AI가 초음파 영상을 재발명하다 — Raw 데이터에서 직접 학습하는 시대

초음파, 이미지가 아니라 '소리'다

초음파 검사를 떠올리면 흑백 화면 위의 흐릿한 영상이 먼저 생각납니다. 하지만 초음파의 본질은 영상이 아니라 소리입니다. 수백만 개의 미세한 에코가 신체 조직을 통과하며 돌아오고, 이를 재구성(Reconstruction)해 임상의가 보는 화면이 만들어집니다. 문제는 이 재구성 과정에서 수십 년간 '체내 음속은 일정하다'는 단순화된 가정이 사용되어 왔고, 원시 신호에 담긴 풍부한 물리 정보가 상당 부분 버려져 왔다는 점입니다.

NVIDIA와 Siemens Healthineers가 4월 28일 공개한 NV-Raw2Insights-US는 이 한계를 정면으로 돌파합니다. 완성된 영상이 아닌 초음파 프로브의 **원시 채널 데이터(Raw Channel Data)**에서 직접 학습하여, 환자 개인별 음속 맵(Speed-of-Sound Map)을 실시간으로 생성합니다.

Raw2Insights — 전통 파이프라인을 넘어서

기존 방식의 한계

전통적 초음파 영상 생성은 빔포밍(Beamforming)이라는 수작업 설계된 파이프라인을 거칩니다. 이 과정에서 음속 가정, 신호 압축 등으로 인해 원본 데이터의 정보량이 크게 줄어듭니다. 체형, 조직 구성이 다른 환자 모두에게 동일한 가정을 적용하니 영상 품질에 한계가 있었습니다.

AI가 '듣는' 방식

NV-Raw2Insights-US는 Physics-Informed AI(물리 정보 기반 AI) 접근법을 취합니다. 모델이 음파가 실제로 조직과 상호작용하는 방식을 학습하기 때문에, 환자마다 다른 음속 분포를 한 번의 AI 추론(Inference)으로 추정합니다. 기존에는 복잡한 계산이 필요했던 작업이 실시간 처리로 전환된 것입니다.

배포 아키텍처

실제 임상 배포에는 NVIDIA Holoscan Sensor Bridge(HSB)라는 오픈소스 FPGA IP가 활용됩니다. 기존 초음파 스캐너의 DisplayPort 출력에서 원시 데이터를 추출하고, RoCE(RDMA over Converged Ethernet, 원격 직접 메모리 접근 이더넷)를 통해 GPU로 전송합니다. 기존 장비를 교체하지 않고 소프트웨어만으로 AI 가속을 추가할 수 있다는 점이 핵심입니다.

교육 분야에 던지는 시사점

1. 의료 AI 연구의 새 방향

지금까지 의료 AI 연구 대부분은 완성된 영상(CT, MRI, X-ray 이미지)에 딥러닝을 적용하는 방식이었습니다. Raw2Insights는 센서 원시 데이터 단계로 AI 적용 지점을 앞당긴 것으로, 의공학·컴퓨터과학 전공 학생들에게 완전히 새로운 연구 영역을 열어줍니다.

2. 물리 기반 AI(Physics-Informed Neural Networks) 트렌드

순수 데이터 기반 학습을 넘어, 물리 법칙을 모델 구조에 내재화하는 PINN(Physics-Informed Neural Network) 접근법이 의료뿐 아니라 재료과학, 기상예측, 반도체 설계 등으로 확산되고 있습니다. 이공계 학생이라면 주목해야 할 융합 분야입니다.

3. 오픈소스로 직접 실습 가능

NVIDIA는 모델 가중치, 데이터셋, GitHub 코드를 모두 공개했습니다. NVIDIA Holoscan SDK와 함께 제공되므로, GPU가 있는 환경이라면 학생도 직접 파이프라인을 구성하고 실험해볼 수 있습니다.

한편, 한·베 과학기술 협력에서도 AI 인재 양성 본격화

같은 주간에 열린 한국-베트남 과학기술혁신 포럼에서는 AI 분야를 포함한 10건의 MoU가 체결되었습니다. 특히 정보통신산업진흥원(NIPA)과 베트남 ICT 산업청·국가혁신센터 간 AI 우수사례 공유 및 인력양성 협력이 눈에 띕니다. 양자컴퓨팅, 우주기술 등 첨단 분야에서의 석·박사급 인재 공동 양성도 마스터플랜에 포함되어, 이공계 대학원 진학을 고려하는 학생들에게 새로운 국제 협력 기회가 될 수 있습니다.

학생 활용법

의료 AI나 센서 데이터 처리에 관심 있는 학생은 NVIDIA의 NV-Raw2Insights-US GitHub 저장소에서 코드와 데이터셋을 내려받아 직접 실험해볼 수 있습니다. Physics-Informed AI 논문을 함께 읽으며 물리+딥러닝 융합 역량을 키워두면, 의공학·로보틱스·자율주행 등 센서 중심 AI 분야 취업·연구에서 차별화된 경쟁력이 됩니다.