목적: 비조영(non-contrast) 흉부 컴퓨터단층촬영(CT) 영상에서 광범위한 병적 상태를 동반한 폐실질(lung parenchyma)을 분할하기 위한 딥 신경망을 개발하고자 하였다. 재료 및 방법: 2017년 1월부터 2017년 5월까지 203명의 환자(남성 115명, 여성 88명; 연령 범위, 31–89세)로부터 얇은 절편(thin-section) 비조영 흉부 CT 영상을 포함하였으며, 이 중 150예는 폐실질 면적의 40%를 초과하는 광범위한 폐실질 질환을 포함하였다. 폐실질 질환에는 간질성 폐질환(ILD), 폐기종, 비결핵성 마이코박테리아 폐질환, 결핵으로 파괴된 폐, 폐렴, 폐암 및 기타 질환이 포함되었다. 5명의 숙련된 영상의학과 전문의가 CT 영상에서 절편(slice)별로 폐의 경계를 수작업으로 그렸다. 네트워크 개발에 사용된 데이터셋은 훈련 157예, 개발 20예, 내부 검증 26예로 구성되었다. 본 과업에는 2차원(2D) U-Net과 3차원(3D) U-Net 모델을 사용하였다. 네트워크는 폐실질을 전체로 분할하는 것과 우측 및 좌측 폐를 각각 분할하는 것을 모두 수행하도록 학습되었다. 대외 검증을 위해 ILD의 고해상도 CT 영상을 포함한 제네바 대학병원(University Hospitals of Geneva) ILD 데이터셋을 사용하였다. 결과: 내부 검증에서 Dice 유사도 계수는 99.6 ± 0.3%(2D U-Net 전체 폐 모델), 99.5 ± 0.3%(2D U-Net 분리 폐 모델), 99.4 ± 0.5%(3D U-Net 전체 폐 모델), 99.4 ± 0.5%(3D U-Net 분리 폐 모델)였으며, 대외 검증 데이터셋에서 Dice 유사도 계수는 98.4 ± 1.0%(2D U-Net 전체 폐 모델)와 98.4 ± 1.0%(2D U-Net 분리 폐 모델)였다. ILD의 범위가 폐실질 면적의 75%를 초과한 31예에서 Dice 유사도 계수는 97.9 ± 1.3%(2D U-Net 전체 폐 모델)와 98.0 ± 1.2%(2D U-Net 분리 폐 모델)였다. 결론: 본 딥 신경망은 비조영 흉부 CT 영상에서 광범위한 병적 상태를 동반한 폐실질의 경계를 자동으로 정확하게 구획하는 데 있어 우수한 성능을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.