1979년 노벨 생리의학상 — 코맥과 하운스필드, X선과 컴퓨터로 몸 내부를 3차원 재구성하다

이 글을 읽으면

석사 학위만 가진 물리학자 코맥과 학사 학위조차 없는 회사 연구원 하운스필드가 어떻게 20세기 의학 진단을 근본에서 바꾼 컴퓨터단층촬영(CT) 을 만들었는지, 왜 이 발견이 역문제(inverse problem) 해결의 대표적 사례가 됐는지, 그리고 오늘 MRI·PET·초음파 등 모든 단면 영상 진단의 뿌리가 된 이야기를 이해하게 됩니다.

상식과 다른 이야기 — 몸을 열지 않고 안을 3차원으로 보다

이 발견의 배경부터 정리합시다. X선은 초기에는 골절·결핵·폐렴 등의 진단에 쓰였고, 제1차 세계대전에서 몸에 박힌 총알이나 파편을 제거하는 데 결정적인 공을 세우며 널리 알려집니다. 그러나 X선을 임상적으로 훨씬 더 넓게 활용하기까지는 오랜 시간이 필요했습니다.

코맥은 본래 원자를 구성하는 소립자 간 상호작용을 연구하던 물리학자였지만, X선 단층 촬영기 제작에 필요한 물리학·수학적 기초를 정립하는 작업에도 손을 뻗습니다. 1960년대 중반부터 그는 밀도가 서로 다른 조직의 X선 영상에 관심을 갖기 시작했고, X선과 컴퓨터를 결합한 컴퓨터단층촬영술(Computer Assisted Tomography, CAT 또는 CT)의 수학·물리학적 기초를 확립합니다.

결정적 문제: X선은 몸을 통과할 때 조직에 따라 다른 정도로 흡수됩니다. 그러나 X선 촬영은 3차원 몸을 2차원 평면에 투영한 것 — 여러 층의 조직 신호가 하나의 이미지로 합쳐집니다. 뼈 뒤의 심장, 심장 뒤의 폐 등의 세부 구조가 겹쳐서 흐릿하게 나옴.

해결책: 몸을 여러 각도에서 X선으로 촬영한 뒤, 컴퓨터가 이 여러 각도의 데이터를 종합해 각 위치의 밀도를 계산으로 복원. 여러 각도의 2D 투영들에서 3D 원본 정보를 역산하는 것이 CT의 근본 원리.

CS의 언어로 이 문제는 역문제(inverse problem) 의 대표 사례입니다. 순방향은 "3D 물체 → 2D 투영"이 자연스러운데, 역방향은 "여러 2D 투영 → 3D 물체"를 계산으로 복원. 정보의 흐름을 되돌리는 것.

시대의 풍경 — 20세기 후반 결정적 변곡점

1979년은 20세기 후반의 여러 결정적 변곡점이 겹친 해였습니다.

세계사에서는 1월 이란 팔레비 왕조 붕괴 — 2월 호메이니 귀국으로 이란 혁명 완성. 중동 정치의 대전환. 12월 소련 아프가니스탄 침공 — 이후 10년의 아프간 전쟁의 시작, 소련 붕괴의 결정적 요인 중 하나. 5월 마거릿 대처 영국 총리 취임 — 최초 여성 총리, 신자유주의 시대의 서곡. 3월 스리마일 원전 사고 — 미국 최악의 원전 사고, 원자력 산업 신뢰의 결정적 훼손.

한국사에서는 10월 26일 박정희 대통령 시해 사건(10·26) — 중앙정보부장 김재규가 궁정동 안가에서 대통령 시해. 유신 체제의 종말. 12월 12일 12·12 사태 — 전두환·노태우 신군부의 정승화 육군참모총장 체포 쿠데타. 이후 신군부 시대의 시작.

