AILungandLiver — 간·폐 CT 이미지의 AI 기반 진단 및 3D 시각화 시스템 (L-POT)

🇰🇷 한국어 · 🇬🇧 English

AI-Based Diagnosis and 3D Visualization System for Liver and Lung CT Images

환자가 자신의 간·폐 CT 를 업로드하면 3D 로 재구성하고 결절 의심 부위를 표시해주는 PyQt6 데스크탑 앱입니다. 제품명은 L-POT. 직전 학기 LungCT3DNoduleAI (폐 only, 정확도 78%) 를 폐+간 다중 부위로 확장하고 정확도를 93% 로 끌어올린 후속 프로젝트입니다. 같은 팀 T.O.P 에서, 본인은 직전 학기 PM 에 이어 이번엔 QA (Quality Assurance) 를 단독으로 맡았습니다. 2025년 2학기 의료IT공학과 융합설계 및 프로젝트 + DYC (Design Your Class) 두 수업 병행 결과물입니다.

최종 발표 표지 — L-POT · Team T.O.P · 2025.12.02 · Ver.1.0.0

⚠ 빌드/실행 상태에 관하여

본 레포는 2025년 12월 발표 시점의 코드를 그대로 보존합니다. PyQt6 + PyTorch 데스크탑 앱으로, 작성 시점에는 실행 가능했습니다.

직접 실행하려면:

모델 가중치 (models/new_2.pth 폐 54MB + models/mask_merged_ver4.pth 간 54MB) 는 Git LFS 로 push 되어 있습니다. clone 후 git lfs pull 필요.
학습 데이터는 포함되지 않습니다. 공개 의료 영상 데이터 (산출물 명시 "TCAI, Tainichi 등") 를 직접 준비해야 합니다.
실행: python dashboard_main.py
또는 PyInstaller onefile 빌드: pyinstaller L-POT.spec (단 LPOT.ico 를 프로젝트 루트에 두어야 함)

📌 진입점은 dashboard_main.py 입니다. 루트에 main.py 도 있지만 이것은 실행 불가능한 이전 버전 화석입니다 (아래 본인 톤이 살아있는 코드 참조).

📚 프로젝트 컨텍스트

항목	내용
시기	2025학년도 2학기 (발표: 2025.12.02)
소속	건양대학교 의료IT공학과
수업	융합설계 및 프로젝트 + DYC (Design Your Class) 두 수업 병행
팀	T.O.P (Technology Of Prognosis, "예측 기술") — 직전 학기 LungCT3DNoduleAI 와 같은 팀명
팀 구성 (5명)	PM ◯◯◯ / PL ◯◯◯ / CM ◯◯◯ / QA 김태경 (본인) / ENG ◯◯◯
지도교수	송◯◯ 교수님 + 김◯◯ 교수님
본인 (KimTaeKyoung) 역할	★ QA (Quality Assurance) 단독 — 산출물 품질 관리 · 시스템 위험 요소 관리 · 모델 성능 모니터링
★ 역할 변경	직전 학기 PM (LungCT3DNoduleAI) → 이번 학기 QA — 안 해본 역할을 경험하기 위해 자발적으로 선택

📌 DYC 두 수업 병행: 본 프로젝트는 융합설계 및 프로젝트 수업의 산출물이면서, 동시에 DYC (Design Your Class) 수업을 병행해 진행했습니다. 두 수업의 발표 시점·문서 양식이 따로 있어 같은 시스템에 대해 발표 PPT + 학과 전시회 판넬 + DYC 디지털헬스케어융합 행사 판넬 세 가지를 별도로 만들었습니다.

🔄 직전 프로젝트로부터의 진화 (78% → 93%)

본 프로젝트의 핵심은 직전 학기 LungCT3DNoduleAI 의 연장·발전이라는 점입니다. 발표 slide 6 에 두 학기 비교가 그대로 박제되어 있습니다:

2025-1 프로젝트 (개발 결과) — 흉부 CT 결절 검출, 정확도 78% 2025-2 프로젝트 (개선 사항) — 흉부 및 복부 CT 결절 검출, 정확도 93%

