뇌관류 영상의 충격적인 3가지 한계: Medical AI와 초음파 혁신이 MRI·CT 비용 구조를 바꿀 수 있을까?

초음파로 두개골 안의 뇌혈류를 관찰할 수 있다면, 뇌졸중 진단과 의료 영상의 경제성은 어떻게 달라질까?

Edited by ScholarGen TheMediTech Team

뇌혈류를 보기 위해 반드시 MRI나 CT가 필요한가?

급성 뇌졸중 환자가 응급실에 도착하면 의료진은 제한된 시간 안에 중요한 결정을 내려야 한다.

뇌출혈이 있는가? 큰 혈관이 막혀 있는가? 이미 회복하기 어려운 뇌조직은 얼마나 되는가? 아직 혈류를 회복시켜 살릴 가능성이 있는 조직은 어디인가?

이러한 질문에 답하기 위해 비조영 CT, CT 혈관조영술(CTA), CT 관류영상(CTP), MRI 확산강조영상(DWI), MR 관류영상 등 다양한 영상검사가 활용된다.

그러나 모든 의료기관이 고급 영상장비와 전문 판독 인력을 충분히 확보하고 있는 것은 아니다.

MRI는 높은 연부조직 대조도와 다양한 생리학적 정보를 제공하지만 검사 접근성, 촬영 시간, 비용, 환자 상태에 따른 제약이 있다.

CT는 응급 뇌졸중 평가에서 매우 중요한 역할을 담당하지만, 관류영상이나 혈관조영술에는 별도의 촬영 프로토콜과 조영제 사용이 필요할 수 있다.

그렇다면 상대적으로 이동성이 높고 실시간 관찰이 가능한 초음파는 뇌관류 평가에서 어떤 역할을 할 수 있을까?

이 질문은 새로운 것이 아니다.

2000년 Stroke에 발표된 Seidel 연구진의 연구는 두개골을 통과하는 하모닉 초음파와 미세기포 조영제를 이용하여 사람의 뇌실질에서 조영증강 신호를 관찰했다.

건강한 지원자 12명에게 서로 다른 용량의 초음파 조영제를 투여한 결과, 시상과 측두두정엽 백질을 비롯한 뇌 영역에서 조영증강에 따른 밝기 변화를 확인했다.

하지만 연구 결과에는 중요한 문제가 숨어 있었다.

동일한 뇌조직이라도 초음파가 통과하는 깊이에 따라 측정 신호가 달라질 수 있다는 사실이다.

이는 단순한 영상 품질 문제가 아니다.

영상의 밝기와 실제 혈류량 사이의 관계를 잘못 해석하면, 정상적인 뇌조직을 저관류 영역으로 판단하거나 실제 관류 이상을 과소평가할 가능성이 있기 때문이다.

오늘날 Medical AI와 Healthcare AI가 뇌 초음파 영상 분석에 기여할 수 있는 지점도 바로 여기에 있다.

다만 AI가 이 문제를 실제로 해결했는지는 별도의 임상 검증이 필요하다.

이 글에서는 뇌관류 초음파의 물리학적 원리, 영상 판독의 한계, AI 기반 정량화 가능성, 그리고 병원의 의료영상 투자수익률을 함께 분석한다.

1. Brain Perfusion Imaging: 뇌관류 영상이 중요한 이유

1.1 뇌혈류와 뇌조직 생존 가능성

뇌조직은 지속적인 산소와 포도당 공급에 의존한다.

뇌동맥이 폐색되면 해당 혈관의 관류 영역에서 혈류가 감소하고, 허혈의 정도와 지속시간에 따라 신경세포의 기능장애와 조직 손상이 진행된다.

그러나 혈관 폐색이 발생했다고 해서 모든 뇌조직이 동시에 비가역적 손상을 받는 것은 아니다.

허혈 중심부에서는 심각한 에너지 대사 장애가 발생할 수 있지만, 주변 영역에는 측부순환을 통해 일부 혈류가 유지되는 조직이 존재할 수 있다.

이러한 조직의 생존 가능성을 평가하는 것이 뇌관류 영상의 중요한 목적 중 하나다.

일반적으로 뇌관류 분석에서는 다음과 같은 생리학적 지표를 고려한다.

