죽상동맥경화증 분자 MRI 영상의 라디오믹 분석: 나노프로브와 AI의 융합
죽상동맥경화증 분자 MRI 영상의 라디오믹 분석: 나노프로브와 AI의 융합
서론
죽상동맥경화증(atherosclerosis)은 단순한 혈관의 협착이나 플라크 형성을 넘어, 플라크의 구성 성분과 불안정성 여부가 질병 예후에 중대한 영향을 미치는 복합 질환입니다. 최근 의학 영상은 해부학적 구조를 넘어 기능적·분자 수준의 진단을 향해 발전하고 있으며, 그 중 분자 자기공명영상(Molecular MRI, mMRI)은 죽상동맥경화증의 병태생리적 특성을 정량화하고 시각화하는 데에 혁신적 도구로 주목받고 있습니다.
본 컬럼에서는 mMRI와 다기능 나노프로브(lmNMC)를 이용한 죽상동맥경화증 토끼 모델에 대한 최신 방사선유전학(Radiomics) 분석 사례를 중심으로, 영상 분석의 새로운 패러다임과 이를 활용한 AI 기반 예측 모델의 임상 응용 가능성을 제시합니다.
핵심 키워드: 죽상동맥경화증, 분자 MRI, Radiomics, 나노프로브, AI 영상 분석, 딥러닝 영상학, 영상 생물지표
1. 죽상동맥경화증과 영상 진단의 한계
기존 영상기법(MRA, DSA 등)은 혈관 내강의 협착 정도를 시각화할 수 있지만, 플라크의 구성물(지질, 석회화, 섬유질 등)이나 불안정 플라크의 존재 유무를 정밀하게 진단하는 데에는 한계가 있습니다. 특히, 혈관 평활근의 염증 반응이나 구조적 변화는 기존 영상에서 잘 드러나지 않아 진단의 민감도와 예측도가 낮습니다.
이러한 문제를 극복하기 위해 도입된 것이 분자영상기법이며, 그 중 mMRI는 고해상도 해부학적 영상과 동시에 세포 및 분자 수준의 병리적 과정을 추적할 수 있어 매우 유용합니다.
2. 연구 방법 요약: 나노프로브와 토끼 죽상동맥경화증 모델
해당 연구에서는 특수 합성된 lmNMC 나노프로브를 개발하고, 3개월령 토끼의 대동맥에 죽상동맥경화증을 유도하여 mMRI를 통해 영상 획득을 수행했습니다. 이미지 획득은 조영제 주입 전(pre-injection)과 후(post-injection)의 여러 시점(1, 10, 20, 30, 40분)에 걸쳐 진행되었으며, 방사선유전학적 분석을 위해 세분화(segmentation), 파형 분석(DWT), GLCM 기반 텍스처 분석, 인공신경망 기반 회귀 및 클러스터링 테스트가 수행되었습니다.
3. 주요 영상 분석 결과
3.1 세분화 (Segmentation)
Otsu 알고리즘을 기반으로 영상의 중심부 ROI를 자동 설정하고 256×256 크기의 8비트 그레이스케일로 변환하여 최적 임계값을 도출하였습니다. 이는 주관적 요소를 제거하고 정량 분석 기반을 마련하는 데 기여하였습니다.
 |
| 그림 1. Otsu 방법을 이용한 분할된 영상 |
3.2 차영상 분석 (Differential Image)
조영제 전후 영상의 차이값을 산출하여 플라크 주변 염증 활성 영역을 시각화했습니다. Red는 활발한 변화, Yellow는 중간 정도, Blue는 변화 없음으로 표시됩니다.
 |
| 그림 2. lmNMC 주입 전후의 차영상 |
3.3 평균 신호 강도 변화
조영제 주입 전 영상의 평균 강도는 58.51, 이후에는 66.36으로 유의미한 증가가 관찰되었습니다. 이는 나노프로브의 타겟 결합으로 인한 조영 증가 효과를 의미합니다.
