Noninvasive Assessment of Arterial Compliance and Lumen Pressure in Human Carotid Arteries Using Physics-Informed Neural Networks and Ultrasound Imaging: A Clinical Feasibility Study

기술 요약: PINN 및 초음파를 이용한 동맥 순응도 및 내강 압력의 비침습적 평가

문제 정의
심혈관 질환은 여전히 전 세계 사망의 주요 원인이며, 동맥 경직도는 부정적인 결과의 중요한 독립적 예측 인자로 작용한다. 경동맥-대퇴 동맥 맥파 속도(PWV)와 같은 전역적 측정값은 위험 계층화에 유용하지만, 공간적으로 평균화된 추정치만을 제공한다. 죽상경화반(atherosclerotic plaques)이나 경동맥 협착과 같은 많은 혈관 병변은 전역적 지표가 놓치는 국소적이고 이질적인 기계적 특성 변화를 유발한다. 기존의 영상 기술은 한계가 있다: MRI는 플라크 구성에 대해 높은 해상도를 제공하지만 비용, 시간 및 공간 해상도(~0.7 mm)의 제약을 받는다. 초음파 탄성 영상(전단파)은 신호 대 잡음비가 낮고 복잡한 파동 상호작용으로 인해 협착되거나 석회화된 동맥에서 어려움을 겪는다. 더욱이, 초음파 측정값(벽 운동 및 혈류)을 정량적이고 공간적으로 분해된 동맥 순응도 및 내강 압력 추정치로 변환하는 것은 여전히 큰 과제이다. 특히 분석 모델(예: Moens-Korteweg)은 균질성과 무한 기하학을 가정하는데, 이는 질환이 있는 혈관에서는 위배되기 때문이다. 기존의 역문제 해결법은 임상적으로 얻기 어려운 정밀하고 비침습적인 경계 조건을 요구하는 경우가 많다.

방법론
본 연구는 고프레임 레이트 초음파 데이터를 사용하여 공간적으로 변화하는 동맥 순응도와 내강 압력을 추정하기 위해 설계된 물리 정보 신경망(Physics-Informed Neural Network, PINN) 프레임워크를 평가한다.

• 데이터 획득: 다섯 명의 피험자(건강한 대상 1명, 경동맥 협착 환자 4명)로부터 고프레임 레이트 초음파 데이터(유효 프레임 레이트 3 kHz)를 Verasonics Vantage 256 시스템과 Philips L7-4 트랜스듀서를 사용하여 획득하였다. 프로토콜은 결합 코딩(coherent compounding)을 포함한 평면파 영상(Plane Wave Imaging)을 활용하였다.
• 신호 처리:
  • 맥파 영상(Pulse Wave Imaging, PWI): 빔포밍된 RF 데이터에 정규화된 상호 상관(Normalized Cross-Correlation, NCC)을 적용하여 동맥 벽 운동(변위 및 속도)을 추출하였다.
  • 벡터 혈류 영상(Vector Flow Imaging, VFI): 2D NCC와 특이값 분해(SVD) 필터링을 사용하여 혈류와 벽 운동을 분리함으로써 2D 혈류 속도를 추정하였다. 혈류가 난류로 인해 VFI 데이터를 저하시키는 협착 사례의 경우, 프레임워크는 벽 운동 데이터에만 의존하였다.
• PINN 아키텍처:
  • 지배 방정식: 모델은 순응성 및 이질적 혈관에서의 맥파 전파를 설명하는 선형화된 1D 편미분 방정식(PDE)에 기반하며, 루멘 면적 변화를 압력과 연결하기 위해 Bramwell-Hill 관계식($k_p$)을 포함한다.
  • 네트워크 구조: 다중 스케일 푸리에 특징 매핑(disparate spatiotemporal scales를 처리하기 위함)을 포함한 완전 연결 피드포워드 네트워크와 세 개의 은닉층(뉴런 64개, tanh 활성화 함수)을 갖춘다. 입력값은 공간($x$)과 시간($t$)이며, 출력값은 내강 면적($A$), 축 방향 혈류 속도($u$), 그리고 압력($P$)이다.
  • 손실 함수: 복합 손실 함수는 네트워크 예측값과 측정 데이터 사이의 불일치(데이터 충실도)를 최소화하는 동시에 지배 방정식(물리 잔차)의 준수를 강제한다. 이 모델은 메시가 없는(mesh-free) 방식이며 명시적인 경계 조건 지정이 필요하지 않다.
• 훈련: 네트워크는 Adam 옵티마이저를 사용하여 20,000 회 반복 학습되었다. 건강한 피험자의 경우 계산 시간을 줄이기 위해 데이터를 다운샘플링(16개 요소)하였고, 협착 사례의 경우 국소적 이질성을 포착하기 위해 전체 해상도(128개 요소)를 사용하였다.

