AI-Based Lung Nodule Detection System Using Chest CT Images
환자가 자신의 폐 CT 를 업로드하면 3D 로 재구성하고 결절 의심 부위를 색으로 표시해주는 시스템입니다. "영상 판독까지 평균 수일, 그 사이 환자는 불안 속에 정보 단절을 겪는다" 는 문제를, 진단 대체가 아닌 "진단 전후의 공백을 메우는 참고 도구" 로 풀어보려 한 학부 종합설계 프로젝트입니다. 본인은 6 인 팀 T.O.P 의 PM (Project Manager) 으로 일정·진척도·업무 분담을 관리하고 데이터 전처리를 담당했습니다. 2025년 1학기 의료IT공학과 융합설계 및 프로젝트Ⅰ (종합설계) 의 결과물입니다.
-yellow){kind=icon}
-lightgrey){kind=icon}
최종 발표 표지 — T.O.P (Technology Of Prognosis, "예측 기술") · 2025.06.16 · Ver.1.0.0
본 레포는 2025년 6월 발표 시점의 코드를 그대로 보존합니다. 자매 프로젝트 MedQueue (Xamarin 지원 종료로 빌드 불가) 와 달리, 본 프로젝트는 Python 3.9.21 + PyTorch + Streamlit 환경으로 작성 시점에는 실행 가능했습니다.
다만 다음을 유의해야 직접 실행할 수 있습니다:
- 학습 데이터는 포함되지 않습니다. LIDC-IDRI (TCIA 공개 폐 CT-DICOM) 를 직접 다운로드해야 합니다 (다운로드 가이드).
- 모델 가중치 (
models/dhkstjd.pth, 52 MB) 는 Git LFS 로 push 되어 있습니다. clone 시git lfs pull필요. - 코드 안 경로는 학습 당시 학교 공용 PC 의 절대 경로 (
C:/Users/<PC_A>/Desktop/spiral_torch/...) 가<PC_A>로 마스킹되어 있어, 환경에 맞게 수정해야 합니다. - 실행:
streamlit run src/test2.py
| 항목 | 내용 |
|---|---|
| 시기 | 2025학년도 1학기 (발표: 2025.06.16) |
| 소속 | 건양대학교 의료IT공학과 |
| 과목 | 융합설계 및 프로젝트Ⅰ (종합설계), 3학년 1분반 |
| 지도교수 | 송◯◯ 교수님 |
| 팀 | T.O.P (Technology Of Prognosis, "예측 기술") — 6 인 |
| 팀 구성 | PM 김태경 (, 학번 20615010) / CM ◯◯◯ / QA1 ◯◯◯ / QA2 ◯◯◯ / ENG1 ◯◯◯ / ENG2 ◯◯◯ |
| ** (KimTaeKyoung) 역할** | ★ PM (프로젝트 총괄 · 일정 관리 · 진척도 관리 · 업무 분담) + 데이터 전처리 (DICOM → mesh → vertex) |
| ** 1차 저자 산출물** | 5 종 — 팀프로젝트 편성서 · 프로젝트 제안서 · 초기 개발 기획서 · 개발 완료 보고서 · MS Project |
| AI 모델 / Streamlit UI | ENG1 / ENG2 메인 ( 미담당 — 아래 * 기여* 참조) |
📌 본 프로젝트는 포트폴리오에서 "AI" 부분이 처음 완성된 프로젝트입니다. 이전
MedQueue(환자 대기) ·SchoolbusRFID(어린이 안전) ·ElderCaringApp(노인 케어) 가 앱·IoT 였다면, 본 프로젝트는 첫 본격 딥러닝 의료 영상 프로젝트이자 첫 PM 경험 입니다.
본 프로젝트는 폐 CT 진단을 둘러싼 세 가지 문제에서 출발했습니다:
- 폐암 사망률 1위 — 한국 암 사망 원인 중 폐암이 1위. 조기 발견이 생존율을 크게 좌우합니다.
- 환자 정보 단절 — "환자는 의료진의 설명 없이 CT 결과를 이해할 수 없고, 영상 판독까지 평균 수일 이상 소요된다. 결과 대기 중 발생하는 무력감과 정보 단절은 환자의 치료 경험을 악화시킨다." (O'Sullivan et al. 2017, Munn et al. 2014, Lee & Kim 2023 인용)
- 환자용 시스템 부재 — 기존 영상 판독 시스템은 모두 의료진용. 환자가 "내 CT 가 어떤 상태인지" 스스로 참고할 수 있는 도구는 거의 없습니다.
