기술 요약: SDAVF 국소화를 위한 RadicularSEUNet

문제 정의

척수 경막 동정맥 기형(SDAVF)은 가장 흔한 척수 혈관 기형이지만, 진단이 여전히 까다롭습니다. 현재의 골드 스탠다드인 척수 디지털 감산 혈관 조영술(DSA)은 침습적이고 시간이 오래 걸리며, 환자를 방사선에 노출시키고, 특히 고령 환자의 경우 구불구불한 분절 동맥을 카테터로 삽입하는 기술적 어려움으로 인해 높은 위음성률을 보입니다. 조영 증강 MR 혈관 조영술(CEMRA)은 비침습적인 대안을 제공하지만, 누즐 부위(<0.5 mm)를 직접 시각화할 수 있는 공간 해상도가 부족합니다. 결과적으로 CEMRA는 전체 혈관 구조를 보여주는 데 한계가 있어, 임상의들이 DSA에서처럼 동맥 혈류 방향을 바탕으로 병변을 국소화하는 것을 어렵게 만듭니다. 또한, 기존의 CEMRA 국소화 방법은 임계값 기반의 후처리(threshold-based postprocessing)에 의존하는데, 이는 작은 신경근 정맥을 경막외 정맥총이나 노이즈와 구분하는 데 어려움을 겪어 불완전한 시각화 및 진단 누락을 초래합니다.

방법론

데이터 전략 및 합성 생성

실제 SDAVF 사례의 희소성과 수동 주석(annotation)의 어려움을 인식하여, 저자들은 대규모 훈련 데이터셋(n=2,000)을 구축하기 위한 합성 SDAVF 생성 파이프라인을 개발했습니다. 이 파이프라인은 척수, 경막, 추간판 구멍(intervertebral foramen)의 해부학적 제약 조건을 활용합니다:

• 해부학적 스캐폴딩(Anatomical Scaffolding): 비조영 MRI로부터 뼈, 디스크, 척수강의 마스크를 분할합니다. 척수강 마스크는 경막낭의 대리 지표 역할을 합니다.
• 정맥 합성: 배측 종측 줄기(dorsal longitudinal trunk)를 확률적 형태 모드(구불구불함, 코일 형태)와 이차 분지(루프, 헤어핀 형태)를 사용하여 모델링합니다. 단일 **신경근 정맥(radicular vein)**은 특정 해부학적 규칙(예: 3개 디스크 레벨 이내 연결, 특정 각도 구역)을 준수하며 외측 경막과 표면 정맥 네트워크를 연결하도록 합성됩니다.
• 강도 모델링(Intensity Modeling): 실제 SDAVaf 사례의 참조 통계치를 기반으로 복셀 강도를 조절하며, 축 방향 변화와 반경 방향 감쇠를 포함하여 현실적인 혈관 대조도를 모사하고 균질한 단면을 피합니다.

모델 아키텍처: RadicularSEUNet

본 연구는 하부 경막 배출 정맥의 3D 분할을 위해 설계된 3D Squeeze-and-Excitation U-Net (SE-U-Net) 프레임워크 기반의 딥러닝 모델인 RadicularSEUNet을 소개합니다.

• 입력: 원래의 3D CEMRA 이미지와 (척수강에서 유도된) 대응하는 경막 마스크로 구성된 2채널 입력.
• 아키텍처: 4단계의 다운샘플링과 4단계의 업샘플링 단계를 특징으로 합니다. 인코더 블록은 잔차 3D 컨볼루션, 인스턴스 정규화, Leaky ReLU 활성화 함수, 그리고 채널별 특징을 재보정하기 위한 Squeeze-and-Excitation (SE) 모듈을 사용합니다. 디코더는 전치 컨볼루션(transposed convolutions)과 스킵 연결(skip connections)을 사용합니다.
• 손실 함수: 클래스 불균형을 해결하고 어려운 혈관 복셀을 강조하기 위한 focal Tversky loss와 관상 구조의 위상적 연속성을 촉진하기 위한 soft clDice loss를 결합한 하이브리드 손실을 사용하여 훈련합니다.
• 훈련: 모델은 1,600개의 합성 사례로 훈련되었고, 200개로 검증되었으며, 200개로 테스트되었습니다.

