📄 bioengineering

A Computational Pipeline for Retinal Capillary Blood Flow Measurement using Adaptive Optics Line Confocal Ophthalmoscopy

본 논문은 인터랙티브 3D Slicer 확장 프로그램과 명령줄 도구 형태 모두로 제공되는, 안구 움직임에 대해 적응형 광학 선형 공초점 안저 검사 영상을 안정화하고 망막 모세혈관 혈류 속도를 4%의 오차 범위 내에서 정확하게 정량화하는 계산 파이프라인을 제시한다.

원저자: Shah, S. M. H., Tong, L., Liu, R., Zhang, Y., Wang, J., Liang, L.

게시일 2026-09-23

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Shah, S. M. H., Tong, L., Liu, R., Zhang, Y., Wang, J., Liang, L.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

인간의 눈은 신체의 가장 복잡한 배관 시스템을 들여다보는 창입니다. 망막 깊은 곳에는 시각을 담당하는 세포에 산소와 영양분을 전달하는 미세한 모세혈관 네트워크가 존재합니다. 이 혈관들은 매우 가늘어서 개별 적혈세포가 마치 단선 터널을 통과하는 자동차처럼 하나씩 비집고 지나가야 합니다. 당뇨나 고혈압 같은 질환이 발생하면, 이 섬세한 흐름은 사람이 시력의 변화를 느끼기도 훨씬 전에 무너질 수 있습니다. 수십 년 동안 의사들은 이 혈관의 구조를 볼 수는 있었지만, 그 안을 흐르는 혈액의 속도를 측정하는 것은 어려운 과제로 남아 있었습니다. 눈은 결코 완벽하게 정지해 있지 않습니다. 사람이 시선을 집중하려고 노력할 때조차도, 미세한 떨림과 빠른 안구 운동이 초당 수천 번 이미지를 흔들어 놓아, 시야를 흐릿하게 만들고 개별 세포의 움직임을 추적하는 것을 불가능하게 만듭니다.

연구팀은 이제 이 문제를 해결하여 과학자들이 전례 없는 선명도로 모세혈관 내 혈류 속도를 측정할 수 있게 해주는 새로운 계산 파이프라인을 구축했습니다. 고속 이미징 기술과 정교한 소프트웨어 시스템을 결합함으로써, 그들은 눈의 혼란스러운 움직임을 안정화하고 움직이는 세포의 흐릿한 궤적을 정밀한 속도 측정값으로 변환하는 도구를 만들어냈습니다. 이 작업은 단순히 눈을 보는 새로운 방법을 제공하는 데 그치지 않고, 혈류를 실제 물리적 단위로 정량화할 수 있는 신뢰할 수 있는 방법을 제공하며, 망막 순환을 전신 질환의 민감한 지표로 사용할 수 있는 길을 열어줍니다.

연구진은 적응 제어 광학 선형 공초점 안경(adaptive optics line-confocal ophthalmoscope)이라는 특수 카메라로 시작했습니다. 이 장치는 변형 거울을 사용하여 눈의 자연스러운 흐림 현상을 상쇄함으로써, 불과 5마이크로미터 너비의 모세혈관을 통과하는 개별 적혈구를 분해할 수 있게 해줍니다. 그러나 이 카메라에서 나오는 원본 영상은 혼란스러운 덩어리입니다. 눈이 끊임없이 움직이기 때문에, 혈관의 이미지는 프레임 사이에서 수백 픽셀씩 이동합니다. 만약 연구자가 가공되지 않은 영상에서 세포의 속도를 측정하려 한다면, 안구의 움직임과 혈액의 움직임을 구별할 수 없기 때문에 그 결과는 무의 의미가 될 것입니다.

