합성 개구 레이더 초음파를 이용한 벡터 흐름 영상, CNN으로 실시간 추정

본 연구는 고속 합성 개구 초음파(SA‑US) 영상을 입력으로, 2차원 혈류 벡터장을 픽셀 단위로 예측하는 합성곱 신경망(CNN) 모델을 최초로 제안한다. 기존의 벡터 흐름 영상(VFI) 기술은 방향성 빔포밍, 횡진동, 다각도 도플러 등 다양한 방법이 존재하지만, 모두 높은 연산 부하와 각도 의존성, 별도 후처리 단계가 필요하다는 공통적인 한계를 가지고 있다. 이러한 문제를 해결하고자 저자들은 컴퓨터 비전 분야에서 성공을 거둔 Optical Flow 추정용 네트워크인 FlowNetSimple을 변형하여, 초음파 영상에 특화된 입력 전처리와 네트워크 구조를 설계하였다. 네트워크는 128 × 128 픽셀 크기의 연속 프레임 두 장을 입력으로 받으며, 초음파 데이터가 복소수 형태이므로 실수부와 허수부를 각각 채널로 분리해 2채널 입력으로 변환한다. 또한, 복소수 강도를 반전시키는 데이터 증강을 추가해 학습 데이터의 다양성을 확보하였다. 인코더 부분은 5×5 커널을 사용하는 첫 번째 합성곱 층과 이후 4×4 커널을 사용하는 여러 층으로 구성되며, 각 층 사이에 2×2 맥스풀링을 적용해 공간 해상도를 단계적으로 감소시킨다. 디코더에서는 업샘플링과 스킵 연결을 통해 고해상도 특징을 복원하고, 최종적으로 두 개의 채널(축방향 및 횡방향 속도)을 출력한다. 활성화 함수는 ReLU를 사용하고, 마지막 층은 선형 활성화를 적용한다. 학습 데이터는 두 가지 경로로 확보하였다. 첫 번째는 StarCCM+로 만든 3차원 혈관 CFD 시뮬레이션(뉴질랜드 흰 토끼 12개월 수컷 동맥)에서 시간‑공간 샘플을 추출한 뒤, Field II 기반 초음파 시뮬레이터와 Ultrasound Toolbox를 이용해 합성 개구 B‑mode 시퀀스를 생성한 것이다. 이 과정에서 5개의 가상 점원, 8 MHz 중심 주파수, 60 % 대역폭, 5 kHz PRF 등 실제 초음파 시스템을 모사하였다. 결과적으로 2 400개의 노이즈‑프리 시뮬레이션 데이터가 확보되었다. 두 번째는 IUS 2018 SA‑VFI 챌린지에서 제공된 실제 초음파 데이터(직선 혈관, 회전 디스크, 캐리어 분기 등)를 활용한 것으로, 여기에는 복소수 강도와 SVD 기반 조직‑혈류 분리, 그리고 자체 구현한 Echo‑PIV을 통한 ‘골드 스탠다드’ 속도 필드가 포함된다. 챌린지 데이터는 4 980개의 훈련 샘플과 300개의 검증·테스트 샘플로 구성되었으며, 추가적인 데이터 증강을 통해 전체 학습 셋을 약 10 000장 수준으로 확대하였다. 오차 평가는 종단점 오차(EPE)를 백분율로 정의했으며, 이는 추정된 속도와 실제 속도 사이의 유클리드 거리 평균을 이미지 내 최대 속도(Vmax)로 정규화한 값이다. 실험 결과, 순수 시뮬레이션 데이터에서는 중위값 6.5%의 낮은 EPE를 기록했으며, 노이즈가 추가된 챌린지 데이터에서도 평균 13~14% 수준을 유지하였다. 특히, 훈련에 포함되지 않은 경동맥 분기 모델에 적용했을 때, 외부 경동맥(ECA) 구역에서는 7.0%의 오차로 정확한 흐름 재구성이 가능했으나, 공통 경동맥(CCA)에서는 복잡한 삼차원 흐름과 급격한 속도 변화 때문에 오차가 크게 증가하였다. 이는 현재 네트워크가 2D 입력에 기반해 3D 흐름을 완전히 포착하지 못한다는 한계를 시사한다. 저자들은 향후 연구 방향으로 (1) FlowNet2와 같은 상위 모델에 포함된 상관 단계(correlation layer)를 도입해 대형 변위에 대한 민감도를 높이는 방안, (2) 실제 초음파 데이터만을 이용한 무지도 학습(예: 자기 지도 학습)으로 라벨링 비용을 절감하고 데이터 다양성을 확대하는 방안, (3) 비용 함수에 스무딩 정규화 항을 추가해 물리적으로 일관된 부드러운 속도 필드를 강제하는 방법 등을 제시한다. 또한, 현재 GPU(NVIDIA TITAN Xp) 기반 실시간 추정이 가능함을 강조하며, 임상 현장에서 실시간 혈류 시각화, 자동화된 혈류 파라미터 추출, 그리고 심혈관 질환 진단 보조 도구로의 활용 가능성을 전망한다.