Scaling up fine-grained intracranial vessel annotations in computed tomography angiography

기술 요약: CT 혈관 조영술에서의 미세 뇌혈관 주석(Annotation) 확장을 위한 기술

문제 정의
두개내 혈관 분할은 뇌혈관 질환(CVD)의 진단 및 관리에 필수적이지만, 여전히 영상의학 전문의에 의해 수행되는 수동적이고 시간이 많이 소요되는 과정으로 남아 있다. 컴퓨터 단층 혈관 조영술(CTA)은 자기공명 혈관 조영술(MRA)에 비해 비용 효율적이고 속도가 빨라 임상 현장에서 널리 사용되지만, 기존의 딥러닝 기반 혈관 분할 접근 방식은 주로 MRA 데이터에 집중되어 왔다. 또한, 현재의 CTA 데이터셋은 원위부 또는 미세 동맥을 배경(background)으로 처리하는 경우가 많아, 모델이 미세한 수준의 의미론적 분할(fine-grained semantic segmentation)을 수행하는 데 한계를 보인다. 미세하게 주석이 달린 대규모 CTA 데이터셋의 부족은 질병 평가를 위한 정량적 바이오마커를 제공할 수 있는 자동화 도구 개발을 저해하고 있다.

방법론
저자들은 동적 4D-CTA 스캔에서 미세한 두개내 혈관 주석을 확장하기 위해 설계된 반자동 파이프라인 및 데이터셋인 SemanticVessel을 제안한다.

• 데이터 획득 및 전처리: 본 연구는 동맥 및 정맥 단계에 걸친 조영 증강 역학을 포착하는 동적 4D-CTA 데이터를 활용한다. 전처리 파이프라인은 다음과 같다:

  1. 등록(Registration): 움직임을 보정하기 위해 동맥기와 정맥기를 공통 공간 프레임에 정렬한다.
  2. 단계 분리(Phase Separation): 배경 및 비대상 혈관을 억제하기 위해 차분 기법을 적용한다. 구체적으로, 동맥기에는 정맥 억제를 적용하여 ($S_a - S_{v\to a} > 0$ 인 복셀을 유지) 배경을 제거하고, 정맥기에는 동맥 억제를 적용하여 별도의 볼륨($S^*_a$ 및 $S^*_v$)을 생성한다.
  3. 시드 생성(Seed Generation): 초기 이진 혈관 마스크를 생성하기 위해 Nyuz 히스토그램 정규화, Renyi 엔트로피 기반 자동 임계값 설정 및 다중 스케일 Hessian 혈관성 필터(Hessian vesselness filters)를 사용한다.
  4. 리전 그로잉(Region Growing): 시드를 확장하여 가는 혈관을 복원하기 위해 강도 유도 리전 그로잉 알고리즘을 사용하며, 과잉 또는 과소 분할을 방지하기 위해 특정 허용 오차를 정의한다.

• 주석 전략:

  • 전문가 개입: 숙련된 신경 영상의가 대화형 GUI를 사용하여 추출된 혈관 중심선(centerline)에 의미론적 레이블을 할당한다.
  • 클래스 정의: 데이터셋은 20개의 고유한 동맥 클래스(예: ICA, M1, A1, VA, BA, PComm)와 1개의 "정맥" 클래스를 포함한다. 결정적으로, 개별적으로 주석을 달기에 비용이 너무 많이 드는 미세 동맥들은 배경으로 버리는 대신 일반적인 "기타 동맥(other artery)" 클래스로 병합한다.
  • 레이블 전파(Label Propagation): 4D-CTA의 다단계 특성 덕분에, 한 단계에서 생성된 레이블은 동일한 시리즈 내의 다른 단계로 경직 등록(rigidly registered)되어 전파되며, 이를 통해 추가적인 주석 비용 없이 데이터셋 크기를 크게 늘린다.
  • 데이터셋 규모: 최종 데이터셋은 훈련을 위해 41명의 환자로부터 얻은 360개의 CTA 볼륨과, 수동 검증을 위한 5명의 환자로부터 얻은 50개의 스캔으로 구성된다.

• 모델 훈련:

  • 저자들은 Residual Encoder Large (ResEncL) 프리셋을 사용하는 3D nnU-Net 아키텍처를 채택한다.
  • 입력: 모델은 두 개의 채널을 입력으로 받는다: CTA 이미지와 피험자별 좌우 좌표 볼륨(뇌 중앙선으로부터의 정규화된 거리를 인코딩하여 반구의 대칭 구조를 구분하는 데 도움을 줌).
  • 손실 함수: 모델은 Dice 및 Cross-Entropy 손실의 조합을 사용하여 훈련된다. 또한, 중심선 복셀의 누락을 방해하여 위상 연결성(topological connectivity)을 개선하는 "스켈레톤 리콜 손실(skeleton recall loss)"이 활용된다.

