Robust automatic brain vessel segmentation in 3D CTA scans using dynamic 4D-CTA data

기술 요약: 동적 4D-CTA 데이터를 이용한 3D CTA 스캔 내 강건한 자동 뇌 혈관 분할

문제 정의
두개내 컴퓨터 단층 혈관 조영술(CTA)은 혈관 이상을 탐지하는 데 있어 중요한 진단 도구입니다. 동적 4D-CTA는 상세한 시간적 혈관 정보를 제공하지만, 주요 임상 프로토콜은 여전히 단일 단계(single-phase) CTA입니다. 단일 단계 스캔에서 뇌 혈관을 강건하게 추출하는 것은 배경의 뼈와 연조직으로 인해 어려우며, 광범위한 후처리 없이 동맥과 정맥을 구분하는 것도 까다롭습니다. 또한, 기존의 딥러닝 접근 방식은 다음과 같은 상당한 한계에 직면해 있습니다:

• 데이터 부족: 고품질의 미세한 주석(annotation)이 달린 데이터셋이 드뭅니다. 기존의 TopCoW와 같은 데이터셋은 주로 윌리스 서클(Circle of Willis, CoW) 동맥에 집중되어 있어, 뇌혈관 질환 관리에 중요한 더 넓은 혈관 영역을 간과합니다.
• 주석 부담: CTA 이미지의 수동 주석 작업은 전문적인 해부학적 지식을 필요로 하며, 특히 동맥과 정맥을 분리하는 작업은 노동 집약적입니다.
• 일반화 능력: 제한된 모달리티나 단일 조영 단계를 학습한 모델은 서로 다른 조영 단계에 걸쳐 일반화되거나 동맥 및 정맥 구조를 모두 정확하게 포착하는 데 실패하는 경우가 많습니다.

방법론
저자들은 동적 4D-CTA 데이터를 활용하여 강건한 학습 데이터셋을 구축하고 분할 성능을 향상시키는 새로운 파이프라인인 DynaVessel을 제안합니다. 이 방법론은 세 가지 주요 단계로 구성됩니다:

1. 데이터 획득 및 전처리:

   • 동적 CTA: 320열 검출기 로우(row) CT 스캐너를 사용하여 조영제 주입 후 60초 동안 19개의 타임 포인트에서 영상을 획득합니다.
   • 뼈/연조직 차감: 스캐너는 뇌에 조영제가 도달하기 전 획득한 베이스라인 이미지를 사용하여 뼈와 연조직을 차감함으로써 혈관 시각화를 강화합니다.
   • 혈관 분리: 커스텀 알고리즘(Algorithm 1)이 강체 변환(rigid transformations)을 사용하여 동맥기와 정맥기 영상을 정렬합니다. 그 후 두 단계 간의 복셀 강도를 비교하여 동맥기에서는 정맥 구조를 억제하고, 정맥기에서는 동맥 구조를 억제합니다. 이를 통해 환자당 두 개의 별도 볼륨, 즉 뼈와 정맥이 억제된 동맥 볼륨($S^*_a$)과 뼈와 동맥이 억제된 정맥 볼륨($S^*_v$)을 생성합니다.
   • ROI 추출: 두개골과 목의 바이너리 마스크를 적용하여 두개외 조직을 억제하고, 이미지를 0.468 mm의 등방성 해상도로 재샘플링합니다.

2. 그라운드 트루스(GT) 주석:

   • 분리된 혈관 볼륨은 iCafe 특징 추출 파이프라인을 통해 처리됩니다. 여기에는 강도 정규화, 임계값 설정(추적을 위한 Phansalkar, 시각화를 위한 Renyi entropy), 그리고 혈관 유사 구조를 추적하기 위한 오픈 커브 액티브 컨투어(open-curve active contour) 모델이 포함됩니다.
   • 수동 검증: 신경 방사선 전문의가 추적된 결과물을 수동으로 검증하여 두개골 외부의 불필요한 구조를 제거하고 해부학적 변이를 수정합니다. 정맥의 경우, 정확성을 보장하기 위해 원위부 분지들을 수동으로 정밀하게 조정합니다.
   • 데이터셋 구축: 최종 데이터셋인 DynaVessel은 43명의 환자로부터 얻은 275개의 head CTA 스캔으로 구성됩니다. 학습 세트는 29명의 환자로부터 얻은 110개의 이미지를 포함하며, 테스트 세트는 14명의 환자로부터 얻은 165개의 이미지를 포함합니다. 결정적으로, 학습 데이터는 여러 조영 단계(환자당 319개 볼륨)를 단일 GT 주석 세트와 쌍으로 결합하여, 데이터셋을 45배 효과적으로 확장하고 조영 변화에 대한 강건성을 유도합니다.

