초음파 음속 역전으로 근육 활성 감지

본 논문은 근육 기능 영상화의 필요성에서 출발한다. 근육 위축, 퇴행성 근육 질환, 외상성 뇌손상, 뇌성마비 등 다양한 질환에서 근육의 동적 수축·이완을 정량화하는 것이 진단·치료에 핵심이지만, 현재 사용 가능한 영상 기술은 제한적이다. 전통적인 초음파 전단파 탄성영상(SWE)은 근섬유와 평행한 종축 스캔이 요구되고, 정적 이미지에 국한되며 프레임레이트가 낮아 동적 움직임을 포착하기 어렵다. 또한, 고가 장비와 강한 전자기 파가 필요해 실시간 대규모 필드‑오브‑뷰 적용에 제약이 있다. 이에 저자들은 근육 수축 시 조직 강도가 증가한다는 물리적 사실에 착안해, 초음파 전파 속도(SoS)가 조직의 탄성계수와 밀도에 직접 연관된다는 점을 이용한다. 근육이 수축하면 Young’s modulus와 bulk modulus이 모두 상승하고, 이에 따라 SoS도 상승한다. SoS는 전통적인 B‑mode 이미지 형성 과정에서 손실되는 정보를 포함하고 있기 때문에, 원시 RF 채널 데이터를 그대로 활용하는 것이 핵심이다. 연구에서는 기존에 제안된 단일면 파 전송 기반 SoS 역전 네트워크를 수정하였다. 인코더‑디코더 형태의 완전합성곱 신경망(FCN)을 사용해 64채널 × 2048 샘플의 원시 데이터를 입력으로 받아, 128 × 256 크기의 SoS 맵을 출력한다. 네트워크는 3×15부터 3×3까지 점진적으로 감소하는 필터 크기를 적용해 Nyquist 기준을 만족하고, 스킵 연결을 통해 저수준 세부 정보를 보존한다. 디코더 단계에서는 업샘플링과 인터폴레이션을 결합해 블록 아티팩트를 최소화한다. 학습 데이터는 물리 기반 시뮬레이션으로 생성하였다. 각 샘플은 1~5개의 구형 영역을 무작위 배치해 SoS가 1300–1800 m/s 사이에서 변하도록 설계했으며, 일정한 감쇠(2.5 dB/cm)와 밀도(0.9 g/cm³)를 적용했다. 또한, 스페클 노이즈, 양자화 잡음, 가우시안 잡음을 추가해 실제 측정 환경을 모사하였다. 총 6000개의 학습 샘플과 800개의 테스트 샘플을 사용해 네트워크를 학습시켰다. 실험은 인간 피험자를 대상으로 진행되었다. 피험자는 발끝을 딛은 상태에서 스쿼트 동작(서서히 서서히 무릎을 굽히고 다시 펴는 동작)을 수행했으며, 이때 비복근(gastrocnemius, GC)과 종아리근(soleus, SOL)이 서로 교대로 활성화된다. 초음파 프로브는 종아리 뒤쪽을 향해 배치했으며, 5 MHz 중심 주파수, 128요소 선형 배열을 사용해 단일 평면 파 전송 데이터를 수집하였다. 데이터는 전처리 없이 그대로 네트워크에 입력되었다. 결과는 두 단계로 제시된다. 첫 번째는 ‘다운 단계’(서서히 무릎을 굽히는 과정)에서, 초기에는 GC가 높은 SoS(빨간색) 영역을 차지하고, 이후 SOL이 점차 활성화되면서 빨간색 영역이 하부로 이동한다. 두 번째는 ‘업 단계’(무릎을 펴는 과정)에서 반대 현상이 관찰되어, SOL이 먼저 높은 SoS를 보이다가 점차 GC로 전환된다. 이러한 전이는 기존 근육 해부학 및 기능 지식과 일치한다. 다만, 복원된 SoS 값이 실제 조직 속도 범위와 차이가 나는 것은 2‑D 시뮬레이션 기반 학습이 3‑D 실제 조직의 복잡성을 완전히 반영하지 못했기 때문이다. 프레임레이트 측면에서 저자들은 네트워크가 원시 채널 데이터를 실시간으로 처리할 경우 수백에서 수천 프레임·초가 가능하다고 주장한다. 이는 기존 SWE가 10 Hz 수준에 머무는 것과 비교해 획기적인 향상이며, 근육 동역학을 실시간으로 모니터링하고, 재활 로봇이나 보조기구와의 피드백 제어에 활용될 수 있다. 결론적으로, 이 연구는 (1) 초음파 원시 데이터에 숨겨진 물리 정보를 딥러닝으로 추출하는 새로운 패러다임을 제시하고, (2) SoS 역전을 통해 근육 활성화를 공간·시간적으로 시각화함으로써 기존 영상 기술의 한계를 극복했으며, (3) 시뮬레이션‑실험 간 도메인 갭을 인식하고 향후 3‑D 데이터, 다양한 근육군, 병리학적 상태에 대한 검증 필요성을 강조한다는 점에서 학술적·실용적 의의가 크다.