4D UNet 기반 두개골 초음파 클러터 제거 혁신

본 논문은 인간 두개골을 통한 초음파 영상에서 발생하는 심각한 클러터 문제를 해결하고, 대비 강화 초음파(CEUS)에서 마이크로버블(MB) 신호를 효과적으로 검출하기 위한 새로운 딥러닝 기반 접근법을 제시한다. 서론에서는 두개골의 높은 음향 흡수와 저신호‑대‑노이즈 비율(SNR) 때문에 기존의 시간 기반 고역통과 필터, SVD·PCA 기반 장기 윈도우 필터가 저속 혈류와 작은 혈관을 탐지하는 데 한계가 있음을 지적한다. 또한, 기존 CNN 기반 클러터 필터는 라벨링이 어려운 실제 임상 데이터에 대해 일반화가 어려운 문제점을 가지고 있다. 이를 극복하기 위해 저자들은 (1) 5차원 입력 텐서(공간 3축 + 시간 + 다중 채널)를 설계하고, (2) 순수 마이크로버블 신호와 순수 클러터 신호를 각각 인‑비트로 획득한 뒤 선형 합성해 라벨링된 학습 데이터를 만든다. 마이크로버블은 투명 물탱크에서 Sonovue를 희석해 물에 띄우고, Trackpy 라이브러리를 이용해 위치와 궤적을 자동 검출한다. 클러터는 실제 임상 데이터에서 MB 주입 전 프레임을 추출해 사용한다. 두 신호를 다양한 강도 비율로 혼합해 4D UNet이 학습할 수 있는 다양한 상황을 시뮬레이션한다. 모델은 기존 2D·3D UNet을 확장한 4D UNet으로, 컨볼루션, 풀링, 업샘플링 연산을 4차원(공간 + 시간)으로 직접 구현하였다. 입력 채널은 4가지(CF, DAS amplitude, phase cosine, phase sine)이며, 인코더‑디코더 구조에 스킵 연결을 사용해 깊은 특징을 보존한다. 활성화 함수는 회귀에 적합한 시그모이드, 손실은 평균 제곱 오차(MSE)이다. 학습은 Adam 옵티마이저(학습률 = 1e‑4, 가중치 감쇠 = 1e‑5)와 He 초기화로 진행되었으며, 배치 크기와 패치 크기(≈ 8 × 8 × 8 × 시간 × 채널)를 조절해 GPU 메모리 한계를 극복했다. 임상 데이터는 ESRIR 연구(NCT 06793839)에서 6명의 환자를 대상으로 1000 vol/s, 32 × 32 매트릭스, 2 MHz 중심 주파수로 165 초 동안 수집하였다. 첫 10 초는 순수 클러터(대조군)이며, 이후 2.4 ml Sonovue를 주입해 MB 신호를 포함한다. 전처리 단계에서 고역통과 필터(11프레임 롤링 평균)와 빔포밍을 수행해 CF와 DAS를 추출하고, 복소수 DAS는 진폭·위상(코사인·사인)으로 분리했다. 데이터 증강으로 축 교환·좌우 반전을 적용하고, CF와 DAS 진폭은 정규화했으며, 위상 채널은 정규화하지 않았다. Ground‑truth는 마이크로버블 중심을 1로 정규화하고 주변을 팽창(dilation)해 강조하였다. 학습된 4D UNet은 테스트 데이터에 적용돼 기존 고역통과 필터와 비교했을 때 클러터 억제 비율이 크게 향상되었으며, 특히 1–3 voxel/frame 정도의 저속 흐름에서도 마이크로버블을 명확히 검출했다. 정량적 평가는 SNR 개선, 정밀도·재현율 상승, 그리고 시각적 품질(혈관 연속성, 잡음 감소)에서 모두 우수한 결과를 보였다. 또한, 패치 기반 추론 후 겹치는 영역을 평균해 전체 3D + 시간 볼륨을 복원함으로써 경계 효과를 최소화했다. 결론적으로, 이 연구는 (① 실제 인‑비트로 라벨링이 어려운 임상 초음파 데이터에 대한 효과적인 합성 라벨링 전략, ② 공간‑시간 정보를 동등하게 처리하는 4D UNet 아키텍처, ③ 기존 클러터 필터 대비 뛰어난 성능)이라는 세 가지 핵심 기여를 제시한다. 향후 고주파 프로브 적용, 다양한 뇌 병변(뇌졸중, 종양)에서의 검증, 실시간 처리 가능한 경량 모델 개발 등이 연구 방향으로 제시된다.