임상 워크플로우

임상 적용을 위한 워크플로우는 다음과 같습니다:

1. 분류: 헤어핀 모양의 급식 동맥(feeding artery) 존재 여부에 따라 SDAVF와 다른 기형(예: AVM, pial AVF)을 구분하기 위해 경막 제한적 2D 최대 투영 영상(MIP)을 생성합니다.
2. 국소화: SDAVF가 의심되는 경우, RadicularSEUNet이 3D 경막하 배출 정맥 네트워크를 분할합니다. 이 마스크는 척추 및 경막 마스크와 융합되어 신경근 정맥과 경막 사이의 **접합점(junction point)**을 시각화합니다.
3. 레벨 결정: 맹검(blinded) 의사가 경막 연결 지점에 대한 척추 극돌기 투영을 기준으로 분절 레벨을 식별합니다.

주요 결과

합성 데이터 성능

독립적인 합성 테스트 세트(n=200)에서 RadicularSEUNet은 높은 분할 충실도를 보여주었습니다:

• 중앙값 Dice 계수: 0.986
• 중앙값 Centerline Dice (clDice): 0.986
• 중앙값 F0.5 점수: 0.992
• 종합 점수: 0.988
  모델은 다양한 임계값에서도 안정적인 성능을 보였으며, 이는 복잡한 경막하 정맥 네트워크를 분할하는 데 있어 견고함을 나타냅니다.

임상 코호트 성능

모델은 31개의 실제 CEMRA 사례(21 SDAVF, 6 pial AVF, 2 SAVM, 2 DSA-음성)로 구성된 회고적 코호트에서 평가되었습니다.

• 차별화: 결합된 워크플로우(MIP + RadicularSEUNet)는 SDAVF를 다른 유형의 혈관 기형과 정확하게 구분했습니다.
• 국소화 정확도: 모델은 SDAVF 사례에 대해 100%의 레벨 국소화 정확도를 달성했습니다.
• 도전적인 사례:
  • 상부/중부 흉추: 짧고 가는 신경근 정맥을 가진 7개 사례(일반적으로 분할이 어려운 경우)에서 모델은 100%(7/7)의 확률로 경막 연결 레벨을 정확히 식별한 반면, 2D MIP 영상은 3개 사례(42.9%)에서 위치를 결정하는 데 실패했습니다.
  • DSA-음성 사례: 숨겨진 척수 결찰(occult tethered cord)로 진단된 두 건의 DSA-음성 사례에서, RadicularSEUNet은 전형적인 정맥 패턴을 식별했으나 낮은 복셀 수(희소한 혈관성)를 바탕으로 이를 SDAVF와 정확히 구분하여 위양성을 방지했습니다.

의의 및 주장

본 논문은 RadicularSEUNet이 새로운, 정맥 기반의, 비침습적이며, 해부학적으로 직관적인 SDAVF 국소화 전략을 가능하게 한다고 주장합니다. 포착하기 어려운 동맥 급식 혈관 대신 더 잘 보이고 직경이 큰 신경근 정맥에 초점을 맞춤으로써, 이 방법은 CEMRA의 공간 해상도 한계를 극복합니다.

저자들이 강조하는 핵심 기여는 다음과 같습니다:

1. 해상도 한계 극복: 모델은 병변 부위가 직접 보이지 않더라도 신경근 정맥을 성공적으로 분할하여 국소화를 위한 신뢰할 수 있는 대리 지표를 제공합니다.
2. 자동화 및 객관성: 운영자 의존적인 임계값 기반 분할과 달리, RadicularSEUNet은 관찰자 간 변동성을 줄이는 완전 자동화된 솔루션을 제공합니다.
3. 임상적 유용성: 이 접근 방식은 실제 코호트에서 100%의 국소화 정확도를 달축성하였으며, 이는 진단 누락을 줄이고, 반복적이거나 광범위한 DSA의 필요성을 최소화하여 방사선 노출을 줄이며, 잠재적으로 독립적인 진단 도구로서 기능할 수 있음을 시사합니다.
4. 해부학적 시각화: 신경근 정맥과 경막 사이의 연결을 척추 해부학 구조와 함께 재구성함으로써, 이 방법은 수술 목표(배출 정맥 차단) 및 의사의 워크플로우와 일치하는 시각화를 제공합니다.

저자들은 더 큰 전향적 코호트에 대한 검증 필요성, 경막 대리 지표로서의 척수강 마스크 사용, 매우 길고 가는 정맥에서의 간헐적 불연속성 등의 한계를 인정합니다. 그러나 이 연구가 방사선 없는 SDAVF 진단 및 치료 경로를 향한 중요한 진전이라고 확신합니다.