Deep Learning Reconstruction Combined with Ultra-Low Pitch Scanning: A Synergistic Strategy for Helical Artifact Suppression in Low-Dose Abdominal CT

의료 영상 기술은 오랫동안 어려운 균형 잡기에 직면해 왔습니다. 인체 내부를 선명하게 보기 위해 의사들은 조직을 통과하는 X선 스캔에 의존하여 이미지를 만듭니다. 이미지가 선명할수록 종양이나 염증 같은 문제를 발견하기가 더 쉬워집니다. 그러나 높은 선도의 이미지를 얻으려면 종종 더 높은 방사선량이 필요하며, 이는 특히 정기적인 검진이 필요한 환자들에게는 그 자체로 위험을 수반합니다. 반대로, 환자의 안전을 위해 방사선량을 낮추면 미세한 세부 사항들이 뭉쳐 보이는 거칠고 노이즈가 많은 이미지가 생성되곤 합니다. 복부에서는 스캐너가 움직이는 방식 때문에 이 문제가 더욱 심화됩니다. 기계가 환자 주변을 회전할 때, 전신을 촬영하기 위해 앞으로 나선형으로 이동합니다. 만약 이 나선형 움직임이 너무 넓거나 빠르면 데이터에 간격이 생겨, 헬리컬 아티팩트(helical artifacts)라고 불리는 줄무늬와 왜곡이 발생합니다. 이러한 줄무늬는 장의 섬세한 벽을 가려 크론병이나 장 폐쇄와 같은 질환을 진단하기 어렵게 만듭니다. 수십 년 동안 방사선 전문의들은 품질이 낮은 저선량의 빠른 스캔과, 환자에게 더 많은 방사선을 노출시키는 느리고 고품질인 스캔 사이에서 선택을 해야만 했습니다.

중국의 구이첸 국제 종합병원(Guiqian International General Hospital) 연구팀은 이러한 절충안을 깨뜨리기 위해 새로운 접근 방식을 테스트했습니다. 그들은 두 가지 특정 기술을 결합하여 이 문제를 해결할 수 있는지 확인하기 위해 새로운 전략을 시험했습니다. 그들의 전략 중 첫 번째 부분은 스캐너의 나선형 이동 속도를 '초저속'으로 늦추는 것입니다. 스캐너를 더 느리게 움직임으로써, 그들은 평소에 주의를 분산시키는 줄무늬를 유발하는 간격을 메우기 위해 훨씬 더 밀도 높은 양의 데이터를 포착합니다. 두 번째 전략은 딥러닝에 기반한 현대적인 컴퓨터 프로그램을 사용하는 것입니다. 단순히 거친 이미지를 매끄럽게 만드는 기존의 컴퓨터 프로그램과 달리, 이 새로운 프로그램은 수천 장의 실제 의료 영상을 통해 학습되었습니다. 이 프로그램은 무작위 노이즈, 원치 않는 아티팩트, 그리고 실제 인체의 해부학적 구조 사이의 차이를 인식하는 법을 배웁니다. 연구진은 이 느린 스캔 속도와 스마트한 컴퓨터 프로그램을 함께 사용하는 것이 현재 가능한 것보다 더 나은, 저방사선의 선명한 복부 영상을 만들어낼 수 있는지 알고 싶었습니다.

답을 찾기 위해 연구진은 의학적 이유로 복부 CT 스캔이 필요한 환자 90명을 등록했습니다. 그들은 서로 다른 스캔 방식을 비교하기 위해 환자들을 세 그룹으로 나누었습니다. 한 그룹은 일반적인 속도와 전통적인 영상 처리 방식을 사용하여 표준 스캔을 받았습니다. 두 번째 그룹은 전통적인 방식을 사용하되 약간 더 느린 스캔을 받았습니다. 세 번째 그룹은 초저속 스캔을 받았으나, 이 그룹은 다시 둘로 나뉘었습니다. 절반은 전통적인 방식으로 처리되었고, 나머지 절반은 새로운 딥러닝 컴퓨터 프로그램으로 처리되었습니다. 연구진은 각 환자가 받은 방사선량부터 최종 영상의 선명도까지 모든 것을 측정했습니다. 그들은 영상에 노이즈가 얼마나 있는지, 조직 간의 대조도가 얼마나 잘 나타나는지, 그리고 주의를 분산시키는 줄무늬가 얼마나 자주 나타나는지를 조사했습니다. 환자가 어느 그룹에 속하는지 알지 못하는 두 명의 숙련된 방사선 전문의가 또한 영상을 1점에서 5점 척도로 판독하며 읽기 쉬운 정도와 세부 사항의 선명도를 평가했습니다.