주요 기여

1. SemanticVessel 데이터셋: 22개 클래스(21개 동맥 + 1개 정맥)와 360개 볼륨를 특징으로 하는, 미세 뇌동맥 분할을 위한 현재까지 가장 큰 규모의 CTA 데이터셋을 구축하였다.
2. 새로운 주석 파이프라인: 라벨 할당을 위한 수동 복셀 주석 작업에서 중심선 기반의 레이블 할당 작업으로 전환함으로써, 4D-CTA 역학을 활용해 영상의학 전문의의 부담을 줄이는 반자동 워크플로우를 제안하였다.
3. 미세 혈관 처리: 미세 동맥을 배경이 아닌 일반 클래스로 병합하는 전략적 접근 방식을 취했으며, 저자들은 이 방식이 전체적인 분할 성능을 향상시킨다는 것을 입증하였다.
4. 다단계 레이블 재사용: 동일한 스캔의 서로 다른 시간적 단계 간에 주석을 재사용하여 데이터셋 크기를 배가시키는 방법을 제시하였다.

결과
모델은 TopCoW 및 TopBrain 데이터셋에서 수정된 Dice 계수(mDC), 평균 방향 Hausdorff 거리(adHD), 위상 민감도(tSens)를 사용하여 평가되었다.

• 레이블 완전성의 영향: "모든 레이블"(정맥 및 일반 "기타 동맥" 클래스 포함)로 훈련했을 때 가장 좋은 결과를 얻었다. 구체적으로, "All labels" 구성은 다른 구성들 중 가장 높은 tSens(0.9387)와 가장 낮은 adHD(0.2399)를 달 기록했다. 일반 동맥 클래스의 포함은 가장 유의미한 감독 효과를 제공하였으며, 동맥에 대한 mDC를 0.7279(이름이 지정된 동맥만 포함 시)에서 0.8847(모든 동맥 포함 시)로 향상시켰다.
• 손실 함수: Skeleton Recall Loss로 훈련된 모델은 표준 Dice/CE 손실로 훈련된 모델에 비해 위상적 완전성과 경계 정확도에서 일관된 개선을 보였다.
• 다단계 vs 단일 단계: 다단계 데이터로 훈련하는 것이 동맥기 전용 훈련보다 우수한 성능을 보였으며, TopBrain 데이터셋에서 mDC가 0.0409 향상되었다.
• 좌우 좌표: 좌우 좌표 입력을 통합하는 것은 특히 ICA 및 M1과 같은 쌍을 이루는 구조에 대해 성능을 크게 개선하여, 동맥의 mDC를 0.6453에서 0.8734로 높였다.
• 일반화: SemanticVessel로 훈련된 모델은 held-out TopBrain 케이스에 대해 평가되었을 때 TopBrain의 하위 집합으로 훈련된 모델보다 우수한 성능을 보였다.

의의 및 주장
본 논문은 SemanticVessel이 CTA에서의 미세한 두개내 혈관 분할에 대한 핵심적인 격차를 해소한다고 주장한다. "라벨링되지 않은" 또는 일반적인 혈관 클래스를 포함하는 것이 실제 혈관 구조를 억제하는 것을 방지한다는 점을 입증함으로써, 저자들은 자신들의 접근 방식이 더 견고하고 임상적으로 유의미한 분할을 생성한다고 주장한다. 이 연구는 동적 4D-CTA 데이터를 적절히 처리하면 주석 부담을 획기적으로 줄이면서 데이터 볼륨을 늘릴 수 있음을 강조한다. 저자들은 추가적인 일반 클래스를 사용하여 훈련된 모델이 전반적으로 더 나은 미세 분할을 생성한다는 결과를 보여준다. 저자들은 과학계에 코드를 공개하여 더욱 포괄적인 데이터셋과 새로운 사전 훈련 전략 개발을 독려하고자 한다.

한계점
저자들은 다음과 같은 한계점을 인정한다:

• 좌우 좌표 채널을 생성하기 위해 기성 뇌 분할 도구에 의존하므로, 뇌 마스크가 실패하는 경우(예: 스컬 스트리핑된 스캔) 성능이 저하될 수 있다.
• 주석 체계가 TopBrain(21개 동맥 구조 vs 34개)보다 덜 세밀하여, 접지된 시각-언어 모델(grounded vision-language modeling)과 같은 특정 작업에는 효용성이 제한될 수 있다.
• 데이터셋에 폐쇄된 동맥 및 흔한 해부학적 변이(예: 후교통 동맥 결손)에 대한 범위가 부족하다.
• 리전 그로잉 단계에서 휴리스틱 파라미터를 사용하므로 다양한 스캐너에 맞춘 튜닝이 필요할 수 있다.
• 주석이 항상 완전히 연결되어 있지 않아, 완전한 혈관 트리가 필요한 동적 유체 시뮬레이션에 활용하기에는 한계가 있다.