혁신적인 DECT 영상 분석: 척추 통풍 병변 진단 및 관리의 새로운 지평

 

키워드: 척추 통풍(Spinal Gout), 이중에너지 컴퓨터 단층촬영(DECT), 요산염 침착(MSU), 영상 처리(Image Processing), 라디오믹스(Radiomics), GLCM, DWT, Levenberg-Marquardt 알고리즘

---

서론: 희귀하지만 치명적인 척추 통풍의 진단 혁신

통풍(Gout)은 혈액 내 요산(uric acid) 수치가 높아져 관절에 모노나트륨 요산염(Monosodium Urate, MSU) 결정이 침착되면서 발생하는 염증성 관절염입니다. 주로 엄지발가락과 같은 말초 관절에 발생하지만, 비교적 드물게 척추에 발생할 경우(Spinal Gout) 진단과 치료에 고유한 어려움을 야기하며, 의학 문헌에서 심층적으로 다루어지지 않았던 영역이기도 합니다.

최근에는 이중에너지 컴퓨터 단층촬영(Dual-Energy Computed Tomography, DECT)이 척추를 포함한 신체 부위의 요산염 침착을 비침습적으로 검출하는 유망한 영상 진단 기법으로 부상했습니다. DECT는 두 가지 상이한 에너지 레벨(낮은 에너지: 80–100 kVp, 높은 에너지: 140–150 kVp)에서 물질의 X-선 감쇠 특성 차이를 활용하여 요산염 결정을 주변 조직과 정확하게 구분해냅니다. 이러한 MSU 결정은 DECT 스캔에서 밝고 고밀도 영역으로 나타나며, 이는 척추 통풍 진단에 높은 민감도와 특이도를 제공합니다.

본 컬럼에서는 획기적인 연구 방법론을 바탕으로, DECT 영상에 라디오믹스(Radiomics) 기반의 영상 처리 기술을 적용하여 척추 통풍 병변을 정량적으로 검출하고 시각화하는 방법을 심층적으로 분석합니다. 이 연구는 기존의 상용 소프트웨어에 의존하지 않고 표준 DECT 데이터를 활용하여 진단 정확도를 향상시키고, 궁극적으로는 척추 통풍 환자의 치료 반응 모니터링 및 예후 평가에 기여할 수 있는 실질적인 대안을 제시합니다.

---

I. 재료 및 방법: DECT 영상 획득 및 전처리

1. 이중에너지 컴퓨터 단층촬영(DECT)

DECT는 X-선 감쇠 특성의 차이를 이용하여 서로 다른 물질을 구별하는 첨단 영상 기법입니다. 특히 요산염 침착(MSU) 검출에 매우 효과적임이 입증되었는데, 이는 MSU 결정이 인접한 뼈나 연조직 구조물과 다른 고유한 감쇠 프로파일을 가지기 때문입니다.

연구에서는 C5 척추 레벨에 척추 통풍 진단을 받은 72세 남성 환자의 DECT 스캔 데이터를 사용했습니다. 영상은 80 kVp (저에너지, 연조직 창)와 140 kVp (고에너지, 뼈 창)의 두 가지 에너지 레벨에서 획득되었습니다.

 

영상 판독 내용: DECT 스캔은 요산염 결정을 주변 조직과 구별하여 MSU 침착을 비침습적으로 감지할 수 있도록 하며, 이는 특히 깊거나 해부학적으로 어려운 영역인 척추 통풍 진단에 유용합니다.

2. 영상 획득 및 전처리

DECT 스캔 원본 이미지에서 MSU 결정 침착 가능성이 있는 관심 영역(Region of Interest, ROI)을 수동으로 식별하고 경계를 지정했습니다. 각 ROI는 후속 분석의 일관성을 위해 256 × 256 픽셀의 표준화된 해상도로 크기가 조정되었습니다. 그 결과 이미지는 각각 “140kVp.jpeg”와 “80kVp.jpeg”로 저장되었습니다.

