devbake 님의 블로그

의료 영상의 역사는 단순한 필름 사진에서 시작되었지만, 오늘날에는 수많은 디지털 장비와 시스템이 고해상도 영상 데이터를 생성하고 분석하며 이를 병원 내외부에서 실시간으로 공유하는 단계에 이르렀다. 이 변화의 핵심에는 의료영상의 디지털화(Digitization)가 있으며, 이 흐름을 가능하게 만든 표준이 바로 DICOM(Digital Imaging and Communications in Medicine)이다. 하지만 디지털화가 완성되었다고 보기에는 이르다. 여전히 PACS 간 상호운용 문제, 클라우드 이식성, AI 모델 통합 어려움, 그리고 DICOM 포맷의 유연성 부족 등 다양한 과제가 남아 있다.이 글에서는 의료영상 디지털화의 과거, 현재, 그리고 미래를 조망하고, DICOM 표준이 어떤 방향으로 진화..

의료 영상 AI 모델을 개발할 때, 가장 먼저 마주하는 문제는 DICOM 데이터의 복잡성과 전처리의 어려움이다.일반 이미지 데이터와 달리, DICOM은 의료 목적에 최적화된 특수 포맷이며 이미지뿐 아니라 환자 정보, 검사 정보, 촬영 파라미터 등 메타데이터를 함께 포함하고 있다. 또한 영상 구조는 단일 이미지가 아닌 Study, Series, Instance의 계층 구조로 이루어져 있고, 영상 장비에 따라 포맷이나 압축 방식이 달라지는 경우도 많다.AI 개발자는 모델 설계 이전에 DICOM 데이터를 정제하고 라벨링하며, 익명화하고 필터링하는 작업을 선행해야 한다.이번 글에서는 AI 개발 관점에서 DICOM 데이터를 어떻게 다뤄야 하는지를 단계별로 정리하고, 필수 도구와 실무 팁까지 함께 소개한다. 1..

의료 영상 분석 AI 모델을 개발하려면, 대량의 고품질 영상 데이터와 정확한 라벨이 반드시 필요하다.그러나 의료영상은 환자 개인정보와 밀접하게 연관되어 있어, 공공 데이터로 확보하기가 쉽지 않다.이런 이유로 글로벌 기관에서는 익명화된 오픈 의료 영상 데이터셋을 제공하고 있으며, 연구자와 개발자는 이를 기반으로 딥러닝 모델을 개발하거나 성능을 비교 평가할 수 있다. 이번 글에서는 대표적인 오픈 의료 영상 데이터셋인 NIH Chest X-ray, TCIA, RSNA, CheXpert, VinDr 등을 소개하고, 각 데이터셋의 다운로드 방식, 라벨 구조, DICOM 여부, 활용 시 주의점 등을 정리한다.특히 AI 학습에 적합한 데이터셋을 고르는 기준과 주제별 분류도 함께 설명한다. 1. NIH Chest X-..

디지털 병원 환경에서 의료 영상은 단독으로 사용되지 않는다.CT나 MRI로 촬영된 영상은 환자의 전자 의무기록(EHR) 또는 병원정보시스템(HIS)과 유기적으로 연동되어야 의료진이 진료 중 실시간으로 참조할 수 있고, 진단, 처방, 협진, 보험 청구 등 의료 행위의 근거로 활용할 수 있다.PACS는 의료영상 데이터를 저장하고 관리하는 시스템이며, EHR 또는 HIS는 환자 정보와 의료 서비스 전체를 관리하는 시스템이다.이 둘의 통합은 단순한 파일 연결이 아니라, 표준 프로토콜과 구조화된 메타데이터를 기반으로 정교하게 이루어진다.이번 글에서는 PACS와 EHR(HIS)의 역할 차이, 연동 방식, 주요 프로토콜(HL7, DICOM 등),실제 병원 시스템 연계 시 고려사항까지 체계적으로 정리한다. 1. PAC..

병원 내 PACS 서버는 대부분 상용 솔루션으로 구축되어 있어, 개발자나 연구자가 직접 접근해 테스트하기 어렵다.하지만 AI 개발, 시스템 연동 실험, 의료영상 데이터셋 구성 등 다양한 작업을 위해 개인 환경에서도 동작 가능한 PACS 서버가 필요하다. 이럴 때 가장 많이 사용되는 오픈소스 서버가 바로 Orthanc이다. Orthanc는 설치가 간편하고, DICOM 수신·조회·전송 기능을 기본으로 제공하며, 웹 기반 인터페이스와 REST API도 지원하여 개발자 친화적인 구조를 갖추고 있다.이번 글에서는 로컬 환경에 Orthanc를 설치하고, DCMTK 등 도구로 실제 C-STORE 전송 테스트를 수행하는 과정을 단계별로 정리한다. 1. Orthanc란 무엇인가?Orthanc는 의료 영상 파일인 DIC..

