CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram

이 논문은 CLAHE 와 개선된 Ben Graham 기법을 결합한 전처리, DenseNet121 인코더와 Self-ONN 디코더를 활용한 UNet 기반의 세그멘테이션, 그리고 컨투어 정제 모듈로 구성된 3 단계 파이프라인인 CASR-Net 을 제안하여 X-ray 관상동맥 조영술에서 혈관 연속성을 보존하고 정밀도를 크게 향상시킨 것을 보여줍니다.

핵심

🩺 1. 문제 상황: 흐릿한 지도와 끊긴 길

심장 혈관은 우리 몸의 중요한 '도로'입니다. 하지만 X-ray 영상으로 이 도로를 볼 때는 몇 가지 큰 문제가 있습니다.

• 안개 낀 날: 영상이 흐릿하고 대조가 잘 안 되어 혈관이 배경과 구별하기 어렵습니다.
• 길 끊김: 혈관이 좁아지거나 병이 들면 (협착), 영상에서 혈관이 갑자기 끊어지거나 사라진 것처럼 보입니다.
• 잡음: 다른 장기나 장비의 그림자가 혈관 위에 겹쳐 있어 진짜 길을 찾기 어렵습니다.

기존의 AI 들은 이런 흐릿하고 끊긴 길을 제대로 찾지 못해, 중요한 병변을 놓치거나 엉뚱한 곳을 '병'으로 잘못 진단하기도 했습니다.

🛠️ 2. 해결책: CASR-Net (카스르-넷)

연구팀은 **'CASR-Net'**이라는 새로운 시스템을 개발했습니다. 이 시스템은 혈관을 찾아내는 과정을 3 단계의 전문가 팀이 협력하는 것처럼 설계했습니다.

1 단계: 사진 보정 전문가 (전처리)

먼저 흐릿한 X-ray 사진을 선명하게 다듬습니다.

• 비유: 마치 흐릿한 사진에 **'명암 보정 (CLAHE)'**과 **'색상 필터 (벤 그레이엄)'**를 동시에 입혀서, 혈관이라는 '길'이 배경과 확실히 구별되도록 선명하게 만드는 작업입니다.
• 효과: 안개 낀 날처럼 흐릿한 영상에서도 혈관의 윤곽이 뚜렷하게 드러납니다.

2 단계: 길 찾기 전문가 (세그멘테이션 - 핵심 기술)

이제 선명해진 사진에서 혈관 모양을 그립니다. 여기서 이 연구의 가장 큰 혁신이 나옵니다.

• 기존 방식: 일반적인 AI 는 직선이나 단순한 곡선만 잘 그립니다.
• CASR-Net 의 방식: **'셀프-온 (Self-ONN)'**이라는 특별한 기술을 썼습니다.
  • 비유: 일반적인 AI 가 '규칙적인 블록'으로 길을 만든다면, CASR-Net 은 유연한 점토처럼 작동합니다. 혈관이 가늘고 꼬불꼬불하게 구부러져 있어도, AI 가 스스로 그 모양을 유연하게 따라가며 끊기지 않게 그립니다.
  • 핵심: 혈관이 좁아지거나 병든 부분에서도 끊어지지 않고 이어지게 그릴 수 있습니다.

3 단계: 수정 및 마무리 전문가 (후처리)

AI 가 그렸지만 여전히 작은 실수가 있을 수 있습니다.

• 오류 제거: 혈관이 아닌 곳에 실수로 선을 그었으면 (거짓 양성), 그 부분을 지웁니다.
• 연결하기: 혈관이 끊겨 보이면, AI 가 **가상의 다리 (패치 라인)**를 만들어 끊어진 부분을 다시 이어줍니다.
• 비유: 그림을 그릴 때 실수로 삐져나간 선을 지우개로 지우고, 끊어진 선을 다시 이어주는 '마무리 작업'입니다.

🏆 3. 결과: 왜 이 기술이 특별한가요?

이 시스템을 여러 X-ray 데이터로 시험해 보니, 기존 최고의 기술들보다 훨씬 좋은 결과를 냈습니다.

• 정확도: 혈관을 더 정확하게 찾아냈습니다.
• 연결성: 가늘고 끊어지기 쉬운 혈관도 끊어지지 않고 잘 그렸습니다.
• 실용성: 의사가 진단할 때 더 믿을 수 있는 정보를 제공합니다.

💡 4. 요약: 한 줄로 정리하면?

"흐릿하고 끊어진 X-ray 혈관 영상을, 마치 유능한 사진 보정사와 유연한 그림쟁이, 꼼꼼한 수정가가 팀을 이루어 선명하고 완벽하게 복원해내는 AI 기술을 개발했습니다."

이 기술은 심혈관 질환을 조기에 발견하고, 환자에게 더 정확한 치료를 받을 수 있도록 돕는 중요한 도구가 될 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 관상동맥 질환 (CAD) 은 전 세계적으로 주요 사망 원인 중 하나이며, 조기 발견이 치료 계획 수립과 사망률 감소에 필수적입니다.
• 현황: X 선 관상동맥 조영술 (XCA) 은 CAD 진단의 표준 방법이지만, 이미지 품질 저하 (불균일한 조명, 낮은 해상도, 낮은 대비, 노이즈) 로 인해 정밀한 분할이 어렵습니다.
• 주요 과제:
  • 기존 방법들은 주로 큰 혈관을 대상으로 하거나 대비 차이에 의존하여, 협착 (stenosis) 이 있거나 매우 가느다란 혈관 가지의 연속성을 유지하는 데 한계가 있습니다.
  • 협착 부위는 혈류 차단으로 이어질 수 있어 임상적으로 매우 중요하지만, 이미지 품질이 낮을 경우 분할 오류 (단절 또는 과분할) 가 빈번하게 발생합니다.