Fig. 1. Image Acquisition

C5 척추 레벨을 포함하는 시상면(Sagittal plane) 척추 CT 영상과 C5 레벨을 확대한 축면(Axial Plane) 영상 (A) 140 kVp (뼈 창) 및 (B) 80 kVp (연조직 창) 이미지. 노란색 사각형으로 표시된 C5 영역이 척추 통풍 병변이 있는 주요 관심 영역입니다.

---

II. 라디오믹스 분석 및 병변 검출 알고리즘

연구팀은 척추 통풍 병변을 자동으로 검출하고 강조하기 위해 세 가지 주요 계산 구성 요소를 통합한 독자적인 영상 처리 알고리즘을 개발했습니다.

1. MSU 침착(병변) 영역 표시 (Differential Imaging)

MSU 침착 병변 영역을 강조하는 이미지를 생성하기 위해, 140 kVp와 80 kVp 그레이스케일 이미지 간의 픽셀별 차이가 계산되었습니다. 이 차이는 MSU 침착을 나타내는 감쇠 불균형 영역을 드러냅니다.

Difference(x, y) = Intensity_140kVp(x, y) - Intensity_80kVp(x, y)

계산된 차이 값에 따라 새로운 이미지가 생성되었으며, 특정 범위의 차이 값에 색상이 할당되었습니다:

·         Differences between 10 and 50 were assigned yellow.

·         Differences between 50 and 100 were assigned orange.

·         Differences between 100 and 255 were assigned red.

·         Differences between -10 and -50 were assigned blue.

Fig. 2. MSU precipitation (lesion) region indicated flowchart

140 kVp 및 80 kVp 입력 이미지의 그레이스케일 차이를 계산하여 MSU 침착 영역을 노란색, 주황색, 빨간색, 파란색으로 매핑하는 순서도입니다. 빨간색 영역은 가장 큰 차이를 보여 MSU 침착 병변 영역을 나타냅니다.

Fig. 3. MSU precipitation (lesion) region indicated image

픽셀별 차이 계산 결과를 시각화한 이미지입니다. 붉은색으로 표시된 영역이 MSU 침착 병변 영역을 나타내며29, 이는 척추 통풍 병변의 위치와 범위를 직관적으로 보여줍니다.

2. Gray-Level Co-occurrence Matrix (GLCM) 분석

GLCM 분석은 픽셀 강도 간의 공간적 관계를 평가하여 영상의 질감(Texture)을 정량화하는 통계적 접근 방식입니다. 연구에서는 대조(Contrast), 동질성(Homogeneity), 에너지(Energy), 상관관계(Correlation)라는 네 가지 주요 질감 특징을 추출했습니다.

 

Fig. 4. Comparing extracted feature values ​​of two images Bar graph

80 kVp (파란색) 및 140 kVp (주황색) 이미지에서 추출된 GLCM 특징 값의 비교 막대 그래프입니다.

• 대조(Contrast): 80 kVp (0.29) vs. 140 kVp (0.17)
• 동질성(Homogeneity): 80 kVp (0.91) vs. 140 kVp (0.94)
• 에너지(Energy): 80 kVp (0.13) vs. 140 kVp (0.20)
• 상관관계(Correlation): 80 kVp (0.98) vs. 140 kVp (0.95)

GLCM 분석 결과, 대조와 에너지 값은 두 에너지 레벨 간에 유의미한 차이를 보인 반면, 동질성과 상관관계는 상대적으로 변화가 적었습니다.

3. Discrete Wavelet Transform (DWT) 분석

DWT는 다중 해상도 분석 방법으로, 영상에서 국부적인 질감 변화를 감지하고 고주파 성분을 추출하는 데 사용되었습니다. dwt2 함수를 사용하여 수평(LH), 수직(HL), 대각선(HH) 고주파 성분을 추출하고, 그 평균 절대값이 계산되어 특징으로 사용되었습니다. 

