심혈관질환에서 심근관류를 비교적 간편하게 확인하는 방법이 소개돼 관심을 모으고 있다. 이방법이 보편화 될 경우 불필요한 방나능 피폭을 줄일 수 있을 것으로 보여,환자의 건강권 확보에도 기여할 전망이다.
심근관류 검사는 말그대로 심장 혈관의 혈류를 측정하는 것으로, 대개 관상동맥질환에서 운동부하검사 혹은 동위원소를 이용한 심근관류 검사를 시행한다.
이중 동위원소를 이용한 심근관류 SPECT는 관상동맥질환의 진단, 중증도 및 예후 평가에 사용하는 핵의학 영상검사다.
아주대병원 핵의학과 윤준기 교수팀(임성주 연구원)은 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 및 최대 신호 대 잡음 비율(PSNR) 33.658로, 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 이번에 개발한 모델은 의료영상의 표준인 dicom 형식뿐 아니라, 일반 이미지인 jpg 형식의 영상에서도 뛰어난 성능을 발휘했다”고 연구팀은 설명했다.
SPECT는 방사성의약품을 정맥주사 후 나오는 감마선을 감지해 영상화하여 조직의 기능을 확인하는 검사다. 하지만 몸 안의 깊은 부분에서 나오는 신호가 가까운 부위에 비해 약해지는 감쇠현상이 있어, 이를 극복하기 위해 해부학적 변화를 확인하는 데 유용한 CT 영상을 접목한 SPECT-CT 검사를 이용하고 있다.
연구팀은 “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.