3. 모델 학습 및 평가:

   • 아키텍처: DynaVessel 데이터셋을 사용하여 nnUNet(Residual Encoder UNet) 모델을 학습시킵니다.
   • 평가 지표: 성능은 수정된 다이스 계수(mDC), 평균 방향 하우스도르프 거리(adHD), 토폴로지 민감도(tSens)를 통해 평가됩니다. 평가는 이진 혈관 분할, 동맥 대 정맥 분할, 그리고 20개의 특정 동맥 및 6개의 정맥 해부학적 영역에 대한 의미론적 분할(semantic segmentation)에 대해 수행됩니다.
   • 베이스라인: 제안된 모델($M_{DV}$)은 TopCoW, VesselVerse, 그리고 파운데이션 모델인 VesselFM으로 학습된 모델들과 비교됩니다.

주요 기여

1. 주석 파이프라인: 저자들은 차감(subtraction)과 자동 추적을 활용하여 동적 4D-CTA 데이터를 통해 head CTA 스캔의 동맥과 정맥을 주석 달기 위한 파이프라인을 기록하였으며, 이는 주석 시간을 크게 단축시킵니다.
2. DynaVessel 데이터셋: 다양한 조영 단계(원위부 동맥 및 정맥 부비동 포함)와 광범별 해부학적 영역을 아우르는 미세한 동맥 및 정맥 주석이 포함된 DynaVessel 데이터셋을 제시합니다.
3. 성능 벤치마킹: 모든 혈관 영역과 데이터셋에서 우수한 분할 성능을 입증하며 DynaVessel으로 학습된 모델을 최신 베이스라인들과 비교 평가하였습니다.

결과
DynaVessel로 학습된 모델($M_{DV}$)은 모든 혈관 영역과 데이터셋에서 TopCoW, VesselVerse 또는 VesselFM으로 학습된 모델보다 현저히 나은 성능을 달ered했습니다:

• TopBrain 데이터셋: $M_{DV}$는 동맥에서 0.846, 정맥에서 0.957의 평균 mDC를 달성했습니다. 이에 비해 가장 우수한 베이스라인인 VesselVerse는 동맥 0.455, 정맥 0.031을 기록했습니다.
• 오차 범위: 모델은 동맥에서 0.304 mm, 정맥에서 0.078 mm의 낮은 adHD를 보였으며, 높은 토폴로지 민감도(tSens)인 동맥 0.877, 정맥 0.974를 나타냈습니다.
• 강건성: 조영 단계에 따라 성능이 자연스럽게 변동하지만(예: 조영 전 단계에서의 낮은 성능), 다중 단계 데이터로 학습함으로써 단일 피크 단계로 학습한 모델보다 일반화 능력이 크게 향상되었습니다. 절제 연구(Ablation studies)를 통해 단일 단계로 학습할 경우 미지의 단계에 대한 일반화 능력이 심각하게 저하됨을 확인했습니다.
• 정성적 분석: 시각화 결과, $M_{DV}$는 매우 적은 위음성(false negatives)과 함께 동맥 및 정맥 구조의 거의 완전한 범위를 달야낸 반면, 베이스라인 모델들은 대부분의 정맥을 탐지하지 못하거나 다수의 가짜 분할(spurious segmentations)을 생성했습니다.

의의
본 논문은 이 연구가 CTA 스캔 내의 모든 뇌 혈관 구조를 자동 분할하는 데 있어 중요한 진전이라고 주장합니다. 저자들은 동적 4D-CTA 데이터를 활용함으로써 두개내 동맥과 정맥을 구분하는 오랜 난제를 극려하고 주석 작업의 노동 집약적인 특성을 극복했습니다. 결과물인 데이터셋과 모델은 폐쇄 위치 파악 및 뇌동맥류 탐지와 같은 뇌혈관 병증을 평가하기 위한 기본 또는 보조 입력으로서 폭넓은 적용 가능성을 제공합니다. 저자들은 현재의 미세한 의미론적 평가가 상한선 근사치(upper-bound approximation) 역할을 하지만, 본 방법론이 향로적인 주석 확장 및 복잡한 의미론적 분할 작업을 위한 아키텍처 개발의 토대를 제공한다고 언급했습니다.