Fig. 5. Comparing DWT values of two images Bar graph

영상 판독 내용: 80 kVp (파란색) 및 140 kVp (주황색) 이미지에서 추출된 DWT 특징 값의 비교 막대 그래프입니다.

• 수평 디테일 (H (LH)): 80 kVp (6.43) vs. 140 kVp (5.73)
• 수직 디테일 (V (HL)): 80 kVp (5.80) vs. 140 kVp (1.02)
• 대각선 디테일 (D1 (HH)): 80 kVp (1.24) vs. 140 kVp (1.02)

DWT 분석 결과, 80 kVp 이미지는 넓은 범위의 유사한 픽셀 강도 분포를 보였으나, 140 kVp 이미지는 특히 뼈 구조물에서 집중된 고강도 영역을 나타냈습니다.

---

III. 신경망 검증: Levenberg-Marquardt 알고리즘을 통한 정확성 확인

도출된 GLCM 및 DWT 특징을 기반으로 모델의 정확성을 검증하기 위해 신경망(Neural Network)이 훈련되었습니다.

• 입력 특징(Input Features): GLCM 특징(대조, 동질성, 에너지, 상관관계) 및 DWT 고주파 성분의 평균값.
• 목표 출력(Target Outputs): 두 에너지 레벨(80 kVp, 140 kVp) 이미지의 평균 픽셀 강도 값(Mean Intensity).
• 훈련 알고리즘: Levenberg-Marquardt 알고리즘.
• 데이터 분할: 훈련(70%), 검증(15%), 테스트(15%).
• 손실 함수: 평균 제곱 오차(Mean Squared Error, MSE). 

Fig. 9. Graph showing the training performance of a neural network

신경망의 훈련 성능을 보여주는 그래프입니다.

평균 제곱 오차(MSE)가 에포크(Epoch)에 따라 급격히 감소하는 것을 보여주며, 에포크 3에서 1.3287  X 10^-19라는 최상의 훈련 성능을 달성했음을 나타냅니다. 이는 모델이 데이터에 매우 강력하게 적합되었음을 의미합니다.

 

Fig. 11. Regression graph

신경망의 예측 출력 값과 실제 목표 값 간의 관계를 시각적으로 보여주는 회귀 그래프입니다. 데이터 포인트가 대각선(Y=T)을 따라 완벽하게 정렬되어 있으며, 회귀 계수(R)가 1인 결과는 훈련된 신경망이 데이터 패턴을 성공적으로 학습하여 매우 높은 정확성을 보여줌을 확인시켜 줍니다.

---

IV. 통풍 병변 시각화 및 임상적 의의

1. 병변 검출 및 영역 표시 절차

MSU 침착 병변의 검출 및 영역 표시를 위해 다음과 같은 일련의 영상 처리 단계가 적용되었습니다.

1. 필터링: 노이즈 감소를 위해 Anisotropic Diffusion Filter를 적용하여 병변 가시성을 향상시킵니다.
2. 경계 상자(Bounding Box): 필터링된 이미지에 이진화(Binarization) 및 형태학적 연산(Morphological Operations)을 적용하고, regionprops 함수를 사용하여 가장 큰 병변 영역을 식별하고 그 주변에 경계 상자를 그립니다.
3. 병변 윤곽 추출: imfill (이미지 채우기) 및 Erosion (침식) 기법을 사용하여 병변의 내부를 채우고 외부 경계를 다듬어 윤곽을 추출합니다.
4. 최종 시각화: 추출된 병변 윤곽을 필터링된 원본 이미지 위에 빨간색으로 겹쳐 표시하여 병변의 경계를 강조합니다. 