항목	25-1 LungCT3DNoduleAI	25-2 AILungandLiver (L-POT)
도메인	폐 CT 결절	폐 + 간 CT 결절 (다중 부위)
본인 역할	PM (일정·진척도·전처리)	★ QA (품질·위험·시험)
모델 표현	3D Voxel	3D Mesh / Point Cloud
프레임워크	TensorFlow `.h5`	PyTorch `.pth`
아키텍처	4-branch CNN	SpiralNet + PointNet + Transformer hybrid
정확도	78%	★ 93% (+15%p)
인프라	Jupyter/Colab + Streamlit	PyQt6 데스크탑 앱 + exe
팀	T.O.P (6명)	T.O.P (5명, 같은 팀명)

단순히 폐 코드를 간으로 복사한 것이 아닙니다. 표현 자체를 voxel grid 에서 3D mesh 로 바꾼 재설계이고, 노트북·웹앱에서 데스크탑 앱으로 인프라를 바꿨으며, 본인의 역할도 PM 에서 QA 로 바뀌었습니다.

❓ 문제 정의

본 프로젝트는 간·폐 진단을 둘러싼 문제에서 출발했습니다:

폐암·간암 = 국내 암 사망률 1·2위 — 조기 진단 시 5년 생존율이 폐암 20%→61%, 간암 37%→70% 로 크게 상승합니다.
의사 중심 의료, 환자는 수동적 — 어려운 의학 용어 판독지, 시각 자료 부족, 영상 판독까지 수일 소요. 환자는 결과 대기 중 불안 속에서 자신의 상태를 직관적으로 이해할 수 없습니다.
환자용 시스템 부재 — 기존 AI 솔루션은 모두 의료진 전용입니다:

부위	기관	솔루션	사용자
폐	VUNO	Med-LungCT AI™ (식약처 2020)	의료진
폐	DEEP:NOID	DEEP:LUNG (정확도 ~92.2%)	의료진
간	메디컬아이피	DeepFore (식약처 2025)	의료진
간	Quibim	QP-Liver® (유럽 CE)	의료진

→ ★ 모두 의료진 전용. L-POT 의 차별점은 "환자가 직접 사용".

💡 솔루션 — L-POT

"환자 중심의 AI 진단 보조 시스템 — 진단을 대체하지 않고, 진단 전후의 공백을 메우는 참고 도구."

환자 중심 영상 판독 — 환자가 자신의 CT-DICOM 을 직접 업로드
CT 3D 시각화 — 흑백 CT 를 컬러 3D 모델로 변환해 직관적 이해 지원
간·폐 AI 결절 예측 — AI 가 결절(이상 부위) 을 자동 탐지·표시

이 포지셔닝은 본인 포트폴리오의 일관된 메시지입니다 — MedQueue (환자가 직접 대기 현황 확인) 부터 L-POT (환자가 직접 CT 확인) 까지, "의료진이 아니라 환자 본인을 위한 도구".

🛠️ 기술 스택

영역	기술
GUI	PyQt6 (데스크탑 앱) + PyInstaller (onefile exe)
딥러닝	PyTorch (SpiralNet + PointNet + Transformer hybrid)
3D 처리	VTK · Open3D · Trimesh · scikit-image (marching cubes)
의료 영상	pydicom (DICOM) · nibabel (NIfTI)
수치 연산	NumPy · SciPy

전체 의존성은 requirements.txt 참조.

🏗️ 시스템 설계 — 폐·간 통합 OOP

L-POT 의 코드 구조에서 가장 깔끔한 부분은 폐와 간을 OOP 추상화로 통합한 점입니다:

BaseCTPipeline (공통 추상)
  ├── load_ct()                          DICOM 로드
  ├── _compute_f1()                      F1 계산
  ├── _estimate_axial_max_diameter_mm()  "병원식 축단면 최대 직경"
  └── make_result()                      결과 dict
        │
        ▼ (subclass)
OrganCTPipeline(organ: str)
  └── run(folder, model_manager, progress_cb)
        │
        ▼ (각 3줄 stub)
LungPipeline  → super().__init__("lung")
LiverPipeline → super().__init__("liver")

→ ★ 다중 부위 확장 = 3줄짜리 stub 두 개. 폐 코드를 복사해 간 코드를 만든 게 아니라, 공통 로직을 부모 클래스로 빼고 장기 이름만 다르게 넘기는 구조입니다. 이게 "voxel→mesh 재설계" 와 함께 본 프로젝트가 단순 확장이 아니라는 증거입니다.

