자동 관상동맥 조영술 병변 탐지 분할 중증도 추정 오픈소스 프레임워크 ODySSeI

초록

ODySSeI는 침습적 관상동맥 조영술(ICA) 영상을 대상으로 병변을 자동으로 탐지·분할하고 최소 내강 직경(MLD)과 직경 협착도(DS)를 추정하는 오픈소스 엔드‑투‑엔드 파이프라인이다. 새롭게 제안한 피라미드형 데이터 증강(PAS)으로 2,149명(유럽·북미·아시아) 데이터를 학습했으며, CPU에서 수초, GPU에서 0.1초 이내의 실시간 처리 속도를 보인다.

상세 분석

본 논문은 ICA 영상에서 임상적으로 중요한 병변을 자동화된 워크플로우로 처리하기 위해 세 가지 핵심 기술을 결합한다. 첫째, 병변 탐지를 위해 YOLO‑v11 기반의 객체 검출 모델을 사용했으며, 기존 모델 대비 2.5배 이상의 mAP@0.50 향상을 달성했다. 이 성능 향상의 주된 원인은 제안된 피라미드형 증강(Pyramidal Augmentation Scheme, PAS)이다. PAS는 정적(static)·동적(dynamic)·복합(composite) 세 단계로 구성되며, 정적 단계에서는 도메인 특화된 7가지 변환(예: CLAHE, Median Blur 등)으로 혈관 구조를 보존하면서 데이터 다양성을 확보한다. 동적 단계에서는 확률적 변환(랜덤 스케일, 컬러 재조정 등)으로 이미지 품질 변동에 대한 강인성을 부여하고, 복합 단계에서는 장면 기반의 가림(occlusion) 변환을 통해 복합적인 병변 배치를 학습한다. 이러한 계층적 증강은 모델이 단순한 픽셀 수준의 노이즈에 의존하지 않고 혈관의 기하학적 특성을 학습하도록 유도한다.

둘째, 탐지된 병변을 크롭·리사이즈한 뒤, U‑Net 변형의 픽셀‑와이즈 세그멘테이션 네트워크에 입력한다. 세그멘테이션 모델 역시 PAS의 정적·동적 두 단계만 적용해 학습했으며, 정적 변환이 혈관 형태 보존에, 동적 변환이 다양한 촬영 조건에 대한 일반화를 담당한다. 실험 결과, 세그멘테이션 성능은 1–3% 정도의 소폭 향상이었지만, 이는 이미 높은 Dice 점수를 기반으로 한 미세한 개선이며, 실제 임상 지표인 MLD 추정 정확도에 큰 영향을 미친다.

셋째, QCA‑free Lesion Severity Estimation(LSE) 알고리즘을 도입했다. 세그멘테이션된 병변의 중심선(skeleton)을 추출하고, 각 점에서 혈관 반경을 측정한다. 두 개의 최대 반경 피크 사이의 최소값을 두 배하여 MLD를 정의하고, 전체 혈관 직경 대비 MLD 비율을 이용해 직경 협착도(DS)를 계산한다. 이 방법은 전통적인 QCA와 달리 별도의 캘리브레이션 없이 픽셀 단위의 정확도를 제공한다. 논문에서는 MLD가 실제 그라운드 트루스와 ±2–3 픽셀 차이만을 보였으며, DS 추정 역시 임상 기준에 부합하는 높은 상관관계를 나타냈다.

데이터 측면에서 저자들은 FAME2, ARCADE, Future Culprit(FC) 세 데이터셋을 활용했다. FAME2와 ARCADE는 모델 학습에 사용됐으며, FC는 완전한 OOD(Out‑Of‑Distribution) 테스트셋으로 활용해 일반화 능력을 검증했다. OOD 테스트에서 탐지·세그멘테이션 성능이 다소 감소했지만, 여전히 실용적인 수준을 유지했으며, 이는 PAS가 다양한 인구·장비 차이를 포괄하도록 설계됐기 때문이다.

성능 외에도 실시간 적용 가능성을 강조한다. CPU 환경에서 평균 2–3초, GPU 환경에서는 0.1초 이내에 전체 파이프라인을 완료한다. 웹 기반 인터페이스(swisscardia.epfl.ch)와 GitHub 공개 코드를 통해 재현성과 확장성을 확보했으며, 임상 현장에서 즉시 적용할 수 있는 실용적인 도구로 자리매김한다.

전반적으로 ODySSeI는 데이터 증강, 모델 설계, 후처리 알고리즘을 일관되게 결합해 ICA 기반 병변 분석의 주요 과제(주관성, 재현성, 실시간성)를 해결한다. 향후 연구에서는 다중 뷰 영상 통합, 3D 혈관 모델링, 그리고 다른 심혈관 영상(CT, MRI)으로의 확장이 기대된다.