이를 해결하기 위해 연구팀은 4단계 소프트웨어 파이프라인을 개발했습니다. 첫 번째 단계는 영상의 품질을 정리하는 것으로, 카메라 센서로 인한 어두운 가장자리를 제거하고 눈을 감거나 깜빡이는 프레임을 식별합니다. 두 번째 단계는 계산량이 가장 많은 단계로, 디지털 안정 장치 역할을 합니다. 이 단계는 그래픽 처리 장치(GPU) 기반의 빠른 알고리즘을 사용하여 모든 영상 프레임을 기준점에 맞추어 정렬합니다. 이 단계는 안구 운동으로 인한 거대한 위치 변화를 보정하여, 망막 이미지가 마치 완전히 멈춰 있는 것처럼 효과적으로 유지함으로써 오직 혈액의 흐름만이 남게 합니다. 연구진은 이 새로운 방식이 기존 기술보다 훨씬 빠르고 견고하며, 눈의 빠르고 급격한 움직임을 놓치지 않고 처리할 수 있다는 것을 발견했습니다.

영상이 안정되면 세 번째 단계에서 움직이는 혈액을 정지된 조직으로부터 분리합니다. 인접한 프레임을 비교함으로써, 소프트웨어는 혈관 벽이나 주변 조직처럼 움직이지 않는 것들을 제거합니다. 그러면 흐르는 혈액의 명확한 신호만 남게 됩니다. 이렇게 처리된 데이터는 관류된 모세혈관 네트워크의 지도를 만드는 데 사용되며, 어떤 혈관이 혈액을 운반하고 있는지 정확히 보여줍니다. 마지막 단계에서 연구진은 흐름의 속도를 측정합니다. 운영자가 지도상의 특정 혈관을 선택하면, 소프트웨어는 공간과 시간을 결합한 특수 이미지를 생성합니다. 이 이미지에서 움직이는 적혈구는 선이나 대각선 형태로 나타납니다. 선이 가파를수록 세포는 느리게 움직이는 것이고, 선이 완만할수록 더 빠르게 움직이는 것입니다.

연구팀은 이 시스템을 엄격하게 테스트했습니다. 먼저, 혈액의 실제 속도를 알고 있는 합성 영상을 이용한 시뮬레이션을 실행했습니다. 이 테스트에서 그들의 소프트웨어는 오차 4% 미만으로 속도를 복원해 냈으며, 이는 수학적 접근 방식이 타당함을 입증했습니다. 그 후 연구팀은 57명의 피험자로부터 얻은 실제 데이터를 적용하여 2,300개 이상의 영상 녹화를 분석했습니다. 결과에 따르면, 소프트웨어는 이미지를 성공적으로 안정화하여 전체 그룹에 걸쳐 영상 프레임의 선명도를 개선했습니다. 실제 모세혈관에서 혈류를 측정했을 때 나타난 속도는 생리학적으로 타당한 범위 내에 있었으며, 이전 연구에서 보고된 값들과 유사했으나 종종 약간 더 낮게 나타났습니다. 이러한 차이는 그들의 방법이 가장 빠른 세포만을 추적하는 다른 방식과 달리, 세포가 잠시 멈추는 매우 느린 순간을 포함한 전체 범위를 포착하기 때문인 것으로 보입니다.

이 연구의 핵심 발견 중 하나는 눈이 크게 움직일 때도 시스템이 안정적으로 작동한다는 점입니다. 테스트 과정에서 소프트웨어는 이미지를 프레임당 거의 100마이크로미터까지 이동시키는 안구 운동을 보정해 냈는데, 이는 기존 방식으로는 측정을 완전히 망칠 수 있는 거리였습니다. 또한 연구진은 이 도구가 심장 박동에 따라 빨라지거나 느려지는 혈류의 자연스러운 맥동을 포착할 수 있음을 입증했습니다. 이러한 리드미컬한 흐름의 변화를 관찰할 수 있는 능력은 이 파이프라인이 향식적으로 다양한 생리적 상태에 따른 혈액 순환 반응을 연구하는 데 사용될 수 있음을 시사합니다.