데이터 흐름

DICOM ZIP 업로드
  │  [utils/dicom_processor.py] zip 풀기 → HU 변환 → [1,1,1]mm resample → lung mask
  ▼
mesh 생성  [utils/mesh_processor.py — 17 free functions + MeshProcessor]
  │  marching cubes → trimesh → ICP alignment → KDTree reorder → (N,7) per-vertex features
  ▼
AI 추론  [models/model_manager.py] predict_for_organ('lung'|'liver', features)
  │  HybridSpiralNetPointNetTransformer → SpiralNet + PointNet/Transformer ensemble → sigmoid
  ▼
결과  [pipelines/common_pipeline.py] F1 + 결절 직경 mm
  ▼
3D 시각화  [pages/dashboard_page.py] matplotlib 3D + 결절 vertex 빨간색 + "임상 판독 대체 안 함" 경고

🤖 모델 구조 — SpiralNet + PointNet + Transformer

models/spiralnet.py 의 6 클래스:

클래스	역할
`SpiralConv`	코어 — mesh vertex 의 spiral neighbor 로 1D convolution
`SpiralBlock`	SpiralConv + residual + dropout
`SEBlock`	Squeeze-Excitation (channel attention)
`ImprovedSpiralNet`	encoder-decoder + SE + multi-scale
`SimplePointTransformerBlock`	multi-head self-attention
`HybridSpiralNetPointNetTransformer`	★ 메인 — SpiralNet branch + PointNet/Transformer branch ensemble

입력: (N_vertices, 7) — (x,y,z) 좌표 3채널 + normal/curvature 4채널
출력: (N_vertices,) — 결절(1)/정상(0) per-vertex 확률 (★ bounding-box 아닌 vertex-level segmentation)
폐/간 동일 아키텍처, 독립 가중치: new_2.pth (폐) + mask_merged_ver4.pth (간)

⚠ 정직 명시: 모델 설계·학습은 ENG/PL 팀원이 메인으로 담당했습니다. 본인 (QA) 의 역할은 모델 성능 모니터링 — 78%→93% 검증과 품질·위험·시험 관리였습니다. 아래 본인 기여 참조.

✨ 주요 기능 / UI

L-POT 는 PyQt6 데스크탑 앱입니다:

DICOM ZIP 자동 풀기 + HU 변환 + 등방성 resample
폐 모드 / 간 모드 라디오 선택
3D 뷰어 (matplotlib 3D, 휠 줌) + 2D CT slice 슬라이더
결절 vertex 빨간색 강조 + F1 + 결절 최대 직경(mm)
"본 시스템은 임상 판독을 대체하지 않습니다" 윤리 경고 상시 표시

시연 영상

위 영상이 안 보이면 assets/videos/demo.mp4 직접 재생 (1920×1080, 0:52 — 발표 PPT slide 12 임베드 영상).

👤 본인 기여 (KimTaeKyoung · QA 단독)

직전 학기 LungCT3DNoduleAI 에서 PM 으로 일정·진척도·산출물을 책임졌다면, 이번 학기는 QA (Quality Assurance) 로 품질·위험·시험을 책임졌습니다. 안 해본 역할을 일부러 골랐습니다.

조직도상 본인 QA 직무 (slide 4): 산출물 품질 관리 · 시스템 위험 요소 관리 · 모델 성능 모니터링.

트랙 1 — QA 1차 저자 산출물 37 페이지

산출물 체계표에 본인이 단독 1차 저자로 명시된 문서 5종, 통합본에서 추출한 것이 docs/deliverables_authored_by_kim_taekyoung.pdf (37 페이지, 팀원 PII 마스킹):

산출물	페이지	내용
품질 관리 계획서	11p	ISO 9126 기반 10 산출물 체크리스트
위험 관리 계획서	9p	10 위험 항목 평가 (5개 치명적)
단위 시험 계획서	8p	시험 환경·시나리오
단위 시험 결과서	5p	시험 결과

트랙 2 — 모델 성능 모니터링 (78% → 93%)

QA 직무의 "모델 성능 모니터링" 은 위 78%→93% 진화 의 검증을 의미합니다. 직전 학기 폐 only 78% 모델의 한계를 알고 있었기에, 폐+간 확장 후 93% 도달까지 성능을 추적·검증하는 것이 본인 역할이었습니다.

