- 경추체 영역 분할 모델
● 모델학습
   ● 입력 데이터는 Sagittal view의 경추 CT 영상과 경추체 영역 polygon data 를 사용
   ● 딥러닝에서 주로 의료 이미지 분할 및 세그멘테이션 작업에 사용되는 신경망 아키텍처 중 하나로 
       2015년에 영상 분할을 위해 처음으로 소개되었으며, 특히 의료 영상에서 부종, 종양, 기관 등을 세분화하는 작업에 많이 활용되고 있는 UNet 모델을 사용함.

- 경추 질환 영역 검출 모델
● 모델학습
   ● 입력 데이터는 Sagittal view의 경추 CT 영상과 골극, 후종인대골화증, 추간공 협착증 영역에 대한 bounding box 좌표를 사용
   ● 객체의 클래스와 경계 상자를 동시에 예측 가능하며, 빠른 추론 속도와 높은 정확도를 가지는 YOLOv5 모델을 사용함

● 서비스 활용 시나리오
   ● 자동 분할 및 측정
       - 딥러닝 모델을 사용하여 경추 CT 영상에서 경추체를 자동으로 분할함으로써 의료 전문가는 환자의 해부학적 특성을 빠르게 평가하는데 도움을 줌.
       - 경추체의 크기, 형태 및 위치와 같은 정보를 자동으로 추출하여 이를 기반으로 환자의 건강 상태를 평가하고 치료 계획을 수립할 수 있음.

   ● 진단 보조 도구
       - 딥러닝을 통한 자동 분할은 의료 전문가들에게 정확한 해부학적 정보를 제공하여 진단의 정확성을 향상시킬 수 있음.
       - 병변, 이상 소견, 혹은 진단적으로 중요한 특징들을 시각적으로 강조하고 확인하는 데 도움이 될 수 있음.

   ● 치료 계획과 감시
       - 경추 CT 영상을 기반으로 한 경추체 분할은 수술 전 치료 계획을 수립하거나 수술 중에 실시간 감시에 도움을 줄 수 있음.
       - 치료 후에는 환자의 회복 상태를 추적하고, 필요한 경우 추가 치료 계획을 수정하는 데 사용할 수 있음.

   ● 경추질환 탐지에 대한 자동화와 정확성 향상
       - 경추 질환을 치료하기 위해서는 인공 디스크 치환술이 필요하며, 이를 위해서는 경추 CT 이미지에서 질환 영역을 식별하고 분할하는 기술이 필요함
       - AI 기반으로 경추 CT 이미지에서 자동으로 질환 영역을 식별하고 분할하여 수동적인 진단 방법에 비해 시간과 비용을 절감하여 의료진의 효율성을 향상시킬 수 있음
       - 경추 질환 영역에 대해 위치와 크기를 정확하게 분석하여 전문가 수준의 정확성과 일관성을 제공

   ● 개인 맞춤형 치료 계획 수립
       - 다양한 질환 패턴을 탐지하고 분류하여 환자마다 다른 척추 모양과 크기, 질환을 탐지할 수 있음 
       - AI 기반의 경추 질환 탐지 모델을 통해 정확한 진단 결과를 얻어 개인에게 맞춤형 치료 계획 수립에 활용될 수 있음

- 데이터 구성

- 어노테이션 포맷

- 데이터 포맷

- 실제예시