성형외과 영역에서의 활용 : 백정환의 사각턱재건 (2)
앞선 연재에서 사각턱재건에 3D프린팅 기술이 활용된 사례를 실제 환자를 통해서 알아봤다. 하지만, 현재 이러한 재건 목적에 사용할 수 있는 인체 삽입 가능한 재료는 제한적이다.
현재 주로 사용하는 PMMA(본시멘트)는 과도기적인 재료라 생각된다. 추후 Titanium 또는 PEKK 재료를 활용한 직접 프린팅이 가능한 시점이 온다면 아마도 PMMA(본시멘트)를 활용하는 현재와 같은 방법은 다른 재료로 대체되리라 생각된다. 이러한 판단을 하는 이유 중 하나는 현재 본시멘트 재료가 가진 한계와 문제점 때문이다.
본시멘트 재료를 사용한 재건의 한계점은 다음과 같이 요약할 수 있다.
1. 일단 한번 만들어진 본시멘트(PMMA)는 단단하기에 인체 삽입시 어려움이 있다.
2. 수술후 X-ray 또는 CT 촬영에서 뼈와 같은 모습으로 보인다.
3. 반죽하고 굳는 과정에서 짧은 시간 동안 형태를 만들어야 하고, 이 과정에서 발생하는 열에 의해 변형이 생길수 있다.
오늘은 본시멘트로 재건한 환자의 재수술 case를 통해서 그 단점에 대해서 알아보고자 한다.
Case II
위 사진과 같이 이전 3D프린터의 도움을 받지 않고 재건한 환자의 경우 삽입된 보형물과 환자 자신의 뼈의 구분이 모호하기에 재건 전의 실제 뼈의 모양을 얻기 어려운 점이 있다. 실제 수술에서는 이전 삽입된 본시멘트를 제거하고 남아있는 뼈의 3D CT data를 얻어야 하는데 컴퓨터 프로그램으로 정확하게 본시멘트를 제거하는 것은 정확성을 보장할 수가 없다.
위 경우 턱끝 T절골후 좁아진 턱끝을 다시 벌리고 빈공간에 메드포어를 사용한 case이다. 이 경우 메드포어는 엑스레이상에 나타나지 않기 때문에 고정을 위해 사용한 금속만 컴퓨터 프로그램으로 제거하면되고, 이러한 작업은 비교적 본시멘트의 제거보다는 정확성이 보장된다.
앞선 본시멘트 재건 환자의 경우 다행히 본시멘트 재건 수술전 3D CT가 있기에 그 3D CT data를 사용하여 재건 수술을 진행하였다. 하지만, 이 경우 역시 양악수술시 고정을 위해 사용한 금속 plate & screw로 인해 노이즈가 생기는 단점은 존재한다.
삽입된 본시멘트조각과 양악 수술시 삽입된 금속고정 장치가 관찰된다. 특이한 점은 턱끝의 경우 삽입된 금속고정장치는 제거되지 않고, 그 위에 본시멘트가 덮어져 있다.
좌측의 수술전 모습에서 보이던 본 시멘트는 수술시 제거와 동시에 3D프린터를 활용한 3D Fit PMMA 보형물로 재건 하였다. 수술전에 보이던 울퉁 불퉁한 모습과 고정을 위한 금속들은 모두 3D Fit 보형물 삽입전 제거 하였다.
위의 환자 case처럼 본시멘트 재건 전의 3D CT data가 있는 경우 크게 문제가 되지 않지만, 그러한 data가 없는 환자의 경우는 두 가지 중에 선택을 해야 한다. 1차로 삽입된 본시멘트의 제거 수술을 하고, 3D CT data를 얻은후 다시 수술을 하는 방법과 컴퓨터 프로그램으로 본시멘트를 제거하고 그렇게 얻은 3D CT data를 통해 3D Fit 보형물을 만드는 방법이 그 두 가지이다.
Case III
위 환자 case의 경우 하악각 재건을 위해 본시멘트를 사용하였으나, 재건 수술전에 촬영한 3D CT가 없는 경우였다. 환자와 상의 후 수술은 두 번으로 분리하여 진행하기로 하였고, 그와는 별도로 컴퓨터 프로그램을 통한 삽입된 본시멘트 제거를 시도해 보기로 하였다.
