⚡ electrical engineering

Promise and challenges of heart chamber segmentation from non-contrast CT scans using contrastive unpaired image translation: a feasibility study

이 타당성 조사 연구는 대조적 비쌍 방식의 비정형 이미지 변환과 딥러닝을 결합하여 수동 주석 없이도 비조영 CT 스캔으로부터 심장실 분할을 가능하게 하는 프레임워크인 ChameleonNet을 소개하며, 이는 합성 데이터에서 높은 분할 정확도를 달행하는 동시에 실제 임상 스캔에서는 추가적인 개선이 필요한 유망하지만 불완전한 부피 일치도를 보여준다.

원저자: Jing Wang, Tong Yu, Hao-En Lu, Zixue Zeng, Joseph K. Leader, Xin Meng, Jianbing Zhu, Jiantao Pu

게시일 2026-06-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jing Wang, Tong Yu, Hao-En Lu, Zixue Zeng, Joseph K. Leader, Xin Meng, Jianbing Zhu, Jiantao Pu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

개요: 심장의 핵심을 찾기 위해 "회색"을 "색상"으로 바꾸기

당신이 집 안의 특정 방을 찾으려고 한다고 상상해 보세요. 하지만 당신에게 있는 사진은 벽, 가구, 바닥이 모두 회색조로 보이는 흑백 사진뿐입니다. 침실이 어디서 끝나고 욕실이 어디서 시작되는지 구분하기가 매우 어렵습니다.

이제 같은 집을 찍은 두 번째 사진이 있다고 상상해 보세요. 이 사진은 생생한 풀 컬러입니다. 벽은 파란색이고, 바닥은 나무 재질이며, 가구들이 눈에 확 들어옵니다. 이제 방들을 구분하기가 매우 쉽습니다.

문제점:
의사들은 종종 환자의 흉부 "흑백" 사진(비조영 CT 스캔)을 접하게 됩니다. 이 방식은 저렴하고, 얻기 쉬우며, 안전합니다. 하지만 심장 내부(심장의 네 개의 방)가 회색조 안에서 너무 비슷하게 보이기 때문에, 컴퓨터(또는 사람)가 그 경계선을 정확하게 그리는 것은 매우 어렵습니다.

보통 "컬러" 사진(조영 CT)을 얻기 위해 의사들은 환자에게 조영제를 주입해야 합니다. 이는 비용이 많이 들고 작은 위험을 동반합니다. 연구진은 다음과 같은 질문을 던졌습니다. "우리가 '컬로' 사진을 이용해 컴퓨터에게 '흑백' 사진에서 방을 찾는 법을 가르칠 수 있을까? 이때 흑백 사진에 직접 선을 그리는 과정 없이도 말이다."

해결책: "카멜레온넷(ChameleonNet)"

연구팀은 **카멜레온넷(ChameleonNet)**이라 불리는 2단계 로봇 시스템을 구축했습니다. 이것은 마치 협력하는 두 명의 팀원과 같습니다.

1단계: 마스터 화가 (이미지 변환)

첫 번째 로봇은 "마스터 화가"입니다. 이 로봇의 임무는 "컬러" 사진(조영 CT)을 가져와서 그것을 정확히 "흑백" 사진(비조영 CT)처럼 보이도록 덧칠하는 것입니다.

도전 과제: 만약 화가가 단순히 색상을 무작위로 바꾼다면, 심장의 모양이 왜곡될 수 있습니다. 심장이 찌그러지거나 늘어나 버린다면 다음 단계가 제대로 작동하지 않을 것입니다.
혁신: 연구진은 이 화가에게 **디커플드 대조 학습(Decoupled Contrastive Learning)**이라는 특별한 도구를 주었습니다.
- 비유: 선생님이 학생에게 고양이를 인식하는 법을 가르치려 한다고 상상해 보세요.
  - 기존 방식 (표준 학습): 선생님이 고양이를 보여주며 말합니다. "이것은 고양이야. 저것은 고양이가 아니고, 저것은 자동차야." 학생은 무엇이 고양이인지와 무엇이 고양이가 아닌지를 동시에 배우려다 보니 혼란에 빠집니다.
  - 새로운 방식 (디커플드 학습): 선생님이 말합니다. "잠시 다른 것들은 무시하고, 오직 무엇이 이 동물을 고양이답게 만드는지에만 집중해 봐."
- 이렇게 학습을 분리함으로써, 화가는 훨씬 더 빠르게(약 39% 더 빠르게!) 학습하며, 전문가를 속일 수 있을 정도로 실제와 똑같은 "가짜" 흑백 사진을 만들어냅니다. 결정적으로, 심장의 모양은 원래의 "컬러" 사진과 똑같이 유지됩니다.