결과는 초저속 스캔과 딥러닝 프로그램의 조합이 명백한 승자라는 것을 보여주었습니다. 이 특정 그룹은 다른 그룹들에 비해 평균 9.88 유닛이라는 가장 낮은 방사선량을 받았습니다. 더 중요한 것은, 이들이 만들어낸 영상이 현저히 더 선명했다는 점입니다. 딥러닝 프로그램은 저선량 스캔에서 흔히 발생하는 거친 노이즈를 성공적으로 제거하여 영상을 훨씬 더 날카롭게 만들었습니다. 연구진은 이 영상들의 노이즈가 표준 스캔에 비해 절반 이상 감소했다는 것을 발견했습니다. 장벽을 가리는 줄무늬와 왜곡 또한 극적으로 억제되었습니다. 표준 또는 약간 느린 속도를 사용한 그룹에서는 대부분의 스캔에서 이러한 아티팩트가 나타나 영상의 일부를 해석하기 어렵게 만들었습니다. 반면, 초저속 스캔과 딥러닝 프로그램을 사용한 그룹에서는 이러한 아티팩트가 아주 적은 사례에서만 나타났습니다. 방사선 전문의들은 이 영상들을 '우수함'으로 평가하며, 장벽과 주변 구조가 탁월한 선명도로 보인다고 언급했습니다.

이 연구는 이 이중적인 접근 방식이 두 가지 측면에서 문제를 공격함으로써 작동한다는 것을 시사합니다. 첫째, 느린 스캔 속도는 기계가 충분한 데이터를 포착하도록 보장함으로써 아티팩트가 발생하는 것을 사전에 방지합니다. 둘째, 딥러닝 프로그램은 남은 불완전함을 정리하며, 실제 신체 구조와 디지털 노이즈를 구분합니다. 이를 통해 연구팀은 영상 품질을 희생하지 않고도 방사선량을 크게 낮출 수 있었습니다. 연구진은 이 방법이 만성 장 질환 등을 모니터링하는 것처럼 시간이 지남에 따라 반복적인 스캔이 필요한 환자들에게 특히 유용하다고 언급했는데, 이는 그들이 평생 받는 총 방사선량을 최소화해주기 때문입니다. 그러나 그들은 실질적인 한계점도 지적했습니다. 스캐너가 매우 느리게 움직이기 때문에 스캔을 완료하는 데 시간이 더 오래 걸린다는 점입니다. 이 초저속 스캔의 평균 시간은 거의 9초로, 이는 표준 스캔 시간의 두 배 이상입니다. 이는 환자들이 더 긴 시간 동안 숨을 참아야 함을 의미하며, 이는 매우 아프거나 통증이 있거나 호흡 지시를 따르기 어려운 환자들에게는 어려울 수 있습니다.

긴 스캔 시간에도 불구하고, 이 연구 결과는 복부 영상 촬영의 미래를 향한 유망한 길을 제시합니다. 연구진은 이 전략이 저선량 영상에서 흔히 망가뜨리는 줄무늬를 효과적으로 억제하면서도 낮은 방사선 노출을 유지한다고 결론지었습니다. 이는 안전과 선명도 사이의 일반적인 타협 없이 소화관의 복잡한 세부 사항을 볼 수 있는 방법을 제공합니다. 비록 이 연구가 단일 병원에서 수행되었고 복부의 중공 장기(hollow organs)에 특화되어 있지만, 결과는 이 방법이 스캔을 수행하는 표준적인 방식이 될 수 있음을 나타냅니다. 스캐너의 속도를 조절하는 간단한 조치와 고급 컴퓨터 처리를 결 조합함으로써, 의사들은 곧 가장 도움이 필요한 환자들에게 더 안전하고 선명한 진단을 제공할 수 있을 것입니다.