 |
| 그림 3. 조영제 주입 전후의 평균 강도 차이 |
3.4 DWT 분석 (이산 웨이블릿 변환)
텍스처 및 경계 정보에 민감한 DWT 분석 결과, 수평 및 수직 주파수 대역에서의 유의한 차이가 관찰되었습니다. 이는 조영제 흡수에 따른 조직 텍스처 변화로 해석됩니다.
 |
| 그림 4. DWT 분석을 통한 주파수 대역 변화 |
3.5 GLCM 텍스처 분석
GLCM을 통한 텍스처 특성 분석에서 contrast(0.08463→0.1021), energy(0.2256→0.2019), correlation(0.9659→0.9708)의 변화가 있었습니다. 이는 조직의 이질성과 조영제 흡수에 따른 텍스처 변화의 증거로 해석됩니다.
 |
| 그림 5. GLCM 기반 질감 특성 분석 전후 비교 |
4. 인공지능 기반 방사선유전학 분석
4.1 신경망 회귀 분석
회귀분석 결과는 실제값과 예측값의 스캐터 플롯이 대각선 주변에 집중되며 신경망 모델의 높은 적합도를 보여주었습니다.
 |
| 그림 6. 차영상에 대한 회귀 분석 결과 |
4.2 클러스터링 및 SOM 시각화
SOM(Self-Organizing Map)을 활용한 클러스터링 학습에서는 조영제 전 차영상과 조영제 후 영상 간 유사한 SOM 벡터 분포를 보였고, 이는 정량화된 병변 텍스처가 일관되게 추출되었음을 시사합니다.
 |
| 그림 7. SOM 기반 클러스터링 결과 비교 |
5. 고찰
방사선유전학은 이미지 기반의 고차원 데이터를 추출하여 정량적이고 재현 가능한 의료정보로 전환시키는 기법입니다. 본 연구는 mMRI와 나노프로브를 결합하여 죽상동맥경화 병변의 미세한 텍스처 및 조직 변화를 정량적으로 분석하였고, AI 기반 분석이 진단 예측력 향상에 실질적으로 기여할 수 있음을 입증했습니다.
하지만 영상획득 조건 및 재현성 문제, 분석 알고리즘의 표준화 부족 등은 향후 해결되어야 할 과제입니다.
 |
| 그림 8. (A) CTA, (B) MRA, (C) 제안방법의 동맥경화증 비교 |
6. 결론
본 연구는 다음과 같은 결론을 도출했습니다:
-
lmNMC 나노프로브와 mMRI를 결합하여 죽상동맥경화 병변의 플라크 및 염증을 시각화하고 정량화하는 데 성공하였습니다.
-
방사선유전학적 지표(GCLM, DWT 등)는 조영제 주입 전후의 병변 변화를 민감하게 반영하며, 신경망 기반 회귀 및 클러스터링 분석은 높은 정확도로 질병 패턴을 예측합니다.
-
이는 미래의 개인맞춤형 심혈관질환 예측 및 치료 반응 분석에 중요한 기초 자료로 활용될 수 있습니다.
참고문헌
[1] E. Falk, “Pathogenesis of Atherosclerosis,” J. Am. Coll. Cardiol., vol. 47, no. 8 Suppl, pp. C7–C12, 2006.
[2] L. Roth et al., “Atherosclerosis,” Compendium of Inflammatory Diseases, Springer, 2016.
[3] M. Mura et al., “Carotid intraplaque hemorrhage,” Ann Transl Med., vol. 8, 2020, doi:10.21037/atm-20-1974.
[4] E.L. Blezer et al., “In vivo MR imaging of ICAM-1,” Contrast Media Mol. Imaging, vol. 10, no. 2, pp. 111–121, 2015.
[5] A. Hengerer and J. Grimm, “Molecular magnetic resonance imaging,” Biomed Imaging Interv J., vol. 2, no. 2, 2006.
[6] S. Prabhu et al., “Nanocarriers targeting adipose macrophages,” Biomater. Sci., vol. 9, pp. 506–518, 2021.
[7] C. Chen et al., “Applications of multi‐omics analysis,” MedComm., vol. 4, no. 4, 2023.
[8] J. van Timmeren et al., “Radiomics in medical imaging,” Insights Imaging, vol. 11, no. 91, 2020.
댓글
댓글 쓰기