2단계: 탐정 (세그멘테이션/분할)

두 번째 로봇은 "탐정"입니다. 이 로봇은 화가가 만든 "가짜" 흑백 사진을 살펴봅니다.

화가가 모양을 완벽하게 유지했기 때문에, 탐정은 "컬러" 사진의 라벨(알려진 심장 방의 위치)을 사용하여 "가짜" 흑백 사진에서도 동일한 방을 찾는 법을 배울 수 있습니다.
연구진은 탐정에게 특별한 규칙을 추가했습니다: "가장자리를 면밀히 관찰하라." (이는 하우스도르프 거리 손실(Hausdorff Distance Loss)입니다.)
- 비유: 지도를 따라 선을 긋는다고 할 때, 단순히 근처 동네에 있는 것만으로는 부족합니다. 거리의 경계선을 완벽하게 따라 그려야 합니다. 이 규칙은 컴퓨터가 심장실의 경계를 매우 정밀하게 파악하도록 강제합니다.

무엇을 발견했는가?

연구팀은 이 시스템을 실제 환자들에게 테스트했습니다. 결과는 다음과 같습니다.

화가는 훌륭하다: "가짜" 흑백 사진은 실제 사진과 거의 동일해 보였습니다. 심장의 모양도 완벽하게 보존되었습니다.
탐정은 유능하지만, 완벽하지는 않다:
- 컴퓨터가 "가짜" 사진을 볼 때, 네 개의 심장실(좌/우 심방 및 좌/우 심실)을 찾는 데 매우 뛰어난 성능을 보였습니다.
- 컴퓨터가 한 번도 본 적 없는 실제 흑백 사진으로 테스트했을 때, 매우 잘 수행했지만 완벽하지는 않았습니다.
- 결과: 컴퓨터가 측정한 심장 방의 크기는 "컬러" 사진의 측정값과 매우 밀접하게 일치했습니다 (상관관계 점수 0.82 ~ 0.93).
- 결함: 컴퓨터는 가끔 좌심실(주요 펌프 역할을 하는 방)의 크기를 실제보다 작게 예측하거나, 우심실을 실제보다 크게 예측하는 경우가 있었습니다. 오차율은 약 9%에서 20% 사이였습니다.

이 연구가 중요한 이유 (논문에 따르면)

논문은 이 방법이 **실행 가능하다(feasible)**고 결론짓습니다. 이는 우리가 얻기 쉬운 "흑백" 스캔을 사용하고, "컬러" 스캔을 통해 컴퓨터에게 무엇을 찾아야 할지 가르침으로써, 어려운 흑백 이미지에 직접 선을 그리지 않고도 심장 크기에 대한 괜찮은 추정치를 얻을 수 있음을 증명합니다.

하지만 논문은 한계점에 대해서도 매우 명확히 밝히고 있습니다:

아직 임상 현장에서 사용할 준비가 되지 않았습니다.
심장실의 크기를 측정하는 오차가 여전히 높기 때문에, 의사가 진단을 위해 이 시스템을 100% 신뢰하기에는 무리가 있습니다.
오차의 주요 원인은 "컬러" 스캔과 "흑백" 스캔이 서로 다른 시점에 촬영되었기 때문입니다. 심장은 박동하며 크기가 변하므로, 두 사진이 시간적으로 완벽하게 일치하지 않아 컴퓨터를 약간 혼란스럽게 만듭니다.

요약

이 연구를 어려운 언어(회색 심장 스캔)를 읽기 위해 먼저 쉬운 언어(컬러 심장 스캔)로부터 배우는 번역기를 만드는 과정이라고 생각하세요. 이 번역기는 전반적인 이야기는 잘 이해하지만, 문장 구조의 세부적인 디테일에서는 여전히 실수를 범합니다. 이는 유망한 시작이지만, 의사를 위한 최종 보고서를 작성할 수 있을 만큼 신뢰받기 위해서는 더 많은 연습이 필요합니다.

