의료분야에서 3D 프린팅 기술은 환자 맞춤형 수술 가이드, 시뮬레이터, 수술 계획, 교육, 임플란트 등에 적용이 되어오고 있다. 의료에서 3D 프린팅 기술을 적용하기 위해서는 영상 획득, 분할, 3D CAD (Computed Aid Design) 모델링 혹은 측정과 같은 필수적인 작업이 수행되어야 한다. 그러나, 이러한 업무들은 반복적이고 수작업으로 진행되며 시간 소비적이고 노동 집약적인 업무가 될 수 있으며 작업자 간의 일관성도 부족하다. 이러한 단점을 해결하기 위해서 CT 영상을 기반으로 딥러닝 기술을 사용하여 분할 하고 3 차원 모델을 생성하여 스크립트 기반 API (Application Programming Interface)를 이용하여 자동화 모델링을 함으로서 개선이 될 수 있다. 이 연구는 3 가지로 나눠서 진행하였다: 1) 레이블링 업무를 줄이기 위한 능동적 학습을 이용하여 자동화 및 강화된 분할, 2) 자동화된 분할을 기반으로 3D 모델을 생성하여 스크립트 기반 API 를 이용한 자동화된 환자 맞춤형 모델링과 특정 랜드마크에 대한 자동화 측정, 3) 3D 프린팅 기술을 이용하여 환자 맞춤형 수술 가이드 제작 및 임상 적용을 통한 환자 맞춤형 수술 가이드에 대한 유용성과 효율성을 증명하였다.
첫번째 연구에서 의료영상 분할은 인체 내 다양한 정보를 얻기 위해 필수적이며 해부학적 구조를 시각화 하여 의료진의 진단, 수술 계획, 장기 혹은 병변에 대한 정보를 제공할 수 있다. 기존 의료영상 분할은 여러 도구를 사용하여 픽셀 단위로 수동 혹은 반자동으로 분할하는 경우가 많았다. 그러나, 이러한 분할 방법은 낮은 대비, 영상 잡음 등 다양한 요인으로 인해 일관된 분할이 어렵고 많은 시간이 소요된다. 최근 몇 년 동안 심층 합성곱신경망 (convolution neural network, CNN), 완전 합성곱 네트워크 (fully convolutional networks, FCN), U-Net 등과 같은 모델을 사용하여 이미지 분할에서 상당한 발전을 이루고 있다. 이 연구에서는 흉복부 대동맥 박리 CT (Computed Tomography), 복부 대동맥류 CT, 하악과두 CBCT (Cone Beam CT), 신세포암을 포함한 신장 CT 에서 데이터셋을 기반으로 여러 단계로 나누고 레이블링이 진행된 초기의 소량 데이터셋에 대한 학습을 진행하여 새로운 데이터에 예측하고 전문가가 수정하는 작업을 반복하는 (Human in the loop) 능동적 학습 방법을 도입하였다. 네트워크는 3D U-Net, Cascade 3D U-Net, UNETR, SwinUNETR, 그리고 nnU-Net 을 연구에 따라 선택적으로 사용하여 능동적 학습을 수행했다. 평가 방법으로는 면적의 일치도를 평가하는 DSC (Dice similarity coefficient) 와 거리의 일치도를 평가하는 95% HD (Hausdorff distance)를 사용하여 일정한 데이터셋으로 나눠진 단계에 대한 정확성, 분할하고자 하는 분류에 대한 정확성, 수동 분할과 스마트 레이블링을 이용한 분할 시간 비교, 최적화된 데이터 수를 결정하기 위한 스트레스 테스트를 수행하였다.
