금속 인공물 CT에서 근육 자동 분할을 위한 NMAR와 U넷 결합 기법

초록

본 연구는 전치환 고관절 수술 후 CT 영상에서 금속 인공물에 의해 발생하는 아티팩트를 완화하고, 이를 기반으로 골과 19개 근육을 자동으로 분할하는 방법을 제안한다. 정규화 금속 아티팩트 감소(NMAR)와 두 단계의 U‑넷 네트워크를 결합해 NMAR 결과를 정제하고 근육을 별도로 세분화한다. 시뮬레이션 20명 환자와 실제 3명 환자 데이터를 이용한 실험에서 평균 대칭 표면 거리(ASD)가 기존 방법 대비 유의하게 개선되었으며, 실제 영상에서는 글루테우스 최대근·중간근에 대해 1.32 mm 수준의 정확도를 보였다. 향후 금속 아티팩트 감소와 분할을 엔드‑투‑엔드 학습으로 확장할 계획이다.

상세 분석

이 논문은 전치환 고관절 수술(THA) 후 발생하는 금속 인공물에 의한 CT 아티팩트가 근육·골 구조의 정량적 분석을 방해한다는 문제점을 정확히 짚어낸다. 기존의 금속 아티팩트 감소 기법 중 NMAR(Normalized Metal Artifact Reduction)는 투과선 기반 재구성에서 금속 영역을 정규화하고, 주변 조직의 CT 값을 보정함으로써 아티팩트를 감소시키지만, 완전한 복원에는 한계가 있다. 저자들은 NMAR 결과를 그대로 사용하기보다는, 첫 번째 U‑넷을 통해 NMAR 영상의 잔여 노이즈와 잔류 아티팩트를 정제하도록 설계하였다. 이 U‑넷은 2D 슬라이스 입력에 대해 인코더‑디코더 구조와 스킵 연결을 활용해 저해상도 특징을 보존하면서 고해상도 복원을 수행한다. 두 번째 U‑넷은 정제된 영상을 입력으로 받아 근육 라벨링을 수행한다. 근육 라벨링을 별도 네트워크로 분리한 이유는 근육과 골 구조가 서로 다른 해부학적 형태와 텍스처를 가지고 있어, 전용 네트워크가 특화된 특징을 학습하기에 유리하기 때문이다.

데이터 측면에서 저자들은 20명의 환자를 대상으로 금속 인공물을 가상으로 삽입한 시뮬레이션 CT와, 실제 금속 인공물을 포함한 3명의 환자 CT를 사용하였다. 시뮬레이션 데이터는 정확한 라벨링이 가능해 정량적 평가에 적합했으며, 실제 데이터는 제한된 수이지만 임상 적용 가능성을 검증한다. 평가 지표는 평균 대칭 표면 거리(ASD)와 Dice 계수를 주로 사용했으며, 특히 ASD가 1.17 mm에서 1.10 mm로 평균 0.07 mm 개선되었다는 점은 임상적으로 의미 있는 정밀도 향상을 시사한다. 통계적 유의성(p<0.05)은 19개 근육 중 14개에서 개선이 확인돼, 제안 방법이 전반적으로 견고함을 입증한다.

한계점으로는 실제 환자 수가 매우 적어 일반화 가능성을 완전히 검증하기 어렵다는 점, 그리고 두 단계의 U‑넷을 별도로 학습시켰기 때문에 파이프라인 전체가 최적화되지 않을 가능성이 있다. 또한 2D 슬라이스 기반 접근은 3D 연속성을 완전히 활용하지 못해 경계면에서 오류가 발생할 여지가 있다. 향후 연구에서는 금속 아티팩트 감소와 분할을 하나의 엔드‑투‑엔드 네트워크로 통합하고, 3D 컨볼루션을 도입해 공간적 일관성을 강화하는 것이 필요하다.