Cerebral Blood Flow(CBF)

단위 시간 동안 일정한 뇌조직에 공급되는 혈액량이다. 일반적으로 mL/100 g/min으로 표현한다.

Cerebral Blood Volume(CBV)

일정한 뇌조직 내 혈액의 부피를 의미한다.

Mean Transit Time(MTT)

혈액이 특정 조직의 미세혈관계를 통과하는 평균 시간을 의미한다.

Time to Maximum(Tmax)

특정 관류 분석 모델에서 잔여 함수의 최대치에 도달하는 시간과 관련된 지표로, 관류 지연 평가에 활용된다.

이러한 지표들은 서로 연관되어 있지만 동일한 의미는 아니다.

특히 영상검사에서 측정한 신호가 곧바로 절대적인 CBF나 CBV를 의미하지 않는다는 점을 이해해야 한다.

1.2 Medical Imaging에서 중요한 것은 영상의 밝기가 아니다.

관류영상은 단순히 밝고 어두운 영역을 구분하는 검사가 아니다.

영상 신호가 시간에 따라 어떻게 변화하는지, 신호가 혈관 내 조영제 농도와 어떤 관계를 갖는지, 그리고 측정 시스템의 물리적 특성이 결과에 어떤 영향을 미치는지를 분석해야 한다.

CT 관류영상에서는 요오드 조영제의 시간적 농도 변화를 분석한다.

MR 관류영상에서는 사용한 기법에 따라 자화율 변화 또는 동맥혈 스핀 표지 등의 신호를 이용한다.

초음파 조영증강 영상에서는 미세기포가 발생시키는 비선형 음향 반응을 활용할 수 있다.

문제는 이러한 신호가 서로 직접적으로 호환되지 않는다는 것이다.

초음파 영상에서 AUC가 증가했다고 해서 CT 관류 영상의 CBV가 동일한 비율로 증가했다고 해석할 수는 없다.

이 차이를 이해하는 것이 AI 기반 영상 정량화의 출발점이다.

2. Harmonic Imaging: 두개골을 통과해 뇌관류를 관찰하는 기술

2.1 하모닉 초음파는 일반 초음파와 무엇이 다른가?

일반적인 초음파 영상은 탐촉자가 송신한 초음파가 조직에서 반사되거나 산란되어 돌아오는 신호를 이용한다.

하모닉 영상은 초음파가 조직이나 조영제와 상호작용하는 과정에서 발생하는 고조파 성분을 활용한다.

특히 초음파 조영제에 포함된 미세기포는 음압 변화에 따라 비선형적으로 진동할 수 있다.

이 과정에서 송신 주파수와 다른 주파수 성분이 발생한다.

예를 들어 1.8 MHz의 초음파를 송신하고 3.6 MHz의 두 번째 고조파 성분을 수신하는 방식이 가능하다.

원래 연구에서는 이러한 원리를 이용하여 뇌실질의 조영증강 신호를 관찰했다.

미세기포에서 발생하는 하모닉 신호를 선택적으로 검출하면 배경 조직의 신호와 조영제 관련 신호를 구분하는 데 도움이 된다.

하지만 신호 대 잡음비가 개선된다는 사실과 절대적인 뇌혈류량을 정확하게 측정할 수 있다는 주장은 구분해야 한다.

2.2 초음파 조영제 Optison의 역할

원래 연구에서 사용한 Optison은 퍼플루오로프로판 계열의 가스를 포함하는 미세기포 초음파 조영제다.

연구진은 건강한 지원자에게 0.5 mL와 1.5 mL를 각각 정맥 주사하고, 뇌실질의 초음파 신호가 시간에 따라 어떻게 변화하는지 분석했다.

이러한 미세기포는 혈관 내에서 초음파 신호를 증강하는 역할을 한다.

여기서 중요한 점은 초음파 조영제가 CT나 MRI의 조영제와 물리적으로 동일하지 않다는 것이다.

요오드 조영제, 가돌리늄 기반 조영제, 초음파 미세기포 조영제는 각각 영상 신호를 발생시키는 원리와 약동학적 특성이 다르다.

또한 특정 조영제가 심장초음파 등의 적응증으로 허가되어 있다는 사실이 뇌관류 평가에 대한 허가를 의미하지는 않는다.

