Same Branches, Different Trees: A Bifurcation Connectedness Metric for Coronary Artery Segmentation and FFR-CT Decision Agreement

도시를 항해할 때, 언뜻 보기에는 완벽해 보이지만 몇 개의 중요한 다리가 빠져 있는 지도를 사용하는 상황을 상상해 보십시오. 모든 동네와 거리는 보일지 모르지만, 만약 다리가 끊겨 있다면 당신은 한쪽에서 다른 쪽으로 운전해서 건너갈 수 없습니다. 의료 영상, 특히 심장 동맥을 살펴보는 분야에서 이것은 실제적인 문제입니다. 의사들은 환자의 혈관을 3D 모델로 만들기 위해 CT 스캔을 사용하며, 이를 통해 수술이 필요한 만큼의 위험한 폐쇄가 있는지 결정합니다. 이를 위해 그들은 컴퓨터 프로그램이 동맥을 "추적(trace)"하여, 흐릿한 스캔 영상을 명확하고 연결된 관의 나무 형태로 바꾸는 것에 의존합니다. 여기서 핵심적인 질문은, "좋은" 지도가 단순히 실제와 비슷하게 보이는 것만으로 충분한가, 아니면 실제로도 완전히 연결되어 있어야 하는가 하는 점입니다. 만약 컴퓨터가 실수로 메인 트리에서 작은 가지 하나를 툭 끊어버린다면, 시뮬레이션은 그 부분이 존재하지 않는다고 판단할 수 있으며, 이는 환자를 치료해야 하는지에 대한 잘못된 결정으로 이어질 수 있습니다. 이것이 바로 "연결성(connectedness)"과 "중첩(overlap)" 사이의 퍼즐입니다.

"같은 가지, 다른 나무(Same Branches, Different Trees)"라는 제목의 이 논문은 컴퓨터가 이러한 심장 지도를 그리는 법을 배울 때 발생하는 까다로운 문제를 다룹니다. 연구진은 이러한 컴퓨터의 그림을 채점하는 표준적인 방식, 즉 컴퓨터의 그림이 실제와 얼마나 중첩되는지를 확인하는 방식이, 마치 지도가 실제 도로들을 제대로 연결했는지는 무시한 채 얼마나 많은 도로를 맞혔는지만 따지는 것과 같다는 사실을 발견했습니다. 그들은 컴퓨터가 표준 테스트에서 높은 점수를 받으면서도, 동맥이 갈라지는 지점(분기점)의 작은 다리들을 끊어버릴 수 있다는 것을 발견했습니다. 이를 해결하기 위해, 그들은 **분기 연결성 점수(Bifurcation Connectedness Score, BCS)**라는 새로운 채점 시스템을 도입했습니다. BCS를 "다리 검사관"이라고 생각하십시오. 이 검사관은 동맥 트리의 모든 분기점이 여전히 온전하게 유지되고 있는지 특별히 점검합니다. 그들은 이 새로운 점수를 복잡한 컴퓨터 시뮬레이션인 FFR-CT(혈류 예측 모델)에 대입하여 테스트했습니다. 그들의 결과는 "검사관"이 높은 점수를 주었을 때, 컴퓨터의 결정이 완벽한 실제 해부학적 구조에 기반한 결정과 훨씬 더 잘 일치한다는 것을 시사하며, 특히 중증 사례에서 더욱 그러했습니다. 흥ingly도, 그들은 두 가지 서로 다른 컴퓨터 학습 방법이 정확히 같은 가지들을 찾아내더라도, 이를 매우 다르고 끊어진 형태의 나무로 조립할 수 있다는 것을 발견했으며, 이는 부품을 찾는 것과 그것들을 연결하는 것이 독립적으로 측정되어야 하는 별개의 기술임을 증명합니다.

