단일측 초음파 압력파를 이용한 실시간 음속 역산 딥러닝 프레임워크

** 본 논문은 의료 초음파에서 조직의 탄성 및 구조 정보를 제공하는 전단파(elastography) 기술이 고출력 장비와 낮은 프레임레이트에 제약을 받는 문제를 해결하고자, 단일측 압력파(종파) 전파 속도를 직접 추정하는 새로운 방법을 제시한다. 저자들은 초음파 채널 데이터, 즉 각 트랜스듀서 원소가 수신한 원시 RF 신호를 그대로 입력으로 사용해, 전통적인 빔포밍 과정을 거치지 않고도 조직의 종속속도 지도를 복원한다. 이를 위해 완전합성곱 신경망(FCN) 기반의 인코더‑디코더 구조를 설계했으며, 입력은 시간‑공간 차원의 다채널 RF 데이터, 출력은 동일 해상도의 종속속도 맵이다. 네트워크 설계는 다중 스케일 특징 추출을 위해 여러 합성곱 층과 풀링을 사용하고, 스킵 연결을 통해 저해상도 단계에서 손실된 세부 정보를 복구한다. 활성화 함수는 ReLU, 정규화는 배치 정규화, 과적합 방지를 위해 드롭아웃을 적용했다. 손실 함수는 평균 절대 오차(L1)와 구조적 유사도(SSIM)를 가중합한 형태로, 전역적인 정확도와 국부적인 형태 보존을 동시에 최적화한다. 학습 데이터는 물리 기반 전파 시뮬레이터(FDTD)를 이용해 무한히 생성할 수 있도록 설계되었다. 시뮬레이션에서는 다양한 조직 모델을 랜덤하게 구성했으며, 속도는 1400‑1600 m/s, 밀도는 1000 kg/m³, 감쇠는 0.5‑1 dB/cm/MHz 범위 내에서 변동시켰다. 또한, 다중 층 구조, 불규칙 경계, 반사·굴절 현상 등을 포함해 실제 임상 상황을 최대한 모사했다. 잡음은 가우시안 화이트 노이즈와 실제 시스템 잡음을 혼합해 시뮬레이션에 삽입함으로써 네트워크가 노이즈에 강인하도록 훈련하였다. 실험에서는 시뮬레이션 검증과 실제 조직(인체 간, 근육, 지방) 데이터를 모두 사용했다. 시뮬레이션 결과는 평균 절대 오차가 15 m/s 이하이며, SSIM 점수는 0.92 이상으로 높은 재현성을 보였다. 실제 데이터에서는 B‑mode 영상과 비교했을 때, 종속속도 맵이 조직 경계와 병변 부위를 명확히 구분했으며, 전단파 기반 탄성영상이 감지하기 어려운 미세한 속도 변화를 포착했다. 특히, 프레임레이트는 150 fps 이상으로, 기존 전단파 시스템이 1‑5 fps 수준에 머물렀던 것에 비해 획기적인 속도 향상을 달성했다. 논문의 주요 기여는 다음과 같다. 첫째, 초음파 채널 데이터에서 직접 물리적 파라미터를 추정하는 최초의 딥러닝 기반 프레임워크를 제시했다. 둘째, 시뮬레이션 기반 라벨링을 통해 대규모 학습 데이터를 확보함으로써 실제 임상 데이터가 부족한 상황에서도 높은 일반화 성능을 얻었다. 셋째, 저전력 전송과 고속 프레임레이트를 동시에 만족시켜, 고가 장비에 의존하지 않는 접근성을 제공한다. 하지만 몇 가지 한계도 존재한다. 시뮬레이션과 실제 조직 간의 물리적 차이(비선형성, 복합 감쇠 등)로 인해 도메인 갭이 발생할 수 있다. 깊은 조직에서는 신호‑대‑노이즈 비가 낮아 역산 정확도가 감소한다. 현재는 1‑D 라인 배열에 초점을 맞추었으며, 2‑D 혹은 3‑D 볼륨 데이터에 대한 확장이 필요하다. 향후 연구에서는 전이학습을 통한 실제 데이터 보강, 멀티‑트랜스미트/리시버 배열을 활용한 전방향 모델링, 전단파와 종속속도를 동시에 추정하는 다중태스크 네트워크 개발 등이 제안된다. 결론적으로, 본 연구는 딥러닝을 활용해 초음파 채널 데이터에서 실시간으로 조직의 종속속도 지도를 복원함으로써, 기존 전단파 탄성영상의 하드웨어·프레임레이트 제약을 극복하고, 보다 접근성 높은 조직 탄성 진단 기술의 기반을 마련하였다. **