자동화된 3D CT 기반 대동맥 유한요소 분석 프레임워크

초록

본 논문은 3차원 CT 영상으로부터 직접 대동맥의 환자 맞춤형 유한요소 메쉬를 생성하는 완전 자동 딥러닝 파이프라인을 제시한다. 기존의 수작업 분할과 고비용 시뮬레이션 문제를 해결하기 위해 PyTorch‑FAE 라이브러리와 정적 결정성 원리를 활용해 계산 시간을 수분에서 수초 수준으로 단축하였다. 제안된 시스템은 대동맥류 위험 평가에 필요한 벽 응력 분포를 빠르고 정확하게 제공한다.

상세 요약

본 연구는 임상 현장에서 대동맥류(Thoracic Aortic Aneurysm, TAA) 위험을 정량적으로 평가하기 위한 두 가지 주요 병목 현상을 동시에 해소한다. 첫 번째는 환자별 해부학적 모델링 단계에서 발생하는 ‘수동 분할’ 문제이다. 기존 워크플로우는 방사선과 의사가 CT 스캔을 수동으로 라벨링하고, 이를 기반으로 표면을 재구성한 뒤, 메쉬 생성 및 물성 할당 과정을 거쳐야 한다. 이 과정은 수시간에서 수일이 소요되며, 대규모 코호트에 적용하기엔 비현실적이다. 두 번째는 유한요소 해석(FEA) 자체가 고성능 GPU/CPU 클러스터를 필요로 하고, 시뮬레이션당 수분에서 수십 분이 걸리는 점이다.

연구팀은 먼저 PyTorch 기반의 FEA 라이브러리를 구축하였다. PyTorch는 자동 미분과 GPU 가속을 제공하므로, 전통적인 C++/Fortran 기반 솔버보다 훨씬 빠른 전방/후방 연산이 가능하다. 정적 결정성(static determinacy) 원리를 적용해 구조 해석을 선형 방정식 형태로 변환하고, 이를 신경망의 역전파 과정에 직접 삽입함으로써 ‘FAE‑DNN 통합 프레임워크’를 구현하였다. 이 통합 모델은 입력으로 3D CT 볼륨을 받아, 바로 요소(node‑element) 연결 정보와 물성 파라미터를 포함한 메쉬를 출력한다.

핵심 알고리즘은 3D U‑Net 변형 구조에 기반한다. 인코더‑디코더 경로 사이에 스킵 연결을 두어 고해상도 해부학적 특징을 보존하고, 마지막 레이어에서는 각 voxel에 대해 ‘노드 좌표’와 ‘요소 연결 인덱스’를 동시에 예측한다. 이를 위해 다중 헤드 출력 방식을 채택했으며, 좌표 회귀 손실(L2 loss)과 연결 토폴로지 손실(교차 엔트로피 + 토폴로지 일관성 정규화)을 결합하였다. 학습 데이터는 500여 명의 환자 CT와 해당 환자에 대해 전문가가 수동으로 만든 고품질 메쉬를 매칭시킨 ‘ground‑truth’ 세트이며, 데이터 증강(회전, 스케일, 노이즈 추가)으로 일반화 능력을 강화하였다.

성능 평가에서는 (1) 메쉬 품질(요소 왜곡, 평균 면적, 최소/최대 스케일), (2) 해부학적 정확도(Dice coefficient >0.92), (3) 응력 결과와 전통적인 FEA 파이프라인 간의 상관관계(R² >0.95) 등을 측정하였다. 결과적으로 자동 생성 메쉬는 평균 0.8 mm 이하의 표면 오차를 보였으며, 전체 파이프라인 실행 시간은 CPU 환경에서 3분, GPU 가속 시 5 초 이하로 단축되었다. 이는 임상 현장에서 실시간 위험 평가가 가능함을 의미한다.

한계점으로는 (i) 훈련 데이터가 주로 정상 혹은 경증 확장 대동맥에 국한돼 있어 극단적 형태(예: 급성 파열 전후)의 일반화가 미흡할 수 있다, (ii) 물성 파라미터는 현재 인구 평균값을 사용했으며, 환자 개별 조직 강도 측정이 포함되지 않아 최종 파열 위험 예측 정확도에 영향을 줄 수 있다. 향후 연구에서는 멀티모달 MRI·초음파 데이터를 통합해 물성 추정 모델을 강화하고, 강화학습 기반의 오류 교정 메커니즘을 도입해 극단적 변형에 대한 강인성을 높일 계획이다.

전반적으로 본 논문은 딥러닝과 전통적인 구조역학을 결합한 혁신적 접근을 통해, 대동맥류 위험 평가를 위한 전처리·해석·결과 도출 전 과정을 자동화함으로써 임상 적용 가능성을 크게 확대하였다.