Short-TR Optimization on Post-Contrast Deep Learning Synthetic MRI (DL-MAGiC) for Improved Visualization of ACTH-Secreting Pituitary Microadenomas: A Technical Feasibility Study

인간의 건강이라는 복잡한 지형 속에서, 뇌하수체는 신체의 호르몬 오케스트라를 지휘하기 때문에 '마스터 샘(master gland)'이라 불리는 작지만 필수적인 기관입니다. 이 기관에 미세한 종양이 자라나 ACTH라고 불리는 호르몬을 너무 많이 분비하게 되면 쿠싱병(Cushing disease)이라는 질환이 유발됩니다. 이 질환은 심각한 신체적 변화와 건강상의 위험을 초래하므로, 의사들이 수술 전 종양의 정확한 위치를 찾아내는 것이 매우 중요합니다. 수십 년 동안 자기공명영상, 즉 MRI는 이 탐색을 위한 표준 방식으로 사용되어 왔습니다. 하지만 이 작업은 매우 까다롭기로 유명합니다. 종양은 흔히 쌀알보다 작으며, 조직을 잘 보이게 하기 위해 조영제를 주입한 후에는 종양과 건강한 뇌하수체가 비슷한 밝기로 빛나게 됩니다. 이러한 차이의 부재는 종양을 배경 속에 섞이게 만들어, 상당한 수의 사례에서 진단 누락를 초래합니다. 외과의가 종양을 찾지 못하면 환자는 반복적인 검사, 치료 지연, 또는 심지어 양쪽 부신을 모두 제거해야 하는 상황에 직면할 수 있습니다.

연구자들은 오래전부터 MRI 영상을 촬영하는 데 사용되는 설정이 조직이 보이는 방식을 바꿀 수 있다는 것을 알고 있었습니다. 구체적으로, 라디오 펄스 사이의 간격인 반복 시간(repetition time)과 신호 포착의 타이밍인 에코 시간(echo time)은 서로 다른 조직 간의 대비를 결정합니다. 전통적인 MRI에서는 스캔이 시작되면 이러한 설정들이 고정됩니다. 만약 초기 설정이 종양을 명확하게 보여주지 못한다면, 환자는 다른 설정을 사용하여 다시 스是否를 받아야 하며, 이는 더 많은 시간과 더 많은 방사선 또는 조영제 노출을 야기합니다. '합성 MRI(synthetic MRI)'라고 불리는 새로운 기술은 단 한 번의 스캔으로 방대한 양의 원시 데이터를 캡처함으로써 이 문제를 해결하려고 시도합니다. 이 데이터를 통해 컴퓨터는 환자가 기계를 떠난 후에도 어떤 조합의 타이밍 설정으로든 이미지를 생성할 수 있습니다. 여기에 노이즈를 제거하고 세부 사항을 선명하게 만드는 인공지능의 한 형태인 딥러닝을 더함으로써, 이 기술은 재스캔 없이도 고품질의 영상을 만들어낼 것을 약속합니다.

뎬장(Dianjiang)의 중의약 병원과 북경 유니언 메디컬 칼리지 병원의 연구팀은 이 새로운 접근 방식이 마침내 이 찾기 어려운 종양들을 찾는 문제를 해결할 수 있는지 테스트하기 위해 모였습니다. 그들은 이미 쿠싱병 진단을 받고 종양이 수술로 제거되어 병리학적으로 확인된 특정 환자군에 집중했습니다. 연구에는 딥러닝 합성 기술을 이용한 특수 MRI 스캔을 받은 49명의 환자가 포함되었습니다. 연구진은 기계가 기본적으로 생성하는 영상만을 보는 대신, 컴퓨터를 사용하여 각기 다른 타이밍 설정 조합을 가진 16가지 버전의 스캔을 합성했습니다. 그런 다음 각 버전에서 종양이 건강한 뇌하수체와 대비되어 얼마나 명확하게 드러나는지를 측정했습니다.

결과는 명확하고 놀라운 패턴을 보여주었습니다. 조영제 주입 후 종양이 주변의 건강한 조직보다 더 어둡게 나타난 대다수의 환자의 경우, 최적의 영상은 표준 설정으로 만들어진 것이 아니었습니다. 대신, 연구진이 펄스 사이의 시간을 매우 짧게 설정했을 때 종양이 가장 잘 보였습니다. 이러한 최적의 영상에서, 종양과 뇌하수체 사이의 대비는 표준 설정과 비교했을 때 거의 90%까지 개선되었습니다. 이전에는 희미하고 구별하기 어려웠던 종양들이 날카롭고 뚜렷해졌습니다. 연구진은 펄스 사이의 시간을 100밀리초로 설정하고 신호 포착을 5에서 8밀리초 사이로 설정했을 때 이러한 개선이 가장 두드러진다는 것을 발견했습니다. 이러한 설정에서 영상의 전체적인 밝기는 약간 떨어졌지만, 종양과 뇌하수체 사이의 밝기 차이가 매우 커져서 종양을 훨씬 더 쉽게 볼 수 있게 되었습니다.

연구는 또한 종양이 주변 조직보다 더 밝게 나타난 7명의 환자로 구성된 더 작은 그룹도 조사했습니다. 이 경우, 타이밍 설정을 변경하는 것이 가시성에 큰 차이를 만들지 못했습니다. 이러한 차이는 이 새로운 기술이 가장 흔하면서도 찾기 어려운 유형의 종양에 특히 강력하다는 점을 시사하기 때문에 중요합니다. 연구진은 어떤 설정이 사용되었는지 모르는 상태에서 두 명의 전문 영상의학 전문의에게 영상을 검토하게 했습니다. 의사들은 일관되게 짧은 타이밍 설정을 사용한 영상을 '우수(excellent)'하다고 평가하며, 종양의 경계가 날카롭고 병변을 찾기 쉽다고 언급했습니다. 반면, 표준 또는 더 긴 타이밍 설정을 사용한 영상은 '보통(fair)' 또는 '미흡(poor)'으로 평가되었으며, 종양이 흐릿하거나 건강한 조직과 구별되지 않는 경우가 많았습니다.

이 작업은 MRI 영상을 촬영한 후 이를 어떻게 처리하는지에 대한 기술적 돌파구를 의미합니다. 연구진은 딥러닝 합성 MRI를 사용함으로써, 환자를 다시 스캔하지 않고도 숨겨진 종양을 보이게 만드는 완벽한 설정을 찾는 것이 가능하다는 것을 입증했습니다. 연구는 가장 흔한 유형의 ACTH 분비 종양에 대해 매우 짧은 타이밍 설정이 훨씬 더 명확한 그림을 만들어낸다는 것을 확인해주었습니다. 그러나 저자들은 이것이 '타당성 연구(feasibility study)'라는 점을 주의 깊게 언급했습니다. 즉, 이 방법이 통제된 환경에서 작동함을 증명한 것이지, 실제 병원에서 이러한 설정을 사용하는 것이 더 나은 수술 결과를 이끌어낼 것임을 아직 증명한 것은 아니라는 뜻입니다. 연구진이 계획하고 있는 다음 단계는, 이 최적화된 설정들을 표준 MRI 기기에 직접 적용하여 실제 현장에서 진단을 개선할 수 있는지 테스트하는 것입니다. 그때까지 이 연구는 보이지 않는 것을 보기 위해 기기를 조율하는 방법에 대한 중요한 로드맵을 제공하며, 환자들이 손에 닿지 않는 진단을 기다려야 하는 일이 줄어들 것이라는 희망을 제시합니다.