CT 영상에서 딥러닝을 이용한 폐동맥-정맥 분류

최근 연구에 따르면 폐혈관 질환은 다양한 생리학적 메커니즘을 통해 동맥 또는 정맥을 각각 특이적으로 영향을 미칠 수 있다. 이러한 두 혈관계의 변화를 탐지하기 위해 의사는 환자의 흉부 컴퓨터단층촬영(CT) 영상을 수동으로 분석하여 이상 소견을 탐지한다. 그러나 이 과정은 시간이 오래 걸리며 표준화하기 어렵기 때문에 대규모 임상 연구에는 부적합하며, 실무 임상 의사 결정에도 유용하지 않다. 따라서 CT 영상에서 동맥과 정맥을 자동으로 분리하는 기술은 진단 정확도 향상에 기여할 수 있으므로 점점 더 주목받고 있다. 본 논문에서는 흉부 CT 영상에서 혈관을 동맥과 정맥으로 자동 분류하는 새로운 완전 자동화 접근법을 제안한다. 제안된 알고리즘은 세 가지 주요 단계로 구성된다. 첫째, 스케일-스페이스 파티클 세그멘테이션을 통해 혈관을 분리하고, 둘째, 3차원 컨볼루셔널 신경망(3D CNN)을 이용하여 혈관을 초기 분류하며, 셋째, 그래프 컷(graft-cut) 최적화를 통해 분류 결과를 보정한다. 제안된 CNN 아키텍처의 타당성을 입증하기 위해, 기관지 및 혈관 강조 영상에서 지역 정보를 활용하는 다양한 2D 및 3D CNN 구조를 서로 비교하였으며, 다양한 전략으로 네트워크에 입력된 이미지에 대한 성능을 평가하였다. 또한 제안된 CNN 방법을 무작위 포레스트(Random Forests, RFs) 분류기와 비교하였다. 본 연구 방법은 18건의 비대조 흉부 CT 영상에서 우측 폐의 상엽과 하엽에 대해 수동 분류 결과와 비교하여 학습 및 평가하였다. 제안된 알고리즘은 전반적인 정확도 94%를 달성하였으며, 다른 CNN 아키텍처 및 RF보다 높은 정확도를 보였다. 또한 만성 혈전성 폐고혈압 환자의 대조제 강조 CT 영상에서 본 모델의 일반화 능력을 검증하여, 대조제를 사용한 영상 모달리티에도 잘 적용됨을 입증하였다. 본 연구에서 제안한 방법은 최신 기술들을 초월하며, 향후 CT 영상에서 동맥과 정맥을 분류하는 데 3D CNN의 활용 가능성을 열어주고 있다.