"환자의 폐 CT 진단 전후 행동 결정을 돕는 보조 수단 제공."
진단을 대체하는 것이 아니라, 진단 전후의 공백을 메우는 참고 도구가 본 프로젝트의 핵심 포지셔닝입니다. 사용자 시나리오:
- CT-DICOM 파일을 zip 으로 압축해 웹사이트에 업로드
- 시스템이 압축을 해제하고 CT 데이터를 처리
- 화면에 폐 CT 영상 + 분석 결과 + 3D 이미지 출력
- 3D 이미지에서 결절 의심 부위를 색으로 표시
- 결과를 파일로 저장해 활용
| 색 | 의미 |
|---|---|
| 회색 점 (Lung BG) | 폐 구조 (예측 대상 아님) |
| 노란 점 (GT Nodule) | 실제 결절 위치 (정답) |
| 빨간 점 (Predicted) | 모델이 예측한 결절 위치 |
| 주황 점 (Correct) | 모델이 예측했고 실제로도 결절인 위치 |
| 영역 | 기술 |
|---|---|
| 언어 / 환경 | Python 3.9.21 · Jupyter Lab |
| 딥러닝 | PyTorch (SpiralNet + PointNet + Transformer + MeshCNN 4-branch 하이브리드) |
| 의료 영상 | pydicom (DICOM 로드) · trimesh + scikit-image marching cubes (mesh 생성) · scipy (3D resample) |
| 웹 UI | Streamlit |
| 시각화 | matplotlib · 3D point cloud rendering |
전체 의존성은 requirements.txt 참조. 본 파일은 코드의 import 문을 분석해 자동 생성되었습니다.
전체 파이프라인은 "DICOM 업로드 → 전처리 → 3D mesh 변환 → 4-branch 모델 추론 → 3D 시각화" 입니다.
┌─────────────────────────────────────────────────────────────────┐
│ 사용자: CT-DICOM zip 업로드 (Streamlit 웹) │
└────────────────────────────┬────────────────────────────────────┘
▼
┌─────────────────────────────────────────────────────────────────┐
│ ★ 데이터 전처리 ( 영역, src/test2.py 12 함수 247 줄) │
│ find_dicom_files → load_scan → get_pixels_hu (HU 변환) │
│ → resample (spacing 보정) → segment_lung_mask (marching cubes) │
│ → mesh 생성 → vertex 7-feature → .npy │
└────────────────────────────┬────────────────────────────────────┘
▼
┌─────────────────────────────────────────────────────────────────┐
│ AI 모델 (ENG 설계·학습): 4-branch 하이브리드 │
│ ┌──────────────┬──────────────┬──────────────┬───────────────┐ │
│ │ ImprovedSpiral│ PointNet │ Transformer │ MeshCNN │ │
│ │ Net (mesh conv│ (point │ (self- │ (edge │ │
│ │ + SE + skip) │ feature) │ attention) │ feature) │ │
│ └──────┬───────┴──────┬───────┴──────┬───────┴───────┬───────┘ │
│ └──── ensemble (spiral+pointnet)/2 ────┘ + 분류 │
└────────────────────────────┬────────────────────────────────────┘
▼
┌─────────────────────────────────────────────────────────────────┐
│ 3D 시각화 (결절 의심 부위 색 표시) + 결과 저장 │
└─────────────────────────────────────────────────────────────────┘
4-branch 하이브리드 모델 (HybridSpiralNetPointNetTransformer) 은 mesh / point cloud / attention / edge 네 관점에서 폐 결절을 탐지합니다:
| Branch | 클래스 | 역할 |
|---|---|---|
| 1 | ImprovedSpiralNet (68줄) |
multi-scale SpiralConv encoder-decoder + Squeeze-Excitation + skip connection |
| 2 | PointNet MLP | point feature → global pooling |
| 3 | SimplePointTransformerBlock |
multi-head self-attention (heads=4) |
| 4 | MeshCNN |
mesh edge feature + 결절 유무 분류 |
학습은 클래스 불균형 대응을 위해 AdaptiveFocalLoss + Dice Loss + Hard Negative Mining 을 통합한 HybridLoss (focal 0.7 / dice 0.3) 를 사용했습니다.