한 해에 한국의 정치 지형이 두 번 뒤집힌 결정적 해였습니다. 그리고 이 해에 노벨 위원회가 CT를 인정했습니다 — 여러 각도에서 관찰해야 실체를 알 수 있다는 원리가 정치에서도 시대의 요구였을지 모릅니다.

코맥 — 석사 학위 뿐인 대학 교수

앨런 코맥(Allan M. Cormack, 1924~1998) 은 미국 물리학자(남아프리카공화국 출신). 케이프타운대학교 석사(1944) — 여기서 특이한 점을 짚어 둘 필요가 있습니다.

대부분의 노벨상 수상자는 명문대·대학원에서 학위를 마친 뒤 연구를 이어간 인물들입니다. 그러나 코맥은 최고 학력이 석사인 상태에서 대학교수를 역임했고, 하운스필드는 정규 대학의 학사 학위조차 없이 평생 회사에서 연구하며 노벨상을 수상한 인물입니다. 이 두 사람의 궤적 자체가 이 상의 특별한 대목입니다.

그의 배경을 좀 더 짚어 봅시다. 코맥은 1924년 남아프리카공화국 요하네스버그의 음악을 좋아하는 가정에서 자랐습니다. 고교 시절에는 음악·연극·운동을 즐겼고, 특히 천문학에 몰두했습니다. 좋아하던 천문학을 더 깊이 이해하기 위해 수학과 물리학을 독학했는데, 이때 익힌 수학이 훗날 그의 연구에 결정적 도움이 됐다고 전합니다. 이후 그는 좋아하던 천문학을 접고 케이프타운대에서 실용적인 전기공학을 전공해 학사·석사 과정을 마쳤고, 이어 물리학에 매료돼 영국 케임브리지 캐번디시 연구소에서 최첨단 원자핵 물리학을 연구합니다.

독학한 수학이 반세기 뒤 CT의 수학 기초가 됨 — 청년기의 관심이 어떻게 예기치 않은 방향으로 열매를 맺을 수 있는지의 사례.

결정적 계기. 그가 밀도가 다른 조직이나 부드러운 조직의 X선 영상 문제에 관심을 갖게 된 계기는 순수 학문이 아니었습니다. 케이프타운의 한 병원 방사선과에서 비상근 물리학자로 일하던 시간이 그 시작이었습니다.

병원 방사선과의 파트타임 일이 계기였습니다. 학문적 연구가 아니라 임상 현장의 실제 문제가.

미국의 대학에서 근무하는 동안에도 컴퓨터 단층촬영술 연구는 그의 주 연구 분야가 아니었고, 시간이 날 때마다 이 문제를 틈틈이 구상하는 정도였습니다. 그는 1963년과 1964년에 CAT에 관한 논문을 발표했지만 학계의 호응이 미미하자 한동안 연구를 중단했고, 이후 1970년부터 1972년까지 다시 연구를 이어가며 CAT의 수학 이론을 정리해 발표합니다. 그러나 흥미로운 사실 하나 — 하운스필드가 처음 CAT를 제작한 것은 코맥의 수학 이론에 근거한 것이 아니었습니다. 게다가 코맥의 노벨상은 평생을 바쳐 이룬 업적도 아니었습니다. 이를 증명이라도 하듯 그는 1979년 노벨상 수상 후 연구에서 완전히 손을 뗐고, 여생을 취미 생활로 채웠다고 전합니다.

부업 수준의 연구가 노벨상을 만든 특이 사례. 여러 노벨상 수상자와 대비되는 궤적.

하운스필드 — 학사 없는 EMI 회사 연구원

고드프리 하운스필드(Godfrey N. Hounsfield, 1919~2004) 는 영국의 전기공학자. 그의 이력은 이렇게 정리됩니다 — 1939~1945년 영국 왕립항공대 군인, 1946년 파라데이하우스 공업전문대학 학사, 그리고 1951~1984년 소른/EMI 회사 연구소 연구원.

