수술 도구 추적 자동화를 위한 컴퓨터 비전 가이드

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

수술 도구 카운팅은 환자 체내 도구 잔류 사고를 방지하기 위한 필수적인 절차이지만, 수동 방식은 인적 오류의 위험이 상존한다. 이 시스템은 수술 전후의 도구 트레이 스냅샷을 비교하여 클래스별 수량 일치 여부를 자동으로 검증하는 구조이다. RF-DETR 모델을 활용해 10종의 도구를 식별하며, Roboflow Workflows로 구축된 단일 파이프라인을 통해 수술 시작 시의 기준점(Baseline)과 종료 시의 결과를 대조한다. 실제 테스트 결과 mAP@50 93.2%의 정확도를 기록했으며, 불일치 발생 시 즉각적인 경고(ALERT)와 디지털 리포트를 생성하여 수술실 안전 관리의 신뢰성을 높였다.

배경

Python 기초 지식, Roboflow 계정 및 API 키, 객체 탐지(Object Detection) 개념 이해

대상 독자

의료 AI 솔루션 개발자 및 수술실 운영 효율화에 관심 있는 엔지니어

의미 / 영향

이 기술은 수술실 내 인적 오류로 인한 의료 사고를 획기적으로 줄일 수 있는 저비용 고효율 솔루션을 제공합니다. 특히 멸균 처리 및 재포장 과정의 자동화로 이어져 병원 전체의 자원 관리 효율성을 높이는 데 기여할 것입니다.

섹션별 상세

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.

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.

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.

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

실무 Takeaway

수술 도구 관리의 복잡성을 해결하기 위해 실시간 추적 대신 수술 전후 스냅샷 비교 아키텍처를 도입하여 시스템 안정성과 구현 속도를 동시에 확보한다.
RF-DETR Small 모델을 활용하면 500여 장의 적은 데이터셋으로도 93% 이상의 mAP를 달성할 수 있어 특정 병원이나 진료과별 맞춤형 도구 탐지 시스템 구축이 용이하다.
카메라를 트레이 수직 60-80cm 높이에 고정 설치하여 원근 왜곡을 방지하고 클래스별 오탐지율에 따라 신뢰도 임계값을 개별 조정함으로써 검증의 정확도를 극대화한다.

언급된 리소스

튜토리얼Automate Surgical Instrument Tracking with Computer Vision

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

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 도구 추적 자동화를 위한 컴퓨터 비전 가이드

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

수술 도구 추적 자동화를 위한 컴퓨터 비전 가이드

핵심 요약

배경

대상 독자

의미 / 영향

섹션별 상세

실무 Takeaway

언급된 리소스

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드