Clinical Insight

뇌관류 초음파 연구에서 조영증강이 관찰되었다는 사실만으로 해당 검사가 급성 뇌졸중 진단에 임상적으로 승인되었거나 MRI·CT를 대체할 수 있다고 판단해서는 안 된다.

임상 적용에는 조영제의 허가사항, 환자 안전성, 검사 프로토콜, 영상 정확도, 재현성에 대한 검증이 필요하다.

3. Medical Imaging으로 확인한 뇌실질 조영증강

Figure 1. Contrast-Enhanced Harmonic Brain Ultrasound: Visualization of Thalamic and Temporoparietal Perfusion

Figure 1. 조영증강 하모닉 초음파를 이용한 시상 및 측두두정엽 뇌실질의 관류 신호 시각화.

3.1 Figure 1의 영상 판독

원문 Figure 1은 조영제 투여 전과 투여 후의 뇌 초음파 영상을 비교한다.

A 영상은 조영증강 이전 상태를 보여준다.

B 영상은 1.5 mL의 Optison을 정맥 주사한 뒤, 조영증강 신호가 최대에 도달한 시점의 영상이다. 해당 영상은 주사 후 24심장주기에 해당한다.

그림에 표시된 주요 해부학적 영역은 다음과 같다.

1. 반대측 시상(Contralateral Thalamus)
2. 동측 시상(Ipsilateral Thalamus)
3. 중대뇌동맥 분지가 위치하는 외측고랑(Lateral Fissure)
4. 측두두정엽 백질(Temporoparietal White Matter)

세 번째 뇌실과 송과체도 해부학적 기준점으로 표시되어 있다.

조영제 투여 후 영상에서는 뇌실질의 밝기가 증가한다.

이는 초음파 미세기포가 뇌혈관계를 통과하면서 하모닉 신호를 증가시켰음을 뒷받침한다.

그러나 이 영상만으로 국소 뇌혈류의 절대량을 계산하거나 허혈성 병변의 유무를 확정할 수는 없다.

연구 대상이 건강한 지원자였기 때문이다.

3.2 영상의학적 관점에서 중요한 해석

뇌 초음파 영상에서는 탐촉자의 위치, 측두골 음향창의 상태, 초음파 진행 방향, 조직 깊이 등이 영상의 밝기에 영향을 미친다.

따라서 특정 영역이 상대적으로 어둡게 관찰되었다고 해서 곧바로 관류 저하로 판단할 수 없다.

실제 임상 적용을 고려한다면 동일한 조직을 서로 다른 깊이에서 관찰했을 때 어느 정도의 신호 차이가 발생하는지 확인해야 한다.

이것이 뇌관류 초음파 정량화의 첫 번째 과제다.

4. Brain Perfusion Ultrasound의 3가지 핵심 한계

4.1 첫 번째 한계: Depth-Dependent Signal Attenuation

초음파는 조직을 통과하면서 감쇠한다.

두개골은 초음파의 투과와 영상 형성에 특히 큰 영향을 미치는 구조물이다.

두개골의 두께와 형태, 음향 임피던스 차이, 산란과 감쇠는 측정 가능한 신호를 제한한다.

원래 연구에서 시상을 동측과 반대측에서 관찰했을 때 신호 강도가 달라진 것은 이러한 문제를 보여주는 중요한 결과다.

연구에서는 동측 시상까지의 영상 깊이가 약 7cm, 반대측 시상까지의 깊이가 약 8.5cm였다.

같은 시상 구조라도 탐촉자로부터 더 먼 위치에서 관찰하면 조영증강 신호가 감소할 수 있었다.

이 문제를 해결하지 못하면 서로 다른 환자나 검사 환경에서 얻은 영상 신호를 직접 비교하기 어렵다.

4.2 두 번째 한계: Peak Intensity의 불안정성

Peak Intensity(PI)는 조영제 투여 후 나타나는 최대 신호 증가량이다.

직관적으로 이해하기 쉬운 지표지만, 최대 밝기가 항상 관류량에 비례하는 것은 아니다.

원래 연구에서는 조영제 투여량이 증가했을 때 측두두정엽 백질에서 PI가 유의하게 증가했다.

