딥러닝으로 CT 촬영 방사선량 33.3% 감소…AI 의료 영상 합성 기술의 혁신

본 기사는 Swin Transformer와 Diffusion Model을 결합한 AI 기반 3D 의료 영상 합성 기술에 대한 최신 연구 결과를 소개합니다. 이 기술은 CT 요로 조영술(CTU)에서 방사선 피폭량을 33.3% 감소시키면서도 고품질 영상을 생성하여 의료 현장의 혁신을 가져올 것으로 기대됩니다.

최근 홍쿤 유(Hongkun Yu) 등 연구진이 발표한 논문에 따르면, Swin Transformer 기반의 딥러닝 모델과 확산 모델(Diffusion Model)을 결합하여 CT 요로 조영술(CTU)에서 3D 신우상(nephrographic phase) 영상을 합성하는 새로운 방법이 개발되었습니다. 이 기술은 환자의 방사선 피폭량을 줄이면서도 기존 영상과 유사한 수준의 고품질 영상을 생성하는 놀라운 성과를 보여줍니다.

혁신적인 AI 모델, dsSNICT

연구진이 개발한 dsSNICT(diffusion model with a Swin transformer for synthetic nephrographic phase images in CT) 모델은 327명의 환자 데이터를 기반으로 학습되었습니다. 이는 평균 63세(표준편차 15세)의 남녀 환자 327명의 3상 CTU 영상 데이터를 이용하여 개발되었다는 것을 의미하며, 이를 통해 모델의 정확성과 신뢰도가 높아졌습니다. 실제 의료 영상과 합성 영상의 비교를 위해 PSNR(Peak Signal-to-Noise Ratio), SSIM(Structural Similarity Index), MAE(Mean Absolute Error), FVD(Fr´echet Video Distance) 등 다양한 지표를 사용하였으며, 두 명의 전문 방사선과 의사의 질적 평가까지 거쳤습니다.

놀라운 결과: 고품질 영상 합성 및 방사선량 감소

그 결과는 놀라웠습니다. dsSNICT 모델은 PSNR 26.3 ± 4.4 dB, SSIM 0.84 ± 0.069, MAE 12.74 ± 5.22 HU, FVD 1323의 높은 성능을 기록했습니다. 무엇보다 중요한 점은 전문가 평가에서 실제 영상과 합성 영상의 차이가 거의 없다는 점입니다. 1~5점 척도에서 실제 영상은 평균 3.5점, 합성 영상은 평균 3.4점을 받았으며, 통계적으로 유의미한 차이가 없었습니다(P-value = 0.5). 이를 통해 이 기술이 CTU 검사 시 방사선량을 33.3% 감소시키면서도 영상 품질을 유지할 수 있다는 것을 의미합니다.

미래 의료의 혁신을 예고하는 AI

이 연구는 AI 기반 의료 영상 합성 기술이 단순한 연구 단계를 넘어 실제 임상 현장에 적용될 수 있는 가능성을 보여줍니다. 방사선 피폭량 감소는 환자의 안전을 크게 향상시킬 뿐만 아니라, 의료 비용 절감에도 기여할 수 있습니다. 앞으로 이 기술이 더욱 발전하여 다양한 의료 영상 분야에 적용되고, 더욱 안전하고 효과적인 의료 서비스 제공에 기여할 것으로 기대됩니다. AI는 단순히 기술적인 발전을 넘어, 인류의 건강과 안전을 증진시키는 핵심 요소가 될 것입니다.