논문은 몇 가지 한계점과 잠재적인 오류 원인에 대해서도 다룹니다. 연구진은 혈류 속도가 사람마다 다른 눈의 정확한 크기에 따라 달라진다는 점을 언급했습니다. 모든 계산에 표준 크기를 사용했기 때문에, 유난히 크거나 작은 눈을 가진 개인의 경우 절대적인 속도 수치가 약간 틀릴 수 있지만, 상대적인 흐름 패턴은 정확합니다. 또한 눈 표면을 가로지르는 눈물막으로 인해 발생하는 휩쓰는 듯한 빛의 띠와 같은 시각적 아티팩트(artifact)가 빠르게 움직이는 혈액으로 오인될 수 있음을 확인했습니다. 이를 방지하기 위해 소프트웨어에는 눈이 완전히 떠져 있지 않은 데이터 프레임을 폐기하는 가드(guard) 기능이 포함되어 있어, 측정이 이러한 아티팩트에 의해 오염되지 않도록 보장합니다.

궁극적으로, 이 연구는 망막 혈류 측정을 실용적이고 재현 가능한 도구로 만드는 데 있어 중요한 진전을 의미합니다. 연구진은 복잡한 알고리즘을 독립형 프로그램이나 의료 영상 소프트웨어의 확장 기능으로 사용할 수 있는 사용자 친화적인 인터페이스로 패키징함으로써, 이 기술을 다른 과학자들이 쉽게 접할 수 있도록 만들었습니다. 그들은 움직이는 눈의 혼란스러운 고속 영상을 정밀한 혈류 지도로 바꾸고, 적혈구의 미세한 움직임을 명확하고 정량화 가능한 신호로 전환하는 것이 가능하다는 것을 보여주었습니다. 이러한 역량은 망막 혈역학을 일상적인 임상 바이오마커로 사용하는 분야를 한 단계 더 발전시켜, 인체 순환계 건강을 들여다보는 비침습적인 창을 제공합니다.

기술 요약: 적응 제어 광학 선형 공초점 안구 검사(Adaptive Optics Line Confocal Ophthalmoscopy)를 이용한 망막 모세혈관 혈류 측정용 계산 파이프라인

문제 정의
고속 적응 제어 광학 선형 공초점 안구 검사(AOLCO)는 약 5 µm 너비의 망막 모세혈관을 흐르는 개별 적혈구(erythrocytes)를 분해할 수 있는 능력을 갖추고 있다. 그러나 이러한 원시 비디오 시퀀스를 실제 물리적 단위(µm/s)의 정량적 혈류 속도로 변환하는 데에는 두 가지 주요 장애물이 존재한다.

안구 운동: 생리적 안구 운동(떨림, 표류, 미세 사카드)은 프레임 간에 수십에서 수백 픽셀의 변위를 발생시켜 비디오를 불안정하게 만들며, 유효한 픽셀당 시계열 구축을 방해한다.
속도 정량화: 시공간(space-time) 이미지 내 적혈구 흔적(streak)의 기울기를 물리적 속도로 변환하려면 픽셀 피치(pixel pitch)와 프레임 레이트에 대한 정밀한 보정이 필요하다. 이러한 파라미터나 흔적 각도 추정의 오류는 보고된 속도에 직접적으로 전파된다.

기존 기술들은 단일 모세혈관을 격리할 수 있는 공간 해상도가 부족하거나 개별 세포를 추적할 수 있는 시간 해상도가 결여되어 있으며, 많은 기존 속도 측정법들은 명시적인 픽셀 피치 보정을 누락하거나 재현 불가능한 독점 소프트웨어에 의존한다.

방법론
저자들은 AOLCO 비디오를 안정화하고 적혈구 속도를 측정하기 위해 설계된 4단계 계산 파이프라인을 제시한다. 이 파이프라인은 대화형 3D Slicer 확장 기능과 배치(batch) 명령줄 도구 간에 공유되는 개방형의 재현 가능한 핵심 코드로 구현되었다.