그러나 시상과 외측고랑에서는 PI의 용량 의존성이 통계적으로 유의하지 않았다.

이는 혈관 밀도, 미세기포 농도, 초음파 시스템의 비선형 반응 등이 최대 신호값에 영향을 미칠 가능성을 시사한다.

따라서 최대 밝기 하나만으로 뇌관류 상태를 판단하는 것은 적절하지 않다.

4.3 세 번째 한계: 정량적 재현성

의료영상 기술이 실제 임상에서 사용되기 위해서는 단순한 영상 생성 능력보다 재현성이 중요하다.

동일한 환자를 서로 다른 검사자가 촬영했을 때 유사한 결과가 나와야 한다.

또한 서로 다른 장비에서 측정한 수치가 비교 가능한지 확인해야 한다.

초음파는 검사자의 숙련도와 탐촉자 위치에 영향을 받는 대표적인 영상검사다.

여기에 조영제 투여 방식, 영상 획득 간격, 초음파 출력, 기계적 지수, 관심 영역 설정 방식까지 영향을 미친다.

따라서 AI가 영상의 관심 영역을 자동으로 설정하거나 신호를 보정하더라도, 그 결과가 실제 생리학적 관류량과 얼마나 일치하는지는 별도로 검증해야 한다.

Clinical Insight Box — 정량화에서 가장 위험한 오류

초음파 신호의 감소는 실제 관류 저하 때문일 수도 있지만, 영상 깊이와 음향 감쇠 때문일 수도 있다.

Medical AI가 두 현상을 구분하지 못한다면 영상 분석의 자동화가 오히려 잘못된 결과를 일관되게 생산할 위험이 있다.

5. Table 1: 조영제 투여량에 따른 뇌관류 초음파 신호 변화

Table 1. Dose-Dependent Changes in Harmonic Brain Ultrasound: Peak Intensity and AUC

분석 영역	측정 방향	Optison 용량	PI (dB)	AUC (dB·cardiac cycles)
시상	우측 동측	0.5mL	9.6 ± 3.1	674.7 ± 173.4
시상	우측 동측	1.5mL	11.5 ± 1.9	1153.2 ± 264.6
시상	좌측 동측	0.5mL	11.0 ± 3.5	844.4 ± 459.8
시상	좌측 동측	1.5mL	11.7 ± 2.2	1177.0 ± 402.9
외측고랑/MCA 영역	우측	0.5mL	14.3 ± 4.1	1263.3 ± 514.0
외측고랑/MCA 영역	우측	1.5mL	15.2 ± 4.1	1894.1 ± 617.3
측두두정엽 백질	우측	0.5mL	12.6 ± 2.8	727.4 ± 267.2
측두두정엽 백질	우측	1.5mL	14.3 ± 3.6	1379.1 ± 505.8
측두두정엽 백질	좌측	0.5mL	13.6 ± 3.1	889.5 ± 404.7
측두두정엽 백질	좌측	1.5mL	15.9 ± 4.5	1460.6 ± 547.7

자료: Seidel 연구진, Stroke, 2000.

주: AUC는 시간 대신 심장주기를 기준으로 분석한 신호 면적이며, 절대적인 뇌혈류량이 아니다.

5.1 Table 1에서 주목해야 할 결과

우측 시상에서 조영제 용량을 0.5 mL에서 1.5 mL로 증가시켰을 때 PI는 9.6 dB에서 11.5 dB로 증가했다.

같은 조건에서 AUC는 674.7에서 1153.2로 증가했다.

즉, AUC는 약 71% 증가했다.

우측 측두두정엽 백질에서도 AUC는 727.4에서 1379.1로 증가하여 약 90%의 증가를 보였다.

이는 조영제 용량 변화에 대한 누적 신호 반응이 뚜렷하게 나타났음을 의미한다.

그러나 이러한 증가율을 실제 CBF 증가율로 해석해서는 안 된다.

연구 대상자의 생리학적 뇌혈류가 같은 비율로 증가했다는 증거가 아니기 때문이다.

5.2 AUC가 중요한 이유

AUC는 일정한 관찰 구간에서 조영증강 신호가 얼마나 누적되었는지를 나타낸다.

PI가 단일 최대값에 집중한다면, AUC는 시간에 따른 신호 변화의 전체적인 특성을 반영한다.

