Deep Learning Image Reconstruction Combined with SnapShot Freeze 2 Improves CCTA Image Quality in Patients with Atrial Fibrillation: A Retrospective Study

인간의 심장은 대략 1초에 한 번씩 박동하며 방대한 동맥 네트워크를 통해 혈액이 흐르게 하는 끊임없이 움직이는 펌프입니다. 의사들에게 있어 이 혈관 내부를 명확하게 보는 것은 심장마비로 이어질 수 있는 폐쇄를 진단하는 데 매우 중요합니다. 이를 위한 가장 강력한 도구 중 하나는 특수한 유형의 CT 스캔으로, X선을 사용하여 관상동맥의 상세한 3차원 영상을 만들어냅니다. 하지만 심장이 움직이고 있을 때는 선명한 영상을 얻기가 어렵습니다. 만약 심장이 너무 빠르게 뛰거나 불규칙하게 뛴다면, 결과물은 마치 셔터 속도가 충분히 빠르지 않은 상태에서 달리는 아이를 촬영했을 때처럼 흐릿한 사진처럼 보일 수 있습니다. 이 문제는 심방세동 환자들에게서 특히 심각해지는데, 심방세동은 심장의 상부 심방이 규칙적인 리듬으로 뛰는 대신 가늘게 떨리는 흔한 질환입니다. 이러한 불규칙한 리듬은 심장의 움직임을 예측 불가능하게 만들어, 종종 진단용 스캔을 의료적 결정을 내릴 수 없는 흐릿한 덩어리로 만들어 버립니다.

수년 동안 과학자들은 스캔이 완료된 후에 심장의 움직임을 "정지"시킬 수 있는 소프트웨어를 개발하기 위해 노력해 왔습니다. 이 프로그램들은 심박동의 여러 순간을 살펴보고 이를 하나로 엮어 더 선명한 이미지를 만들어냅니다. 최근에는 이러한 이미지의 입자를 제거하는 데 도움을 주기 위해 딥러닝이라는 새로운 유형의 컴퓨터 기술이 도입되었습니다. 이전 연구들은 이러한 도구들을 각각 별개로 살펴보았지만, 중국 하이난의 연구진들은 이들을 함께 사용했을 때 어떤 일이 일어나는지 알아보기 위해 새로운 연구를 수행했습니다. 그들은 2세대 모션 프리징(motion-freezing) 도구와 강력한 딥러닝 클리너를 결합했을 때, 심박수가 높고 불규칙한 환자의 심방세동 상황에서도 명확하고 사용 가능한 영상을 생성할 수 있는지 알고 싶었습니다.

연구진은 심방세동 진단을 받고 관상동맥 CT 조영술을 받은 30명의 환자에게 집중했습니다. 공정한 테스트를 보장하기 위해, 그들은 환자들에게 심박수를 늦추는 약물을 투여하지 않았으며, 이를 통해 실제 상황의 불규칙한 심박동 문제를 반영하도록 했습니다. 스캔 중 심박수는 분당 60회에서 160회 사이였으며 평균은 분당 107회였고, 박동 사이의 시간은 사람마다 크게 달랐습니다. 스캔이 완료된 후, 팀은 각 환자의 원시 데이터를 가져와 세 가지 다른 방식으로 이미지를 재구성했습니다. 첫 번째 방법은 표준 노이즈 감소 기술과 구형인 1세대 모션 보정을 결려 사용했습니다. 두 번째 방법은 동일한 노이즈 감소 기술을 사용하되, 동맥뿐만 아니라 심장 전체의 움직임을 고려하는 새로운 2세대 모션 보정과 결합했습니다. 세 번째 방법은 이 새로운 모션 보정을 미세한 디테일을 유지하면서 노이즈를 제거하도록 설계된 고급 딥러닝 기술과 결합했습니다.

팀은 이 세 가지 접근 방식의 결과를 비교하며, 심박동의 조용한 순간(이완기)과 활발하게 짜주는 순간(수축기)을 모두 살펴보았습니다. 그들은 이미지에 얼마나 많은 "정적(static)"이나 입자가 존재하는지, 그리고 혈관과 주변 조직 사이의 대비가 얼마나 뚜렷하게 나타나는지를 확인하여 이미지의 선명도를 측정했습니다. 또한, 어떤 방법이 어떤 이미지를 만들었는지 모르는 숙련된 영상의학과 전문의 두 명이 스캔의 전반적인 품질을 1점에서 5점 척도로 평가하게 했습니다. 결과는 놀라웠습니다. 딥러닝 기술과 새로운 모션 보정을 사용하여 생성된 이미지는 일관되게 가장 적은 입자를 보였으며 혈관 경계가 가장 뚜렷했습니다. 심박동의 조용한 단계에서, 최상위 그룹의 노이즈 수준은 표준 그룹의 평균 약 25 유닛에서 딥러닝 그룹의 11 유닛 이상으로 떨어지며 다른 그룹보다 현저히 낮았습니다. 이러한 노이즈 감소는 직접적으로 훨씬 더 선명한 영상으로 이어졌으며, 일부 영역에서는 신호 대 잡음비(signal-to-noise ratio)가 기존 방식에 비해 두 배 이상 높아졌습니다.

이러한 개선은 단순히 숫자의 문제가 아니었습니다. 인간 관찰자들도 이를 느꼈습니다. 영상의학과 전문의들은 특히 모션 아티팩트(움직임에 의한 왜곡)가 발생하기 쉬운 심박동의 활성 단계에서 딥러닝과 2세대 모션 보정으로 재구성된 이미지에 가장 높은 점수를 주었습니다. 수축기 단계에서 이 최상위 그룹의 중앙값은 완벽한 4점이었던 반이, 다른 방법들은 3점 근처에 머물렀습니다. 두 의사 사이의 일치도 또한 이 이미지들에서 가장 높았는데, 이는 개선 효과가 단지 한 의사의 의견이 아니라 실제적이고 일관된 것임을 시사했습니다. 연구 결과, 기존의 모션 보정이 아무것도 하지 않는 것보다는 나았지만, 딥러닝 도구와 결합했을 때 달성되는 선명함에는 미치지 못했습니다. 딥러닝 방식은 단순히 이미지를 매끄럽게 만드는 것에 그치지 않고, 동맥의 날카로운 가장자리를 보존하여 추적하고 측정하기 쉽게 만들었습니다.

이 연구는 불규칙한 심박동을 가진 환자들에게 고급 모션 보정과 딥러닝 이미지 재구성을 결합하는 것이 현재의 표준 관행보다 상당한 이점을 제공한다는 것을 시사합니다. 이 연구는 이러한 접근 방식이 이미지의 입자를 줄이고 심장의 불규칙한 움직임으로 인한 흐림 현상을 완화하여, 잠재적으로 판독이 불가능했던 스캔을 진단 가능한 품질의 영상으로 바꿀 수 있음을 보여줍니다. 비록 이 연구가 30명의 소규모 환자 그룹을 대상으로 단일 의료 센터에서 수행되었다는 한계가 있지만, 결과는 유망한 방향을 제시합니다. 이러한 결합된 기술을 사용함으로써, 의사들은 스캔 전 심박수를 늦추기 위한 약물에 덜 의존하고, 사후에 영상을 깨끗하게 만드는 정교한 소프트웨어에 더 의존하여, 스캔하기 어려운 인구 집단에 대해 심장 건강에 대한 더 명확한 시야를 제공할 수 있을 것입니다.