레이저 스펙클 및 형광 대조도를 이용한 인공지능 기반 다중모드 혈류 영상 진단

Abstract

본 연구의 목적은 레이저 스펙클 대조도 영상 및 형광 영상을 결합한 실시간 다중모드 혈류 영상 진단 시스템 및 획득한 영상을 기반으로 학습된 인공지능 진단 시스템 개발 및 실증이다. 개발된 시스템은 유동 팬텀 실험 및 토끼 귀 모델을 이용하여 실시간 혈류 영상을 획득하고 개발된 인공지능 모델은 혈류 속도, 조직의 깊이 및 혈관 직경을 분석하였고 성능이 평가되었다. 본 연구에서는 실시간 다중모드 혈류 영상 진단을 위해 두 개의 카메라를 광학적으로 결합하여 레이저 스펙클 대조도 영상과 형광 영상을 동시에 얻을 수 있도록 하였다. 영상 시스템은 785nm 대역의 근적외선 레이저 광원과 인도시아닌 그린(ICG)을 사용하여 단일 광원으로 구성되었으며 실시간 영상 획득을 위해 다중 스레드 알고리즘으로 레이저 스펙클 대조도 이미지를 처리하였다. 최종적으로 개발된 알고리즘은 최대 38fps의 속도로 영상을 송출 가능함이 확인되어 실시간 영상처리 및 획득이 가능하였다. 다중모드 혈류 영상 시스템은 인지질과 ICG의 수용액을 이용한 유동 팬텀 실험을 통해 영상 획득이 검증되었고 이후 토끼 귀의 중심귀동맥에 3.22mM 부터 128μM 까지 서로 다른 5개 농도의 ICG를 주사하여 생체 모델에서 실시간 혈류 영상을 획득할 수 있음이 실증되었다. 레이저 스펙클 대조도 영상 기반 인공지능 분석 모델은 3차원 CNN 모델이 선택되었다. 인공지능 모델 학습을 위해 돼지 지방 유동 팬텀을 이용하여 서로 다른 속도, 깊이, 직경, 노출시간에 대한 레이저 스펙클 대조도 영상을 획득하였다. 속도는 10 ~ 100μl/min 까지 10가지, 깊이는 2 ~ 4mm 까지 4가지, 직경은 4 ~ 6mm 까지 3가지, 노출시간은 1, 2, 4ms로 3가지 경우의 수로 나누었으며 인공지능 분석 모델은 속도 측정, 깊이 측정, 직경 측정 총 3개의 모델로 개별 학습되었다. 최종 학습된 모델은 속도 측정에서 95%, 깊이 측정에서 99%, 직경 측정에서 99%의 정확도를 보여주었으며 레이저 스펙클 대조도 영상 기반 3차원 CNN 모델이 혈류 영상의 정량적 평가 및 진단에 적용될 수 있는 가능성을 보여주었다.|Laser speckle contrast imaging (LSCI) provides real-time, two-dimensional perfusion maps non-invasively, but limitations of blood flow analysis, such as motion sensitivity (motion artifacts) and static scattering caused by turbid tissue, have limited its widespread clinical use. The purpose of this study is to develop and demonstrate a multimodal blood flow imaging system that combines laser speckle contrast imaging with fluorescence imaging and an artificial intelligence (AI) diagnostic system that is trained on the acquired images. The developed system was validated using a flow phantom and a rabbit ear model to visualize real-time blood flow, while the AI model analyzed blood flow velocity, tissue depth, and vessel diameter. The flow phantom with three tubes was injected with Intralipid and indocyanine green (ICG), and then real-time LSCI was monitored and the change in speckle contrast with reperfusion was measured. A total of five ICG concentration solutions ranging from 128 μM to 3.22 mM were then used to visualize blood perfusion in the rabbit ear under non-invasive conditions via intravenous injection. We aimed to develop a 3D convolutional neural network (3D-CNN) model based on laser speckle contrast imaging to measure flow velocity, tissue depth, and vessel diameter using a flow phantom. The training data was selected as a region containing both static and dynamic speckles, and the model was trained with laser speckle contrast imaging data. For model training, a porcine fat flow phantom was utilized to acquire contrast images at different velocities, depths, and exposure times. Ten velocities (ranging from 10 to 100 μl/min), three depths (ranging from 2 to 4 mm), four diameters (ranging from 2 to 4 mm), and three exposure times (1, 2, and 4 ms) were incorporated in the model analysis. Three models were trained separately: velocity measurement, diameter measurement, and diameter measurement. In this study, a real-time multimodal blood flow imaging system was used to acquire laser speckle contrast images and fluorescence images in a three-channel flow phantom and a rabbit ear model in real time. The 3D-CNN model trained based on the multi-exposure LSCI showed a combined accuracy of 95% for velocity measurements, 99% for dimension measurements, and 99% for diameter measurements. The system in this study demonstrated the potential of real-time blood flow imaging systems for diagnostic purposes and artificial intelligence models for quantitative assessment of blood flow.