주요 기여

1. PINN의 임상적 타당성: 본 연구는 이전에 검증된 PINN 프레임워크를 in silico 및 팬텀 연구를 넘어 실제 인간의 경동맥에 적용한 첫 사례를 보여준다.
2. 데이터 부족에 대한 견고성: 프레임워크는 임상적 과제, 즉 협착 부위에서 혈류 데이터의 신뢰성 저하 문제에 성공적으로 적응하였다. 협착 사례에서 벽 운동 데이터만을 사용함으로써, 명시적인 경계 조건 없이도 수렴성과 정확도를 유지하였다.
3. 공간적으로 분해된 추정: 전역적 PWV와 달리, 이 모델은 공간적으로 변화하는 동맥 순응도 맵과 내강 압력을 생성하며, 이는 B-모드 초음파에서 보이는 해부학적 특징과 기계적 특성 변화를 직접적으로 상관시킨다.
4. 비침습적 압력 재구성: 모델은 침습적인 카테터 삽입이나 명시적인 경계 조건 입력 없이도 내강 압력 파형을 재구성하였으며, 생리학적 기대치와 일치하는 파형을 생성하였다.

결과

• 건강한 피험자: 모델은 벽 운동 및 혈류 속도 모두에서 0.2% 미만의 정규화된 차이를 보이며 높은 정확도를 달ach했다. 추정된 순응도 맵은 균일하였으며, 이는 건강한 해부학적 구조와 일치하였다. PINN에서 도출된 전역 평균 순응도($2.98 \times 10^{-9} \text{ m}^2/\text{Pa}$)는 Moens-Korteweg 추정치($1.3 \times 10^{-9} \text{ m}^2/\text{Pa}$)와 차이가 있었는데, 이는 분석 모델의 단순화된 가정과 달리 PINN이 혈류 및 해부학적 효과를 통합했기 때문으로 분석된다.
• 협착 피험자:
  • 정확도: 복잡한 분지 구조에서도 벽 운동 재구성 오차는 낮은 수준(<0.48% 최대 차이)을 유지하였다.
  • 순응도 매핑: 모델은 죽상경화반 및 해부학적 전이 부위(예: 경동맥 팽대부)와 공간적으로 상관관계가 있는 국소적 순응도 변화(경직)를 성공적으로 식별하였다. 음향 그림자(석회화 시사)가 있는 경우에도 모델은 감소된 순응도를 정확하게 추정하였다.
  • 혈류 데이터 처리: 협착 사례에서는 난류로 인해 VFI 데이터가 노이즈가 심하거나 누락되었다. 그러나 모델은 벽 운동 데이터만으로도 성공적으로 수렴하였으며, 이는 불완전한 임상 데이터에 대한 적응력을 입증한다.
• 계산 성능: 훈련 시간은 표준 데스크톱 GPU(NVIDIA Quadro RTX 5000) 기준으로 20분(건강한 대상, 다운샘플링 시)에서 1.5시간(협착 사례, 전체 해상도 시) 사이였으며, 이는 오프라인 분석을 위한 임상적 타당성을 나타낸다.

의의 및 주장
본 논문은 이 연구가 국소적인 동맥 순응도 및 내강 압력의 비침습적, 환자 맞춤형 매핑을 위한 PINN 사용의 임상적 타당성을 확립한다고 주장한다. 연구 결과는 이 기술이 다음과 같은 임상 워크플로우로 전환될 가능성을 뒷받침한다:

• 위험 계층화: 단순 협착 정도가 아닌 국소적 기계적 특성을 기반으로 "취약한" 플라크를 식별함.
• 개인 맞춤형 평가: 침습적 절차 없이 상세한 혈관 건강 프로필을 제공함.
• 보완적 진단: MRI나 IVUS를 통한 추가 조사가 필요한 고위험 환자를 식별하기 위한 사전 스크리닝 도구 또는 종단적 모니터링 도구로 활용됨.

저자들은 이 타당성 연구가 절대적인 정확도를 침습적 압력 측정값과 비교 검증하지 않았음을 겸허히 언급하며, 현재 이 접근 방식이 오프라인 분석 도구로서 기능하고 있음을 강조한다. 또한, 임상 도입을 완전히 실현하기 위해서는 향후 차원 확장(2D/3D로 이동), 비선선형 조직 특성, 그리고 더 크고 다양한 환자 코호트에 대한 연구가 필요함을 강조한다.