초음파와 딥러닝을 활용한 동맥 활성역학 실시간 정량화

초록

**
본 연구는 초음파 영상과 혈압 측정을 결합하고, 딥러닝 기반 혈관 단면 면적 자동 분할과 역학 모델을 이용해 동맥의 활성(평활근 수축) 기계적 특성을 정량화하는 프레임워크를 제시한다. 233명의 건강인으로부터 학습 데이터를 확보하고, 10명의 피험자를 대상으로 1분 계단 운동 후 30분 동안 압력‑면적 변화를 추적하였다. 결과는 혈압은 운동 후 5분 내에 정상으로 회복되는 반면, 활성 기계적 파라미터는 약 15분간 상승된 상태를 유지함을 보여, 혈압과 평활근 회복 사이의 시간적 불일치를 밝혀냈다.

**

상세 분석

**
이 논문은 동맥의 ‘활성’ 기계적 특성을 직접 측정하려는 최초 수준의 시도 중 하나로, 기존의 순수 강성(패시브) 평가와는 근본적으로 다른 접근법을 제시한다. 먼저, 저자들은 오른쪽 총경동맥의 횡단면 B‑mode 영상을 5초 길이, 초당 83프레임으로 촬영하고, 이를 448 × 448 픽셀의 정사각형 이미지로 전처리하였다. 영상당 두 개(최소·최대 확장 시점)만 수동 라벨링하고, 나머지는 DeepLabv3 기반 컨볼루션 신경망이 자동으로 분할한다. 네트워크는 Atrous Spatial Pyramid Pooling과 residual 연결을 활용해 다중 스케일 정보를 보존하고, 50 epoch 학습 후 검증·테스트에서 Dice 계수와 평균 절대 오차가 각각 0.93·2.1 % 수준에 도달했다는 점에서 임상 현장에서 요구되는 시간·정밀도 요건을 충족한다는 점이 눈에 띈다.

다음으로, 압력‑면적 곡선을 이용한 역학 모델링이 핵심이다. 저자들은 얇은 벽 원통 모델을 가정하고, 비압축성 조건(λr·λθ·λz = 1)을 적용해 혈압 P와 원주 응력 σθ 사이의 관계식 P = ∂W/∂λθ·λθ⁻¹을 도출한다. 여기서 W는 Ogden 형태의 스트레인 에너지 함수이며, 활성(평활근)과 수동(ECM) 기여를 각각 파라미터 α와 β로 분리한다. 실제 데이터에서는 혈압 파형을 손목 혈압계와 카리오톤노미터를 통해 보정하고, 면적 파형은 딥러닝 결과와 동기화한다. 두 신호의 피크 정렬을 통해 위상 차이를 최소화하고, 비선형 최소제곱법으로 α, β를 추정한다.

실험 설계는 10명의 젊은 남성(평균 25 ± 3 yr)을 대상으로 1분 계단 테스트(2 s당 1회 사이클) 후, 0 ~ 30 분 구간을 3 분 간격(총 9회)으로 측정한다. 각 시점마다 초음파 영상, 카리오톤노미터 압력, 그리고 팔 혈압을 동시에 기록한다. 결과 분석에서 혈압은 운동 직후 급격히 상승했으나 5분 내에 기저값으로 복귀했으며(p < 0.001), 반면 활성 파라미터 α는 최대값에서 약 15분간 유의하게 높은 수준을 유지(p < 0.05)했다. 이는 평활근 수축이 혈압 조절 메커니즘보다 느리게 해소된다는 생리학적 가설을 뒷받침한다.

이 연구의 강점은 (1) 대규모(233명) 영상 데이터셋을 통한 견고한 딥러닝 모델 구축, (2) 압력‑면적 곡선 기반의 물리 기반 역학 모델을 실제 임상 데이터에 적용한 점, (3) 운동 후 동적 변화 추적을 통해 혈압과 평활근 활성의 시간적 차이를 정량화한 점이다. 한편 제한점으로는 (가) 소수의 피험자(10명)만을 대상으로 한 포스트‑엑서사 실험, (나) 단일 혈관(총경동맥)과 단일 연령대(청년 남성) 중심의 모집단, (다) 혈압‑면적 동시 측정이 아닌 사후 정렬 방식에 의존한 점을 들 수 있다. 향후 연구에서는 다양한 연령·성별·질환군을 포함하고, 실시간 동시 측정 시스템을 구축함으로써 모델의 일반화와 임상 적용 가능성을 확대할 필요가 있다.

**