X‑레이 기반 무릎 수술 계획을 위한 다중 작업 위치추정 및 분할 자동화

본 논문은 무릎 수술, 특히 내측 무릎인대(MPFL) 재건술에서 필수적인 골 랜드마크와 뼈 구조를 자동으로 추출하는 통합 딥러닝 프레임워크를 제시한다. 기존의 수술 계획은 외과의가 X‑레이 영상을 직접 보고 해부학적 지점을 손으로 표시하고, 이를 기반으로 수술용 가이드를 설계한다. 이러한 수작업 과정은 관찰자 간 변동성, 시간 소모, 그리고 멸균 환경에서의 비효율성을 초래한다. 이를 해결하고자 저자들은 149장의 전통적인 측면 무릎 X‑레이를 이용해 Stacked Hourglass Network(SHGN)를 기반으로 한 다중 작업 학습 모델을 구축하였다. 네트워크는 4개의 Hourglass 모듈(L=4)로 구성되며, 각 모듈은 인코더‑디코더 구조를 통해 다중 스케일 특징을 추출한다. 모듈 간 잔차 병목(Bottleneck) 레이어는 공유된 특징을 유지하면서, 이후에 세 개의 작업별 예측 헤드(랜드마크 히트맵, ROI 히트맵, 뼈 마스크)를 분리한다. 랜드마크와 ROI는 2D 정규화 가우시안 히트맵 형태로 라벨링되며, L2 손실을 사용해 학습한다. 뼈 세그멘테이션은 다중 라벨 바이너리 교차 엔트로피 손실을 적용하고, 겹치는 영역에 대한 페널티 β를 도입해 오류를 억제한다. 다중 작업 간 손실 균형을 위해 GradNorm을 변형하여 깊이 감독(deep supervision) 환경에 적용하였다. 각 HG 모듈의 공유 병목 레이어에서 손실 기울기를 측정하고, 이를 기반으로 작업별 가중치 w