동적 4D CTA 기반 뇌혈관 자동 분할의 새로운 접근

초록

본 연구는 동적 4D‑CTA 영상을 이용해 골과 연부 조직을 효과적으로 제거하고, 다중 위상 데이터를 활용해 뇌동맥·정맥을 동시에 라벨링하는 파이프라인을 제시한다. 동일한 라벨을 여러 위상에 적용함으로써 학습 데이터가 4~5배 확대되고, 대비 위상에 대한 강인성을 확보한다. 110개의 학습 이미지(29명)와 165개의 테스트 이미지(14명)로 구성된 DynaVessel 데이터셋을 nnUNet에 학습시킨 결과, 기존 TopCoW·TopBrain·VesselVErse 데이터셋 대비 평균 수정 Dice(mDC) 0.846(동맥), 0.957(정맥), 평균 directed Hausdorff distance(adHD) 0.304 mm·0.078 mm, 토폴로지 민감도(tSens) 0.877·0.974 등 모든 지표에서 현저히 우수한 성능을 보였다. 코드와 모델 가중치는 공개되어 재현 가능성을 제공한다.

상세 분석

이 논문은 뇌혈관 자동 분할 분야에서 두 가지 핵심 문제—골·연부 조직 제거와 위상 다양성에 대한 모델 일반화—를 동시에 해결하는 혁신적인 접근을 제시한다. 첫 번째로, 동적 4D‑CTA는 기본 영상(contrast 전)과 여러 시간대의 contrast 영상을 연속적으로 획득한다. 저자는 baseline 영상을 이용해 각 위상의 골·연부 조직을 정밀하게 빼내는 subtraction 과정을 적용했으며, 이를 통해 혈관만이 남은 고대비 영상이 생성된다. 이 과정은 기존 단일 위상 CTA에서 수작업으로 수행하던 복잡한 전처리(골 제거, soft‑tissue masking)를 자동화함으로써 라벨링 비용을 크게 절감한다.

두 번째로, 동일한 GT 라벨을 여러 위상(보통 319개)에 매핑함으로써 데이터 증강을 실현한다. 동일 환자의 서로 다른 위상은 혈관의 조영 강도와 형태가 변하지만, 해부학적 구조는 동일하므로 모델이 다양한 대비 조건에 노출돼 위상 불변성을 학습한다. 결과적으로 학습 데이터는 실제 환자 수 대비 45배로 확대되어, 작은 데이터셋에서 흔히 발생하는 과적합 위험을 감소시킨다.

데이터셋 구성은 29명의 환자(110개 학습 이미지)와 14명의 환자(165개 테스트 이미지)로, 기존 TopCoW(125개)·TopBrain(25개)·VesselVErse(112개)와 비교해 규모는 비슷하지만 라벨이 동맥·정맥을 모두 포함한다는 점에서 차별화된다. 라벨링은 iCafe 기반 자동 트레이싱 후 전문가가 3D Slicer에서 정밀 검증·수정하는 반자동 워크플로우를 사용했다. 특히 정맥 라벨은 iCafe가 제공하지 않아 수동 보완함으로써 두 클래스가 균형 있게 학습된다.

모델은 nnUNet v2의 Residual Encoder UNet(large) 구조를 1000 epoch, 초기 학습률 0.01로 학습했으며, 모든 이미지가 arterial phase에 rigid registration된 뒤 isotropic 0.468 mm 해상도로 resample 되었다. 평가 지표는 수정 Dice(mDC), 평균 directed Hausdorff distance(adHD), 토폴로지 민감도(tSens) 등 3가지이며, 각각 민감도 중심, 경계 정확도, 중심선 보존을 측정한다.

실험 결과, DynaVessel 기반 nnUNet은 TopCoW, VesselVErse, TopBrain 대비 mDC가 0.972 vs 0.7890.938, adHD가 0.026 mm vs 0.2740.052 mm, tSens가 0.992 vs 0.9300.989 등 모든 지표에서 현저히 우수했다. 특히 정맥 분할에서 adHD 0.078 mm, tSens 0.974라는 뛰어난 성능을 보였으며, 이는 동적 4D‑CTA가 제공하는 고해상도 시간 정보를 활용한 결과로 해석된다. 또한, 외부 ISLES 데이터셋에서도 기존 모델 대비 mDC 0.960 vs 0.7230.927, adHD 0.041 mm vs 0.041~0.704 mm 등 전반적인 일반화 능력이 검증되었다.

이 논문의 주요 기여는 (1) 동적 4D‑CTA를 이용한 골·연부 조직 자동 제거 파이프라인, (2) 다중 위상 라벨링을 통한 데이터 증강 및 위상 강인성 확보, (3) 동맥·정맥을 모두 포함한 대규모 라벨링 데이터셋 DynaVessel 공개, (4) nnUNet 기반 모델이 기존 공개 데이터셋 대비 일관된 성능 향상을 입증한 점이다. 한계점으로는 동적 4D‑CTA 장비가 제한적이며, 라벨링 과정에서 여전히 전문가 검수가 필요하다는 점이다. 향후 연구에서는 멀티‑모달(MRA, TOF‑MRI 등)과의 융합, 자동 위상 정렬 알고리즘 고도화, 그리고 실시간 임상 적용을 위한 경량 모델 개발이 기대된다.