대학 학사가 아닌 공업전문대 학사만을 가진 상태로 EMI(Electric and Musical Industries) 회사에 취업. EMI는 원래 음악 산업으로 유명 — 비틀즈의 소속사로 잘 알려진 회사. 하운스필드가 EMI 연구소에서 컴퓨터 관련 개발을 수행. EMI가 비틀즈의 수익으로 하운스필드의 CT 연구를 지원했다는 것이 유명한 일화 (실제 인과는 논쟁이 있지만 상징적).

하운스필드는 1968년 즈음 몸 안의 물체를 여러 각도에서 X선으로 스캔한 뒤 컴퓨터로 3D 재구성하는 접근을 실용화. 코맥의 수학과는 독립적으로 자기 방법으로 접근. 1971년 세계 최초 임상 CT 스캐너(EMI 스캐너)가 런던 병원에서 첫 환자 스캔. 뇌종양 진단에 즉시 사용.

정규 대학 학사도 없는 회사 연구원이 노벨 생리의학상 수상자가 된 이례적 사례. 앞서 짚었던 대비를 다시 확인해 두는 대목 — "평생 회사에 근무하면서 연구하여 노벨상을 수상" 한 인물이라는 것.

라돈 변환 — 수학의 힘

CT의 수학적 기초가 요한 라돈(Johann Radon) 이 1917년 제안한 라돈 변환(Radon transform) 입니다. 라돈이 순수 수학 문제로 이 변환을 만들었는데, 60년 뒤 의학 영상의 핵심 도구가 됨.

라돈 변환의 아이디어:

• 순방향: 2차원 함수 f(x, y) — 각 위치의 밀도. 이 함수를 여러 각도의 직선에 대해 적분하면 각 각도에서의 "투영"을 얻음.
• 역방향: 여러 각도의 투영 데이터에서 원본 함수 f(x, y)를 복원.

CT가 정확히 이 역변환입니다:

• 순방향 = X선을 여러 각도에서 몸에 통과시켜 감쇄를 측정 (몸의 밀도 함수를 여러 각도로 적분).
• 역방향 = 이 여러 각도 데이터에서 몸의 밀도 함수를 계산으로 복원 = 몸의 단면 이미지.

필터 역투영(filtered back projection) 알고리즘이 실용 CT에서 표준 사용. 각 각도의 투영을 각도에 따라 필터링·역투영한 뒤 합쳐 복원.

컴퓨터 없이는 불가능. 하나의 CT 슬라이스도 수천 각도의 데이터를 처리해야 하고, 여러 슬라이스가 있으므로 계산량이 방대. 1970년대 초 미니컴퓨터의 등장이 CT 실용화의 결정적 조건. 수학·의학·컴퓨팅의 3자 융합이 이 발견의 본질.

역문제 해결 — CS 프레임

이제 CT의 원리를 CS의 언어로 정리합시다.

역문제(inverse problem) 는 관찰된 결과에서 원인이나 원본을 역으로 계산하는 문제입니다. 대표 사례:

• 소리 분리: 여러 음원이 섞인 소리에서 각 음원을 분리 (blind source separation).
• 이미지 복원: 흐린 이미지에서 원본 선명한 이미지 복원 (deblurring, super-resolution).
• 역방향 라이팅: 다른 조명 상태의 사진에서 원본 재조명.
• CT/MRI 등 의료 영상: 여러 신호 데이터에서 3D 몸 재구성.

공통 특징: 순방향은 자연스러운데(밀도 → 투영, 3D → 2D 등), 역방향은 종종 ill-posed — 여러 해가 가능하거나, 노이즈에 극도로 민감. 이런 문제를 풀려면 정규화(regularization) 나 사전 정보(prior) 를 활용해야 합니다.

