Dual-domain U-Nets with embedded back projection operators for motion-resolved 4D CBCT reconstruction

당신이 공중에 떠 있는 벌새를 사진으로 찍으려고 한다고 상상해 보세요. 만약 느린 셔터 속도를 사용하면, 새의 날개는 흐릿한 덩어리로 변해 버립니다. 만약 빠른 셔터 속도를 사용하면, 사진은 선명해지지만 새가 너무 빨리 움직여 프레임 밖으로 벗어나 버릴 수도 있습니다. 이제, 이 일을 사람의 몸속에서 한다고 상상해 보세요. 의사들은 방사선을 쏘아 종양을 제거하기 위해 가슴 속을 들여다봐야 하는데, 가슴은 호흡에 따라 끊임없이 위아래로 움직입니다. 이것이 바로 "4D CBCT(4D Cone Beam CT)"의 과제입니다. 이것은 단순한 3D 사진이 아니라 인체 내부의 3D 영화를 포착하려고 노력하는 특별한 종류의 X선 스캐너입니다.

문제는 이 "영화"를 만드는 것이 보통 시간이 오래 걸리고, 환자가 숨을 참거나 호흡을 추적하기 위한 특수 벨트를 착용해야 한다는 점입니다. 만약 환자가 정상적으로 숨을 쉰다면(이는 훨씬 더 편안한 방식입니다), 결과물은 빛의 줄기가 있는 번진 그림처럼 보여 종양을 명확하게 보기 어렵게 만듭니다. 과학자들은 수학과 컴퓨터를 이용해 이 "움직임 블러(motion blur)"를 해결하려고 노력해 왔지만, 이는 마치 스무디를 다시 딸기와 우유로 분리하려는 것과 같습니다. 이 논문은 인공지능을 사용하여 그 블러를 풀어내어, 복잡한 호흡 X선을 추가적인 벨트나 특별한 지시 없이도 깨끗하고 움직이는 3D 영화로 바꾸는 새로운 방법을 소개합니다.

"듀얼 도메인(Dual-Domain) U-Net"의 마법

연구진은 "듀얼 도메인 U-Net"이라 불리는 유형의 인공지능을 사용하는 영리한 새로운 기술을 제안합니다. 이를 이해하기 위해, 당신이 거대한 퍼즐을 풀려고 하는데 퍼즐 조각의 절반은 바닥에 흩어져 있고(원시 X선 데이터), 나머지 절반은 이미 테이블 위에 조립되어 있다고 상상해 보세요(인체의 3D 사진). 보통 당신은 바닥의 조각들을 보며 그것들이 어떻게 생겼을지 추측한 다음 테이블 위에 맞추려고 노력해야 합니다. 이는 느리고 오류가 발생하기 쉽습니다.

이 새로운 AI는 바닥에 흩어진 조각들을 보고 그것들이 테이블 위의 어디에 위치해야 하는지 즉각적으로 알 수 있고, 그 반대도 가능한 초스마트 퍼즐 마스터처럼 행동합니다. "U-Net"은 AI의 뇌 모양을 의미하며, 알파벳 U자 형태를 띱니다. U의 왼쪽 부분은 원시의 무질서한 X선 빔(프로젝션 도메인)을 보고, 오른쪽 부분은 최종 3D 영상을 구축합니다(볼륨 도메인). 마법은 중간에서 일어납니다. AI는 원시 빔에서 보는 것을 3D 영상으로 즉시 번역하는 브리지 역할을 하는 특별한 "역투영(back projection)" 도구를 사용합니다. 이를 통해 AI는 스캔되는 동안 신체가 어떻게 움직이는지를 한 번에 학습할 수 있습니다.

더 이상의 호흡 벨트나 비닝(Binning)은 필요 없습니다

전통적으로 선명한 4D 영화를 얻기 위해 의사들은 "비닝(binning)"이라고 불리는 방법을 사용해야 합니다. 선풍기가 돌아가는 것을 보고 있다고 상상해 보세요. 날개를 선명하게 보기 위해 특정 날개가 꼭대기에 올 때마다 사진을 찍을 수 있습니다. 의료 스캔에서 이는 컴퓨터가 환자가 숨을 들이마실 때까지 기다렸다가 사진을 찍고, 다시 숨을 내뱉을 때까지 기다렸다가 또 다른 사진을 찍는 것을 의미합니다. 이를 위해서는 컴퓨터에 정확히 언제 사진을 찍을지 알려줄 "호흡 대리 신호(respiratory surrogate signal)"가 필요한데, 보통 가슴에 두르는 벨트나 마커를 관찰하는 카메라가 그 역할을 합니다.

이 논문은 우리가 벨트도 필요하지 않고, 특정 호흡 순간을 기다릴 필요도 없다고 주장합니다. AI는 폐와 종양이 어떻게 움직이는지 이해하기 위해 수천 번의 시뮬레이션된 호흡 주기(마치 비디오 게임에서 캐릭터를 훈련시키는 것처럼)를 통해 학습되었습니다. 환자의 실제 호흡 스캔을 볼 때, AI는 이것이 "흡기"인지 "호기"인지 알려줄 필요가 없습니다. AI는 원시 X선 데이터를 보고 스스로 움직임 패턴을 파악합니다. AI는 폐의 "정적(static)" 이미지(최대 흡기 상태)를 예측한 다음, "변위 벡터 필드(displacement vector fields, DVFs)"라는 세트를 계산합니다. 이 DVF는 이미지의 모든 픽셀이 다른 9단계의 호흡 주기를 만들기 위해 어떻게 흔들리고 늘어나야 하는지를 나타내는 지도라고 생각하면 됩니다.

