이준상 교수, 특허 출원

하이브리드 방식을 통한 관상동맥 CT 이미지에서의 관상동맥 및 상행 대동맥 자동 추출 시스템 및 그 방법

연세대학교 교속 이준상 교수가 '하이브리드 방식을 통한 관상동맥 CT 이미지에서의 관상동맥 및 상행 대동맥 자동 추출 시스템 및 그 방법' 특허를 미국과 중국에 출원했다.

본 발명은 기본적으로 rule-based (RB) 방법과 deep learning (DL) 방법의 장점만을 취하여 혼합한 하이브리드 방식이라고 할 수 있다. 형태학적 특성 상 관상동맥 추출에는 RB 방법이, 그리고 상행 대동맥 추출에는 DL 방법이 적합하기 때문에 이러한 방식의 채택은 합리적이라고 할 수 있다.

본 하이브리드 시스템은 크게 이미지 전처리, DL 방법을 통한 상행 대동맥 추출, RB 방법을 통한 관상동맥 추출, 그리고 상행 대동맥과 관상동맥을 중첩하는 총 4단계의 과정을 거쳐 수행된다. 먼저 이미지 데이터에 대한 전처리 과정이 이루어진다. 이미지 상에서 석회화 부분은 특히 높은 intensity를 보이는데, 이를 관상동맥의 intensity와 비슷하게 맞춰준다. 이를 통해 석회화 부분까지 포함하여 관상동맥을 보다 정확히 추출할 수 있다. 또한 CT 스캔의 voxel 해상도를 isotropic 하게 0.6mm X 0.6mm X 0.6mm 크기로 resampling 해준다. 이를 통해 이후 적용할 3D 혈관 필터에서의 hyper-parameter를 고정된 값으로 사용할 수 있게 된다. 다음으로 폐 영역 안쪽의 기관지 및 기관 구조물을 intensity thresholding 및 morphological closing operation을 통해 제거해준다. 이러한 구조물들은 혈관과 비슷한 형상 및 직경을 갖기 때문에 관상동맥 추출 시 오검출 될 여지가 있다. 따라서 이를 전처리 과정에서 사전에 제거하였다. 마지막으로, intensity의 range를 0~255로 rescaling 한다.

다음으로, 2D U-Net 모델을 기반으로 하여 상행 대동맥에 대한 추출이 이루어진다. 상행 대동맥은 형상이 단순하고 부피도 상대적으로 크기 때문에 2D 모델로도 충분히 정확한 예측이 가능하다. 2D 모델은 3D 모델보다도 계산 효율이 높으며 넓은 field of view (FOV)를 확보할 수 있어 global feature를 보다 잘 반영할 수 있다는 장점이 있다. 학습 모델을 통해 예측한 결과는 기본적으로 노이즈를 포함하고 있기 때문에 이를 제거하는 후처리 작업이 수행된다. 상행 대동맥이 원형 단면을 갖는다는 특징을 활용하여 Hough-circle transform 방식을 통해 그 위치를 먼저 찾은 후, 고립된 노이즈들을 connected component labeling 방식을 적용하여 제거해준다.

이후에는 hessian matrix를 기반으로 한 혈관 강조 필터를 통해 관상동맥을 추출한다. Hessian matrix는 이미지 각 pixel의 intensity에 대해 2차 미분을 수행하여 얻은 matrix로, local curvature를 반영한다. 즉, 해당 pixel이 혈관에 해당되는 지를 형태학적으로 구분할 수 있다. Hessian matrix의 eigenvalue를 계산함으로써 이를 구현한다. 이렇게 얻은 결과물에는 관상동맥 뿐만 아니라 혈관과 비슷한 형상을 가진 다른 구조물들도 포함되어 있기 때문에 이를 앞서 추출한 상행 대동맥과 중첩하고 connected component labeling 기법을 적용함으로써 관상동맥과 상행 대동맥만을 추출할 수 있다.

분획 혈류 예비력 기반 관상동맥 내 병변 예측을 위한 인공지능 알고리즘의 최적화 시스템 및 그 최적화 방법

연세대학교 교속 이준상 교수가 '분획 혈류 예비력 기반 관상동맥 내 병변 예측을 위한 인공지능 알고리즘의 최적화 시스템 및 그 최적화 방법' 특허를 미국에 출원했다.

