이중시점 뇌졸중 영상으로 본 조직 진화 분석

초록

본 연구는 급성기 CTP와 치료 후 DWI를 이용해 입원 시점(T1)과 추적 시점(T2) 두 시점의 영상을 결합하고, 6가지 조직 ROI를 정의하여 통계적 기술자, 방사선학적 텍스처(G‑LCM) 및 두 종류의 딥러닝 인코더(mJ‑Net, nnU‑Net)에서 추출한 임베딩을 비교 분석한다. 18명의 성공적 재관류 환자를 대상으로 한 실험에서, 페널럼(penumbra) 영역은 최종 회복 여부에 따라 특징 공간에서 명확히 구분되었으며, 특히 mJ‑Net 임베딩은 회복 가능한 조직과 영구 손상 조직을 강하게 구분하는 것으로 나타났다. 이는 인코더 기반 특징 공간이 조직의 생물학적 상태와 전이를 반영한다는 증거이다.

상세 분석

본 논문은 기존의 단일 시점 기반 핵심·페널럼 구분이 뇌졸중 조직의 이질성과 시간적 변화를 충분히 포착하지 못한다는 점을 지적하고, 이를 보완하기 위한 ‘이중시점(bi‑temporal)’ 분석 프레임워크를 제안한다. 입원 시점(T1)에서는 4D CTP 데이터를 이용해 뇌혈류 역학 파라미터(CBF, CBV, MTT, Tmax 등)를 계산하고, 치료 후 24~72시간 사이에 획득한 DWI를 정밀하게 CTP와 정합(registration)한다. 두 시점의 수동 라벨(핵심, 페널럼, 정상, 대뇌 반대측 등)을 교차하여 6가지 ROI를 정의한다(예: T1의 페널럼이 T2에서 회복된 경우, T1의 페널럼이 T2에서 영구 손상된 경우 등).

특징 추출은 네 가지 흐름으로 진행된다. 첫 번째는 3×3×30 슬라이딩 윈도우를 적용해 평균, 표준편차, 왜도, 첨도, 최소·최대값 등 6가지 1차 통계량을 구하는 ‘Baseline’ 특징이다. 두 번째는 PyRadiomics를 활용해 3D GLCM을 계산하고, 정보 상관도(IMC1, IMC2), 최대 상관계수(MCC), Correlation 네 가지 텍스처 지표를 선택한다. 세 번째와 네 번째는 각각 mJ‑Net과 nnU‑Net이라는 두 딥러닝 세그멘테이션 인코더에서 중간 레이어의 활성값을 추출해 임베딩 벡터를 만든다. 여기서 mJ‑Net은 2D + time 구조로 시간 정보를 직접 모델링하고, nnU‑Net은 30시간 프레임을 채널 차원에 스택한 2D 구조이다.

각 ROI별로 슬라이스별 특징을 최대 풀링(max‑pooling)하여 하나의 고정 차원 벡터로 요약한다. 이후 차원 축소(t‑SNE, UMAP)와 군집 분석을 통해 특징 공간에서의 분포를 시각화하고, Wilcoxon 부호 순위 검정으로 페널럼 구분 지표(penumbra separation index)의 통계적 유의성을 검증한다. 결과는 다음과 같다. (1) 페널럼 영역은 최종 회복 여부에 따라 특징 공간에서 뚜렷이 분리되었으며, 회복된 페널럼은 정상 조직과 거의 겹치는 클러스터를 형성했다. (2) 핵심 영역은 회복 여부와 관계없이 특징이 크게 변하지 않아 구분이 어려웠다. (3) GLCM 텍스처와 딥 임베딩 모두 이 패턴을 재현했으며, 특히 mJ‑Net 임베딩은 페널럼 구분 지표가 0을 크게 벗어나 유의미(p < 1.5 × 10⁻⁴)했다. 이는 시간 정보를 포함한 인코더가 조직의 미세한 혈류 변화를 더 민감하게 포착한다는 것을 의미한다.

이러한 분석은 두 가지 중요한 시사점을 제공한다. 첫째, 입원 시점의 CTP만으로도 고차원 특징을 추출하면 조직의 향후 회복 가능성을 예측할 수 있다. 둘째, 딥러닝 기반 임베딩이 전통적인 방사선학적 텍스처보다 조직 상태 전이를 더 명확히 구분함으로써, 임상 의사결정(예: 재관류 치료 적응증 판단)에서 보조 지표로 활용될 가능성을 열어준다. 향후 연구에서는 더 큰 코호트와 다양한 치료 유형을 포함해 모델을 일반화하고, 실시간 임상 워크플로우에 통합하는 방안을 모색해야 한다.