원래 연구에서 AUC는 분석한 모든 영역에서 조영제 용량에 대한 유의한 반응을 보였다.

반면 PI의 유의한 용량 의존성은 측두두정엽 백질에서만 확인되었다.

이 결과는 AUC가 해당 연구 조건에서 상대적으로 일관된 지표였음을 보여준다.

다만 AUC 역시 영상 깊이에 영향을 받았다.

따라서 AUC가 PI보다 안정적이라는 사실과 AUC가 완전한 절대 관류 지표라는 주장은 전혀 다르다.

이 구분은 향후 AI 기반 정량적 초음파 분석 시스템을 설계할 때 반드시 유지되어야 한다.

6. 시간-강도 곡선이 보여주는 뇌관류 영상의 문제

Figure 2. Brain Perfusion Time–Intensity Curves: Depth-Dependent Signal Variation in Harmonic Ultrasound

Figure 2. 하모닉 초음파에서 시상의 영상 깊이와 조영제 용량에 따라 달라지는 시간-강도 곡선.

6.1 Figure 2의 영상 및 그래프 해석

Figure 2는 서로 다른 조영제 용량에서 시상의 초음파 신호가 심장 주기에 따라 어떻게 변화하는지 보여준다.

동측과 반대측 시상의 곡선이 구분되어 있다.

이 그래프의 중요한 의미는 단순히 조영제 투여 후 신호가 증가한다는 사실에 있지 않다.

비슷한 뇌조직을 관찰하더라도 초음파가 통과하는 거리에 따라 시간-강도 곡선의 높이와 면적이 달라질 수 있다는 점이 핵심이다.

연구진은 건강한 지원자의 양측 시상에서 실제 관류가 크게 다르지 않을 것으로 가정했다.

그런데 측정 신호에서는 동측과 반대측 사이에 차이가 나타났다.

이는 신호의 일부가 생리학적 관류 차이보다 영상 획득 조건의 영향을 받았을 가능성을 보여준다.

6.2 Healthcare AI에서 필요한 신호 보정

AI 기반 분석 시스템이 이러한 데이터를 처리한다면 적어도 다음 요소를 고려해야 한다.

• 탐촉자로부터 관심 영역까지의 거리
• 초음파 진행 경로와 두개골 음향창
• 초음파 출력과 수신 설정
• 조영제 투여량 및 투여 후 경과시간
• 관심 영역의 위치와 해부학적 구조
• 환자 간 영상 신호의 변동성

이러한 변수들을 무시하고 영상의 밝기만 학습한 알고리즘은 특정 장비나 연구 환경에서 높은 성능을 보이더라도 다른 병원에서는 성능이 저하될 수 있다.

AI 개발에서는 이를 데이터 분포 변화 또는 Domain Shift 문제와 연결하여 이해할 수 있다.

7. Table 2: 영상 깊이가 뇌관류 측정값에 미치는 영향

Table 2. Depth-Dependent Ultrasound Signal Attenuation in Thalamic Perfusion Imaging

시상 영역	조영제 용량	영상 방향	깊이	PI (dB)	AUC
우측 시상	0.5mL	동측	7cm	9.6 ± 3.1	674.7 ± 173.4
우측 시상	0.5mL	반대측	8.5cm	8.1 ± 2.0	505.9 ± 206.3
우측 시상	1.5mL	동측	7cm	11.5 ± 1.9	1153.2 ± 264.6
우측 시상	1.5mL	반대측	8.5cm	8.8 ± 2.2	887.6 ± 363.2
좌측 시상	0.5mL	동측	7cm	11.0 ± 3.5	844.4 ± 459.8
좌측 시상	0.5mL	반대측	8.5cm	7.9 ± 3.4	525.2 ± 356.4
좌측 시상	1.5mL	동측	7cm	11.7 ± 2.2	1177.0 ± 402.9
좌측 시상	1.5mL	반대측	8.5cm	8.1 ± 2.0	766.8 ± 319.7

자료: Seidel 연구진, Stroke, 2000.

7.1 동일한 조직에서 발생한 측정 차이

1.5 mL의 조영제를 사용한 우측 시상 분석에서 동측 PI는 11.5 dB, 반대측 PI는 8.8 dB였다.