본 기술은 그레이 존에서의 성능에 초점을 맞춘 인공지능 기반 관상동맥 진단 시스템을 개발하는 기술이다.

관상 동맥 질환을 치료를 위한 스텐트 삽입 전, 가장 정확한 진단 방법은 압력 와이어를 사용하여 분획혈류예비력(FFR)을 침습적으로 측정하는 것이다. 스텐트 삽입 결정을 내리는 기준의 FFR 값은 0.8로 알려져 있다. 그러나 0.75~0.8 범위의 FFR은 이러한 결정을 내리기에 어려운 불확실성의 영역으로 알려져있다. 이 영역은 그레이 존으로 불리며, 이에 해당하는 FFR 값에 대한 결정은 의사의 경험 등과 같은 외부적인 요인에 큰 영향을 받는다.

임상적으로 유용한 FFR 진단 시스템을 개발하기 위해서는 제한된 데이터만으로 전체 영역은 물론 그레이 존 내 정확도를 높일 수 있도록 알고리즘을 구성하고 최적화 해야한다. 또한, 그레이 존에 포함된 사례에 대한 임상 결정을 내리기 전 도움이 되는 정보를 얻을 수 있도록 사용자 친화적인 인공지능 알고리즘을 구성하여야 한다. 본 발명은 이와 같은 목표를 만족하는 인공지능 알고리즘 구축 및 최적화 방식을 포함한다.

학습 인자 확보를 위해 CT를 통해 얻어낸 관상동맥 임상 정보를 기반으로 가상 혈관을 다수 생성한다. 본 혈관 형상을 격자 볼츠만 방식(LBM)으로 전산 유체 시뮬레이션을 진행하고, 유동 인자를 분석한다. 결과 데이터를 기반으로 혈관 형상 인자로 유동 인자를 예측하는 알고리즘을 구축한다. 즉, 본 방식으로 혈관 형상 인자 / 유동 인자 / 생체 인자를 확보할 수 있다.

양질의 인공지능 학습을 위해서 아웃라이어 인자 제거 과정을 거친다. 아웃라이어란 전체 데이터 분포 대비 비정상적 수치를 가지는 자료를 의미한다. 심혈관 데이터의 경우 CT 이미지를 통한 인자 추출 시 생기는 오차 값에 의해 생성될 수 있다. 인공지능 학습 과정에 아웃라이어가 활용되면 결과 성능이 저해 될 가능성이 있다. 본 발명에서는 피어슨 상관관계 계수 분석을 통해 FFR 값과 연관 관계가 큰 인자들을 선정한다. 또한 IQR 방식으로 정상 범위를 넘어서는 값들을 아웃라이어로 선정한다. 아웃라이어 데이터를 가진 케이스는 인공지능 학습에서 배제하여 알고리즘의 성능을 향상시킨다.

다른 인공지능 학습에 쓰이는 데이터와 달리, 의료 임상 데이터 특성 상 수가 절대적으로 부족하다. 따라서 확보한 데이터를 최대한 활용하기 위해 k-cross validation 방식을 활용한다. 이 방식은 전체 데이터를 k등분 후 k-1개의 데이터 셋은 학습에 나머지 셋은 검증에 활용하는 것이며, 모든 데이터가 학습과 검증에 활용하도록 반복된다. 결과로, 각 인공지능 알고리즘들은 더욱 일반화 되고 강건한 모델을 생성할 수 있다. 추가적으로 각 알고리즘에 따라 최적화 된 k값이 모두 다르기 때문에, 다양한 k값에 대한 검증을 거친 후 가장 좋은 성능을 도출하는 k값을 선정한다.

모든 인공지능 알고리즘은 각 방식마다의 하이퍼파라미터를 가진다. 이는 모델에 따라 사용자가 지정한 값으로, 학습 성능이 이에 따라 좌우된다. 또한 최적화 값은 데이터의 수 및 특징 등에 영향을 받게 되며, 검증 후 사용이 필요하다. 따라서 다양한 값들에 대해 성능을 테스트 하여 가장 좋은 성능을 내는 하이퍼파라미터를 선정, 고성능 예측 알고리즘을 구축한다.

본 방식으로 구축된 모든 FFR 예측 알고리즘은 그레이 존 내 예측 정확도 97% 이상의 결과를 도출하였으며, 발명 성능이 검증되었음을 확인하였다.