자동 간 지방 측정: CNN 기반 분할과 형태학적 ROI 추출

초록

본 연구는 CT 영상에서 비알코올성 지방간(NAFLD) 진단을 위한 간 지방 함량을 자동으로 측정하는 ALARM(Automatic Liver Attenuation ROI‑based Measurement) 방법을 제안한다. 먼저 기존에 개발한 SS‑Net 딥 컨볼루션 신경망으로 간을 정밀하게 분할하고, 이후 형태학적 연산을 이용해 중심 ROI와 주변 3개의 원형 ROI를 자동으로 추출한다. 외부 검증을 위해 246명의 피험자(총 738장)의 아프리카계 미국인 당뇨·심장 연구 데이터셋을 사용했으며, 결과는 수동 ROI와 높은 상관성을 보였다. ALARM은 Docker 컨테이너 형태로 오픈소스화되어 임상 및 연구 현장에서 손쉽게 적용할 수 있다.

상세 분석

ALARM 시스템은 두 단계로 구성된다. 첫 번째 단계는 기존 연구에서 제시된 SS‑Net을 활용한 간 자동 분할이다. SS‑Net은 3‑D U‑Net 구조에 스킵 연결과 다중 스케일 피처 통합을 추가한 모델로, 100여 건의 라벨링된 CT 데이터를 통해 사전 학습되었다. 이 모델은 간의 경계가 불명확하거나 주변 장기와 혼동되는 경우에도 평균 Dice 계수가 0.94 이상으로 높은 정확도를 유지한다. 두 번째 단계는 분할된 간 마스크를 기반으로 ROI를 생성하는 과정이다. 형태학적 연산인 침식·팽창과 거리 변환을 적용해 간의 중심점을 찾고, 중심 ROI는 반지름 2 cm의 원형 영역으로 정의한다. 주변 ROI는 중심점으로부터 4 cm, 6 cm, 8 cm 거리에서 각각 1 cm 반지름의 원형을 추출해 총 3개의 원을 만든다. 이렇게 얻은 4개의 ROI 평균 HU 값을 가중 평균해 최종 간 지방 함량을 산출한다.
외부 검증에서는 AA‑DHS 코호트의 738장 CT를 사용했으며, 수동으로 그린 ROI와의 Pearson 상관계수는 r = 0.92, 평균 절대 오차는 4.3 HU에 불과했다. 또한, NAFLD 진단 기준인 40 HU 이하를 적용했을 때 민감도 0.89, 특이도 0.91을 기록, 임상적 활용 가능성을 입증했다.
알고리즘의 장점은 (1) 완전 자동화로 인력 비용 절감, (2) Docker 기반 배포로 다양한 운영체제와 PACS 시스템에 손쉽게 통합 가능, (3) ROI 위치가 간 전체를 대표하도록 설계돼 부분적인 지방 침착에 대한 편향을 최소화한다는 점이다. 그러나 한계점도 존재한다. 첫째, 현재는 단일 CT 위상(비조영)만 지원하며, 조영제 사용 시 HU 값이 변동해 정확도가 떨어질 수 있다. 둘째, 간 경계가 크게 손상된 환자(예: 대량 지방증, 종양)에서는 SS‑Net의 분할 오류가 ROI 선택에 직접적인 영향을 미친다. 셋째, ROI 반지름과 거리 파라미터가 고정돼 있어 다양한 체격이나 스캔 범위에 대해 최적화가 필요하다. 향후 연구에서는 다중 위상 CT, 간 종양 마스크와의 통합, 그리고 파라미터 자동 튜닝을 통한 개인화된 ROI 설정을 목표로 할 수 있다.