방사선 치료는 대략 절반의 암 환자에게 적용되는 일반적인 치료법 중 하나입니다. 그러나 이 치료법은 종양뿐만 아니라 정상 조직에도 영향을 미치기 때문에 환자에게 부작용을 일으킬 수 있습니다. 정상 조직의 대사 요구를 충족시키기 위해 다양한 장기와 관련된 혈관은 운반, 제한, 혈관 수축 및 혈관 확장과 같은 기본적인 역할을 수행합니다. 방사선 치료는 혈관에 급성 및 만성 손상을 일으켜 허혈, 죽상 동맥 경화증, 뇌졸중 및 기타 문제를 일으킬 수 있습니다. 기존 혈관에서 새로운 혈관이 형성되는 혈관 신생은 상처 치유와 조직 복구에 관여하는 중요한 생리적 과정입니다. 여기에는 3 차원 혈관 신생 모델을 개발하기 위해 미세 유체 칩이 도입되었습니다. 수많은 연구를 통해 혈관신생 모델이 확립되었지만, 혈관신생 구조를 분석하는 데 사용할 수 있는 지표는 거의 없습니다. 이 연구에서는 혈관신생을 분석하고 정량화하기 위해 딥러닝 기반 이미지 처리 파이프라인을 개발했습니다. 혈관신생을 정량화하기 위해 딥러닝 기반 세포 핵 분할 알고리즘과 이미지 골격화를 포함한 여러 이미지 처리 알고리즘을 활용했습니다. 이 방법은 길이, 너비, 수, 핵 분포 등 16 가지 지표를 사용하여 생화학적 구배에 따른 혈관의 변화를 정량화하고 측정할 수 있었습니다. 혈관에 대한 방사선 영향을 파악하기 위해 칩의 3 차원 혈관을 사용하며, 이 모델은 세포 손상, 구조적 변화, 기능적 변화 측면에서 방사선에 의한 혈관 병리 생리학적 영향을 나타냅니다. DNA 이중 가닥 끊어짐, 세포 사멸 및 생존력은 모두 세포 손상을 나타냅니다. 방사선에 의한 손상은 가지 길이, 가지 수 등과 같은 혈관 구조를 감소시키며, 이러한 현상은 성숙한 혈관 네트워크뿐만 아니라 신생 혈관 형성 중에도 발생합니다. 또한 기저막과 미세 필라멘트의 염색은 혈관의 퇴행을 나타냅니다. 방사선은 혈관 네트워크 폐쇄와 투과성을 증가시키기 때문에 혈관의 기능을 변화시킵니다. 방사선은 혈관 회복을 억제하고 혈관 신생 능력의 상실을 유발하여 조사된 혈관 네트워크가 회복되지 않고 시간이 지남에 따라 오히려 저하됩니다. 방사선에 의해 손상된 혈관은 SDF-1 을 VEGF 및 S1P 와 처리하였을 때 혈관 신생 형성이 되었습니다. 혈관 신생의 정도는 4 Gy 와 16 Gy 에서 SDF-1 로 치료한 그룹 간 규모의 차이는 있었지만, 재생 경향은 동일했습니다. 가지와 마디의 수는 재생 정도가 높은 반면, 가지와 마디를 구성하는 세포의 수와 혈관 전체 면적은 재생 정도가 낮게 나타났습니다. 즉, 혈관이 구조적으로는 잘 회복된 것처럼 보여도, 기능을 담당하는 내피세포들은 덜 회복되어, 혈관이 완전히 회복하지 못한 것을 나타내고, 이는 딥러닝 기반의 지표가 혈관 재생을 평가하는데 있어 적합함을 보여줍니다. 본 연구에서는 3 차원 혈관 모델에 방사선으로 손상된 혈관을 재생하고 딥러닝 기반 이미지 분석을 통해 퇴행과 재생을 정량화했습니다. 기존에는 불가능했던 딥러닝 기반 이미지 분석을 통해 혈관 형태와 내피세포를 동시에 분석할 수 있었습니다. 이 모델과 분석 기법은 혈관 퇴행 및 재생 연구에 활용될 수 있으며, 새로운 약물과 치료법 개발에 도움이 될 것으로 기대합니다.