CT의 역문제 해결 방식:

• 여러 각도의 데이터로 정보 중복 확보 — 하나의 각도만으로는 부족하지만, 여러 각도가 있으면 원본 3D 정보를 유일하게 결정 가능.
• 수학적 정합성 활용 — 라돈 변환의 이론이 어떤 조건에서 역변환이 유일한 해를 갖는지 보장.
• 필터링으로 노이즈 감쇄 — 필터 역투영의 필터 부분이 실용적 정확도를 확보.

딥러닝 시대의 역문제: 오늘 여러 역문제가 딥러닝으로 해결. GAN으로 이미지 복원, 확산 모델로 조건부 생성. 역문제가 학습으로 해결 가능하다는 최근 발견이 CT의 후예. 원리는 다르지만 문제 카테고리가 같음.

비유의 한계: 물론 CT는 딥러닝 시대의 역문제 해결과는 매우 다른 결정론적 접근입니다. 그러나 "관찰된 데이터에서 원본을 역계산" 이라는 근본 구조는 정확히 일치합니다.

오늘 이어지는 유산

CT의 발견이 여러 후속 영상 기술을 낳았습니다.

• MRI(자기공명영상): CT와 유사한 단면 영상이지만 X선 아닌 자기장 사용. 소프트 조직 선명도 우수. 1970년대 개발, 1980년대 임상 확산 (2003년 노벨상 로터바·맨스필드).
• PET(양전자 방출 단층촬영): 방사성 추적자로 조직 대사 이미지. 대사가 활발한 조직을 찾아내는 데 활용되며, 예를 들어 환자의 목 부위에서 인후암 조직 존재 여부를 판독하는 용도로도 쓰입니다.
• 초음파 3D: 초음파로도 단면 이미지, 여러 각도 스캔으로 3D 재구성. 산부인과 표준.
• 광음향 영상(photoacoustic imaging): 빛과 소리의 결합, 조직 산소 포화도 이미지.
• PET/CT, PET/MRI 하이브리드: 여러 모달리티의 융합 영상.
• 딥러닝 기반 재구성: 적은 각도 데이터에서도 정확한 CT 복원 가능. 방사선 노출 감소.
• 인공지능 진단: CT 이미지의 폐암·간질환 자동 판독.

왜 중요한가

두 사람이 남긴 것은 "수학과 공학의 융합이 임상 진단을 근본에서 바꿀 수 있다" 는 원리의 실증입니다.

CT 이전 의학 진단은 X선 사진의 시각적 해석에 크게 의존했습니다. CT 이후는 정량적·3차원적 영상으로 진단이 정밀화됐습니다. 이 변화가 오늘 정밀 의학·수술 계획·방사선 치료 등의 기반. 정성적 관찰에서 정량적 이미지로의 전환이 20세기 후반 의학의 큰 흐름 중 하나.

석사 학위 뿐인 대학 교수와 학사 학위 없는 회사 연구원이 세계적 의학 발전을 만든 이야기 — 앞서 여러 번 짚은 이 특이성이 이 상의 특별한 인간사. 학위·경력이 발견 능력의 필수 조건이 아니다는 실증. 오늘 여러 대학·회사의 학위 요건 완화의 근거 중 하나로 자주 인용.

부업 수준의 연구가 노벨상을 만든 코맥의 궤적 — 관심을 지속하면 예기치 않은 열매를 맺을 수 있다는 원리의 표본. "평생 몸 바쳐 이룬 것이 아니었다" 는 회고가 흥미로우면서도 서늘하게 남습니다.

1979년 코맥·하운스필드 요약: 코맥이 CT의 수학·물리학 기초 확립(1960~70년대), 하운스필드가 EMI 회사에서 세계 최초 임상 CT 스캐너 제작(1971). 여러 각도의 X선 투영 데이터를 컴퓨터로 3D 재구성하는 역문제 해결. 오늘 MRI·PET·초음파 3D·딥러닝 이미지 재구성의 이론적 뿌리.

→ 이전: 1978년 — 아르버·스미스·네이선스 → 다음: 1980년 — 베나세라프·스넬·도세