트랙 3 — ★ 위험 관리 계획서의 자기 성찰

가장 의미 있는 산출물은 위험 관리 계획서입니다. 본인이 작성한 위험 평가표 (10 항목 중 5개가 "발생 가능성 높음 + 영향 치명적"):

치명적 위험 항목	가능성	영향
모든 팀원이 CT 에 대한 이해 필요	높음	치명적
AI 모델에 대한 지식 부족	높음	치명적
모든 팀원이 딥러닝 및 CT DICOM 에 관한 이해 필요	높음	치명적
개발 환경·도구들의 연동성 필요	높음	치명적
전처리에 대한 지식 부족	높음	치명적

이 위험 항목들은 추상적인 교과서 위험이 아닙니다. 본인이 직전 학기 PM 으로 LungCT3DNoduleAI 를 진행하며 직접 겪은 어려움 그대로입니다. 그때 "AI 모델 지식 부족", "전처리 지식 부족" 으로 고생했던 경험을, 다음 학기 QA 로서 위험 평가표에 "치명적" 으로 박아 넣은 것입니다. 한 학기 전의 시행착오를 다음 학기의 리스크 분석으로 승화시킨 셈입니다.

🧪 성능 / 기대 효과

결절 탐지 정확도 93% (목표 90% 초과, 직전 학기 폐 78% 대비 +15%p)
폐+간 다중 부위 통합
기대 효과: 환자가 자신의 CT 를 직접 확인 → 대기 중 불안 완화 · 질병 이해도 증진 · 치료 순응도 향상

✍️ 본인 톤이 살아있는 코드

이 레포는 완성된 상용 제품 이 아니라 학부 3학년 팀이 처음 폐·간 의료영상 AI 데스크탑 앱을 만든 흔적 그대로입니다.

1) GPT/Claude 활용 흔적 — `:contentReference[]` 마커

# models/model_loader.py line 6
from utils.helper import resource_path  # 프로젝트 루트 기준 경로 가져오기 :contentReference[oaicite:5]{index=5}

:contentReference[oaicite:5]{index=5} 는 ChatGPT/Claude 답변을 복사·붙여넣기 할 때 따라오는 인용 참조 마커입니다. 코드 두 군데 (line 6, 24) 에 그대로 남아 있습니다 — 학부생이 LLM 도움을 받아 코드를 작성한 정직한 흔적입니다. 지우지 않고 보존했습니다.

2) 두 entry point — `main.py` 는 실행 불가능한 화석

루트에 main.py 와 dashboard_main.py 두 진입점이 있습니다. main.py 가 import 하는 4개 모듈 (upload_page, viewer_page, feature_label_viewer_page, utils.model_loader) 은 모두 현재 폴더에 없습니다. 즉 main.py 는 지금 실행하면 ImportError 가 납니다. 학기 중반 UI 구조를 통합하면서 버려진 "화석" 인데, 지우지 않고 남겨 코드 진화의 흔적으로 보존했습니다.

3) 부재 모듈 10개 — 4 페이지 → 1 대시보드 통합

main.py 시절 구조는 페이지가 4개 (upload / viewer / result / feature_label_viewer) 였고, 시각화 utils 가 6개 (ct_loader / lung_3d_viewer / vtk_viewer / viewer_2d / viewer_3d / model_loader) 였습니다. 학기 중반에 이를 1개 대시보드 페이지 + 2개 utils (dicom_processor / mesh_processor) 로 통합했습니다. 버려진 모듈들의 흔적이 __pycache__ 에 남아 있어 통합 전 구조를 역추적할 수 있었습니다.

4) 모델 파일명 — `new_2.pth`, `mask_merged_ver4.pth`

폐 모델은 new_2.pth ("두 번째 새 버전"), 간 모델은 mask_merged_ver4.pth ("마스크 병합 4번째 버전"). 정식 명명 (lung_model.pth) 으로 바꾸지 않고 학습 시행착오의 버전 흔적을 그대로 보존했습니다. 직전 프로젝트의 dhkstjd.pth (한글 IME 오타) 와 같은 결입니다.

5) 판넬 PPT 의 "◯◯◯ (PL) 두 번" 오타

학과·DYC 판넬 PPT 의 참여학생 목록에 PL 이름이 두 번 들어가 있습니다 (마스킹 후 ◯◯◯ (PL), ... , ◯◯◯ (PL)). 발표자료를 급하게 정리하다 생긴 오타로, 정정하지 않고 보존했습니다.