두 측정값의 차이는 2.7 dB이다.

같은 조건에서 AUC는 1153.2와 887.6으로 나타났다.

즉, 동측 측정 AUC가 반대측보다 약 30% 높았다.

이 차이는 영상의 밝기를 정량적 관류 지표로 사용할 때 왜 주의가 필요한지 설명한다.

동일한 해부학적 구조에 대해 관찰 방향만 달라져도 측정값이 크게 달라질 수 있기 때문이다.

7.2 Clinical Decision Support에서 발생할 수 있는 오류

만약 AI 알고리즘이 반대측 시상의 낮은 신호를 실제 저관류로 잘못 판단한다면 어떤 일이 발생할까?

정상적인 영상 감쇠 현상이 병적인 관류 감소로 분류될 수 있다.

반대로 높은 영상 신호가 실제 관류 상태를 과대평가하도록 만들 수도 있다.

따라서 AI 기반 Clinical Decision Support 시스템에는 단순한 영상 분류 기능 이상의 검증이 필요하다.

영상의 물리학적 특성과 측정 불확실성을 함께 고려해야 한다.

이것이 의료영상 AI를 일반적인 이미지 인식 시스템과 구분하는 중요한 이유다.

8. Medical AI는 뇌관류 초음파의 한계를 해결할 수 있을까?

8.1 AI 기반 초음파 영상 품질 관리

AI가 기여할 수 있는 첫 번째 영역은 영상 품질 평가다.

초음파 검사는 탐촉자의 위치와 검사자의 숙련도에 따라 영상 품질이 달라진다.

AI 시스템은 적절한 해부학적 구조가 포함되었는지, 신호가 충분한지, 분석 가능한 영상인지 평가하도록 개발할 수 있다.

예를 들어 시상이 명확하게 확인되지 않거나 두개골 감쇠로 신호가 지나치게 약한 영상에 대해 재촬영을 권고하는 기능을 생각할 수 있다.

이러한 기술이 임상적으로 검증된다면 검사자의 경험 차이에서 발생하는 변동성을 줄이는 데 도움이 될 수 있다.

그러나 자동 품질 평가가 실제 진단 정확도를 향상시키는지는 별도의 연구가 필요하다.

8.2 AI 기반 관심영역 자동 설정

원래 연구에서는 시상, 측두두정엽 백질, 외측고랑에 관심영역을 설정하고 신호를 측정했다.

현대적인 영상 분석에서는 딥러닝 기반 Segmentation 기술을 활용하여 이러한 영역을 자동으로 식별하는 접근을 고려할 수 있다.

자동 관심 영역 설정이 정확하게 작동한다면 반복적인 수작업을 줄일 가능성이 있다.

또한 검사자마다 다른 위치에 관심 영역을 설정하는 문제를 줄이는 데 도움이 될 수 있다.

하지만 자동 분할의 정확도는 영상 품질에 의존한다.

특히 두개골에 의한 음향 감쇠가 심하거나 해부학적 경계가 불명확한 경우에는 잘못된 관심 영역이 선택될 수 있다.

따라서 자동 분할 결과에 대한 전문가 검토 기능이 필요하다.

8.3 AI 기반 Time–Intensity Curve 분석

원래 연구에서는 조영증강 이후 시간에 따른 신호 변화를 분석하여 PI와 AUC를 계산했다.

현대적인 AI 기반 시스템에서는 이러한 분석을 자동화하는 접근이 가능하다.

예를 들어 다음과 같은 기능을 개발할 수 있다.

첫째, 조영제 도달 시점의 자동 검출.

둘째, 신호 상승 및 감소 구간의 자동 구분.

셋째, 움직임과 잡음에 대한 보정.

넷째, AUC와 PI의 자동 계산.

다섯째, 비정상적인 곡선 형태에 대한 품질 경고.

이러한 기능은 측정 과정의 일관성을 높이는 데 도움이 될 수 있다.

그러나 알고리즘이 계산한 AUC가 실제 뇌혈류량과 일치하는지 검증하려면 독립적인 기준검사와의 비교가 필요하다.

8.4 AI 기반 Depth Correction

가장 중요한 연구 과제 중 하나는 영상 깊이에 따른 신호 차이를 보정하는 것이다.

