Earticle

소아 손목 골절은 성장판과 미성숙 골 구조의 복잡성으로 인해 임상 현장에서 오진율이 높은 영역이며 미세 골절의 정확한 탐지를 위해서 고해상도 영상의 공간 정보 보존이 필수적이다. 그러나 1024px 이상의 고해상도 학습은 한정된 하드웨어자원에서 배치 크기를 극도로 제한시키기 때문에 배치 단위의 통계량에 의존하는 기존 배치 정규화(BN) 모델의 성능과 학습 중 수렴 안정성을 저하시키게 된다. 본 연구는 이러한 공학적 한계를 해결하고자 그룹 정규화(GN) 기반의 고해상도딥러닝 프레임워크를 제안하였다. GRAZPEDWRI 데이터셋을 활용하여 성능을 검증한 결과, 제안된 GN 모델(1024px)은 BN 모델 대비 mAP에서 약 7.4%의 성능 향상(0.381 vs 0.354)을 달성하였다. 특히 맥니마 검정 결과, BN 모델이 놓친 사례 중 44건을 GN 모델이 성공으로 전환시키며 통계적인 유의미한 우위를 입증하였으며(p < 0.001), 연산 효율성 측면에서 GN 768px 모델이 더 높은 해상도의 BN 1024px 모델보다 위양성을 절반 이하로 줄이면서도 유의미하게 우수한 진단 성능을 보였다(p < 0.001 ). 결론적으로, 본 연구의 GN 기반 프레임워크는 자원 제한적인 임상 환경에서도 고해상도 의료 영상 학습의 안정성을 확보하여, 소아 미세 골절 진단의 정확도와 신뢰도를 획기적으로 개선시킬 수 있는 기술적 토대를 마련하였다.

Accurate diagnosis of pediatric wrist fractures is challenging due to complex growth plate structures, necessitating high-resolution deep learning models to detect subtle fracture lines. However, high-resolution training is often hindered by hardware constraints that limit batch sizes, leading to statistical instability and performance degradation in standard Batch Normalization (BN) layers. This study proposes a high-resolution framework utilizing Group Normalization (GN), which operates independently of batch size, to overcome these technical bottlenecks. Evaluations using the GRAZPEDWRI dataset demonstrated that the proposed GN model (1024px) achieved a superior mAP of 0.381 compared to the BN model (0.354) and significantly reduced false positives (10 vs. 75). Notably, the GN 768px model statistically outperformed the higher-resolution BN 1024px model (p < 0.001), proving its superior diagnostic efficiency. These results suggest that the GN-based framework effectively stabilizes high-resolution medical image training under resource-limited environments, significantly enhancing the accuracy and clinical reliability of AI-assisted pediatric fracture detection.