6) 도메인 의식 주석 + 윤리 disclaimer

# pipelines/common_pipeline.py
# 병원에서 보통 쓰는 "축단면 최대 직경" 방식으로 결절 크기를 mm 로 잰다

결절 크기를 "병원식 축단면 최대 직경" 으로 계산하는 주석, 그리고 "본 시스템은 임상 판독을 대체하지 않습니다" 경고를 코드 3곳 (dashboard_page.py, main.py, LICENSE.md) 에 박아 둔 것 — 의료IT 전공생의 도메인 의식과 윤리 자각의 흔적입니다.

7) 양식 물려받기 — 4년 전 학교 템플릿

판넬 PPT 의 생성일이 2021-10-28 입니다. 학과에서 배포한 발표 템플릿을 4년 동안 후배들이 물려받아 쓴 흔적으로, 한국 학부 산출물 문화의 한 단면입니다.

📂 자료실

자료	경로	비고
🎤 최종 발표 (15 슬라이드)	`docs/presentation_redacted.pptx`	Git LFS
🪧 판넬 ×2 (학과 + DYC)	`docs/panel_dept_redacted.pptx` · panel_dyc	Git LFS
📑 사용자 매뉴얼	`docs/user_manual_redacted.pdf`	한컴 HWP→PDF
📑 개발 완료 보고서	`docs/final_report_redacted.pdf`	한컴 HWPX→PDF
📑 산출물 통합본 (162p)	`docs/deliverables_full_redacted.pdf`	팀원 PII 마스킹
★ 📖 본인 1차 저자 (37p)	`docs/deliverables_authored_by_kim_taekyoung.pdf`	QA 품질·위험·시험
🤖 모델 가중치 (폐+간)	`models/`	Git LFS (각 54 MB)
🎬 시연 영상	`assets/videos/demo.mp4`	Git LFS (0:52)

📌 본인을 제외한 팀원 4명·교수 2명의 이름은 발표 자료·산출물·메타데이터에서 ◯◯◯ 으로 마스킹되었습니다. 의료 영상 데이터·MS Project 원본은 docs/_archive/local-only/ 에 보관되어 GitHub 에는 push 되지 않습니다.

📚 참고 자료

발표 slide 14 의 17개 참고문헌 (국가암정보센터 암 사망률 통계, 5년 생존율 보도자료, scanxiety 관련 Cancer Support Community / Cancer.net, 환자 중심 영상 판독 관련 Radiology: AI 저널들, VUNO·Deepnoid·메디컬아이피·Quibim 솔루션 자료 등).

🎯 기술 선택 Q&A — 왜 이렇게 만들었나

위 서술 곳곳에 흩어져 있는 "왜 이렇게 만들었나" 를 한곳에 압축한 요약입니다. 상세한 근거는 각 링크 섹션에 있습니다.

Q1. 왜 voxel 대신 mesh 인가? 직전 학기의 voxel grid + 4-branch CNN (78%) 을 3D mesh + SpiralNet hybrid (93%) 로 표현 자체를 재설계했습니다. mesh 표현이기에 bounding-box 가 아닌 vertex 단위 segmentation 출력이 가능합니다. → 진화 (78%→93%) · 모델 구조

Q2. 폐 코드를 복사해 간 코드를 만든 것 아닌가? 아닙니다. 공통 로직을 BaseCTPipeline 부모 클래스로 올리고 장기 이름만 넘기는 3계층 OOP 구조라, 다중 부위 확장이 3줄짜리 stub 두 개로 끝납니다. → 시스템 설계

Q3. 왜 의료진용이 아니라 환자용인가? 기존 AI 솔루션 (VUNO·DEEP:NOID·메디컬아이피·Quibim) 은 모두 의료진 전용이고, 판독 대기 중 환자의 정보 단절이 출발 문제였기 때문입니다. 진단 대체가 아니라 "진단 전후의 공백을 메우는 참고 도구" 포지셔닝입니다. → 문제 정의 · 솔루션

Q4. 왜 PM 다음에 QA 를 했나? 안 해본 역할을 경험하기 위해 자발적으로 선택했습니다. PM 으로 직접 겪은 시행착오 ("AI 모델 지식 부족", "전처리 지식 부족") 를 QA 위험 관리 계획서의 "치명적 위험" 항목으로 옮겨 적을 수 있었던 것이 역할 변경의 실질적 수확입니다. → 본인 기여