기술 요약: 비조영 증강 CT에서의 심장 방 분할을 위한 ChameleonNet

문제 정의
비조영 증강 CT(non-contrast CT)로부터 심장 방(좌심방, 좌심실, 우심방, 우심실)을 정확하게 분할하는 것은 기회적 스크리닝, 비용 절감 및 방사선 치료 계획 수립을 위해 매우 바람직하다. 그러나 비조영 증강 CT에서의 수동 주석(annotation) 작업은 연부 조직 대조도(soft-tissue contrast)가 낮아 매우 어렵기 때문에 관찰자 간 변동성이 높다. nnU-Net과 같은 딥러닝 모델은 조영 증강 CT에서는 우수한 성능을 보이지만, 비조영 증강 데이터에서는 어려움을 겪는다. 기존 솔루션들은 여러 가지 문제에 직면해 있다: 멀티 아틀라스(multi-atlas) 방식은 일반화 능력이 제한적이며, 지도 학습(supervised learning) 방식은 비조영 증강 스캔에 대한 광범한 수동 레이블링을 요구하지만 이는 매우 희소하다. 또한, 조영 증강 CT의 주석을 활용하는 것은 조영제 투여 시점의 차이와 ECG 게이팅(ECG gating)의 부재로 인해 동일 환자의 조영 및 비조영 스캔이 완벽하게 정렬(paired)되기 어렵다는 점 때문에 복잡하다.

방법론: ChameleonNet
저자들은 특정 비조영 증강 스캔에 대한 수동 주석 없이도 비조영 증강 CT에서 심장 방을 분할하기 위해 설계된 2단계 프레임워크인 ChameleonNet을 제안한다. 이 접근 방식은 비조영 증강 이미지를 합성하기 위해 비쌍(unpaired) 이미지 변환을 활용함으로써, 기존의 조영 증강 주석을 비조영 증강 도메인으로 전이시킨다.

1단계: 디커플드 학습을 이용한 대조적 비쌍 이미지 변환 (CUT)
- 아키텍처: 프레임워크는 CUT 아키텍처를 기반으로 하는 생성기( $G$ )와 판별기( $D$ )를 사용한다.
- 혁신 (DCE 손실): 저자들은 표준 CUT에서 사용되는 InfoNCE 손실을 대체하기 위해 디커플드 대조 학습(Decoupled Contrastive Learning, DCE) 손실을 도입한다. 표준 대조 학습에서는 "음성-양성 결합(negative-positive coupling, NPC)" 효과로 인해 양성 쌍이 너무 유사하거나 음성 쌍이 너무 이질적일 때 기울기 소실(vanishing gradients)이 발생할 수 있다. DCE 손실은 손실 함수의 분모에서 양성 쌍 항을 제거하여 기울기를 효과적으로 디커플링한다. 이는 학습을 가속화하고 효율성을 개선한다.
- 과정: 생성기는 해부학적 구조를 유지하면서 조영 증강 이미지( $I_c$ )를 합성된 비조영 증강 이미지( $I_{nc}$ )로 변환한다. 학습에는 특징 일관성을 다양한 스케일에서 유지하기 위해 다층 패치 단위 대조 손실(multilayer patch-wise contrastive loss)이 사용된다.
- 데이터: 변환 모델은 비쌍 데이터셋으로부터 35,538개의 조영 증강 및 37,197개의 비조영 증강 CT 슬라이스를 사용하여 학습되었다.
2단계: Hausdorff Distance 손실을 이용한 분할
- 아키텍처: 1단계에서 생성된 합성 비조영 증강 이미지를 사용하여 네 개의 심장 방을 분할하도록 수정된 nnU-Net을 학습시킨다.
- 손실 함수: 분할 모델은 크로스 엔트로피(Cross-Entropy), Dice 손실, 그리고 Hausdorff Distance (HD) 손실을 포함하는 복합 손실 함수를 사용한다. HD 손실는 저대조도 영역에서의 정밀한 경계 묘사 문제를 해결하기 위해 경계 정규화를 위해 특별히 추가되었다.
- 학습: 모델은 조영 증강 스캔에서 유래된 주석을 가진 292개의 합성 비조영 증강 스캔을 사용하여 학습되었다.

