광음향 영상 재구성 및 정량 분석의 최신 동향과 임상 적용 전망

초록

광음향 영상(PAI)은 광학 대비와 초음파 침투 깊이를 결합한 비침습·비이온화 영상 기술이다. 본 리뷰는 PACT, PAM, PAE 세 가지 주요 구현 방식을 비교하고, 기존 및 딥러닝 기반 재구성·아티팩트 억제 기법을 정리한다. 또한 혈색소 농도·산소포화도 등 정량적 파라미터 추출 방법과 최신 대비제 동향을 논의하며, 향후 임상 전이를 위한 기술적·생물학적 과제와 딥러닝이 가져올 변혁적 영향을 제시한다.

상세 분석

본 논문은 광음향 영상(PAI)의 물리적 원리와 최신 구현 기술을 체계적으로 정리함으로써, 현재 연구자와 임상가가 직면한 핵심 과제를 명확히 제시한다. 첫째, 광학 흡수에 기반한 대비 메커니즘은 혈색소, 멜라닌, 지방 등 생체 내 내인성 색소와 ICG, 금 나노구조, 반도체 고분자 나노입자 등 외인성 대비제의 활용을 가능하게 한다. 그러나 금속 나노입자의 장기 축적 및 페로브스카이트의 독성 문제는 임상 전이의 주요 장벽으로 지적된다. 둘째, PACT, PAM, PAE 각각이 해상도·침투 깊이·시야 범위에서 상보적인 특성을 보이며, 표 1·2에서 제시된 비교를 통해 선택적 적용 전략을 도출할 수 있다. PACT는 전신·기관 수준의 10–80 mm 깊이와 50–200 µm 해상도를 제공하지만, 각도 커버리지와 탐지 대역폭 제한으로 인해 재구성 아티팩트가 발생한다. PAM은 광학·음향 해상도에 따라 OR‑PAM(≤5 µm, 1–2 mm)과 AR‑PAM(≥50 µm, 3–10 mm)으로 구분되며, 표면·근표면 영상에 강점을 가진다. PAE는 내시경형 트랜스듀서를 이용해 혈관 내·기관 내부 영상을 실시간으로 제공하지만, 광섬유 및 초음파 트랜스듀서 소형화가 여전히 과제이다. 셋째, 재구성 알고리즘 측면에서 전통적인 시간역전파(time‑reversal), 필터드 백프로젝션(FBP), 모델 기반 역문제 해결법이 소개되며, 이들 방법은 데이터 부족·노이즈에 취약함을 보인다. 최근 딥러닝 기반 접근법—예컨대 U‑Net, GAN, 변분 오토인코더—은 아티팩트 억제, 고속 재구성, 저용량 데이터 학습에 유리함을 입증했다. 특히, 물리 기반 손실 함수를 결합한 물리‑인식 네트워크는 재현성 및 정량 정확도를 크게 향상시킨다. 넷째, 정량 분석에서는 그레이니슨 파라미터와 흡수 계수를 이용해 혈색소 농도와 산소포화도(sO₂)를 추정하는 방법이 상세히 논의된다. 다중 파장 스펙트럼 언믹싱과 모델 기반 역문제 해결이 결합될 경우, 조직 내 산소 동역학을 실시간으로 모니터링할 수 있다. 다만, 광선 플루언스 이질성, 조직 흡수 비선형성, 열적 확산 효과 등이 정량 오차의 주요 원인으로 남아 있다. 마지막으로, 향후 연구 방향으로는 (1) 초고대역 초음파 트랜스듀서와 고출력 레이저의 하드웨어 통합, (2) 임상 데이터 기반 대규모 딥러닝 모델 구축, (3) 바이오 호환성 높은 나노 대비제 개발, (4) 실시간 정량 피드백을 포함한 폐쇄형 치료‑진단(theranostic) 시스템 구현이 제시된다. 전반적으로, 딥러닝은 재구성 속도와 이미지 품질을 동시에 개선함으로써 PAI의 임상 전이를 가속화할 핵심 촉매 역할을 할 것으로 기대된다.