A Hybrid CNN-Transformer Framework for Robust Coronary Artery Stenosis Detection in X-ray Angiography

심장 질환은 여전히 전 세계 사망 원인 1위를 차지하고 있으며, 그 문제의 핵심에는 종종 심장 근육에 혈액을 공급하는 동맥이 좁아지는 현상이 자리 잡고 있습니다. 관상동맥 협착증이라고 알려진 이 상태는 혈관 벽 내부에 지방 침착물과 칼슘이 쌓여 산소가 풍able한 혈류를 제한할 때 발생합니다. 만약 이 좁아진 부위가 감지되지 않거나 치료되지 않으면 심장마비로 이어질 수 있습니다. 현재 의사들은 이 동맥 내부를 보기 위해 X선 혈관 조영술에 의존합니다. 이 절차에서는 혈관 속에 조영제를 주입하여 X선 화면에 혈관이 보이도록 만듭니다. 하지만 이러한 영상을 판독하는 것은 어렵습니다. 사진은 종종 입자가 거칠고, 갈비뼈나 척추와 같은 뼈에서 오는 그림자로 가득하며, 의료 도구들로 인해 복잡합니다. 이를 해석하려면 전문가가 모든 프레임을 면밀히 살펴야 하는데, 이 과정은 느리고 지치며 인간의 실수에 취약합니다.

의사들을 돕기 위해 과학자들은 인공지능, 구체적으로는 딥러닝이라 불리는 일종의 컴퓨터 프로그램에 주목해 왔습니다. 수년 동안 이 작업에서 가장 성공적이었던 프로그램들은 합성곱 신경망(CNN)이라는 기술을 기반으로 구축되었습니다. 이 프로그램들은 혈관 벽의 날카로운 가장자리나 특정 질감과 같은 국소적인 세부 사항을 포착하는 데 매우 뛰어납니다. 그러나 전체적인 큰 그림을 이해하는 데는 어려움을 겪습니다. 주변의 작은 픽셀들에 너무 집중하기 때문에, 배경의 노이즈를 갈비뼈나 카테터로 오인하여 혈관 폐쇄로 착각하곤 합니다. 이들은 혈관의 진정한 형태를 이해하기 위해 전체 경로를 멀리서 바라보는 능력이 부족합니다. 트랜스포머(Transformer)라고 알려진 새로운 기술는 컴퓨터가 한 번에 전체 이미지를 보고, 모든 부분의 중요성을 서로 상대적으로 가중치를 두어 판단할 수 있게 함으로써 이 문제를 해결합니다. 과제는 기존 기술의 속도와 새로운 기술의 전역적 이해력을 결합하는 것이었습니다.

이 연구에서 이란의 여러 의과 대학 연구진은 두 가지 접근 방식을 결합한 새로운 솔루션을 제안했습니다. 그들은 X선 영상에서 막힌 동맥을 찾기 위해 실시간 탐지 트랜스포머(RT-DETR)를 사용하는 하이브리드 프레임워크를 개발했습니다. 이 시스템은 단일 유형의 컴퓨터 비전에 의존하는 대신, 이미지의 미세한 세부 사항을 포착하는 표준 네트워크를 사용한 다음 그 정보를 트랜스포머 모듈로 전달합니다. 이 두 번째 모듈은 마치 전역 지도처럼 작동하여, 컴퓨터가 실제 폐쇄 부위와 갈비뼈나 척추에 의해 드리워진 혼란스러운 그림자를 구별할 수 있도록 돕습니다. 목표는 높은 정확도를 갖추면서도 실제 의료 절차 중에 사용될 수 있을 만큼 충분히 빠른 도구를 만드는 것이었습니다.

연구팀은 100명의 환자로부터 얻은 8,325장의 X선 영상 컬렉션을 사용하여 새로운 시스템을 학습시켰습니다. 이 영상들은 러시아의 한 연구소에서 가져온 것으로, 다양한 해상도와 노이즈 수준을 포함한 실제 환경의 다양한 조건들을 담고 있었습니다. 컴퓨터가 이러한 까다로운 영상을 처리하는 법을 배우도록 하기 위해, 연구진은 네 개의 서로 다른 이미지를 하나의 커다란 학습용 사진으로 이어 붙이는 기법을 사용했습니다. 이를 통해 시스템은 복잡하고 지저분한 배경 속에서도 작은 폐쇄 부위를 찾아내는 법을 강제로 학습하게 되었습니다. 또한, 이미지 쌍을 혼합하여 새로운 가상 사례를 만들어내는 또 다른 방법을 사용하여, 의료 스캔에서 발견되는 무작위 노이즈에 대해 컴퓨터가 더욱 견고해지도록 했습니다.

연구진이 기존 방식들과 새로운 프레임워크를 비교 테스트했을 때, 결과는 명확했습니다. 하이브리드 모델은 97.8%의 탐지 정확도를 달 기록했는데, 이는 기존의 오래된 기술에만 의존했던 이전의 최고 모델들보다 높은 수치입니다. 가장 유의미한 개선 중 하나는 작은 폐쇄 부위를 찾는 능력이었습니다. 새 시스템은 이러한 미세 병변의 59.2%를 정확히 식별해 냈는데, 이는 기존의 선도적인 모델이 달성한 51.5%에 비해 상당한 도약입니다. 이는 작은 폐쇄 부위가 관찰하기 가장 어렵지만 놓칠 경우 가장 위험할 수 있기 때문에 매우 중요합니다. 또한 연구진은 이 시스템이 초당 38프레임의 속도로 영상을 처리한다는 점에서 놀라울 정도로 빠르다는 것을 발견했습니다. 이는 단 11프레임만을 처리했던 이전의 최고 성능 모델보다 3배 이상 빠른 속도입니다.

이 연구는 새로운 접근 방식이 높은 정확도와 임상 사용에 필요한 속도 사이의 간극을 성공적으로 메우고 있음을 시사합니다. 미세한 세부 사항을 보는 능력과 전체 이미지의 맥락을 이해하는 힘을 결함함으로써, 이 시스템은 배경 노이즈로 인한 오경보를 줄여줍니다. 저자들은 결과가 유망하지만, 이 시스템은 단일 출처의 데이터로 테스트되었으므로 서로 다른 병원과 기기의 영상에서도 동일하게 잘 작동하는지 확인하기 위한 추가적인 작업이 필요하다고 언급했습니다. 그럼에도 불구하고, 이번 연구 결과는 이 하이브리드 프레임워크가 결정적인 심장 시술 중에 심장 전문의들이 더 빠르고 신뢰할 수 있는 결정을 내릴 수 있도록 돕는 강력하고 효율적인 도구가 될 수 있음을 보여줍니다.