DenseRAUnet 기반 심장 흉부 CT 자동 칼슘 점수화

본 연구는 관상동맥 석회화(CAC) 점수를 자동으로 산출하기 위한 새로운 딥러닝 프레임워크인 DenseRAUnet을 제안한다. 기존에는 ECG‑동기화 심장 CT에서만 CAC를 정량화했으며, 일반 흉부 CT에서는 활용이 제한적이었다. 흉부 CT는 촬영 비용이 낮고 보편적으로 사용되기 때문에, 두 종류의 CT 모두에서 정확히 CAC를 검출할 수 있는 모델이 임상적 가치를 가진다. 데이터는 중국 내 여러 의료기관에서 수집한 849개의 비조영제 CT(흉부 805, 심장 44)로 구성했으며, 이 중 144개(흉부와 심장 혼합)를 테스트 셋으로 별도 확보했다. 모든 스캔은 1.0~3.0 mm 두께의 얇은 슬라이스를 포함하고, 석회화 병변은 3명의 방사선 전문의가 수작업으로 라벨링하였다. 전처리 단계에서는 모든 이미지와 라벨을 512×512 픽셀로 정규화하고, 256×256 영역을 랜덤 크롭 후 다시 512×512로 리사이즈했다. 또한, HU 값이 130 HU 이하인 픽셀은 배경으로 처리하였다. 네트워크 구조는 Dense U‑Net을 기반으로 하며, 인코더는 사전학습된 DenseNet‑121을 사용한다. 디코더는 3개의 업샘플링 블록으로 구성되며, 각 블록 뒤에 scSE 블록을 삽입해 채널 및 공간 차원에서 특징을 재조정한다. 핵심적인 세 가지 모듈은 다음과 같다. 1. **Residual Atrous Unit (RAU)**: 3×3 커널에 dilation rate 2, 4, 8을 적용한 3개의 병렬 컨볼루션을 결합하고, 이를 residual 연결로 감싸서 다중 스케일 정보를 동시에 학습한다. 이는 작은 미세 석회화와 큰 병변을 모두 포착하는 데 기여한다. 2. **Extra Dense Block (EDB)**: 첫 번째 스킵 연결에 추가된 밀집 레이어로, 얕은 특징을 풍부하게 재활용한다. 이는 디코더가 고해상도 정보를 복원할 때 손실을 최소화한다. 3. **scSE 블록**: 채널‑스페셜리제이션(SE)과 공간‑스페셜리제이션(sSE)을 결합해 중요한 채널과 위치 정보를 강조한다. 입력은 2.5D 방식으로, 연속된 9개의 슬라이스를 하나의 9채널 스택으로 구성한다. 중앙 슬라이스를 레이블로 사용함으로써 3D 입력에 비해 파라미터 수를 크게 줄이면서도 축간 연속성을 유지한다. 손실 함수는 Bootstrap Loss와 IoU Loss를 합산한 형태이다. Bootstrap Loss는 예측 확률이 낮은(즉, 어려운) 픽셀에 가중치를 부여해 전경·배경 불균형을 완화한다. α=8, β=1, 임계값 t=0.9로 설정해 양성 픽셀을 강하게 강조한다. IoU Loss는 영역 겹침을 직접 최적화해 경계 정확도를 높인다. 학습은 SGD 옵티마이저(모멘텀 0.9)와 초기 학습률 0.001를 사용했으며, 25 epoch 동안 진행했다. 매 2000 iteration마다 학습률을 0.99배 감소시켰다. 배치 크기는 1 이미지(즉, 1개의 9‑slice 스택)였다. 성능 평가는 픽셀 수준 F1‑score와 환자 수준 CAC 위험도 예측 정확도로 이루어졌다. 기본 Dense U‑Net에 Bootstrap Loss만 적용했을 때 F1‑score는 0.65였으며, RAU, EDB, scSE, IoU 손실을 순차적으로 추가하면서 0.71→0.75로 상승했다. 최종 모델은 테스트 셋 전체에서 F1‑score 0.75, CAC 위험도 예측 정확도 0.83을 기록했다. 또한, post‑processing 단계에서 130 HU 임계값과 연결성 분석을 통해 Agatston 점수를 계산했으며, 이는 임상적인 위험도 분류와 높은 일치도를 보였다. 본 논문의 주요 기여는 (1) DenseRAUnet이라는 새로운 2.5D FCN 아키텍처를 제시해 심장 CT와 흉부 CT 모두에서 높은 일반화 성능을 달성한 점, (2) 전경·배경 불균형을 해결하고 경계 정확도를 높이는 Bootstrap + IoU 복합 손실 함수를 설계한 점, (3) Chest‑only 데이터만으로 학습했음에도 Cardiac CT에서 경쟁력 있는 결과를 얻은 점이다. 향후 연구에서는 다기관 대규모 데이터와 다양한 CT 프로토콜에 대한 검증, 그리고 다른 심혈관 영상 분석 과제(예: 플라크 부피 측정, 혈관 석회화 위치 분류)로의 확장을 계획하고 있다.