CT 영상 없이 심근관류 확인 가능한 ‘감쇠 보정법’ 개발

윤준기 교수 “고가의 SPECT-CT 장비 없이도 정확한 영상 얻을 수 있어”

심혈관질환에서 심근관류를 비교적 간편하게 확인하는 방법이 소개됐다.

아주대병원은 핵의학과 윤준기 교수팀(임성주 연구원)이 딥러닝(AI 하위분야) 모델을 활용해 SPECT-CT 검사 중 CT 촬영을 대체할 수 있는 ‘감쇠 보정법’을 개발했다고 밝혔다. 

연구팀은 관상동맥질환 의심 또는 진단 환자 985명의 심근관류 SPECT 영상을 데이터셋(Date-set)을 활용해 딥러닝 분야에서 수정된 U-Net 모델에 학습시켰다. 대상자는 남성 657명, 여성 328명이며, 평균 연령은 65세였다.

그 결과, 이번 수정된 U-Net 모델은 ▲평균 절대 오차(MAE) 0.003 ▲구조적 유사도 지수(SSIM) 0.990 ▲최대 신호 대 잡음 비율(PSNR) 33.658 등으로, 기존 인공지능 모델들(U-Net, MMTrans, Reg-GAN, Palette)의 성능과 비교해 가장 우수한 성능을 보였다.

MAE, SSIM, PSNR은 딥러닝 모델의 성능을 수치로 보여주는 방법으로, 실제 검사 영상과 학습된, 즉 수정된 U-Net 모델에서 생성한 영상 간의 유사성을 평가하는 지표다. 

특히 연구팀은 “이번에 개발한 모델은 의료영상의 표준인 dicom 형식뿐 아니라, 일반 이미지인 jpg 형식의 영상에서도 뛰어난 성능을 발휘했다”고 설명했다.

이어 “실제 감쇠 보정 효과를 평가하기 위해 가슴 안쪽 횡경막 감쇠가 있는 환자의 영상을 이 모델에 적용한 결과, 기존의 CT 기반 감쇠 보정 이미지와 유사하거나 구별이 불가능할 정도로 탁월한 결과를 보였다”고 말했다.

윤준기 교수는 “이번 딥러닝 기반 모델을 통해 CT를 대체함으로써 불필요한 방사능 피폭을 줄이고, 고가의 SPECT-CT 장비 없이도 정확한 영상을 얻을 수 있다”고 밝혔다.

한편, 이번 연구는 미국 핵의학 학술지 Clinical Nuclear Medicine(IF 10.6)에 ‘Clinical Feasibility of Deep Learning–Based Attenuation Correction Models for Tl-201 Myocardial Perfusion SPECT(Tl-201 심근관류 SPECT를 위한 딥러닝 기반 감쇠 보정 모델의 임상적 타당성)란 제목으로 게재됐다.