현대 병원의 의료영상 진료는 단순한 사진 촬영에서 그치지 않는다. 촬영된 영상은 서버에 안전하게 저장되고, 의료진은 언제든지 해당 영상을 열람할 수 있으며, 필요시 외부 기관과의 협진이나 인공지능 분석에도 활용된다.이처럼 병원 내에서 의료영상의 저장, 검색, 전송, 뷰잉을 모두 통합 관리하는 시스템이 바로 PACS (Picture Archiving and Communication System)다. PACS는 CT, MRI, 초음파 등 다양한 장비로부터 DICOM 파일을 수신하고, 이를 의료진이나 시스템 사용자에게 효율적으로 제공하는 핵심 인프라이며, 의료영상의 디지털화와 표준화를 가능하게 한 기반 기술이다.이번 글에서는 PACS의 기본 개념부터 구성 요소, 동작 방식, 실무 적용 사례까지 자세히 정리한다..

의료 영상이 병원 내에서 디지털 방식으로 관리되는 핵심은 서버와 클라이언트 간의 표준화된 통신 프로토콜, 즉 DICOM 네트워크 구조에 있다.CT, MRI 장비 또는 AI 분석 시스템은 클라이언트 역할을 수행하고, 이들이 전송하거나 요청한 정보를 수신·보관하는 PACS 서버가 서버 역할을 한다. 이러한 상호작용은 단순한 데이터 송수신이 아닌, 명확한 역할 분리와 메시지 기반 통신(DIMSE)을 기반으로 수행되며, AE Title, Association, SOP Class, Transfer Syntax 등의 개념이 이를 가능하게 한다.이번 글에서는 클라이언트와 서버가 DICOM 네트워크에서 어떻게 상호작용하며, 실제 전송 요청(C-STORE), 검색 요청(C-FIND), 이미지 요청(C-MOVE) 등의 기..

DICOM은 단순히 파일 포맷이 아니라, 의료영상을 서버 간 교환하고 조회하는 통신 프로토콜까지 포함한 복합 표준이다.병원 내부에서는 CT, MRI 장비에서 생성된 DICOM 파일이 PACS 서버로 전송되고, 의사는 이 서버에서 환자의 검사 결과를 조회하며, AI 시스템은 특정 조건의 영상을 자동으로 가져와 학습에 활용한다.이 모든 과정은 DICOM 통신 명령(C-STORE, C-FIND, C-MOVE 등)을 통해 이루어진다.이번 글에서는 각 명령어의 역할과 흐름, 그리고 서버-클라이언트 간 통신 구조를 정리하고, 실제 PACS 연동이나 DICOM 자동화 시스템 개발에 어떻게 적용되는지를 설명한다. 1. DICOM 통신의 기본 구조DICOM 통신은 Application Entity (AE) 간의 상호작..

의료영상 데이터는 대부분 DICOM 포맷으로 저장되며, 이 포맷은 의료 정보와 이미지 데이터를 함께 담는 구조다.그러나 DICOM은 의료 특화 포맷이기 때문에 일반적인 이미지 뷰어나 웹 브라우저에서는 열 수 없고, AI 모델 학습이나 일반 이미지 처리 도구에서도 바로 활용하기 어렵다.따라서 의료 영상 데이터를 외부에서 활용하거나 비의료 전문가와 공유하려면 DICOM 이미지를 PNG 또는 JPEG 등 범용 이미지 포맷으로 변환해야 한다.이번 글에서는 Python을 이용해 DICOM 파일의 픽셀 데이터를 불러온 뒤 이미지 파일로 변환하는 과정을 단계별로 설명하고, 실제 파일 경로 기반의 일괄 변환 코드 예시까지 제공한다. 1. 준비: 필요한 패키지 설치pip install pydicom numpy matp..

AI 모델에 의료영상 데이터를 적용하거나, DICOM 메타데이터를 분석해야 하는 상황에서는전문 소프트웨어 없이 코드로 직접 DICOM 파일을 다룰 수 있는 방법이 필요하다.Python 기반의 오픈소스 라이브러리인 Pydicom은 이러한 요구를 충족시키며,DICOM 파일을 간단하게 읽고, 태그를 확인하고, 수정하고, 저장하는 작업을 빠르게 수행할 수 있다.특히 AI 연구자나 의료영상 전처리 담당자에게는 GUI 기반 도구보다 훨씬 유연하고 자동화가 가능한 장점이 있다.이번 글에서는 Pydicom의 기본적인 사용법을 예제 코드 중심으로 설명하며, 실제 데이터셋 처리에 바로 적용할 수 있도록 구성했다. 1. Pydicom 설치pip install pydicom// 추가 이미지 처리 필요한 경우pip insta..