뇌 혈관 내강 크기 분포를 딥러닝 기반 MRI로 정밀 측정

초록

본 연구는 전립선 광시트 형광 현미경(LSFM)으로 얻은 전뇌 혈관 3D 데이터를 이용해 GESFIDE MRI 신호를 시뮬레이션하고, 딥러닝 모델을 훈련시켜 혈류량(CBV)과 혈관 내강 크기 분포(VSD)를 비침습적으로 추정한다. 실험 결과, 외부 검증에서 CBV와 VSD 모두 높은 상관관계(r≥0.95)와 Bhattacharyya Coefficient(≥0.87)를 보였으며, 기존 사전(dictionary) 매칭보다 노이즈에 강인함을 확인하였다.

상세 분석

이 논문은 기존 MRI 기반 혈관 크기 측정법이 평균값에만 의존해 혈관 이질성을 반영하지 못한다는 한계를 극복하고자, 실제 동물 뇌 혈관 구조를 정밀히 재현한 후 물리 기반 시뮬레이션을 수행한다는 점에서 혁신적이다. LSFM을 이용해 1 µm 수준의 해상도로 전뇌 혈관을 촬영하고, CLAHE·이진화·형태학적 연산을 거쳐 혈관을 이진화한 뒤, 각 voxel에 대해 반경을 추정해 ‘정규화 혈관 부피 비율(vvf)’ 가중 히스토그램을 VSD로 정의한다. 이렇게 얻은 ‘진짜’ VSD와 CBV는 학습 데이터 라벨로 활용된다.

GESFIDE 시퀀스는 GE, ASE, SE 대비를 동시에 제공해 다양한 혈관 크기에 대한 감도를 통합한다. 저자들은 각 VOI(123³ voxel)마다 전·후 조영제 투여 시뮬레이션을 수행해 신호 비율을 추출하고, 이를 입력으로 하는 완전 연결 신경망(FCN)을 설계하였다. 네트워크는 두 개의 별도 모델로 CBV와 VSD를 동시에 예측하도록 훈련되었으며, 손실 함수는 평균 제곱오차와 Bhattacharyya 거리의 가중합으로 구성해 분포 형태까지 학습한다.

성능 평가는 (1) 건강한 뇌 VOI(3,132개)에서 r=0.95, BC=0.87, (2) 공개 마우스 혈관 데이터(1,000개)에서 유사한 정확도, (3) 종양 VOI(706개)에서 r=0.78, BC=0.82 로, 병변에서는 다소 감소했지만 여전히 실용적인 수준을 유지한다. 또한 SNR을 15–60 dB로 변동시킨 잡음 테스트에서 딥러닝 모델은 사전 매칭 대비 평균 12 % 이상 높은 정확도를 보이며, 노이즈에 대한 강인성을 입증한다.

이 접근법의 강점은 (i) 실제 3D 혈관 구조를 사용해 물리 모델링 오류를 최소화, (ii) 딥러닝이 비선형 관계와 복잡한 분포 정보를 효율적으로 학습, (iii) 사전 구축 비용이 큰 사전 매칭을 대체해 실시간 추정이 가능하다는 점이다. 반면, 현재는 ex‑vivo 데이터와 시뮬레이션에 기반한 검증에 머물러 있어, in‑vivo 인간 뇌에서의 적용 가능성, 조영제 투여량·동역학 차이, 그리고 스캔 파라미터 최적화 등에 대한 추가 연구가 필요하다.