Q5. 왜 TensorFlow → PyTorch, 웹앱 → 데스크탑 앱 (PyQt6) 인가? 전환의 명시적 이유는 당시 산출물에 보존되어 있지 않습니다 (정직 명시). 기록된 사실은, 아키텍처 재설계 (4-branch CNN → SpiralNet hybrid) 와 함께 프레임워크가 .h5 → .pth 로, 인프라가 Jupyter/Colab + Streamlit 웹앱에서 PyQt6 + PyInstaller exe 로 함께 바뀌었다는 것입니다. → 진화 (78%→93%)

✍️ 회고 — PM 에서 QA 로, 78% 에서 93% 로

이 프로젝트는 본인 포트폴리오에서 의료 영상 AI 라인의 정점이자, 같은 시스템을 두 학기에 걸쳐 다른 역할로 경험한 기록입니다.

직전 학기 LungCT3DNoduleAI 에서 본인은 PM 이었습니다. 6명 팀의 일정·진척도·산출물을 책임지면서, "AI 모델 지식이 부족하다", "전처리를 모르겠다" 는 어려움을 직접 겪었습니다. 이번 학기에는 일부러 안 해본 역할인 QA 를 골랐습니다. 그리고 QA 로서 작성한 위험 관리 계획서에, 한 학기 전 PM 으로 겪은 그 어려움들을 "치명적 위험" 으로 박아 넣었습니다. 교과서에서 베낀 위험이 아니라 본인이 직접 통과한 시행착오였기에, 그 위험 평가표는 지금 봐도 가장 솔직한 산출물입니다.

기술적으로도 이 프로젝트는 단순한 확장이 아니었습니다. 폐 only (78%) 에서 폐+간 (93%) 으로 부위를 늘렸고, 모델 표현을 voxel grid 에서 3D mesh 로 바꿨고 (4-branch CNN → SpiralNet+PointNet+Transformer), 인프라를 노트북·웹앱에서 PyQt6 데스크탑 앱으로 옮겼습니다. 폐와 간을 BaseCTPipeline → OrganCTPipeline → Lung/LiverPipeline 3계층 OOP 로 통합한 구조는, "폐 코드를 복사해 간을 만든 게 아니다" 라고 코드 스스로 말합니다.

남기고 싶은 것은 결과 숫자 (93%) 가 아니라 과정입니다. main.py 라는 실행 불가능한 화석, :contentReference[] GPT 마커, new_2.pth 같은 시행착오 파일명 — 이런 흔적들이 "학부 3학년이 처음 폐·간 AI 데스크탑 앱을 만들며 더듬거린 과정" 을 정직하게 보여줍니다. PM 으로 팀을 이끌어 보고, QA 로 품질·위험·시험을 따져 본 두 학기의 경험이, 의료IT·병원정보시스템 분야로 나아가려는 본인에게 코드보다 오래 남을 것 같습니다.

🗂️ 관련 레포

★ 의료 영상 AI 라인 (3-step 진화)

MAC (2024-II) — 메디컬 트윈 폐혈관 모델 (3D 기술 베이스)
LungCT3DNoduleAI (2025-1) — 폐 CT 결절, 78% (본인 PM)
AILungandLiver / L-POT (2025-2, 본 프로젝트) — 폐+간 결절, 93% (본인 QA)

같은 환자 중심 헬스케어 라인

MedQueue — 병원 실시간 대기 정보 (환자가 직접 확인)
SchoolbusRFID — 위치 기반 어린이 하차 태그
ElderCaringApp — 독거노인 건강 모니터링
sperm-ai · seed-project

License

LICENSE.md 참조 (MIT). 본 레포는 학부 팀 프로젝트의 학습 결과물을 포트폴리오 목적으로 공개한 것입니다. 의료 영상 데이터는 각 공개 데이터셋의 라이선스를 따릅니다. 본 시스템은 임상 판독을 대체하지 않으며, 연구·교육 목적의 참고 도구입니다.