Fig. 13. Results of detection and segmentation of gouty lesions in 80kVp images

영상 판독 내용: 80 kVp 이미지(연조직 창)에서 통풍 병변 검출 및 분할 결과를 보여줍니다. 최종 이미지(Detected lesion)에서 붉은색 윤곽선이 MSU 침착에 의한 병변 영역을 명확하게 표시하고 있습니다. 80 kVp 저에너지 설정에서는 연조직 질량 내의 요산염 함유 영역이 더욱 강화되어 보입니다. 

Fig. 14. Results of detection and segmentation of gouty lesions in 140kVp images

영상 판독 내용: 140 kVp 이미지(뼈 창)에서 통풍 병변 검출 및 분할 결과를 보여줍니다. 최종 이미지(Detected lesion)는 상대적으로 작은 병변이 붉은색 윤곽선으로 표시되어 있으며, 140 kVp 고에너지 스캔은 주로 뼈 구조물 내의 MSU 분포를 시각화하는 데 기여합니다.

2. 결론 및 임상적 시사점

이 연구는 표준 DECT 스캔 데이터(80 kVp 및 140 kVp)와 라디오믹스 기반의 영상 처리 기술을 결합하여 척추 통풍 병변을 정확하게 검출하고 시각화하는 독창적인 접근 방식을 성공적으로 입증했습니다.

이 방법론은 다음과 같은 중요한 임상적 의미를 가집니다.

• 독립적인 진단 도구: 기존의 상용 DECT 소프트웨어에 의존하지 않고, 독립적인 후처리 기술을 통해 MSU 침착의 병변별 패턴을 식별하고 시각화할 수 있습니다.
• 자원 제한 환경에서의 대안: 고가의 DECT 전용 소프트웨어가 없는 의료기관에서도 표준 DECT 프로토콜과 라디오믹스 기반 후처리를 활용하여 정밀한 통풍 병변 시각화를 달성할 수 있는 실용적인 대안을 제공합니다.
• 진단 및 관리 개선: 이 접근 방식은 척추 통풍과 같은 비정형적인 통풍 증례에서 진단 모호성을 극복하고 더 빠르고 정확한 질병 식별을 촉진할 수 있습니다.
• 치료 모니터링: 정량적 영상 분석을 통해 병변의 진행 또는 퇴행을 모니터링하여 치료 효능 평가 및 정량적 치료 모니터링에 기여할 수 있습니다.

결론적으로, 본 연구는 척추 통풍 진단 및 관리의 패러다임을 변화시킬 잠재력을 가진 라디오믹스 기반의 DECT 영상 분석 프레임워크를 제시하며, 향후 연구는 이러한 접근 방식을 머신러닝과 통합하여 자동화된 병변 분류 및 질병 중증도 평가로 확장할 것을 제안합니다.

---

V. 참고 문헌

1. Weaver JS, Vina ER, Munk PL, Klauser AS, Elifritz JM, Taljanovic MS. Gouty Arthropathy: Review of Clinical Manifestations and Treatment, with Emphasis on Imaging.
2. Chou H, Chin TY, Peh WC. Dual-energy CT in gout - A review of current concepts and applications.
3. Soon, Betsy Kar Hoon MBBS; Sia, David Soon Yiew MBBS, MMed (Diag Rad), FRCR; Zhang, Junwei MBBS (Hons), MMed (Diag Rad). Spinal Gout—Dual-Energy CT for Noninvasive Diagnosis.
4. Khanduri S, Goyal A, Singh B, Chaudhary M, Sabharwal T, Jain S, Sharma H. The Utility of Dual Energy Computed Tomography in Musculoskeletal Imaging.
5. Saffarzadeh, M., Haydar, S.M.A., Shojania, K. et al. Assessing tophaceous spinal gout treatment response using dual-energy CT as a point-of-care imaging modality: case report.
6. Wang, J.X., Ng, B., Bak, H. et al. The utility of dual energy computed tomography in the management of axial gout: case reports and literature review.
7. Finkenstaedt, T., Manoliou, A., Toniolo, M. et al. Gouty arthritis: the diagnostic and therapeutic impact of dual-energy CT.