⚠ 정직 명시: 위 모델 구조의 설계·학습은 ENG1 / ENG2 가 메인으로 담당했습니다. 본인 (PM) 의 코드 영역은 데이터 전처리였습니다 — 자세한 분담은 아래 본인 기여 참조.
| Streamlit 메인 화면 | 결과 화면 |
|---|---|
 |
 |
위 영상이 안 보이면
assets/videos/demo_main.mp4직접 재생 (1920×1080, 0:33 — 발표 PPT slide 17 임베드 영상). 실제 Streamlit 사용 녹화는assets/videos/demo_streamlit_recording.mp4(1:26).
"미국 국립 암 연구소(TCIA)가 공개한 폐 CT-DICOM 이미지 데이터셋 사용. train : validation : test 를 8:1:1 비율로 설정."
- 데이터셋: LIDC-IDRI (Lung Image Database Consortium) — TCIA (The Cancer Imaging Archive) 호스팅, 미국 국립 암 연구소(NCI) 공개
- 분할: train : val : test = 8 : 1 : 1
- 전처리: DICOM → HU 변환 → 폐 분할 (marching cubes) → 3D mesh → vertex feature
.npy(★ 본인 영역) - 학습: Google Colab, 46+ epoch (
notebooks/training_log.txt에 loss/F1 진화 보존)
📌 데이터셋은 용량과 라이선스 문제로 레포에 포함하지 않습니다. 위 TCIA 링크에서 직접 다운로드 후 전처리 코드를 실행하세요. 코드 동작 확인용 최소 샘플 한 쌍만
data_sample/에 포함 (35 KB).
"234건의 데이터 중 171건을 맞추며 73.1% 정확도. 실제 결절이 있는 데이터 176건 중 160건을 맞춰 잘 예측함. 결절이 없는 데이터에선 11/58건으로 성능이 낮았음. 데이터 불균형 개선 필요." (발표 slide 15, 본인 발표)
| 지표 | 값 |
|---|---|
| 정확도 | 73.1% (171/234) |
| 양성 재현율 | 90.9% (160/176) |
| 음성 재현율 | 19.0% (11/58) ← ★ 데이터 불균형 |
| 최고 F1 | 0.78 |
음성 재현율 19% 는 "결절이 없는데 있다고 잘못 예측" 하는 경우가 많았다는 뜻입니다. 양성 데이터 (176) 가 음성 (58) 의 3 배인 클래스 불균형이 그대로 드러난 결과로, 발표에서 본인이 직접 "데이터 불균형 개선 필요" 라고 한계를 인정했습니다. 학부 첫 AI 프로젝트의 솔직한 도달점입니다.
팀 프로젝트이므로 본인이 직접 담당한 부분과 팀원이 담당한 부분을 명확히 구분합니다. 이전 프로젝트들 (MedQueue/SchoolbusRFID/ElderCaringApp) 이 "엔지니어로서 특정 모듈 담당" 이었다면, 본 프로젝트는 6 인 팀의 PM 으로 팀 전체를 조율한 첫 경험입니다.
조직도상 본인은 프로젝트 총괄 · 업무 분담 및 일정 관리 · 진척도 관리 를 맡았습니다. 이 책임은 산출물에 데이터로 박혀 있습니다:
| 지표 | 값 |
|---|---|
| 산출물 통합본 166 페이지 중 "김태경" 명시 | 143 페이지 (86%) |
| 그중 "PM 김태경" (명시적 책임자) | 129 페이지 (78%) |
166 페이지 산출물의 86% 에 본인 이름이, 78% 에 "PM 김태경" 이라는 책임자 표기가 들어 있습니다. PM 역할이 단순 직함이 아니라 모든 산출물의 책임자로 일관되게 기록되었음을 보여줍니다.
산출물 21 종 중 5 종을 본인이 1차 저자로 작성했습니다:
| 산출물 | 페이지 |
|---|---|
| 팀프로젝트 편성서 (v2.0.0) | 4 |
| 프로젝트 제안서 (v2.0.0) | 5 |
| 프로젝트 초기 개발 기획서 (v1.0.0) | 9 |
| 개발 완료 보고서 (v2.0.0) | 9 |
| MS Project (일정 관리) | (별도) |
이 4 개 문서산출물 27 페이지를 한 파일로 추출한 것이 docs/deliverables_authored_by_kim_taekyoung.pdf 입니다 (팀원 PII 는 마스킹). MS Project 일정 관리 파일은 .mpp 포맷이라 별도 보관했고, 간트차트는 assets/screenshots/gantt_slide19.png 에서 확인할 수 있습니다.
