CHD 3D 프린팅을 위한 정밀 심장·혈관 모델 자동 생성

초록

본 논문은 선천성 심장 질환(CHD) 환자의 CT 영상에서 전체 심장과 대혈관을 자동으로 분할하고, 이를 3D 프린팅 모델로 전환하는 새로운 프레임워크를 제안한다. 4개의 심실·심방과 심근을 3D U‑Net으로 먼저 분할하고, 혈액 풀을 2D U‑Net으로 보완한 뒤, 추출된 연결 정보를 그래프 매칭 알고리즘에 적용해 각 혈관의 해부학적 라벨을 결정한다. 68개의 CT 데이터(14가지 CHD 유형)에서 기존 최첨단 Seg‑CNN 대비 평균 Dice 점수가 11.9% 향상되었으며, 프린팅 결과도 임상적으로 유용함을 확인하였다.

상세 분석

이 연구는 선천성 심장 질환(CHD) 환자 영상에서 전체 심장과 대혈관을 정확히 분할하는 것이 3D 프린팅 기반 임상 의사결정에 필수적이라는 점에 착안하였다. 기존의 픽셀‑레벨 딥러닝 기반 분할 기법은 정상 해부학적 구조에 최적화돼 있었으며, CHD처럼 혈관 연결이 크게 변형된 경우에는 경계 인식이 실패한다는 한계를 가지고 있었다. 이를 극복하기 위해 저자는 “딥러닝 + 그래프 매칭”이라는 이중 접근법을 설계했다.

첫 단계에서는 3D U‑Net(64³ 입력)으로 좌·우 심실, 좌·우 심방, 그리고 심근을 분할한다. 이 단계는 구조적 변이가 비교적 적은 부위에 적용되어 높은 정확도를 기대할 수 있다. 이어서 2D U‑Net(512×512 입력)으로 각 슬라이스별 혈액 풀과 혈액 풀 경계를 동시에 예측한다. 혈액 풀 경계 클래스를 추가함으로써 이후 그래프 구축 시 혈관의 연결 관계를 명확히 추출할 수 있게 된다.

분할 결과를 바탕으로 혈관 중심선과 분기점을 추출하고, 이를 정점과 간선으로 구성한 그래프를 만든다. 그래프 매칭 단계에서는 사전 정의된 정상 해부학 템플릿 그래프와 비교해 최적 매칭을 찾는다. 이 과정에서 혈관의 길이, 분기 각도, 연결 관계 등 전역적인 토폴로지 정보를 활용하므로, 예를 들어 폐동맥이 대동맥에 직접 연결되는 폐동맥 폐쇄증(PuA)이나 대동맥이 양심실에 동시에 연결되는 공통동맥줄기(CAT)와 같은 비정형 구조도 정확히 라벨링할 수 있다.

실험은 68개의 3D CT 데이터(14가지 CHD 유형, 각 유형별 이미지 수는 표Ⅰ에 명시)에서 4‑fold 교차 검증으로 수행되었다. 평가 지표는 Dice 계수이며, 기존 Seg‑CNN