프로스테이트 근접치료 시드 자동 식별을 위한 3D 딥 회귀 모델

전립선 근접치료는 방사성 시드를 전립선 내부에 영구적으로 삽입해 암세포를 저선량으로 파괴하는 치료법으로, 치료 후 30일에 시행되는 포스트 임플란트 도시메트리(PID)에서 CT 영상을 이용해 시드 위치와 선량 분포를 정확히 파악하는 것이 필수적이다. 그러나 CT 이미지에서는 금속 마커에 의한 강한 아티팩트와 여러 시드가 겹쳐 보이는 현상 때문에 시드 자동 식별이 어려워, 기존에는 수동으로 10~20분 정도 소요되었다. 기존 자동화 방법들은 기하학적 특징이나 Hough 변환, 임계값 기반 전처리 등 전통적인 이미지 처리 기법에 의존했으며, 복잡한 전처리와 후처리 단계가 필요하고, 소규모 데이터셋에서만 검증된 경우가 많았다. 이에 저자들은 3차원 완전합성곱 신경망(3D‑FCN)을 기반으로 한 딥 회귀 모델을 제안한다. 핵심 아이디어는 시드 라벨을 점 형태가 아닌, 각 시드 중심을 평균으로 하는 3D 가우시안 커널을 적용해 연속적인 확률 지도(P(x))로 변환하는 것이다. 이렇게 하면 라벨링 시 발생할 수 있는 미세한 위치 오차가 모델 학습에 큰 영향을 주지 않으며, 시드 존재 확률을 직접 예측함으로써 아티팩트와 군집 현상을 자연스럽게 억제한다. 네트워크는 인코더‑디코더 구조를 갖추고, 인코더에서는 3×3 합성곱과 max‑pooling을 통해 전역적인 컨텍스트를 추출하고, 디코더에서는 전치 합성곱을 이용해 원래 해상도로 복원한다. 스킵 연결을 통해 고해상도 특징을 보존하고, 최종 레이어에서는 soft‑plus 활성함수(β=1)를 적용해 출력이 0 이상이 되도록 제한한다. 손실 함수는 배경 voxel이 압도적으로 많아 학습이 편향될 위험을 줄이기 위해 가중 평균제곱오차(MSE)를 사용했으며, 가중치는 목표 확률 지도 자체를 사용해 시드 영역에 더 큰 비중을 부여한다. 데이터 전처리 단계에서는 모든 CT 스캔을 HU값 –80~175로 클리핑하고, 0.5 mm 등방성으로 재샘플링한 뒤 전립선을 중심으로 128×128×96 voxel의 ROI를 추출한다. 학습은 70명 환자(5 534개 시드)를 7‑fold 교차 검증으로 수행했으며, Adam 옵티마이저(learning rate 0.003)와 조기 종료 전략을 적용해 약 500 epoch 동안 진행했다. 데이터 증강으로는 좌·우, 상·하, 전·후 방향 플립을 실시간으로 적용했다. 테스트는 별도로 보관한 30명 환자(2 286개 시드)에서 수행했으며, 모델이 출력한 확률 지도는 3D 워터셰드 알고리즘을 통해 이진화 후 시드 좌표로 변환한다. 평가 기준은 예측된 시드와 실제 라벨 간의 최소 거리 매칭으로, 거리 ≤3 mm이면 정답으로 간주한다. 결과는 평균 검출률 94.1%와 평균 쌍별 거리 오차 0.70 mm(25‑75% 사분위: 0.36‑1.28 mm)를 기록했으며, 이는 상용 소프트웨어 VariSeed(81.0% 검출률) 대비 13%p(절대) 높은 성능이다. 특히 시드 수가 48~143개까지 다양하게 변하는 경우에도 일관된 정확도를 유지했다. 처리 시간은 평균 2초 수준으로, 임상 현장에서 실시간 적용이 가능함을 보여준다. 논문은 또한 모델이 단일 기관 데이터에 기반했으며, 다른 CT 스캐너나 프로토콜에 대한 일반화 검증이 필요함을 언급한다. 후처리 단계인 워터셰드 파라미터 튜닝이 여전히 존재하고, 매우 밀집된 시드 군집에서는 미세한 위치 오차가 누적될 가능성이 있다. 향후 연구 방향으로는 멀티‑스케일 어텐션 메커니즘 도입, 인스턴스 분할 기반 후처리, 그리고 다기관 데이터셋을 활용한 전이 학습 등을 제시한다. 최종적으로, 이 연구는 전립선 근접치료 후 시드 자동 식별에 딥 러닝을 성공적으로 적용한 최초 사례이며, 임상 워크플로우를 크게 효율화하고 정확도를 향상시킬 수 있음을 입증한다.