두번째 연구에서 자동화된 분할로 얻어진 3D 모델을 기반으로 3D CAD 기능을 이용하여 목적에 맞는 모델링이나 진단 및 병변 추적을 위한 랜드마크 측정이 이루어진다. CAD 시스템을 통해 디자인을 쉽게 수정하여 임상 적용에서 정확도를 높일 수 있으며 임상의의 특정 요구에 충족할 수 있도록 최적화 되어있다. 그러나, 수동적인 분할 작업과 마찬가지로 기존의 모델링 방식은 시간 소비적이고 상당한 노동력이 요구된다. 스크립트 기반 API 를 이용한 자동화된 CAD 모델링 시스템은 기존 모델링 방법의 한계를 해결하기 위해 짧은 시간에 우수한 성능, 정확성 및 효율성을 제공한다. 자동화된 CAD 모델링은 일반적으로 3D 모델링에 대한 입력값과 매개변수를 설정하고 해당 사양을 기반으로 알고리즘 및 프로그래밍 코드를 생성하여 API 를 통해 코드를 CAD 소프트웨어와 통합하여 모델링 및 수정이 가능하다. 흉복부 대동맥 박리 CT 와 복부대동맥류 CT 에서 자동화된 3D CAD 모델링 및 측정은 기존의 수동 방식과 비교하였으며 다양한 해부학적 구조를 가진 환자에 대한 설계 및 측정을 수행하기 위해 우리는 자동화 모델링에 필요한 일련의 과정을 최적화 및 모듈화하고 검증하였다. 평가 방법으로는 기존의 사용된 수동 방식과 자동화 CAD 모델링으로 수행된 3D 모델과 측정에 대한 정확성 그리고 모델링에 대한 소요 시간을 분석하였다.
마지막 연구에서 3D 프린팅 기술은 대부분의 의료기기가 일반적인 질병이나 성인에 맞게 개발되어 있거나 맞춤화 되어 소아, 희귀하고 복잡한 사례, 표준화되기 어려운 수술에 대한 임상적 미충족 수요를 해결할 수 있는 장점을 가지고 있다. 3D 프린팅 기술은 물체가 완전히 출력이 될 때까지 한 층씩 적층 하는 원리로 다양한 분야에서 적용되고 있다. 사용하는 재료, 출력 방식에 따라 다양한 방식으로 분류할 수 있으며 자동화된 분할과 3D CAD 모델링을 통해 얻어진 3D 모델을 STL 으로 변환하여 알맞은 3D 프린팅 방식을 선택해 출력을 진행하고 멸균을 거처 임상에 적용된다. 흉복부 대동맥 박리에 대한 수술에서 환자 맞춤형으로 인공혈관 재건을 하기 위해서 3D 프린팅된 시각화 가이드를 이용한 모델 기반 기술과 마킹 가이드를 이용한 가이드 기반 기술을 개발하였다. 두개의 새로운 방법과 기존 이미지 기반 기술을 비교하여 정확성, 마킹 소요 시간, 재현성, 임상의를 대상으로 한 유용성과 효율성에 대한 설문조사 결과를 바탕으로 그 효과를 입증하였다. 3D 프린팅 가이드에 대한 오차는 외부 환경이나 3D 프린터의 사용 기간, 해상도, 사용된 재료, 3D 모델의 형상, 3D 프린팅 조건, 그리고 후처리 등에 여러 영향으로 인해 3D 모델과의 차이가 발생할 수 있다.
결론적으로 우리는 3D 프린팅 기술을 임상에 적용하기 위한 절차인 분할과 모델링에 대한 자동화 워크프로우를 개발하였으며 기존 작업의 한계점인 반복적인 작업과 노동 집약적인 과정을 상당히 줄일 수 있었으며 코드화하여 작업에 대한 일관성 유지와 작업 시간 절약을 통한 작업자의 피로도를 완화 시키고 3D 프린팅 기술에 대한 적용을 기존 방법에 비해 가속화 하였다. 또한, 기존에 존재하는 임상적 미충족 수요를 3D 프린팅 기술로 제작된 수술 가이드를 적용하여 임상적 유용성과 효율성이 증명되었다.