Python으로 의료 영상(Medical Imaging) 처리 – CT/MRI 이미지 분석 기초

 

 

1. 의료 영상 처리가 연구 주제가 아닌 ‘운영 문제’가 된 순간

CT와 MRI 영상 분석은 교과서적으로는 매우 정제된 분야처럼 보인다. 하지만 실제 현장에서 이 기술을 다루기 시작하면, 가장 먼저 마주하는 것은 알고리즘이 아니라 데이터의 불완전함이다.
필자가 의료 영상 처리 파이프라인 구축에 참여했을 당시, 가장 큰 문제는 분석 정확도가 아니라 “같은 환자 데이터인데 왜 매번 결과가 다르게 보이느냐”는 현장의 질문이었다. 이때 의료 영상 처리는 연구가 아닌 운영 공정이라는 사실을 분명히 인식하게 되었다.

---

2. CT/MRI 이미지는 일반 이미지와 전혀 다르다

의료 영상은 JPEG나 PNG처럼 단순한 이미지 파일이 아니다. 픽셀 하나하나가 물리적 의미를 가진 신호이며, 밝기 값은 임의로 바꿀 수 없는 정보다.
초기에는 일반 이미지 처리 습관대로 대비를 조정하거나 필터를 적용했다가, 영상 전문의로부터 “임상적으로 해석 불가능해졌다”는 피드백을 받았다. 이 경험을 통해 의료 영상에서는 “보기 좋은 결과”보다 정보 보존이 최우선이라는 기준이 생겼다.

---

3. 의료 영상 처리에서 가장 먼저 무너지는 가정

가장 먼저 깨진 가정은 “모든 영상은 같은 스케일을 가진다”는 생각이었다.
CT는 장비, 병원, 촬영 프로토콜에 따라 픽셀 값의 분포가 크게 달라진다. MRI는 시퀀스별로 완전히 다른 특성을 가진다. 이 차이를 무시하면 같은 병변도 전혀 다른 형태로 분석된다.
따라서 의료 영상 처리의 출발점은 모델이 아니라 정규화 기준 설정이었다.

---

4. Python 기반 의료 영상 공정의 실제 흐름

실제 운영에 적용한 공정은 다음과 같은 단계로 구성되었다.
DICOM 로딩 → 메타데이터 검증 → 스케일 정규화 → 관심 영역 추출 → 분석 또는 시각화.
여기서 가장 중요한 단계는 눈에 잘 띄지 않는 메타데이터 검증이다. 촬영 각도, 슬라이스 간격, 픽셀 스페이싱이 다르면 이후 모든 분석이 왜곡된다.

---

5. 현장에서 가장 자주 발생했던 CT 영상 문제

CT 영상에서 가장 흔한 문제는 윈도우 설정의 불일치였다.
같은 장기라도 어떤 영상은 너무 밝고, 어떤 영상은 지나치게 어둡게 보였다. 이는 병변이 아니라 표시 방식의 문제였다. 이를 해결하지 않으면 AI 분석 이전에 사람의 판단부터 흔들린다.
그래서 모든 CT 영상은 동일한 기준으로 재정렬된 뒤에만 다음 단계로 넘어가도록 공정을 고정했다.

---

6. Python으로 CT 영상 정규화 처리 예제

import pydicom
import numpy as np

ds = pydicom.dcmread("ct.dcm")
img = ds.pixel_array.astype(np.float32)

img = img * ds.RescaleSlope + ds.RescaleIntercept
img = np.clip(img, -1000, 400)

---

코드 부가 설명

이 코드는 CT 영상의 픽셀 값을 실제 Hounsfield Unit 기준으로 변환한 뒤, 임상적으로 의미 있는 범위로 제한하는 예제다.
이 과정을 거치지 않으면 같은 CT라도 장비마다 전혀 다른 명암 분포를 가지게 된다. 실제 공정에서는 이 단계가 모든 분석의 기준점 역할을 했다.

---

7. MRI 영상 처리에서 예상하지 못한 변수

MRI는 CT보다 훨씬 복잡했다. 가장 큰 문제는 명확한 기준 축이 없다는 점이었다.
같은 부위라도 촬영 시퀀스에 따라 조직의 밝기가 완전히 달라진다. 이 때문에 하나의 보정 규칙으로 모든 MRI를 처리하려던 시도는 실패로 끝났다.
결국 MRI는 “영상 자체를 이해하려 하지 말고, 시퀀스를 먼저 분류하자”는 방향으로 접근을 바꿨다.

---

8. 의료 영상에서 노이즈 제거가 어려운 이유

일반 이미지에서는 노이즈 제거가 긍정적인 효과를 낸다. 그러나 의료 영상에서는 노이즈처럼 보이는 정보가 실제 병변 신호인 경우가 많다.
초기에는 노이즈 제거 필터를 적용했다가, 미세 병변이 사라지는 문제를 경험했다. 이후 노이즈 제거는 시각화 용도와 분석 용도를 명확히 분리해 적용했다.

---

9. 데스크톱과 모바일에서 영상이 다르게 보이는 문제

의료 영상 결과를 확인하는 환경도 변수였다.
모바일에서는 문제가 없어 보이던 영상이, 대형 모니터에서는 계조 단절이 드러나는 경우가 잦았다. 이후 모든 검증은 항상 가장 해상도가 높은 환경에서 수행하도록 기준을 변경했다. 이는 결과 신뢰도를 크게 높였다.

---

10. 의료 영상 처리에서 사람이 반드시 개입해야 하는 지점

완전 자동화는 의료 영상에서는 현실적이지 않았다.
특정 단계에서는 반드시 사람이 “이 영상은 정상 범주에 속하는가”를 판단해야 한다. 자동화는 판단을 대신하는 것이 아니라, 판단이 필요한 지점을 줄여주는 도구로 작동할 때 가장 안정적이었다.

---

11. 결론: 의료 영상 처리는 알고리즘보다 기준의 문제다

Python으로 CT/MRI 의료 영상을 다루며 얻은 가장 큰 교훈은, 이 분야의 핵심은 모델이나 수식이 아니라 기준을 어떻게 세우느냐에 있다는 점이다.
영상 처리 자체보다, 어떤 상태를 정상으로 볼 것인지, 어디까지를 허용할 것인지가 결과를 결정한다.
의료 영상 처리는 기술 문제가 아니라, 공정과 책임의 문제로 접근해야 비로소 실무에서 의미를 가진다.