왼쪽은 수술로 제거한 후 획득한 3D CT의 이미지 이고, 우측은 컴퓨터로 제거를 시도한 후의 모습이다. 좌측이 실제 환자의 제거 후 모습에 99% 일치한다면, 우측은 90%정도밖에는 일치하지 않는 결과를 확인하였다. 제거된 3D 이미지를 미리 확인하고 어떤 기준을 갖지 않도록 하기 위하여, 제거수술 전에 우측의 컴퓨터 작업을 하였고, 1차 제거수술 후에 그 둘의 3차원 이미지를 비교하였다. 수술과 컴퓨터상의 이러한 오차를 줄이기 위해서는 수많은 경험과 수작업이 필요함을 깨달았고, 이를 해결하기 위해 프로그램 전문가와 함께 해결책을 찾고 있다.
위 환자의 수술 전후 3D CT 이미지는 다음과 같다.
정면과 아래쪽에서 본 모습에서 3D 프린터의 도움을 받은 수술과 그렇지 않은 수술의 결과를 비교확인할 수 있다.
좌측면의 모습에서도 환자가 원하는 만큼의 하악각 재건과 턱끝 재건이 3D Fit PMMA 보형물로 만들어진 모습을 볼 수 있다.
우측면 역시 좌측과 마찬가지로 하악각과 턱끝의 재건이 이뤄진 모습을 볼수 있다.
이번 case를 경험하면서 환자는 두 번의 수술을 해야만 했다. 이러한 문제점은 의사들의 고민과 노력으로 해결해야 한다고 생각된다. 이 부분을 해결하기 위해서는 CT 이미지의 처리에 보다 많은 소프트웨어적인 기술이 있어야 하고, 가장 간단히는 본시멘트에 첨가되는 엑스레이 불투과 물질의 양을 조절하는 방법도 생각해 볼 수 있을 것이다.
이전 연재에서 뼈의 변화와 연부조직의 변화를 예측 하는 시스템 또는 프로그램을 만들기 위해서는 딥러닝(Deep learinig)이라는 기술이 활용될 수 있을 것이라 언급하였다. 딥러닝이라는 분야는 프로그래밍된 학습과는 조금 다른 개념으로 인간이 어떤 지식을 습득하는 과정을 기계적으로 모방한 기술이라 할 수 있다. 가장 쉽게는 현재 스마트폰에 탑재된 음성 인식 기술이 대표적인 딥러닝의 예라 할 수 있다. 음성인식 분야에서는 이 기술이 거의 완성 단계에 와있다해도 과언이 아니다. 현재 이미지 분야에서는 `인터넷상의 수많은 이미지를 통해 학습한 기계가 고양이 얼굴을 알아서 인식했다` 정도로만 이해해도 될 듯하다.
여기서 중요한 것은 고양이의 이미지는 어떤 특징을 갖는다는 정보판단 알고리즘(Algorism)을 기계에 프로그래밍 하지 않고 수많은 이미지를 통해서 기계가 학습을 하도록 했다는 것이다. 이 기술이 의미가 있는 이유는 의료영역에서 처리하는 방대한 data를 임상 경험을 통하지 않고, 기계가 그 경험을 대신할 수 있다는 가능성 때문이다.
정보의 양은 점점 늘어나는데 인간의 학습 능력은 한계에 부딪치고 있다. 실제 활용가능한 예는 병리학 분야에서 암세포와 일반 세포를 구분하는 병리학자의 역할을 기계가 대신 할 수 있을 것이라는 것과, 성형외과 영역에서는 뼈의 골성변화가 실재 연부조직의 변화를 어느정도 변화시킬지 기계가 정확히 예측할수 있게된다는 뜻이다.
