대한심장혈관영상의학회

메뉴열기
Home 지난뉴스레터보기 발행인: 이활  편집인: 추기석, 강은주, 김진영          News Letter Vol.55
메뉴닫기

Journal PICK

Automated Measurement of Native T1 and Extracellular Volume Fraction in Cardiac Magnetic Resonance Imaging Using a Commercially Available Deep Learning Algorithm

심장 MRI에서 딥러닝 알고리즘을 사용한 native T1 및 ECV fraction 의 자동측정


Korean J Radiol. 2022 Dec;23(12):1251-1259. https://doi.org/10.3348/kjr.2022.0496

장수연(서울성모병원), 서영주(세브란스병원)

안녕하세요. 서울성모병원에 근무하고 있는 장수연입니다. 대한심장혈관영상의학회 웹진에 저희 논문을 소개하게 되어 영광이고, 감사드립니다. 이 연구는 세브란스병원 서영주 교수님께서 교신저자로 지도를 해주셨고, 딥러닝 알고리즘을 이용하여 심장 MRI에서 native T1 및 ECV fraction을 자동 측정하는 소프트웨어를 validation 한 연구입니다.

Mapping 기법은 다양한 심근병증의 진단 및 예후 예측에 있어서 심장 MRI의 활용도를 크게 높여주었습니다. Mapping 값을 측정하기 위해 심내막 및 심외막의 윤곽을 그려야 하지만, 시간이 많이 걸리고 측정자에 따라 값이 달라질 수 있다는 단점이 있습니다. 따라서 궁극적으로는 mapping 값을 측정하는 작업을 자동화하는 것이 바람직합니다. 기존에 T1 mapping의 자동 측정을 수동 측정과 비교한 연구들이 일부 있었지만, 대부분 native T1 위주였고 ECV는 거의 평가되지 않았으며, segment level로 분석한 연구는 거의 없었습니다.

최근 개발된 분석 소프트웨어는 딥러닝 알고리즘을 통해 T1 map을 자동 분할하고 native T1, post-T1, ECV 값을 AHA 16 segment model에 따라 제공합니다.


Fig. 2 Illustration of the fully automated myocardium analysis.

본 연구에서는 시간적으로 분리된 데이터 세트를 사용하여 심장 MRI에서 native T1값 및 ECV의 자동 분할 및 측정을 위한 상용 DL 알고리즘의 성능을 테스트하고, 그 성능을 영상의학과 의사와 비교하고자 하였습니다.

분석에는 총 95명 (36 LVH [12 HCM, 12 Fabry disease, and 12 amyloidosis], 32 DCM, 27 정상)을 포함하였습니다. Reference standard는 두 명의 경험이 많은 영상의학과 의사의 consensus로 정하였고, observer study를 위하여 다양한 경력의 4명의 영상의학과 의사가 추가로 영상을 분석하였습니다.

결과를 보면, 딥러닝은 native T1 map에서 99.3%, post-T1 map에서 89.8%의 slice에서 성공적으로 segmentation을 하였고, Dice 유사성 계수는 native T1 map에서 0.86±0.05, post-T1 map에서 0.74±0.17로 기존에 보고된 것과 유사한 수치를 보였습니다.

Post-T1 map 에서 부적절하게 segmentation 된 경우는 모두 amyloidosis 환자 또는 apical slice 였습니다. Post-T1 map의 Dice 유사성 계수는 세 그룹 중 LVH 그룹에서 0.68로 가장 낮았는데, 그 중에서도 amyloidosis 에서 0.40으로 특히 낮았습니다. 이 결과에 따르면 자동 segmentation은 native T1 map 보다 post-T1 map 에서 어렵고, 특히 cardiac amyloidosis 및 apical slice 에서 어려움을 알 수 있습니다. 따라서 판독을 하기 전에 판독의가 자동 segmentation된 결과를 체크할 필요가 있고, 앞으로 이러한 한계점들을 극복하기 위한 방안 (예. long axis 영상의 상호참조 등)을 강구해야 할 것으로 생각됩니다.


Supplementary Fig. 1. Segmentation performance of a deep learning algorithm

딥러닝과 reference standard의 native T1 및 ECV 측정값을 환자별, slice 별, segment 별로 비교하였을 때 모두 강한 상관관계와 일치를 보임을 확인하였습니다. 또한, 딥러닝과 4명의 영상의학과 의사 간의 interobserver agreement 역시 매우 우수하였고 (ICC 0.98–0.99 for both native T1 and ECV), 이는 영상의학과 의사들끼리 비교한 경우와 유사한 수준이었습니다.


Fig. 3. Scatter plots and Bland-Altman plots of automated and reference native T1 values.

Fig. 4. Scatter plots and Bland-Altman plots of automated and reference ECV.

따라서 일부 한계점은 있지만, 딥러닝 알고리즘을 이용한 T1 map 자동분석은 영상의학과 의사와 높은 상관관계와 일치를 보이며 비교적 정확한 측정을 할 수 있음을 확인하였습니다.

앞으로 추가적으로 성능이 개선된다면 실제 진료현장에서 영상의학과 의사의 업무량을 줄이고, 분석 결과의 재현성을 높이며, 많은 양의 데이터를 분석하는 연구에 도움이 될 수 있을 것이라고 생각됩니다. 감사합니다.