2. 제안 방법론 (Methodology)

저자들은 CASR-Net(Coronary Artery Segmentation and Refinement Network) 을 제안하였으며, 이는 3 단계 파이프라인으로 구성됩니다.

가. 다중 채널 전처리 (Multichannel Preprocessing)

• 목표: 혈관 대비 향상 및 배경 노이즈 억제.
• 기법:
  1. CLAHE (Contrast Limited Adaptive Histogram Equalization): 국소적 대비를 개선하여 혈관 가시성을 높입니다.
  2. 개선된 Ben Graham 방법: 기존 Ben Graham 기법을 수정하여 원형 패치 아티팩트를 제거하고 혈관 구조를 배경과 명확히 구분합니다. (Canny 엣지 검출 및 형태학적 연산 활용)
• 전략: 두 기법을 각각 다른 채널에 적용한 후 병합 (Concatenation) 하여 네트워크에 입력합니다. 이는 단일 기법 적용보다 혈관 - 배경 분리를 극대화합니다.

나. 분할 네트워크 (Segmentation Network)

• 아키텍처: UNet 기반의 인코더 - 디코더 구조.
• 인코더: DenseNet121을 사용하여 ImageNet 사전 학습 가중치를 활용하고, 특징 재사용을 통해 효율적인 특징 추출을 수행합니다.
• 디코더 (핵심 혁신):
  • 기존 UNet 의 Conv2D 레이어와 ReLU 활성화 함수를 Self-ONN (Self-organized Operational Neural Network) 블록과 Tanh 활성화 함수로 대체합니다.
  • Self-ONN: 학습 과정에서 노드 연산자를 자동으로 최적화하여 비선형적이고 복잡한 혈관 기하학적 구조 (특히 가느다란 혈관) 를 더 잘 포착하고 연속성을 유지합니다.
• 손실 함수: 이진 교차 엔트로피 (BCE) 와 Dice Loss 중 Dice Loss가 협착 및 얇은 혈관 분할에 더 우수함을 확인하여 주로 사용했습니다.

다. 정제 모듈 (Refinement Module)

분할 결과의 오류를 보정하기 위한 3 가지 후처리 기법을 통합합니다.

1. 딥러닝 기반 정제: ResNet50-UNet++ 기반의 추가 네트워크를 사용하여 위양성 (False Positive) 을 제거합니다.
2. 윤곽선 정제 (Contour Refinement): 작은 크기의 위양성 영역을 식별하고 비트 연산을 통해 제거합니다.
3. 패치 라인 생성 (Patch Line Generation): 단절된 혈관 가지의 끝점을 감지하고 유클리드 거리를 기반으로 연결하여 혈관의 연속성 (Continuity) 을 복원합니다.

3. 주요 기여 (Key Contributions)

1. CASR-Net 아키텍처: 얇은 혈관 가지의 단절을 줄이고 전체 분할 성능을 향상시키는 새로운 인코더 - 디코더 구조 제안.
2. Self-ONN 기반 디코더: 전통적인 Conv2D/ReLU 를 Self-ONN/Tanh 로 대체하여 협착 및 좁은 혈관에서의 연속성 손실을 최소화하고 정확도를 높임.
3. 다중 채널 전처리: CLAHE 와 개선된 Ben Graham 기법을 결합하여 XCA 이미지의 혈관 대비를 극대화하고 배경 노이즈를 억제.
4. 정교한 후처리: 위양성 제거 및 혈관 단절 복구를 위한 정제 파이프라인을 통해 예측 품질을 향상시킴.

4. 실험 결과 (Results)

• 데이터셋: DCA1 (정상 혈관 위주) 과 Danilov 등 (협착 혈관 포함) 의 공개 데이터셋을 결합하여 총 348 개의 이미지를 사용. 5-fold 교차 검증을 수행.
• 성능 지표:
  • IoU (Intersection over Union): 61.43%
  • DSC (Dice Similarity Coefficient): 76.10%
  • clDice (Topology-aware metric): 79.36%
• 비교 분석:
  • 기존 최첨단 모델 (UNet++, ResNet, Transformer 기반 모델 등) 보다 DSC 와 IoU 에서 우위를 보임.
  • 특히 clDice 점수가 높게 나와 얇은 혈관의 연결성 유지 능력이 탁월함을 입증.
  • 전처리 기법 비교에서 제안된 '다중 채널' 방식이 단일 기법보다 DSC 를 0.31~0.89% 향상시킴.
  • Self-ONN(q=3) 과 Dice Loss 조합이 최적의 성능을 보임.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 가치: CASR-Net 은 저품질 XCA 이미지에서도 협착 부위와 미세 혈관까지 정확하게 분할하여, 의사의 진단 및 치료 계획 수립을 지원하는 강력한 도구로 기대됩니다.
• 기술적 의의: 혈관의 비선형적 특성을 학습하는 Self-ONN 을 분할 네트워크에 적용하고, 전처리부터 후처리까지 통합된 파이프라인을 구축함으로써 기존 CNN 기반 방법의 한계를 극복했습니다.
• 한계 및 향후 과제: 외부 데이터셋에 대한 검증 필요, 실시간 처리 속도를 위한 경량화, 시계열 정보 (동영상) 활용, 그리고 휴리스틱 기반의 후처리 대신 학습 가능한 모듈 도입 등이 향후 연구 과제로 제시되었습니다.

이 연구는 심혈관 질환 진단의 정확성을 높이기 위해 이미지 처리 기술과 딥러닝 아키텍처를 효과적으로 결합한 대표적인 사례로 평가됩니다.