주요 기여

디커플드 대조 학습: DCE 손실을 CUT 프레임워크에 통합함으로써 CycleGAN 및 표준 CUT에 비해 학습 속도를 약 36~39% 가속화하는 동시에 이미지 변환 품질(높은 SSIM, 낮은 FID)을 향상시켰다.
비쌍 도메인 적응: 이 방법은 임상 현장에서 드문 쌍을 이룬(paired) ECG 게이팅 데이터를 필요로 하지 않고 조영 및 비조영 CT 사이의 격차를 성공적으로 메운다.
경계 정규화: 분할 단계에서 Hausdorff distance 손실의 포함은 특히 좌심실(LV)에 대해 실제 비조영 증강 스캔에서의 부피 일치도를 개선하는 데 기여했다.
대규모 검증: 본 연구는 변환 학습을 위해 대규모 데이터셋을 활용하며, 합성 데이터만의 검증을 넘어 엄격한 평가를 위해 36개의 실제 비조영 증강 CT 스캔이 포함된 독립적인 테스트 세트를 포함한다.

결과

이미지 변환: ChameleonNet은 평균 구조적 유사도 지수(SSIM) 0.96과 Fréchet Inception Distance(FID) 13.29를 달성하여 CycleGAN 및 표준 CUT보다 우수한 성능을 보였다. 정성적 분석 결과, 베이스라인 모델들에 비해 구조적 가장자리와 폐 강도 특성을 더 잘 보존함을 보여주었다.
합성 데이터에서의 분할: 합성된 비조영 증강 이미지에서 모델은 높은 Dice 유사 계수(DSC)를 달성했다: LA (0.94), LV (0.91), RA (0.92), RV (0.93). HD 손실의 추가는 합성 데이터에서 미미한 차이를 보였다.
실제 비조영 증강 데이터에서의 분할: 실제 비조영 증강 CT 스캔에 적용했을 때, 모델은 조영 증강 유래 그라운드 트루스와 강력한 부피 일치도를 보였다:
- 피어슨 상관계수: LA (0.93), LV (0.82), RA (0.87), RV (0.89).
- 오차 지표: 평균 절대 백분율 오차(MAPE)는 LA (9.22%)에서 LV (20.79%) 사이였다.
- HD 손실의 영향: Hausdorff distance 손실은 실제 스캔에서 좌심실(LV) 부피 일치도를 유의미하게 개선하여, 피어슨 상관계수를 0.73에서 0.82로 높이고 MAPE를 34.75%에서 20.79%로 감소시켰다.
- 한계점: 비쌍 스캔 간의 심장 주기 불일치(cardiac phase misalignment)로 인해, 특히 우심실(RV)의 과소 추정(MPE = -12.52%)과 LV에서의 높은 오차와 같은 체계적 오차가 지속되었다.

의의 및 주장
저자들은 이 연구를 비조영 증강 주석 없이도 비조영 증강 CT로부터 심장 방 분할이 가능하다는 것을 보여주는 **타당성 연구(feasibility study)**로 규정한다. 비조영 증강 이미지를 합성함으로써, 이 프레임워크는 조영 증강 도메인의 가치 있는 주석을 비조영 증강 도메인으로 효과적으로 전이시킨다.

본 논문은 ChameleonNet이 쌍을 이룬 데이터가 없는 임상 시나리오에서 실용적인 솔루션을 제공하며, 네이티브 CT의 해상도와 강도를 보존한다고 주장한다. 그러나 저자들은 임상 배포에 대해 신중한 입장을 취한다. 그들은 이 방법이 타당하긴 하지만, 잔여 부피 오차(특히 LV 및 RV)는 임상 사용 전 추가적인 정교화 및 검증이 필요함을 나타낸다고 명시적으로 밝힌다. 본 연구는 ECG 게이팅된 쌍을 이룬 데이터의 부재가 불가피한 변동성을 초ら해 픽셀 수준의 직접적인 평가를 방해한다는 점을 강조하며, 정확도를 높이기 위해 향후 연구가 심장 주기 정렬 문제를 다루어야 함을 시사한다.