자동화된 CCTA 파이프라인과 확산 기반 회귀로 구현한 비침습적 관상동맥 혈압 예측

초록

본 논문은 관상동맥 컴퓨터 단층 촬영(CCTA) 영상을 자동으로 처리해 3D 혈관 기하학을 추출하고, CFD 시뮬레이션을 통해 압력 데이터를 생성하는 파이프라인을 제시한다. 이후 압력 라벨을 노이즈에 점진적으로 섞는 확산 과정을 역전시킨 Inverted Conditional Diffusion 모델을 학습시켜, 이미지 패치만으로 혈압 분포를 실시간 예측한다. 시뮬레이션 데이터에서 R² 64.42%, RMSE 0.0974, 정규화 RMSE 0.154를 기록하며 기존 ResNet·MLP·Bi‑LSTM 기반 베이스라인을 능가한다.

상세 분석

이 연구는 두 가지 핵심 혁신을 제공한다. 첫째, CCTA → 3D 혈관 모델 → CFD 시뮬레이션까지의 전 과정을 자동화한 파이프라인(Patch‑Based Dataset Pipeline, PBDP)이다. 기존 CFD 워크플로우는 이미지 로딩, 세분화, 클리핑, 모델링, 메싱, 파라미터 설정, 시뮬레이션, 결과 처리 등 최소 8단계에 걸쳐 수작업이 많이 필요했으며, 한 건당 12~24시간이 소요되는 경우가 많았다. 저자는 3D Slicer와 VMTK를 이용해 자동 중심선 추출 및 클리핑을 수행하고, 좌표계를 Right‑Anterior‑Superior(RAS)에서 Left‑Posterior‑Superior(LPS)로 일관되게 변환함으로써 데이터 정합성을 확보한다. 또한, 전체 혈관 겉면이 아닌 중심선 주변 28×28×28 voxel 패치를 추출해 압력 라벨과 매핑함으로써 데이터 차원을 크게 축소하고, 임상적 FFR 측정 방식을 그대로 모사한다.

둘째, 압력 라벨을 ‘입력’으로, 이미지 패치를 ‘조건’으로 삼는 Inverted Conditional Diffusion(ICD) 모델이다. 전통적인 확산 모델은 노이즈를 점차 추가한 뒤 역과정에서 이미지를 생성한다. 여기서는 압력값에 가우시안 노이즈를 단계별로 주입하고, 역확산 과정에서 이미지 패치를 조건으로 사용해 노이즈를 제거함으로써 연속적인 압력 값을 회귀한다. 이 접근법은 순차 모델(LSTM, Bi‑LSTM)이 갖는 순서 의존성 문제와, ResNet‑MLP가 제공하는 비선형 회귀 능력 사이의 격차를 메운다. 특히, 다단계 디노이징 경로가 압력 분포를 부드럽게 정제해 주어, 기존 시계열 기반 모델에서 관찰되는 ‘노이즈 누적’ 현상을 최소화한다.

실험 결과는 시뮬레이션 데이터셋(다중 환자·다중 혈관)에서 R² 64.42%를 달성했으며, 이는 기존 베이스라인 대비 1015%p 상승한 수치이다. RMSE 0.0974와 정규화 RMSE 0.154는 압력 예측 정확도가 임상적 FFR 기준(≤0.80)과 충분히 근접함을 시사한다. 또한, 추론 시간은 GPU 기반 5분 이내로, 기존 CFD(1224시간)와 비교해 2~3 orders of magnitude 빠른 속도를 보인다.

하지만 몇 가지 한계도 존재한다. 데이터는 전적으로 CFD 시뮬레이션으로 생성된 합성 데이터이며, 실제 환자 CT와 실제 FFR 측정값에 대한 검증이 부족하다. 모델이 학습한 압력 분포는 시뮬레이션 파라미터(경계조건, 혈관 탄성계수 등)에 민감할 수 있어, 임상 현장에 적용하기 위해서는 파라미터 튜닝 및 외부 검증이 필수적이다. 또한, 현재는 압력 평균값만을 예측하고 있어, 시간‑분해(심장 주기) 압력 변화나 전역 혈류량(심박출량)과의 연계는 다루지 않는다. 향후 연구에서는 실제 FFR 데이터와의 도메인 적응, 다시간‑스텝 확산 모델 도입, 그리고 전이 학습을 통한 소량 라벨 데이터 활용 방안을 모색할 필요가 있다.

전반적으로, 자동화된 데이터 파이프라인과 확산 기반 회귀 모델의 결합은 비침습적 CAD 진단을 위한 혈역학적 마커 제공에 새로운 가능성을 열어준다.