Earticle

초록

영어

The advent of the digital age has brought significant changes to our daily lives, and smartphones and computers have established themselves as essential tools for modern people. Among these, one of the representative health problems that has emerged alongside the increase in smartphone usage is cervical neck syndrome. This study aimed to propose a classification model using the open-source software Orange3 to analyze Lordotic and Straight X-ray images of the cervical spine and to investigate the diagnosis rate of cervical neck syndrome. From September 15 to November 14, 2025, IRB-approved lateral cervical spine images were classified into Lordotic and Straight categories, with 1,200 images of each category used for training and 400 images of each category used for diagnosis. The resolution of the training and diagnosis images was changed to a size of 512×677. When the number of cross-validation splits was 5, the average score per test item was highest for the Neural Network at 0.790, followed by the Stack at 0.749, the SVM at 0.661, and the Random Forest at 0.640. The recall for each model was highest for Neural Network at 0.668, followed by Stack at 0.665, SVM at 0.438, and Random Forest at 0.406.The Neural Network that correctly identified Lodotic as Lodotic in Lodotic Images was the highest at 362 (90.5%), followed by Stack at 359 (89.7%), Random Forest at 334 (83.5%), and SVM at 324 (81%). For Straight Images, the Neural Network that correctly identified Straight as Straight was the highest at 305 (76.25%), followed by Stack at 299 (74.7%), SVM at 259 (64.75%), and Random Forest at 223 (55.75%). Regarding 800 images for interpretation, the correlation between the number of folds and model-specific recall showed that the number of folds for each model had a correlation of 0.997 with the recall of both the Neural Network and Stak, and this correlation was found to be highly significant (p<0.001). This study is considered to provide statistical foundational data for medical image analysis, and we look forward to the establishment of professional solutions for medical image interpretation.

한국어

디지털 시대의 도래는 우리의 일상에 큰 변화를 가져왔으며, 스마트폰과 컴퓨터는 현대인들에게 필수적인 도구로 자리잡았다. 그 중에서도 스마트폰 사용의 증가와 함께 발생한 대표적인 건강 문제 중 하나가 바로 경추목증후군이다. 본 연구에서는 오픈소스 소프트웨어로 Orange3를 이용하여 X선 경추 측면 영상의 Lordotic Image와 Straight Image를 이용하여 분류모델을 제시하고, 경추 증후군의 판독 율을 알아보고자 하였다. 2025년 9월15일부터 11월14일까지 IRB승인을 받은 경추 측면 영상을 Lorotic과 Straight로 분류하여 학습용 이미지 각각 1200장, 판독용 이미지 각각 400장을 사용하였다. 학습 및 판독된 영상의 해상도는 ″512×677″ 사이즈로 변경하였다. 교차 검증의 분할 수가 5일 경우 테스트 항목별 평균점수가 Neural Network가 0.790으로 가장 높았으며 Stack가 0.749, SVM이 0.661, Random Forest가 0.640의 순이었다. 각 모델별 Recall은 Neural Network가 0. 668로 가장 높았으며 Stack가 0.665, SVM이 0.438, Random Forest가 0.406의 순이었다. Lodotic Image의 Lodotic을 Lodotic으로 바르게 판독한 Neural Network가 362(90.5%)로 가장 높았으며, Stack가 359(89.7%), Random Forest 334(83.5%), SVM이 324(81%)의 순이었다. Straight Image의 경우 Straight을 Straight로 바르게 판독한 Neural Network가 305(76.25%)로 가장 높았으며, Stack가 299(74.7%), SVM이 259(64.75%), Random Forest 223(55.75%)의 순이었다. 판독용 이미지 800장에 대하여 Fold 수와 모델별 Recall에 대한 상관관계는 각 모델의 Fold수는 Neural Network와 Stak의 Recall과는 0.997의 상관관계를 가지고 있으며 이러한 상관관계는 매우 유의한 것으로 나타났다.(p<0.001) 본 연구는 의료영상 분석을 위한 통계적인 기초자료라고 판단되며, 의료영상을 판독하기 위한 전문적인 솔루션이 정착되기를 기대한다.

목차

Abstract
Ⅰ. 서론
Ⅱ. 실험 재료 및 방법
1. 조사대상
2. 실험방법
3. 자료 분석
Ⅲ. 결과
1. 각 모델과 테스트 항목별 점수
2. 각 모델별 Recall에 대한 ROC곡선
3. Fold 수에 따른 Recall
4. 각 모델별 판독률
5. Fold 수와 각 모델별 Recall의 상관관계
Ⅳ. 고찰 및 결론
참고문헌
요약

키워드

저자

• Jeong-Kyu Park [ 박정규 | Department of Radiology, Dae Gu Health College ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  대한디지털의료영상학회논문지 [Korean Journal of Digital Imaging in Medicine]

• 간기

  연3회

• pISSN

  1976-7641

• 수록기간

  1995~2026

• 십진분류

  KDC 510 DDC 610