현재 양악 수술 영역과 미용수술 영역에서 골성 변화의 양이 실제 연부조직을 거쳐서 이뤄지는 실물 변화를 예측하는 것은 의사의 임상 경험에 의해 판단되지만, 향후 빅데이터를 통한 딥러닝 기술이 이 분야에 응용된다면, 가상성형의 결과를 위한 보형물이나 골성 변화를 기계가 임상 경험을 대신하여 수치적으로 가이드해 줄 수 있는 시대가 열릴 것이라 판단되기 때문이다. (글=백정환 H성형외과 원장, 블로그)
현재 주로 사용하는 PMMA(본시멘트)는 과도기적인 재료라 생각된다. 추후 Titanium 또는 PEKK 재료를 활용한 직접 프린팅이 가능한 시점이 온다면 아마도 PMMA(본시멘트)를 활용하는 현재와 같은 방법은 다른 재료로 대체되리라 생각된다. 이러한 판단을 하는 이유 중 하나는 현재 본시멘트 재료가 가진 한계와 문제점 때문이다.
본시멘트 재료를 사용한 재건의 한계점은 다음과 같이 요약할 수 있다.
1. 일단 한번 만들어진 본시멘트(PMMA)는 단단하기에 인체 삽입시 어려움이 있다.
2. 수술후 X-ray 또는 CT 촬영에서 뼈와 같은 모습으로 보인다.
3. 반죽하고 굳는 과정에서 짧은 시간 동안 형태를 만들어야 하고, 이 과정에서 발생하는 열에 의해 변형이 생길수 있다.
오늘은 본시멘트로 재건한 환자의 재수술 case를 통해서 그 단점에 대해서 알아보고자 한다.
Case II
위 사진과 같이 이전 3D프린터의 도움을 받지 않고 재건한 환자의 경우 삽입된 보형물과 환자 자신의 뼈의 구분이 모호하기에 재건 전의 실제 뼈의 모양을 얻기 어려운 점이 있다. 실제 수술에서는 이전 삽입된 본시멘트를 제거하고 남아있는 뼈의 3D CT data를 얻어야 하는데 컴퓨터 프로그램으로 정확하게 본시멘트를 제거하는 것은 정확성을 보장할 수가 없다.
위 경우 턱끝 T절골후 좁아진 턱끝을 다시 벌리고 빈공간에 메드포어를 사용한 case이다. 이 경우 메드포어는 엑스레이상에 나타나지 않기 때문에 고정을 위해 사용한 금속만 컴퓨터 프로그램으로 제거하면되고, 이러한 작업은 비교적 본시멘트의 제거보다는 정확성이 보장된다.
앞선 본시멘트 재건 환자의 경우 다행히 본시멘트 재건 수술전 3D CT가 있기에 그 3D CT data를 사용하여 재건 수술을 진행하였다. 하지만, 이 경우 역시 양악수술시 고정을 위해 사용한 금속 plate & screw로 인해 노이즈가 생기는 단점은 존재한다.
삽입된 본시멘트조각과 양악 수술시 삽입된 금속고정 장치가 관찰된다. 특이한 점은 턱끝의 경우 삽입된 금속고정장치는 제거되지 않고, 그 위에 본시멘트가 덮어져 있다.
좌측의 수술전 모습에서 보이던 본 시멘트는 수술시 제거와 동시에 3D프린터를 활용한 3D Fit PMMA 보형물로 재건 하였다. 수술전에 보이던 울퉁 불퉁한 모습과 고정을 위한 금속들은 모두 3D Fit 보형물 삽입전 제거 하였다.
위의 환자 case처럼 본시멘트 재건 전의 3D CT data가 있는 경우 크게 문제가 되지 않지만, 그러한 data가 없는 환자의 경우는 두 가지 중에 선택을 해야 한다. 1차로 삽입된 본시멘트의 제거 수술을 하고, 3D CT data를 얻은후 다시 수술을 하는 방법과 컴퓨터 프로그램으로 본시멘트를 제거하고 그렇게 얻은 3D CT data를 통해 3D Fit 보형물을 만드는 방법이 그 두 가지이다.
Case III
위 환자 case의 경우 하악각 재건을 위해 본시멘트를 사용하였으나, 재건 수술전에 촬영한 3D CT가 없는 경우였다. 환자와 상의 후 수술은 두 번으로 분리하여 진행하기로 하였고, 그와는 별도로 컴퓨터 프로그램을 통한 삽입된 본시멘트 제거를 시도해 보기로 하였다.
