딥러닝 기반 정량적 분광 광음향 영상으로 혈관 분할 및 산소포화도 추정

초록

본 연구는 700 nm와 850 nm 파장의 분광 광음향(sPA) 데이터를 이용해 혈관을 자동으로 분할하고, 해당 혈관 내 산소포화도(sO₂)를 정량적으로 추정하는 딥러닝 모델인 Hybrid‑Net을 제안한다. 시뮬레이션 데이터와 조직 모사 포톤(phantom) 실험 데이터를 각각 사전 학습 및 재학습에 활용했으며, 시뮬레이션에서 평균 분할 정확도 ≥0.978, 평균 sO₂ MSE ≤0.048, 실험에서는 분할 정확도 0.998, sO₂ MSE 0.003을 달성하였다. 광학 플루언스 추정 없이도 높은 정밀도의 sO₂ 측정이 가능함을 보였다.

상세 분석

Hybrid‑Net은 기존 U‑Net 구조에 손실 함수와 네트워크 아키텍처를 변형한 ‘하이브리드 손실’(segmentation loss + sO₂ regression loss)을 적용한 것이 핵심이다. 두 파장의 sPA 이미지를 128 × 128 크기의 2‑채널 입력으로 사용하고, 인코더‑디코더 경로 사이에 스킵 연결을 유지함으로써 공간 해상도와 깊은 특징을 동시에 보존한다. 마지막 레이어에서는 시그모이드 활성화를 적용해 출력값을 0‑1 구간으로 제한하고, 분할 결과와 sO₂ 예측값을 곱해 최종 혈관 내 산소포화도 맵을 생성한다.

학습 단계는 두 단계로 나뉜다. 1) Monte‑Carlo 기반 3‑D 광전달 시뮬레이션으로 생성한 4000개의 sPA 데이터(각 파장당 2000개)를 이용해 초기 학습을 수행한다. 시뮬레이션에서는 38 mm³ 부피에 피더미, 지방, 유방 조직층을 배치하고, 반경 0.5‑4 mm의 혈관을 임의 위치·방향·sO₂ 값으로 채운다. 광원은 4 cm 직경 원형 패턴으로 700 nm와 850 nm 파장을 각각 조사했으며, 각 시뮬레이션당 10⁸개의 포톤을 추적해 초기 압력 분포를 얻었다. 이후 Gaussian 노이즈(SNR 0‑35 dB)를 가산해 다양한 잡음 환경을 모델링했다.

2. 실험 단계에서는 맞춤형 US‑PA 시스템으로 제작한 조직 모사 포톤에서 700 nm·850 nm 파장의 sPA 데이터를 수집했다. 혈액 흐름 채널을 포함한 젤 매트릭스에 혈액(산소포화도 0‑1 범위)과 CO₂·O₂ 가스 주입으로 sO₂를 조절하였다. 획득된 410개의 PA 신호(각 혈관·sO₂ 조합당 2 프레임) 중 80 %를 재학습용, 10 %를 검증·테스트용으로 분할했다. 데이터 증강으로 회전·이동·플립을 적용해 총 1640개의 학습 샘플을 확보했다.

손실 함수는 Dice loss와 binary cross‑entropy를 결합한 segmentation loss와, 혈관 영역에만 적용되는 MSE 기반 sO₂ loss를 가중합한 형태다. 이는 네트워크가 혈관 외부에서는 sO₂ 예측을 무시하고, 혈관 내부에서는 정확한 산소포화도 추정에 집중하도록 유도한다. 학습은 Adam optimizer(learning rate = 1e‑4)로 150 epoch 동안 진행했으며, early stopping을 통해 과적합을 방지했다.

성능 평가는 시뮬레이션과 실험 모두에서 수행되었다. 시뮬레이션에서는 SNR을 0 dB부터 35 dB까지 변화시키며, 평균 Dice coefficient가 0.978 이상, sO₂ MSE가 0.048 이하로 유지되었다. 실험 데이터에서는 segmentation accuracy가 0.998, sO₂ MSE가 0.003으로 거의 완벽에 가까운 결과를 보였다. 특히, 기존 방법이 요구하는 광학 플루언스 역문제 해결 없이도 높은 정밀도의 sO₂ 추정이 가능함을 입증했다.

한계점으로는 두 파장만 사용했기 때문에 스펙트럼 컬러링 효과가 제한적이며, 혈관이 얇거나 복잡하게 얽힌 경우 분할 정확도가 감소할 가능성이 있다. 또한, 실제 인체 조직의 복잡한 광학·음향 이질성을 완전히 반영하지 못한 점도 언급된다. 향후 다파장 확장, 3‑D U‑Net 적용, 그리고 실제 임상 데이터에 대한 검증이 필요하다.