지도, 다리, 그리고 끊어진 나무

이야기의 핵심으로 들어가 보겠습니다. 여러분의 관상동맥(심장에 혈액을 공급하는 혈관)을 거대하고 정교한 나무라고 상상해 보십시오. 줄기는 주 동맥이며, 이는 더 작은 가지들로 나뉘고, 그 가지들은 다시 계속해서 갈라집니다. 때때로 이 가지들에 플라크가 쌓여 파이프를 좁게 만듭니다. 의사들은 이 좁아진 정도가 혈액이 통과하지 못할 정도로 심각하여 스텐트나 수술이 필요한지 알아내야 합니다. 환자의 몸 안에 카테터를 삽입하지 않고 이를 파악하기 위해, 그들은 FFR-CT라고 불리는 특별한 컴퓨터 시뮬레이션을 사용합니다. 이 시뮬레이션은 가상의 풍동 실험(wind tunnel)과 같지만, 공기 대신 환자의 심장 3D 모델을 통과하는 혈액을 시뮬레이션합니다.

여기서 문제가 발생합니다. 풍동 실험이 제대로 작동하려면 모델이 하나의 연결된 트리여야 합니다. 만약 CT 스캔으로부터 모델을 그리는 컴퓨터가 분기점에서 가지를 실수로 끊어버린다면, 시뮬레이션은 그 부분의 트리가 사라졌다고 간주합니다. 이는 마치 도시의 교통량을 시뮬레이션하는데, 지도에 당신이 집에 가기 위해 필요한 유일한 다리가 없다고 표시된 것과 같습니다. 교통 모델은 실제로는 다리가 있음에도 불구하고, 차들이 건널 수 없다고 가정할 것입니다. 그 결과는 무엇일까요? 컴퓨터는 혈류가 괜찮다고 판단할 수 있습니다(막힌 구역을 무시하기 때문). 그리고 실제로는 수술이 필요한 환자임에도 불구하고 의사에게 "수술 불필요"라고 말할 수도 있습니다.

옛날 점수 vs 새로운 검사관

오랫동안 과학자들은 컴퓨터가 그린 지도의 우수성을 평가하기 위해 Dice라는 지표를 사용해 왔습니다. Dice는 "커버리지 점수"와 같습니다. "컴퓨터가 실제 나무의 얼마만큼을 그렸는가?"를 묻는 것입니다. 만약 컴퓨터가 나무의 90%를 그렸다면 0.9점을 받습니다. 훌륭해 보이죠, 그렇지 않나요? 하지만 저자들은 Dice 점수에 사각지대가 있다는 것을 깨달았습니다.

컴퓨터가 나무의 99%를 완벽하게 그렸지만, 실수로 아주 작은 가지의 끝부분을 끊어버렸다고 가정해 봅시다. 전체 부피에서 그 작은 끝부분은 매우 미미하기 때문에 Dice 점수는 여전히 0.99가 될 수 있습니다. 하지만 혈류 시뮬레이션 입장에서 그 끊어진 끝부분은 재앙입니다. 이는 도시의 모든 거리를 보여주지만, 당신이 집에 가기 위해 필요한 단 하나의 다리는 보여주지 않는 지도와 같습니다. 지도는 99% 맞지만, 내비게이션용으로는 쓸모가 없습니다.

이를 해결하기 위해 연구진은 **분기 연결성 점수(BCS)**라는 새로운 지표를 만들었습니다. 단순히 픽셀을 세는 대신, BCS는 다리 검사관처럼 작동합니다. 트리의 모든 분기점을 살펴보고 다음과 같이 묻습니다. "이 분기점에서 나오는 모든 가지가 서로 연결되어 있는가?" 만약 가지가 끊어졌다면 BCS는 떨어집니다. 만약 트리가 온전하다면 BCS는 높게 유지됩니다.

실험: 더 좋은 지도가 더 나은 결정을 의미하는가?

