CT 기반 정상압 수두 자동 분할 및 진단

이 논문은 정상압 수두(NPH)의 조기 진단을 위해 CT 스캔을 기반으로 한 자동화된 3차원 분할 및 분류 파이프라인을 제안한다. 기존에 널리 사용되는 에반스 비율은 단일 2D 슬라이스에 의존해 측정 위치에 따라 크게 변동하며, 전문가의 주관적 판단에 좌우되는 단점이 있다. 이를 보완하고자 저자들은 전체 CT 볼륨을 대상으로 뇌실, 뇌실질, 지주막하 공간을 정량적으로 추출하고, 이 부피 정보를 이용해 NPH 여부를 기계학습으로 판별하는 시스템을 구축하였다. 데이터는 캘리포니아 대학교 UC Irvine와 Santa Barbara Cottage Hospital에서 수집한 61명의 환자 CT(정상 34명, NPH 27명)이며, 각 스캔은 25~207장의 슬라이스로 구성되어 있다. 30개의 수동 라벨링(9명)과 임상 의사가 측정한 에반스 비율이 기준 데이터로 제공되었다. 알고리즘 흐름은 다음과 같다. 1) 전처리 단계에서 전역 임계값을 이용해 두개골을 추출하고, 이를 MNI152 MRI 템플릿에 affine 정합한다. 정합된 CT는 비선형 노이즈 억제(NLM) 과정을 거친다. 2) 정합된 볼륨을 사용해 약 10,000 voxel의 라벨링 데이터를 기반으로 랜덤 포레스트(RF) 분류기를 학습한다. 이 분류기는 CSF, 뇌실질, 두개골, 배경 네 클래스를 예측한다. 3) RF가 만든 CSF 마스크를 바탕으로 형태학적 Chan‑Vese(MCV) 레벨셋 알고리즘을 적용한다. 뇌실은 평균 뇌실 중심을 시드로, 뇌실질은 두개골 근처 세 지점을 시드로 설정해 각각 레벨셋을 성장시킨다. 레벨셋 에너지 함수는 표면 길이, 부피, 내부·외부 평균 강도 차이를 포함해 경계 정확성을 높인다. 4) 레벨셋으로 분할되지 않은 CSF 영역을 지주막하 공간으로 라벨링하고, 각 라벨의 voxel 수에 실제 voxel 크기를 곱해 부피(mL)로 변환한다. 5) 추출된 네 가지 부피(뇌실, 뇌실질, 지주막하 공간, 전체 뇌 부피)를 특성 벡터로 사용해 서포트 벡터 머신(SVM, RBF 커널)과 또 다른 랜덤 포레스트(RF) 분류기를 학습한다. 모델 평가는 5‑fold 계층형 교차검증을 통해 100번 반복 수행해 평균과 표준편차를 보고한다. 성능 평가는 두 가지 측면에서 이루어졌다. 첫째, 분할 정확도는 Dice 계수로 측정했으며, 제안된 방법은 뇌실 85.31 ± 6.16 %, 뇌실질 91.03 ± 2.38 %를 기록했다. 이는 동일 데이터에 적용한 기존 RF(뇌실 57.34 ± 16.52 %, 뇌실질 88.16 ± 3.19 %), 3D MGAC, 3D MCV보다 현저히 높은 수치다. 둘째, NPH 판별에서는 에반스 비율(>0.3) 기반 단일 임계값이 민감도 75 %, 특이도 89 %를 보인 반면, 부피 기반 SVM은 민감도 90 % ± 5, 특이도 86 % ± 13을, 부피 기반 RF는 민감도 99 % ± 2, 특이도 86 % ± 14를 달성했다. 즉, 제안 방법은 특히 민감도에서 기존 방법을 크게 능가한다. 논의에서는 자동화된 3D 부피 측정이 에반스 비율의 위치 의존성을 해소하고, 뇌실과 지주막하 공간을 명확히 구분함으로써 임상적 판단을 보조할 수 있음을 강조한다. 또한, 현재 데이터 규모가 제한적이며, 다양한 CT 프로토콜에 대한 견고성 검증이 필요함을 인정한다. 향후 연구 방향으로는 다기관 대규모 데이터 수집, MRI와의 멀티모달 융합, 환자의 연령·성별·증상 등 임상 변수와의 통합 모델 개발을 제시한다. 결론적으로, 이 연구는 CT 기반 자동 3D 분할과 부피 기반 기계학습을 결합해 NPH 진단을 보다 객관적이고 정량적으로 수행할 수 있음을 입증했으며, 임상 현장에서 스크리닝 도구로 활용될 잠재력을 갖는다.