전처리 (Preprocessing):
- 에지 제거 (Edge Removal): 라인 카메라 센서 특유의 어두운 가장자리 행을 크롭(crop)한다.
- 폐쇄 감지 (Occlusion Detection): 평균 강도에 대한 LOWESS 트렌드 피트를 사용하여 눈을 감은 상태의 프레임을 식별하고 제외한다.
- 조명 보정 (Illumination Correction): 열린 프레임들의 평활화된 평균을 사용하여 열 단위(column-wise) 조명 프로파일을 보정한다.
- 평활화 (Smoothing): 센서 노이즈를 억제하기 위해 등방성 가우시안 블러(isotropic Gaussian blur)를 적용한다.
등록 (Registration, 안정화):
- GPU 패치 기반 병진 변환 (GPU Patch-Based Translation): 자동 선택된 참조 프레임("중심" 프레임)에 대한 프레임별 이동량을 추정하는 빠른 강체 병진 단계를 수행한다. 이는 차분 가우시안(Difference-of-Gaussians, DoG) 필터링된 패치에 대해 정규화된 상호 상관(Normalized Cross-Correlation, NCC)을 활용하며, RANSAC을 통한 이상치 제거를 포함한다. 이 단계는 대규모 움직임(미세 사카드)을 GPU에서 효율적으로 처리한다.
- 계층적 정밀화 (Hierarchical Refinement): 잔여 아핀(affine) 및 비강체(B-spline) 왜곡을 교정하기 위한 선택적 정밀화 단계이다. 이 단계는 중간 리샘플링에 의한 누적 보간 블러를 방지하기 위해 변환을 재샘플링하는 대신 합성(compose)한다. 계산 가능성을 유지하기 위해 프레임 레이트가 150 Hz 초과인 경우 이 단계는 건너뛴다.
후처리 (Postprocessing):
- 프레임 차분 (Frame Differencing): 정적인 조직을 억제하고 움직이는 혈구 세포를 강조하기 위해 양의 프레임 차분 스택( $D_k = (V_k - V_{k+1})_+$ )을 생성한다.
- 네트워크 매핑 (Network Mapping): 차분 스택의 마스크된 평균 투영을 통해 관류된 혈관 네트워크를 렌더링한다.
속도 측정 (Velocity Measurement):
- 시공간 이미지 생성: 사용자가 혈관 중심선을 수동으로 추적한다. 곡선 주변의 수직 밴드(±4 픽셀)에 대한 최대 강도 투영을 통해 시공간(ST) 이미지를 생성한다.
- 라돈 변환 (Radon Transform): ST 이미지는 적혈구 흔적의 방향을 감지하기 위해 라돈 변환으로 처리된다. 저자들은 일시적인 밝은 행(row)에 강건하도록 만드는 "flat-field/SNR" 추정기(Duncan 등의 방식 기반)를 구현하였으며, 이는 각도를 점수화하기 전에 1차 랭크 조명 모델로 ST 이미지를 정규화한다.
- 속도 계산: 피크 각도( $\theta^*$ )는 $v = p \cdot f \cdot \cot(\pi/2 - \theta^*)$ 공식을 사용하여 속도( $v$ )로 변환된다. 여기서 $p$ 는 픽셀 피치(0.67 µm/pixel)이고 $f$ 는 프레임 레이트이다.
- 슬라이딩 윈도우 (Sliding Window): 단일 글로벌 각도 대신 맥동성(pulsatility)을 포착하기 위해 64프레임 슬라이딩 윈도우(16프레임 간격)를 사용하여 속도를 계산한다.

주요 기여

개방형 및 재현 가능한 파이프라인: 3D Slicer 및 배치 처리를 모두 지원하는 최초의 개방형 전체 프레임 모세혈관 속도 측정 파이프라인이다.
GPU 가속 등록: 표준 경사 하강법보다 훨씬 빠르게(3.6배에서 38배 빠른 속도 향상) 대규모 안구 운동(프레임당 ~90 µm)을 처리하는 강력한 GPU 패치 기반 병진 알고리즘을 제공한다.
명시적 보정: 합성 데이터(synthetic ground truth)를 통해 검증된 명시적 픽셀 피치 보정을 수행하여, "픽셀/프레임" 추정기에서 흔히 발생하는 물리적 스케일링 인자 누락 문제를 해결한다.
계층적 변환 합성: 중간 리샘플링 없이 변환(병진 $\rightarrow$ 아핀 $\rightarrow$ B-spline)을 합성하는 정밀화 전략을 통해 이미지 품질을 보존한다.
강건한 추정기: 일시적인 아티팩트에 의한 가짜 능선(ridge)을 억제함으로써 비정상적(맥동성) 흐름에서도 단순 최대 투영 방식보다 우수한 성능을 보이는 flat-field/SNR 라돈 추정기를 사용한다.

