랜드마크 없는 AI 기반 간 수술 영상등록: 정확도 향상과 미래 수술의 가능성

본 연구는 자기 지도 학습 기반의 랜드마크 없는 영상등록 프레임워크 ourmodel을 제시하여 간 수술의 정확성을 향상시켰습니다. 새로운 데이터셋 P2I-LReg를 활용한 실험 결과는 ourmodel의 우수성과 임상 적용 가능성을 보여주었습니다.

혁신적인 AI 기술, 간 수술의 미래를 바꾼다: 랜드마크 없는 영상등록

간 수술은 복잡하고 정교한 과정으로, 수술의 성공률을 높이기 위해서는 정확한 해부학적 위치 파악이 필수적입니다. 기존의 간 수술 영상등록 기술은 해부학적 랜드마크를 기반으로 3D 모델과 2D 영상을 정합하는 방식을 사용해 왔습니다. 하지만 이 방법은 랜드마크 정의의 모호함과 수술 중 간의 모양 변화를 정확히 반영하지 못하는 한계를 가지고 있습니다.

주 저자 Jun Zhou를 비롯한 연구팀은 이러한 문제점을 해결하기 위해, 자기 지도 학습(self-supervised learning) 을 활용한 획기적인 랜드마크 없는 영상등록 프레임워크, ourmodel을 개발했습니다. 이는 기존의 3D-2D 방식에서 벗어나 3D-3D 영상등록 파이프라인을 구축하고, 강체 및 비강체 변환을 분리하여 처리하는 새로운 접근 방식입니다.

ourmodel은 특징 분리 트랜스포머(feature-disentangled transformer)를 도입하여 강력한 대응 관계를 학습하고 강체 변환을 복구합니다. 또한, 구조 정규화 변형 네트워크(structure-regularized deformation network)를 통해 수술 전 모델을 수술 중 간 표면에 정확하게 맞춥니다. 이 네트워크는 저차원 트랜스포머 네트워크에서 기하학적 유사성 모델링을 통해 구조적 상관관계를 포착합니다.

연구팀은 21명의 환자 간 절제술 영상을 포함하는 새로운 in-vivo 데이터셋 P2I-LReg (346개의 주요 프레임 포함)을 구축하여 영상등록 성능 검증을 위한 기반을 마련했습니다. 합성 및 in-vivo 데이터셋에서의 광범위한 실험과 사용자 연구는 ourmodel의 우수성과 임상 적용 가능성을 입증했습니다. 이는 수술 정확도 향상과 환자 안전에 크게 기여할 것으로 기대됩니다.

결론적으로, 이 연구는 랜드마크 기반의 한계를 극복하고 AI 기술을 활용하여 간 수술의 정확성과 효율성을 높이는 중요한 발전입니다. ourmodel의 성공적인 개발과 검증은 앞으로 더욱 정교하고 안전한 최소침습 수술 시대를 열어갈 중요한 이정표가 될 것입니다. 향후 연구에서는 더욱 다양한 임상 환경에서의 검증과 실제 수술 적용을 통해 그 효과를 더욱 확대할 수 있을 것으로 예상됩니다.