라디오믹스 및 딥러닝 특징 융합 기반 대동맥판막 협착증 중증도 자동 분류

다국어 초록 (Multilingual Abstract)

Aortic Stenosis (AS) is a valvular heart disease characterized by obstructed blood flow from the left ventricle to the aorta. This condition is primarily caused by structural abnormalities of the aortic valve, particularly calcification, which prevents the leaflets from opening properly. Its prevalence increases sharply with age, and the prognosis deteriorates rapidly upon symptom onset, posing a significant health challenge in an aging society.
The current diagnostic standard, Transthoracic Echocardiography (TTE), while non-invasive and widely used, suffers from significant operator-dependency, leading to inter-observer variability in results. It also has inherent limitations, such as reduced image quality in obese patients or those with pulmonary disease. As an alternative, cardiac CT can measure the Aortic Valve Calcium (AVC) score; however, this score merely quantifies the total calcium burden and fails to capture crucial morphological characteristics linked to severity, such as the 3D distribution, density, and geometry of the calcification.
To overcome these limitations and achieve objective, accurate automated classification of AS severity, this study proposes a Artificial Intelligence model that fuses quantitative radiomics features with high-dimensional deep learning features extracted from cardiac CT images. The proposed model automatically segments the AVC region and, based on this segmented region, crops a 3D Region of Interest (RoI) critical for classification. From this RoI, quantitative radiomics features and high-dimensional deep learning features (based on a 3D deep learning encoder) are extracted in parallel. These two heterogeneous feature vectors are then effectively fused using a Gated Fusion mechanism. To prevent overfitting, the fused features undergo Lasso-based feature selection before being fed into a Logistic Regression classifier for final classification.
Experiments conducted on data from 406 patients demonstrated that the proposed model, which utilizes AVC RoI cropping, Gated Fusion, Lasso, and Logistic Regression, achieved the highest performance with an Accuracy of 0.8148, F1-Score of 0.7706, AUROC of 0.9226, and AP of 0.8007. This result validates that the quantitative information from radiomics and the abstract spatial information from deep learning are complementary, and that the Gated Fusion mechanism effectively combines these heterogeneous features. The automated classification model proposed in this study is expected to assist clinicians in making objective diagnoses, thereby reducing diagnostic time and alleviating the burden of interpretation.

국문 초록 (Abstract)

대동맥판막 협착증(Aortic Stenosis, AS)은 대동맥판막의 구조적 이상, 특히 석회화로 인해 판막이 제대로 열리지 않아 좌심실에서 대동맥으로의 혈액 유출이 어려워지는 심장판막 질환이다. AS는 연령 증가에 따라 유병률이 급증하며, 증상 발현 시 예후가 급격히 악화되어 고령화 사회의 주요 건강 문제로 대두되고 있다.
현재 AS 진단의 표준 방법인 심장 초음파(Transthoracic Echocardiography, TTE)는 비침습적이고 널리 사용되나, 검사자의 숙련도에 따라 결과의 편차가 발생할 수 있는 검사자 의존성(operator-dependency) 문제가 있으며, 비만이나 폐 질환 환자의 경우 영상의 질이 저하되는 본질적인 한계가 있다. 대안으로 심장 CT를 통해 대동맥판막 석회(Aortic Valve Calcium, AVC) 점수를 측정할 수 있으나, 이는 석회화의 총량만을 단순 합산할 뿐, 석회의 3차원적 분포, 밀도, 기하학적 형태 등 중증도와 연관될 수 있는 중요한 형태학적 특성을 반영하지 못한다.
본 연구에서는 이러한 한계를 극복하고 객관적이며 정확한 AS 중증도 자동 분류를 위해, 심장 CT 영상에서 추출한 정량적 라디오믹스 특징과 고차원적 딥러닝 특징을 융합하는 인공지능 모델을 제안한다. 제안하는 모델은 심장 CT에서의 AVC 영역을 자동으로 분할하고, 이 분할된 영역을 기반으로 분류에 핵심적인 3D 관심 영역(RoI)을 크롭하는 과정을 포함한다. 이 RoI 영역으로부터 정량적인 라디오믹스 특징과 3D 딥러닝 인코더 기반의 고차원적 딥러닝 특징을 병렬로 추출한다. 이후 두 이종의 특징 벡터를 Gated Fusion 메커니즘을 통해 효과적으로 융합하고, 융합된 특징은 과적합 방지를 위해 Lasso 기반 특징 선택을 거친 후 Logistic Regression 분류기를 통해 AS 중증도를 최종 분류한다.
총 406명의 환자 데이터로 실험을 진행한 결과, AVC RoI 크롭 데이터를 사용하고 Gated Fusion으로 특징을 융합한 후 Lasso와 Logistic Regression을 적용한 제안 모델이 Accuracy 0.8148, F1-Score 0.7706, AUROC 0.9226, AP 0.8007으로 가장 우수한 성능을 보였다. 이는 라디오믹스의 정량적 정보와 딥러닝의 추상적 공간 정보가 상호 보완적으로 작용하며, Gated Fusion이 이러한 이종 특징을 효과적으로 결합함을 입증한다. 본 연구에서 제안하는 자동화된 분류 모델은 의료진의 객관적인 진단을 보조하여 진단 시간을 단축하고 판독 부담을 경감시킬 수 있을 것으로 기대된다.

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 1 절 연구 배경 1
• 제 1 항 대동맥판막 협착증 중증도 평가의 임상적 중요성 1
• 제 2 항 기존 진단 방식의 한계: 심장 초음파와 AVC 점수 2
• 제 2 절 연구 목적 및 가설 3
• 제 2 장 관련 연구 4
• 제 1 절 AS 중증도 분류를 위한 라디오믹스 기반 연구 4
• 제 2 절 의료 영상 분석을 위한 라디오믹스 및 딥러닝 특징 융합 4
• 제 3 절 본 연구의 차별점 5
• 제 3 장 제안 방법 7
• 제 1 절 전체 파이프라인 개요 7
• 제 2 절 Step 1: AVC 자동 분할 9
• 제 3 절 Step 2: AVC RoI 크롭 10
• 제 4 절 Step 3: 이종 특징 추출 11
• 제 1 항 Step 3-1: 라디오믹스 특징 추출 11
• 제 2 항 Step 3-2: 딥러닝 특징 추출 12
• 제 5 절 Step 4: 특징 융합 및 중증도 분류 14
• 제 1 항 특징 융합 14
• 제 2 항 특징 선택 및 분류 17
• 제 4 장 실험 19
• 제 1 절 데이터셋 19
• 제 1 항 AVC 분할 데이터셋 19
• 제 2 항 AS 중증도 분류 데이터셋 20
• 제 2 절 실험 환경 및 하이퍼 파라미터 21
• 제 3 절 실험 결과 24
• 제 1 항 AVC 분할 성능 24
• 제 2 항 CAM 분석: RoI 크롭 전략의 유효성 검증 24
• 제 3 항 AS 중증도 분류 성능 비교 25
• 제 4 절 결과 분석 및 고찰 35
• 제 5 장 결론 및 향후 연구 37
• 제 1 절 결론 37
• 제 2 절 향후 연구 계획 38
• 참고문헌 39
• Abstract 43