결과

등록 성능: 57명의 피험자로부터 얻은 2,344개의 비디오 코호트(30–400 Hz)에 대해, 등록 과정은 구조적 유사도(SSIM)를 평균 0.73에서 0.86으로 개선했다. GPU 패치 기반 방식은 표준 itk-elastix 설정이 실패한 지점(300 픽셀 변위 시 성공률 0%)에서도 성공적으로 프레임을 정렬했다(패치 방식은 100% 성공).
속도 정확도: 합성 ground-truth 흐름 데이터에 대해 검증한 결과, flat-field/SNR 추정기는 ±4% 오차 범위 내에서 평균 속도를 회복했다. 파이프라인은 슬라이딩 윈도우 접근 방식을 사용할 때 일정 흐름, 선형 램프(linear ramp), 맥동성 흐름 영역을 모두 올바르게 처리했다.
실제 적용 가능성: 세 건의 400 Hz 획득 데이터에 적용한 결과, 파이프라인은 생리학적으로 타당한 맥동성 속도 파형을 생성했다. 회복된 평균 속도(~0.95 mm/s)는 기존에 발표된 AO 측정값과 동일한 차수였으나, 아래에서 논의될 체계적 편향으로 인해 약간 더 낮았다.
효율성: GPU 등록 단계는 100 Hz 프레임을 약 0.73초, 400 Hz 프레임을 약 60ms에 처리하며, 이는 CPU 기반 elastix의 2.3~6.0초와 비교된다.

의의 및 주장
본 논문은 이 파이프라인이 재현 가능한 코호트 규모의 모세혈관 수준 속도 측정을 가능하게 하며, 이는 망막 혈역학을 임상적 바이오마커로 사용하는 데 필수적인 전제 조건이라고 주장한다. 저자들은 본 연구의 참신함이 알고리즘 자체보다는 통합적(integrative) 측면에 있다고 강조하며, 확립된 기본 요소들(NCC, RANSAC, elastix, Radon transform)을 하나의 통합된 GPU 가속 시스템으로 결합했음을 밝힌다.

저자들은 현재 작업의 한계점을 명시하였다:

체계적 편향: 후처리 과정에서의 시간적 가우시안 평활화와 피험자별 생체 계측(안축장) 대신 명목상의 픽셀 피치를 사용함에 따라 보고된 속도가 약 5~33% 과소평가되었을 가능성이 있다.
수동 추적: 혈관 중심선은 수동으로 추적해야 하며, 검사자 간 반복성은 측정되지 않았다.
아티팩트: 큰 안구 운동 중에 발생하는 조명 변화나 눈물막의 휩쓸림(sweeping)으로 인한 "움직이는 밴드(moving band)" 아티팩트에 취약하며, 이는 빠른 흐름처럼 보일 수 있다.
범위: 실제 데이터에 대한 속도 결과는 전체 인구 집단 검증이라기보다 **타당성 입증(feasibility demonstration)**으로 제시되었으며, 완전한 검증을 위해서는 더 큰 코호트와 독립적인 인체 내(in-vivo) 참조가 필요함을 언급하였다.

결론적으로, 개별적인 기본 요소들은 이미 확립되어 있으나, 이를 명시적 물리 보정을 갖춘 단일한 개방형 GPU 가속 파이프라인과 이중 인터페이스(대화형 및 배치)로 결합한 것은 망막 혈류 측정을 표준화된 임상 도구로 만들기 위한 중요한 진전이라고 본 논문은 결론짓는다.

유사한 논문