활용해 별도의 인프라 관리 없이 소형(Small) 모델을 생성하고 서버리스 환경에 배포했다. 509장의 이미지 데이터셋에서 mAP@50 93.2%, 정밀도 83.0%, 재현율 89.5%의 성능을 달성했다. 정밀한 바운딩 박스 어노테이션이 유사한 형태의 수술 도구를 정확히 구분하는 핵심 요인이다.

학습 완료 후 mAP 93.2% 등 성능 지표와 실제 탐지 결과가 포함된 대시보드 화면이다. — ScreenshotRF-DETR Small 모델이 509장의 이미지로 학습되어 높은 정밀도(83.0%)와 재현율(89.5%)을 달성했음을 확인해준다. 실제 수술 도구들이 높은 신뢰도로 탐지되는 예시를 포함한다.

Roboflow Annotate 툴을 사용하여 수술 도구에 바운딩 박스를 지정하는 화면이다. — Screenshot모델 학습을 위해 도구의 경계를 정밀하게 설정하는 과정을 표시한다. 겹쳐진 도구들도 개별적으로 레이블링하여 모델의 인식률을 높이는 작업이 중요함을 나타낸다.

04

Python 기반의 배포 스크립트인 surgical_in.py와 surgical_out.py를 통해 데이터 비교 로직을 완성했다. 첫 번째 스크립트는 수술 전 트레이에서 감지된 도구 수량을 baseline.json으로 저장하고, 두 번째 스크립트는 수술 후 결과와 이를 대조하여 불일치(Mismatch)를 찾아낸다. 도구가 하나라도 부족할 경우 시스템은 ALERT 상태를 반환하고 누락된 도구의 명칭과 수량을 명시한 최종 리포트를 생성한다. 단일 워크플로우를 재사용함으로써 로직의 일관성을 유지하고 유지보수 효율을 극대화했다.

python

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=API_KEY
)

result = client.run_workflow(
    workspace_name=WORKSPACE,
    workflow_id=WORKFLOW_ID,
    images={"image": IMAGE_PATH}
)

preds = result[0]["property_definition_output"]["predictions"]
counts = Counter()
for p in preds:
    if p["confidence"] >= CONF_THRESHOLD:
        counts[p["class"]] += 1

Roboflow 워크플로우를 실행하고 감지된 도구의 클래스별 수량을 집계하는 코드

python

for cls in CLASSES:
    expected = EXPECTED[cls]
    found = FOUND[cls]
    if found == expected:
        status = "OK"
    elif found < expected:
        status = "MISSING"
        mismatches.append({
            "class": cls,
            "expected": expected,
            "found": found,
            "missing": expected - found
        })
    else:
        status = "EXTRA"
        mismatches.append({
            "class": cls,
            "expected": expected,
            "found": found,
            "extra": found - expected
        })

수술 전 기준점(Expected)과 수술 후 결과(Found)를 비교하여 불일치 내역을 추출하는 로직

Roboflow Workflows에서 이미지 입력, 모델 추론, 데이터 변환 블록이 연결된 구조를 나타낸다. — Diagram입력 이미지로부터 RF-DETR 모델이 객체를 탐지하고, 그 결과를 딕셔너리 형태로 변환하여 시각화와 함께 출력하는 내부 로직을 표시한다. 이 워크플로우는 수술 전후 단계에서 동일하게 재사용된다.

수술 시작 전 도구들이 정렬된 트레이의 기준점 이미지이다. — Photo시스템이 수술 전 상태를 파악하기 위해 촬영하는 입력 데이터의 예시이다. 여기에서 감지된 도구 수량이 해당 수술 케이스의 기준 데이터가 된다.

수술 종료 시 도구 하나가 누락된 상태의 트레이 이미지이다. — Photo수술 전 이미지와 비교하여 도구 누락 여부를 판별하는 테스트 데이터이다. 시스템은 이 이미지를 분석하여 특정 도구가 부족함을 감지하고 경고를 발생시킨다.

워크플로우 실행 후 생성된 JSON 예측 데이터와 시각화 결과이다. — Screenshot추론 결과가 구조화된 데이터(JSON)로 출력되어 Python 스크립트에서 수량 비교 로직에 즉시 활용될 수 있음을 나타낸다. 각 객체의 좌표와 클래스 정보가 포함되어 있다.

용어 해설

RF-DETR: — RT-DETR을 기반으로 Roboflow에서 최적화한 실시간 객체 탐지 모델이다. 트랜스포머 구조를 활용해 높은 정확도를 유지하면서도 빠른 추론 속도를 제공하여 의료 현장의 실시간 검증에 적합하다.
평균 정밀도 (mAP@50)(mAP@50): — 객체 탐지 모델의 정확도를 측정하는 대표적인 지표이다. 예측된 박스와 실제 정답 박스의 겹침 영역(IoU)이 50% 이상일 때 정답으로 인정하여 계산한 평균 정밀도를 의미한다.
추론 SDK(Inference SDK): — 학습된 AI 모델을 외부 애플리케이션이나 서비스에 쉽게 통합할 수 있도록 돕는 소프트웨어 도구 모음이다. 이 가이드에서는 Roboflow의 서버리스 API를 호출하여 이미지에서 도구 데이터를 추출하는 데 사용된다.
경계 상자(Bounding Box): — 이미지 내에서 특정 객체의 위치와 크기를 사각형 형태로 지정한 영역이다. 모델 학습 시 정답 레이블로 사용되며, 추론 시에는 탐지된 도구의 위치를 시각화하고 수량을 집계하는 기준이 된다.

기술

RF-DETR
Roboflow Workflows
Python
Inference SDK

활용 사례

수술실 도구 카운팅
멸균 처리 부서(SPD) 입고 관리
수술 전 트레이 세팅 검증
고위험 소형 도구 전용 추적

언급된 리소스

튜토리얼Automate Surgical Instrument Tracking with Computer Vision