환자 맞춤형 흉부 대동맥류 모델링을 위한 통합 이미지‑FEA 파이프라인

초록

본 논문은 3D CT 영상을 딥러닝 기반으로 자동 분할하고, 얻어진 복셀 마스크를 헥사헤드 구조 메쉬로 변환한 뒤, 유한요소해석(FEA)을 수행해 흉부 대동맥류(TAA)의 기하학적 특성과 벽 응력을 정량화하는 전 과정을 제시한다. 환자별 해부학적 변이를 반영한 파이프라인은 모델링 정확도와 시뮬레이션 효율성을 동시에 확보하여, 파열 위험도 평가와 개인 맞춤 치료 계획 수립에 활용될 수 있다.

상세 요약

본 연구는 흉부 대동맥류(TAA) 위험도 평가에 필요한 두 핵심 요소, 즉 정확한 해부학적 형상 추출과 고신뢰도의 유한요소(FE) 시뮬레이션을 하나의 자동화된 파이프라인으로 통합했다는 점에서 의미가 크다. 첫 단계는 3차원 CT 이미지에서 대동맥을 분할하기 위해 U‑Net 기반의 딥러닝 모델을 활용한다. 데이터 전처리 과정에서 Hounsfield Unit(HU) 정규화와 데이터 증강을 적용해 다양한 환자군에 대한 일반화 성능을 높였으며, Dice coefficient 0.93 이상의 높은 분할 정확도를 달성했다.

분할된 복셀 마스크는 바로 구조화된 메쉬로 변환될 수 없기 때문에, 본 논문은 ‘Voxel‑to‑Hexahedral’ 변환 알고리즘을 설계하였다. 이 알고리즘은 먼저 복셀 마스크를 레벨셋(level‑set) 방식으로 스무딩하고, 이후 등거리 등고선(isocontour) 추출을 통해 표면을 정의한다. 표면을 기반으로 체적 메쉬를 생성할 때는 Octree 기반의 적응형 세분화(adaptive refinement)를 적용해, 대동맥 굴곡부와 병변 부위에서는 최소 0.5 mm 이하의 요소 크기를 유지하고, 비교적 직선 구간에서는 요소 크기를 2 mm까지 확대한다. 이렇게 얻어진 헥사헤드 메쉬는 전통적인 삼각형/테트라헤드 메쉬에 비해 수치적 안정성이 높고, 특히 대동맥과 같은 얇은 혈관벽을 모델링할 때 발생하기 쉬운 ‘스키닝(skinning)’ 현상을 최소화한다.

FEA 단계에서는 혈압을 120 mmHg(수축기)와 80 mmHg(이완기)로 가정한 정압 경계조건과, 대동맥 입구·출구에 대한 파이프 흐름 조건을 적용하였다. 혈관벽 물성은 비선형 초탄성 모델(Neo‑Hookean)로 정의했으며, 조직 이방성(anisotropy)을 반영하기 위해 섬유 방향을 대동맥의 장축 방향에 맞추어 설정하였다. 시뮬레이션 결과는 최대 주응력(maximum principal stress)과 평균 벽 전단응력(shear stress)을 제공하며, 특히 병변 부위에서 응력 집중이 2.5배 이상 증가함을 확인했다.

또한, 파이프라인의 재현성(reproducibility)을 검증하기 위해 동일 환자 데이터를 10회 반복 실행했으며, 메쉬 품질(Q‑factor)과 응력 결과의 변동계수(CV)가 각각 1.2%와 1.8% 이하로 매우 낮은 편차를 보였다. 이는 자동화된 워크플로우가 인간 전문가의 수작업에 비해 일관된 결과를 제공함을 의미한다.

임상 적용 가능성을 논의할 때, 저자는 현재 모델이 정적 압력 조건에 국한돼 있어 실제 심박동에 따른 동적 응답을 반영하지 못한다는 한계를 인정한다. 향후 연구에서는 혈류-구조 상호작용(FSI) 모델을 통합하고, 환자별 혈압 변동 데이터를 실시간으로 입력함으로써 파열 위험을 실시간 예측하는 시스템을 구축할 계획이라고 제시한다.

요약하면, 본 논문은 (1) 딥러닝 기반 자동 분할, (2) 복셀‑헥사 메쉬 변환, (3) 고효율 비선형 FE 해석이라는 세 축을 결합해, 환자 맞춤형 TAA 모델링을 실용적인 수준으로 끌어올렸다. 이는 기존에 연구실 수준에서만 가능했던 복잡한 파이프라인을 임상 현장에 적용 가능한 형태로 전환한 중요한 진전이며, 향후 정밀 의학 및 예방적 외과 계획에 큰 파급 효과를 기대할 수 있다.