뇌혈관 DSA 합성을 위한 의미 기반 확산 모델

초록

본 연구는 전·후방 순환과 C‑arm 위치를 텍스트 임베딩으로 명시적으로 제어하는 의미 기반 잠재 확산 모델(LDM)을 개발하여, 대규모 뇌혈관 디지털 서브트랙션 혈관조영술(DSA) 프레임을 고품질로 합성한다. 99,349개의 실제 프레임을 전처리·정제한 뒤 조건부 LDM을 학습시켰으며, 4명의 임상의가 400개의 합성 이미지를 5점 Likert 척도로 평가한 결과 평균 점수 3.1~3.3(중간‑양호)과 ICC 0.80‑0.87의 높은 신뢰도를 보였다. 또한 FID 15.27이라는 낮은 값으로 실제 데이터와 분포가 유사함을 확인하였다.

상세 분석

이 논문은 임상 현장에서 필수적인 디지털 서브트랙션 혈관조영술(DSA)의 데이터 부족 문제를 해결하고자, 의미 기반 조건부 잠재 확산 모델(LDM)을 설계하였다. 먼저 2015‑2021년 사이에 단일 기관에서 수집된 1,104건(859명)의 DSA 검사에서 99,349개의 동맥기 프레임을 추출하였다. 전·후방 순환(Anterior/Posterior Circulation)과 두 개의 C‑arm 평면(Plane A, Plane B)을 조합한 4가지 주요 조건을 텍스트 프롬프트로 변환하고, BERT 기반 인코더를 통해 의미 임베딩을 생성한다. 이러한 임베딩은 LDM의 디코더에 조건으로 제공되어, 원하는 해부학적 영역과 촬영 각도에 맞는 이미지를 “처음부터” 생성하도록 유도한다.

모델 아키텍처는 기존 Stable Diffusion과 유사하게, 이미지 공간을 64 × 64 × 4 차원의 잠재 공간으로 압축한 후, UNet 기반 노이즈 제거 과정을 1,000 단계에 걸쳐 수행한다. 학습에는 83,614개의 프레임을 훈련셋, 15,735개를 검증셋으로 사용했으며, AdamW 옵티마이저와 cosine learning rate 스케줄을 적용하였다. 조건부 텍스트 임베딩은 cross‑attention 메커니즘을 통해 UNet의 중간 레이어에 삽입되어, 해부학적 라벨과 촬영 각도가 이미지 생성 과정에 지속적으로 반영된다.

평가 단계에서는 400개의 합성 이미지를 4명의 전문가(신경방사선 전문의 2명, 신경외과 전문의 1명, 내과 전문의 1명)에게 무작위로 제시하고, 근위(대혈관), 중위(중간 혈관), 말단(미세 혈관) 3개의 혈관 구간을 각각 1‑5점 Likert 척도로 평가하도록 하였다. 초기 선별 과정에서 239개의 이미지(59.8%)가 임상적으로 유효한 동맥기 프레임으로 선정되었으며, 평균 전체 점수는 3.1~3.3, 특히 근위 혈관에서 3.5에 가까운 높은 점수를 기록했다. 후방 순환·Plane A 조합은 평균 2.73점으로 다소 낮은 품질을 보였으며, 이는 해당 조건의 학습 데이터 비중이 낮아 모델이 충분히 일반화되지 못했음을 시사한다.

분포적 유사성 평가는 Fréchet Inception Distance(FID)를 이용했으며, 합성 이미지와 실제 이미지 사이의 FID가 15.27로, 기존 의료 영상 생성 연구에서 보고된 20~30 수준보다 우수함을 확인했다. 또한, 인터‑레이터 신뢰도(ICC) 0.80‑0.87은 평가자 간 일관성이 높아, 합성 이미지가 객관적인 임상 품질 기준을 충족함을 의미한다.

한계점으로는 단일 기관 데이터에 국한된 점, 후방 순환·Plane A와 같은 희소 조건에서의 품질 저하, 그리고 현재는 정적 프레임만 생성한다는 점을 들 수 있다. 향후 다기관 데이터 통합, 시간적 연속성을 고려한 4D DSA 생성, 그리고 보다 세밀한 혈관 구조(예: 작은 분지)의 재현성을 높이는 연구가 필요하다. 전반적으로, 의미 기반 조건부 LDM은 고해상도·고품질의 뇌혈관 DSA 합성을 가능하게 하여, 데이터 증강, 알고리즘 검증, 교육용 시뮬레이션 등 다양한 임상·연구 분야에 활용될 잠재력이 크다.