본인의 코드 영역은 데이터 전처리 (DICOM → mesh → vertex .npy 변환 파이프라인) 였습니다. src/test2.py 안에 관련 함수 12 종 (합계 247 줄) 이 있습니다:
find_dicom_files (DICOM 파일 재귀 검색)
load_scan (DICOM slice 로드 + ImagePositionPatient 정렬)
get_pixels_hu (HU, Hounsfield Unit 변환)
resample (3D zoom, spacing 보정)
segment_lung_mask (marching cubes 폐 분할)
build_features_from_verts (vertex 7-feature 생성)
mesh_load_scan / mesh_get_pixels_hu / mesh_resample / mesh_segment_lung_mask
mesh_lung_mask_to_mesh (marching cubes → trimesh)
preprocess_mesh_single (136줄 — MeshCNN 입력 전처리, 가장 큰 함수)
AI 모델 (4-branch 하이브리드) 의 설계·학습은 ENG1 / ENG2 가 메인으로 담당했습니다. 이는 추측이 아니라 데이터로 확인됩니다 — 학습 노트북 notebooks/Untitled0.ipynb 의 5 개 셀 모두 Google Colab 의 executionInfo.user metadata 에 작성·실행자가 ENG1 (◯◯◯) 으로 자동 기록되어 있습니다 (해당 메타데이터는 마스킹 처리). Streamlit UI 본체 (test2.py 의 웹 페이지 부분) 도 조직도상 ENG 담당입니다.
PM 으로서 팀 전체의 일정과 산출물을 책임지되, AI 모델 학습이라는 핵심 기술 영역은 엔지니어 팀원에게 맡기고 데이터 전처리를 지원했다 — 이것이 본 프로젝트에서 본인의 솔직한 위치입니다.
본인이 MS Project 로 작성·관리한 일정표 (발표 slide 19). 2025년 3월 착수 ~ 6월 발표까지 한 학기 동안 데이터 수집·전처리, 모델 설계·학습, Streamlit 통합, 발표 준비를 단계별로 관리했습니다.
- 환자의 자가 확인 및 결과 대기 불안 완화
- 병원 진단 전·후 참고용 정보로서의 활용
- 진단 대체가 아닌, 공백을 메우는 실용적 참고 도구
- 음성 재현율 19.0% — 데이터 불균형 문제 (위 성능 참조)
- 단일 케이스 중심 학습 — 다양한 케이스 확보 필요
- 발표 slide 21 의 향후 개발 계획: "낮은 '결절 없음' 예측 정확도 향상 / 더 많은 폐 CT 데이터 확보 / 폐 외에도 간·뇌 등 다양한 부위로 확장."
| 자료 | 경로 | 비고 |
|---|---|---|
| 🎤 최종 발표 자료 (44 슬라이드) | docs/presentation_final_redacted.pptx |
Git LFS |
| 🪧 판넬 (성과 전시회) | docs/panel_v1_redacted.pptx · panel_v2 |
Git LFS |
| 📑 개발 완료 보고서 | docs/final_report_redacted.pdf |
한컴 HWP→PDF 변환 |
| 📑 산출물 통합본 (166p) | docs/deliverables_full_redacted.pdf |
팀원 PII 마스킹 |
| ★ 📖 본인 1차 저자 산출물 (27p) | docs/deliverables_authored_by_kim_taekyoung.pdf |
PM 편성서+제안서+기획서+완료보고서 |
| 🤖 메인 모델 가중치 | models/dhkstjd.pth |
Git LFS (52 MB) |
| 📓 학습 노트북 (Colab) | notebooks/Untitled0.ipynb |
ENG1 작성 (metadata 확인) |
| 📓 추론·시각화 노트북 | notebooks/완성이다.ipynb |
한국어 원본명 보존 |
| 📈 학습 로그 (46 epoch) | notebooks/training_log.txt |
loss/F1 진화 |
| 🎬 시연 영상 ×2 | assets/videos/ |
demo_main (0:33) + streamlit_recording (1:26) |
| 🧩 코드 동작용 샘플 | data_sample/ |
A0002 한 쌍 (35 KB) |
📌 본인을 제외한 팀원 5 명·교수 1 명의 이름은 발표 자료·산출물·메타데이터에서
◯◯◯으로 마스킹되었습니다. 학습 데이터 (645 MB) 와 MS Project 원본 (.mpp) 은docs/_archive/local-only/에 보관되어 GitHub 에는 push 되지 않습니다. 산출물 PDF 안 회의 사진의 팀원 얼굴도 제거되었습니다.
