희소 CT 슬라이스와 신경 임플리시트로 2D 초음파에서 3D 심장 형태 재구성

초록

본 연구는 CT 혈관조영(CTA)에서 얻은 희소 평면 분할 영상을 이용해, 2D 경흉부 초음파(TTE)와 유사한 4개의 전형적인 아펙스 뷰를 재현하고, 신경 임플리시트 함수와 라틴트 코드 기반의 형태 사전학습을 통해 전체 심장 구조를 3차원으로 복원한다. 테스트 단계에서는 라틴트 벡터와 각 평면의 강체 변환을 공동 최적화하여 실제 뷰 포즈를 추정한다. 40명의 테스트 환자에서 평균 Dice 0.86±0.04, 좌심실 부피 오차 4.88 mL(시뮬슨 2‑플레인 8.14 mL 대비) 등을 달성해, 기존 2D 기반 부피 추정법보다 높은 정확도를 보였다.

상세 분석

이 논문은 기존 2D 초음파 기반 심장 부피 추정이 갖는 평면 정렬 오류와 기하학적 가정의 한계를 극복하기 위해, 실제 CTA 데이터에서 추출한 고해상도 전심장 분할을 형태 사전으로 활용한다는 점에서 차별화된다. 핵심은 자동 인코더 구조를 갖는 신경 임플리시트 함수(fθ)로, 3D 좌표와 128차원 라틴트 벡터(z)를 입력받아 6개의 클래스(배경+5개 심장 구조)의 점유 확률을 출력한다. 학습 단계에서는 각 환자마다 고유 라틴트 코드를 할당하고, 교차 엔트로피와 다중 클래스 Dice 손실을 결합한 Ldata와 라틴트 L2 정규화(L)로 최적화한다. 8개의 은닉층(폭 128)과 스킵 연결을 사용해 복잡한 형태 변이를 효과적으로 모델링한다.

테스트 시에는 실제 TTE와 유사한 4개의 아펙스 평면(A2C, A3C, A4C, A5C)을 CTA에서 자동으로 추출하고, 각 평면에 가우시안 잡음을 주어 포즈 불확실성을 시뮬레이션한다. 이후 라틴트 벡터와 평면의 강체 변환(축‑각 회전 α와 평행이동 t)을 동시에 최적화한다. 초기 100스텝은 라틴트만 업데이트하고, 이후 900스텝에서 두 파라미터를 공동 최적화함으로써, 포즈 추정 오류가 복원 품질에 미치는 영향을 최소화한다. 라틴트와 포즈를 공동 최적화한 경우 Dice가 0.86±0.04, 평균 대칭 표면 거리(ASSD) 1.4 mm 수준을 기록했으며, 포즈 최적화를 제외한 라틴트 전용 최적화에서는 Dice가 0.78 이하로 떨어지고 부피 오차가 크게 증가한다. 이는 포즈 추정이 전체 형태 복원에 결정적인 역할을 함을 입증한다.

성능 비교에서는 전통적인 Simpson’s biplane 방법(두 개의 아펙스 뷰만 사용)과 대비했을 때, 좌심실 부피 MAE가 4.88 mL vs 8.14 mL, 좌심방 부피 MAE가 6.40 mL vs 37.76 mL로 현저히 우수했다. 또한 라틴트만 최적화하고 포즈를 이상적인 상태(노이즈 없는)로 초기화한 경우 최고 Dice 0.93, 최소 ASSD 0.89 mm를 달성해, 현재 모델이 이론적 한계에 근접함을 보여준다.

데이터는 급성 허혈성 뇌졸중 환자 452명 중 품질 검증을 거친 153명을 사용했으며, 100명으로 학습, 13명으로 하이퍼파라미터 튜닝, 40명으로 최종 평가했다. 전처리는 최소화했으며, 모든 볼륨이 동일한 해부학적 방향과 해상도를 유지한다는 점이 재현성을 높인다. 한계점으로는 실제 TTE 영상이 아닌 CTA 기반 가상 뷰를 사용했기 때문에, 초음파 특유의 음향 섀도우와 잡음에 대한 견고성이 아직 검증되지 않았다는 점이다. 향후 실제 TTE 마스크와 결합하거나, 다중 뷰(예: 3D 레이더)와 통합하는 연구가 필요하다.