결과가 보여주는 것

연구팀은 두 가지 방식으로 이 방법을 테스트했습니다. 하나는 "정답(ground truth, 완벽한 답)"을 알고 있는 컴퓨터 시뮬레이션이었고, 다른 하나는 실제 환자의 스캔이었습니다.

시뮬레이션에서:
AI는 전통적인 3D 스캔만큼이나 선명한 4D 영화를 재구성할 수 있었습니다. AI의 사진과 완벽한 정답 사이의 차이를 측정했을 때, 오차는 매우 작았습니다. 예를 들어, "제곱 평균 제곱근 오차(RMSE, 사진이 얼마나 틀렸는지를 나타내는 척도)"는 표준 방식과 약간의 차이만 있었지만, AI는 움직임을 보여주면서도 이를 수행해 냈습니다. 또한 AI는 간, 심장, 식도와 같은 장기를 찾는 데 탁월한 성능을 보였으며, 배경으로부터 이들을 분리해 내는 데 있어 기존 방식보다 약간 더 높은 점수를 받았습니다. 그러나 연구진은 작은 단점도 언급했습니다: AI의 이미지는 완벽한 사진의 날카로운 가장자리에 비해 약간 "블러(흐릿함)" 처리가 되어 있었습니다. 이는 AI에게 평균 오차를 최소화하도록 가르칠 때 발생하는 일반적인 부작면으로, AI가 아주 미세하고 날카로운 디테일을 매끄럽게 만들어 버리는 경향이 있기 때문입니다.

실제 세계 (임상 스캔):
실제 환자의 경우 "완벽한 정답"이 존재하지 않기 때문에, 연구진은 11명의 의료 전문가(의사 및 물리학자)에게 사진을 검토하도록 요청했습니다. 그들은 새로운 AI 방법과 표준 3D 스캔, 그리고 MKB라고 불리는 또 다른 4D 방법을 비교했습니다.

• 종양 가시성: 전문가들의 59%가 종양을 명확하게 보기 위해 새로운 AI 방법을 선호했습니다. 36%는 차이를 느끼지 못했으며, 단 5%만이 기존 3D 방식을 선호했습니다.
• 식도 가시성: 47%가 새로운 방법을 선호했고, 42%는 선호도가 없었습니다.
• 움직임 아티팩트(Motion Artifacts): 새로운 방법은 이 스캔들을 괴롭히던 "줄무늬(streaking)" 아티팩트(호흡으로 인해 발생하는 흐릿한 선)를 성공적으로 제거했습니다. 또한 전통적인 4D 스한이 충분한 데이터를 얻기 위해 보통 60초 이상이 필요한 데 반해, 이 방법은 6초 정도로 매우 짧은 스캔에서도 놀라울 정도로 잘 작동했습니다.

연구진은 AI가 실제로 올바른 호흡 움직임을 추측하고 있는지도 확인했습니다. 그들은 AI가 예측한 "횡격막 움직임"(호흡을 돕는 근육)을 실제 원시 X선 빔에서 보이는 움직임과 비교했습니다. AI의 예측은 실제 움직임과 매우 밀접하게 일치하여 0.98의 비율(이는 거의 완벽하게 정확함을 의미함)을 보였던 반면, 기존의 MKB 방식은 움직임을 과소평가하는 경ො우가 잦았습니다(비율 0.58).

결론

이 논문은 환자의 자유로운 호흡 상태에서의 표준 X선 스캔을 사용하여 가슴의 고품질 움직이는 3D 영화를 만들 수 있음을 시사합니다. 추가적인 벨트, 카메라, 또는 긴 대기 시간 없이도 가능합니다. AI는 번역가 역할을 하여, 복잡하고 움직이는 X선 빔을 4초 이내에 명확한 10프레임 호흡 주기로 바꿔 놓습니다. 이미지가 완벽하게 날카롭지는 않지만(약간의 블러가 있음), 의사들이 이전보다 종양과 장기를 훨씬 더 잘 볼 수 있을 만큼 충분히 명확하며, 디테일을 가리는 짜증스러운 줄무늬를 제거해 줍니다.

이 연구는 "개념 증명(proof-of-concept)" 역할을 합니다. 즉, 이 아이디어가 실제로 작동함을 보여준다는 것입니다. 연구진은 이 결과가 유망하지만, 모든 유형의 환자와 스캔에 대해 얼마나 잘 작동하는지 확인하기 위해 더 많은 테스트가 필요하다는 점을 신중하게 밝히고 있습니다. 또한 그들은 "블러" 현상이 현재의 학습 방식에서 기인한 알려진 한계점임을 지적하며, 향-후 버전에서는 이미지를 더 날카롭게 만들기 위해 다른 수학적 모델을 사용할 수 있다고 언급했습니다. 하지만 현재로서는 이 접근 방식이 환자가 스캐너 안에서 머무는 시간을 줄이고 숨을 참아야 하는 필요성을 줄임으로써 방사선 치료를 더 안전하고 편안하게 만드는 길을 제시하고 있습니다.