왼쪽은 수술로 제거한 후 획득한 3D CT의 이미지 이고, 우측은 컴퓨터로 제거를 시도한 후의 모습이다. 좌측이 실제 환자의 제거 후 모습에 99% 일치한다면, 우측은 90%정도밖에는 일치하지 않는 결과를 확인하였다. 제거된 3D 이미지를 미리 확인하고 어떤 기준을 갖지 않도록 하기 위하여, 제거수술 전에 우측의 컴퓨터 작업을 하였고, 1차 제거수술 후에 그 둘의 3차원 이미지를 비교하였다. 수술과 컴퓨터상의 이러한 오차를 줄이기 위해서는 수많은 경험과 수작업이 필요함을 깨달았고, 이를 해결하기 위해 프로그램 전문가와 함께 해결책을 찾고 있다.
위 환자의 수술 전후 3D CT 이미지는 다음과 같다.
정면과 아래쪽에서 본 모습에서 3D 프린터의 도움을 받은 수술과 그렇지 않은 수술의 결과를 비교확인할 수 있다.
좌측면의 모습에서도 환자가 원하는 만큼의 하악각 재건과 턱끝 재건이 3D Fit PMMA 보형물로 만들어진 모습을 볼 수 있다.
우측면 역시 좌측과 마찬가지로 하악각과 턱끝의 재건이 이뤄진 모습을 볼수 있다.
이번 case를 경험하면서 환자는 두 번의 수술을 해야만 했다. 이러한 문제점은 의사들의 고민과 노력으로 해결해야 한다고 생각된다. 이 부분을 해결하기 위해서는 CT 이미지의 처리에 보다 많은 소프트웨어적인 기술이 있어야 하고, 가장 간단히는 본시멘트에 첨가되는 엑스레이 불투과 물질의 양을 조절하는 방법도 생각해 볼 수 있을 것이다.
이전 연재에서 뼈의 변화와 연부조직의 변화를 예측 하는 시스템 또는 프로그램을 만들기 위해서는 딥러닝(Deep learinig)이라는 기술이 활용될 수 있을 것이라 언급하였다. 딥러닝이라는 분야는 프로그래밍된 학습과는 조금 다른 개념으로 인간이 어떤 지식을 습득하는 과정을 기계적으로 모방한 기술이라 할 수 있다. 가장 쉽게는 현재 스마트폰에 탑재된 음성 인식 기술이 대표적인 딥러닝의 예라 할 수 있다. 음성인식 분야에서는 이 기술이 거의 완성 단계에 와있다해도 과언이 아니다. 현재 이미지 분야에서는 `인터넷상의 수많은 이미지를 통해 학습한 기계가 고양이 얼굴을 알아서 인식했다` 정도로만 이해해도 될 듯하다.
여기서 중요한 것은 고양이의 이미지는 어떤 특징을 갖는다는 정보판단 알고리즘(Algorism)을 기계에 프로그래밍 하지 않고 수많은 이미지를 통해서 기계가 학습을 하도록 했다는 것이다. 이 기술이 의미가 있는 이유는 의료영역에서 처리하는 방대한 data를 임상 경험을 통하지 않고, 기계가 그 경험을 대신할 수 있다는 가능성 때문이다.
정보의 양은 점점 늘어나는데 인간의 학습 능력은 한계에 부딪치고 있다. 실제 활용가능한 예는 병리학 분야에서 암세포와 일반 세포를 구분하는 병리학자의 역할을 기계가 대신 할 수 있을 것이라는 것과, 성형외과 영역에서는 뼈의 골성변화가 실재 연부조직의 변화를 어느정도 변화시킬지 기계가 정확히 예측할수 있게된다는 뜻이다.
현재 양악 수술 영역과 미용수술 영역에서 골성 변화의 양이 실제 연부조직을 거쳐서 이뤄지는 실물 변화를 예측하는 것은 의사의 임상 경험에 의해 판단되지만, 향후 빅데이터를 통한 딥러닝 기술이 이 분야에 응용된다면, 가상성형의 결과를 위한 보형물이나 골성 변화를 기계가 임상 경험을 대신하여 수치적으로 가이드해 줄 수 있는 시대가 열릴 것이라 판단되기 때문이다. (글=백정환 H성형외과 원장, 블로그)
관련뉴스