Author: MoriochoRadio (KimTaeKyoung) · 건양대학교 의료IT공학과 · Team T.O.P QA · 2025-2 · 발표 2025.12.02

Navigation Menu

Repository files navigation

AILungandLiver — 간·폐 CT 이미지의 AI 기반 진단 및 3D 시각화 시스템 (L-POT)

⚠ 빌드/실행 상태에 관하여

📚 프로젝트 컨텍스트

🔄 직전 프로젝트로부터의 진화 (78% → 93%)

❓ 문제 정의

💡 솔루션 — L-POT

🛠️ 기술 스택

🏗️ 시스템 설계 — 폐·간 통합 OOP

데이터 흐름

🤖 모델 구조 — SpiralNet + PointNet + Transformer

✨ 주요 기능 / UI

시연 영상

👤 본인 기여 (KimTaeKyoung · QA 단독)

트랙 1 — QA 1차 저자 산출물 37 페이지

트랙 2 — 모델 성능 모니터링 (78% → 93%)

트랙 3 — ★ 위험 관리 계획서의 자기 성찰

🧪 성능 / 기대 효과

✍️ 본인 톤이 살아있는 코드

1) GPT/Claude 활용 흔적 — `:contentReference[]` 마커

2) 두 entry point — `main.py` 는 실행 불가능한 화석

3) 부재 모듈 10개 — 4 페이지 → 1 대시보드 통합

4) 모델 파일명 — `new_2.pth`, `mask_merged_ver4.pth`

5) 판넬 PPT 의 "◯◯◯ (PL) 두 번" 오타

6) 도메인 의식 주석 + 윤리 disclaimer

7) 양식 물려받기 — 4년 전 학교 템플릿

📂 자료실

📚 참고 자료

🎯 기술 선택 Q&A — 왜 이렇게 만들었나

✍️ 회고 — PM 에서 QA 로, 78% 에서 93% 로

🗂️ 관련 레포

★ 의료 영상 AI 라인 (3-step 진화)

같은 환자 중심 헬스케어 라인

License

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
assets		assets
docs		docs
models		models
pages		pages
pipelines		pipelines
utils		utils
.gitattributes		.gitattributes
.gitignore		.gitignore
L-POT.spec		L-POT.spec
LICENSE.md		LICENSE.md
README.en.md		README.en.md
README.md		README.md
dashboard_main.py		dashboard_main.py
main.py		main.py
requirements.txt		requirements.txt
test.py		test.py

Latest commit

History

Folders and files

Repository files navigation

AILungandLiver — 간·폐 CT 이미지의 AI 기반 진단 및 3D 시각화 시스템 (L-POT)

⚠ 빌드/실행 상태에 관하여

📚 프로젝트 컨텍스트

🔄 직전 프로젝트로부터의 진화 (78% → 93%)

❓ 문제 정의

💡 솔루션 — L-POT

🛠️ 기술 스택

🏗️ 시스템 설계 — 폐·간 통합 OOP

데이터 흐름

🤖 모델 구조 — SpiralNet + PointNet + Transformer

✨ 주요 기능 / UI

시연 영상

👤 본인 기여 (KimTaeKyoung · QA 단독)

트랙 1 — QA 1차 저자 산출물 37 페이지

트랙 2 — 모델 성능 모니터링 (78% → 93%)

트랙 3 — ★ 위험 관리 계획서의 자기 성찰

🧪 성능 / 기대 효과

✍️ 본인 톤이 살아있는 코드

1) GPT/Claude 활용 흔적 — :contentReference[] 마커

2) 두 entry point — main.py 는 실행 불가능한 화석

3) 부재 모듈 10개 — 4 페이지 → 1 대시보드 통합

4) 모델 파일명 — new_2.pth, mask_merged_ver4.pth

5) 판넬 PPT 의 "◯◯◯ (PL) 두 번" 오타

6) 도메인 의식 주석 + 윤리 disclaimer

7) 양식 물려받기 — 4년 전 학교 템플릿

📂 자료실

📚 참고 자료

🎯 기술 선택 Q&A — 왜 이렇게 만들었나

✍️ 회고 — PM 에서 QA 로, 78% 에서 93% 로

🗂️ 관련 레포

★ 의료 영상 AI 라인 (3-step 진화)

같은 환자 중심 헬스케어 라인

License

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

1) GPT/Claude 활용 흔적 — `:contentReference[]` 마커

2) 두 entry point — `main.py` 는 실행 불가능한 화석

4) 모델 파일명 — `new_2.pth`, `mask_merged_ver4.pth`