연구팀은 단순히 새로운 점수를 발명한 데 그치지 않고, 이것이 실제로 의미가 있는지 테스트했습니다. 그들은 세 가지 강력한 컴퓨터 모델(아키텍처)을 가져와 심장 동맥을 그리도록 훈련시켰습니다. 어떤 모델은 단순히 높은 Dice 점수를 얻도록 훈련시켰고, 다른 모델은 트리의 연결성을 유지하는 데도 신경 쓰도록( soft-BCS라는 새로운 손실 함수를 사용하여) 훈련시켰습니다.

그 후, "완벽한" 실제 해부학적 구조와 컴퓨터가 만든 "불완전한" 그림 모두에 대해 FFR-CT 시뮬레이션을 실행했습니다. 그리고 그 결정을 비교했습니다: 컴퓨터가 자신의 그림을 바탕으로 "치료" 또는 "치료 불필요"라고 결정했을 때, 그것이 실제 해부학적 구조에 기반한 결정과 일치했는가?

결과는 다음과 같았습니다:

1. 연결성이 중요하다: BCS 점수가 높을 때(즉, 트리가 잘 연결되었을 때), 컴퓨터의 결정이 실제 결정과 일치하는 경우가 훨씬 많았습니다. 이는 특히 심각한 폐쇄가 있는 경우에 두드러졌습니다. 이러한 어려운 사례에서, 높은 BCS 점수는 낮은 점수일 때보다 컴퓨터가 올바른 결정을 내릴 확률이 2.16배 더 높음과 연관되어 있었습니다.
2. 옛날 점수는 충분하지 않았다: 전통적인 Dice 점수는 전체 이야기를 들려주지 못했습니다. 트리가 끊어져 있더라도 높은 Dice 점수를 가질 수 있습니다.
3. 찾는 것 vs 연결하는 것: 이것은 그들의 발견 중 가장 흥미로운 부분입니다. 그들은 두 가지 서로 다른 훈련 방법인 **스켈레톤 리콜(Skeleton Recall)**과 soft-BCs를 비교했습니다.
   • 두 방법 모두 가지를 찾는 데는 똑같이 뛰어났습니다(트리의 동일한 부분들을 회복해 냈습니다).
   • 하지만 이들을 연결하는 방식은 매우 달랐습니다. 스켈레톤 리콜 방식은 모든 가지를 찾아냈지만, 종종 그것들을 흩어진 채 연결되지 않은 섬들처럼 남겨두었습니다(마치 퍼즐 조각은 다 모았지만 아직 풀로 붙이지 않은 상태와 같습니다).
   • 반면 soft-BCS 방식은 동일한 가지들을 찾아냈지만, 그것들을 하나로 묶어 단단한 하나의 나무로 완성했습니다.

시사점

이 논문은 우리가 단 하나의 점수만을 바라보는 것을 멈춰야 한다고 결론짓습니다. 컴퓨터 모델이 모든 가지를 찾아냈다고 해서(높은 "Branch Correspondence Ratio"), 그것이 사용 가능한 트리를 구축했다는 뜻은 아닙니다. 우리는 얼마나 많은 가지를 찾았는지와 그것들이 얼마나 잘 연결되어 있는지를 둘 다 측정해야 합니다.

저자들은 향-후 컴퓨터가 심장 스캔을 판독하도록 훈련할 때, "검사관"이 만족할 수 있도록 soft-BCS와 같은 도구를 사용해야 한다고 제안합니다. 이것이 컴퓨터가 모든 의학적 세부 사항에서 완벽할 것이라고 보장하는 것은 아니지만, 적어도 컴퓨터가 만든 지도가 혈류 시뮬레이션에 사용될 수 있을 만큼 물리적으로 실현 가능한 형태임을 보장해 줍니다. 논문에서 언급했듯이, 이것은 컴퓨터가 심장 질환이라는 의학적 미스터리를 완전히 풀었다고 주장하는 것이 아니라, 기하학적 충실도(geometric fidelity), 즉 지도가 실제와 똑같이 보이고 작동하도록 만드는 것에 관한 것입니다. 이는 의사가 3D 모델을 볼 때, 다리가 빠진 지도를 보고 있는 것이 아님을 확신하기 위한 중요한 단계입니다.