본 프로젝트가 인용한 주요 근거 (발표 slide 7, 22-23):
- 환자 정보 단절·대기 불안 관련: O'Sullivan et al. (2017), Munn et al. (2014), Lee & Kim (2023)
- 폐암 사망률 통계: 국가암정보센터·통계청
- 데이터셋: Armato et al., The Lung Image Database Consortium (LIDC-IDRI), Medical Physics (2011)
이 프로젝트는 "의료 AI" 라인이 처음 완성된 시점입니다. 이전 MedQueue, SchoolbusRFID, ElderCaringApp 까지는 의료·케어 도메인의 "앱" 부분이었다면, T.O.P 는 처음으로 본인이 PM 으로 6명 팀을 조율하며 "AI" 부분을 본격적으로 도입한 프로젝트입니다.
본인 영역은 PM 의 일정·진척도·업무 분담 관리, 그리고 데이터 전처리 (DICOM → mesh → vertex .npy 변환) 였습니다. 4-branch 하이브리드 모델 (SpiralNet + PointNet + Transformer + MeshCNN) 자체는 ENG1/ENG2 가 설계·학습했고, 그 사실은 학습 노트북의 Colab metadata 에 작성자로 자동 박제되어 있습니다. 본인은 산출물 21 종 중 5 종의 1차 저자였고, 166 페이지 산출물 중 143 페이지 (86%) 에 책임자 PM 으로 기록되어 있습니다.
테스트셋 234건에서 정확도 73.1%, 음성 재현율 19.0% 의 격차는 학부 첫 AI 프로젝트의 데이터 불균형 문제를 그대로 드러냅니다. 발표에서 본인이 직접 "데이터 불균형 개선 필요" 라고 인정했고, 이 한계 인식이 다음 프로젝트로 이어졌습니다.
흥미로운 건, 본 발표 PPT 안에 이미 이전 프로젝트 와 다음 프로젝트 가 모두 박제되어 있다는 점입니다. Slide 40 에는 "2024 융합설계 II - MAC 메디컬 트윈 폐혈관 모델" 이 본 프로젝트의 3D 모델링 기술 베이스로 명시되어 있고, Slide 44 (시스템 모듈 구조) 에는 "간 결절 탐지 모델 모듈" 이 이미 포함되어 있습니다 — 다음 프로젝트 AILungandLiver (폐·간 확장) 의 출발점입니다. 의료 영상 AI 의 3-step 진화 (폐혈관 MAC → 폐 결절 T.O.P → 폐·간 결절 AILungandLiver) 가 한 발표 자료 안에 박제된 셈입니다. 이 흐름은 이후 seed-project 캡스톤과 sperm-ai 로도 이어집니다.
학부생으로서 처음 PM 을 맡아 6명의 일정과 산출물을 조율한 경험, 그리고 "내가 한 부분과 안 한 부분을 정직하게 구분하는 법" 을 배운 것이 이 프로젝트에서 코드보다 더 오래 남을 것 같습니다.
study-java·study-windows-programming— 프로그래밍 기초 학습
MedQueue— 병원 실시간 대기 정보 제공 앱 (2024-1)SchoolbusRFID— 위치 기반 어린이 하차 태그 (2024-2)ElderCaringApp— 독거노인 건강 모니터링 (2024-2)
- MAC (2024-II) — 메디컬 트윈 폐혈관 모델 (본 프로젝트의 3D 기술 베이스, PPT slide 40 박제)
- LungCT3DNoduleAI (2025-1, 본 프로젝트) — 폐 CT 결절 탐지 (본인 PM)
AILungandLiver— 폐·간 결절 확장 (PPT slide 44 박제된 다음 프로젝트)sperm-ai— AI 정자 운동성 분석seed-project— Team SEED 캡스톤 (현재 진행 중)
LICENSE.md 참조. 본 레포는 학부 팀 프로젝트의 학습 결과물을 포트폴리오 목적으로 공개한 것입니다. LIDC-IDRI 데이터셋은 TCIA 의 Creative Commons Attribution 3.0 라이선스를 따릅니다. 상업적 이용은 팀 합의가 필요합니다.
Author: MoriochoRadio (KimTaeKyoung) · 건양대학교 의료IT공학과 · Team T.O.P PM