기술적으로는 영상 깊이, 신호 감쇠 특성, 초음파 장비 설정, 환자별 음향 특성을 입력 변수로 활용하는 모델을 고려할 수 있다.

하지만 단순한 밝기 정규화만으로 충분하지 않을 수 있다.

두개골을 통과하는 초음파의 감쇠는 단순한 깊이의 함수가 아니기 때문이다.

두개골의 두께와 밀도, 탐촉자의 입사각, 주파수, 음향창의 상태도 영향을 미친다.

따라서 물리학적 모델과 AI를 결합하는 Physics-Informed AI 접근이 연구 방향 중 하나가 될 수 있다.

중요한 것은 AI가 물리학적 한계를 자동으로 제거하는 마법 같은 도구가 아니라는 사실이다.

AI의 성능은 학습 데이터의 품질, 기준값의 신뢰도, 검증 환경의 다양성에 의해 제한된다.

9. Functional Ultrasound: 현대 뇌 초음파 연구는 어디까지 발전했는가?

2000년의 하모닉 뇌 초음파 연구와 오늘날의 Functional Ultrasound(fUS)는 같은 기술이 아니다.

두 기술은 모두 초음파를 활용하지만 신호 획득 방식과 분석 목적에 차이가 있다.

초기 하모닉 연구에서는 조영제 미세기포가 발생시키는 신호를 이용하여 뇌실질의 조영증강을 관찰했다.

반면 현대의 기능적 초음파 연구에서는 초고속 도플러 영상 등을 이용하여 뇌혈류량 변화와 신경혈관 반응을 분석하는 기술이 발전하고 있다.

2022년 발표된 Montaldo, Urban, Macé의 종설은 기능적 초음파가 뇌혈류량 변화를 이용하여 신경 활동과 관련된 혈역학적 반응을 연구하는 방법을 설명한다.

2024년에는 시간 지연 기반 기능적 초음파를 이용하여 상대적 뇌혈류 속도, 뇌혈액량, 뇌혈류 변화에 관한 다중 매개변수 분석을 제안한 연구도 발표되었다.

또 다른 2024년 연구에서는 비침습적 4차원 경두개 기능적 초음파와 초음파 위치현미경 기술을 결합하는 접근을 다루었다.

이러한 발전은 초음파가 단순한 구조적 영상검사를 넘어 뇌혈역학 연구의 중요한 도구로 발전하고 있음을 보여준다.

그러나 대부분의 첨단 기술에는 임상 적용을 위한 추가 검증이 필요하다.

특히 성인의 두개골을 통한 영상 획득, 장비의 복잡성, 검사 재현성, 실시간 처리 성능, 질환별 진단 정확도는 여전히 중요한 연구 과제다.

9.1 Medical AI와 Functional Ultrasound의 융합

기능적 초음파에서는 대량의 시계열 영상 데이터가 생성될 수 있다.

AI는 이러한 데이터에서 반복적인 패턴을 분석하거나 잡음을 제거하고 관심 영역을 추출하는 데 활용될 가능성이 있다.

또한 복잡한 혈역학적 신호를 시각화하여 연구자나 임상의가 해석하기 쉽게 만드는 기능도 고려할 수 있다.

하지만 신경혈관 반응은 신경 활동을 간접적으로 반영한다.

따라서 혈액량 변화와 신경 활동을 동일한 개념으로 취급해서는 안 된다.

이러한 생리학적 차이를 반영하지 않은 AI 모델은 높은 영상 분석 성능을 보여도 임상적으로 잘못된 해석을 제공할 수 있다.

10. MRI·CT와 AI Ultrasound: 실제 임상에서 경쟁 관계인가?

10.1 급성 뇌졸중에서 CT의 역할

급성 뇌졸중이 의심되는 환자에게 비조영 CT는 뇌출혈 여부와 초기 허혈성 변화 등을 평가하는 핵심 검사다.

필요한 경우 CTA를 통해 주요 혈관의 폐색 여부를 평가할 수 있다.

CTP는 선택된 환자에서 관류 이상과 조직의 생존 가능성 평가에 활용된다.

이러한 검사들은 응급 진료 프로토콜과 치료 의사결정 체계에 통합되어 있다.

현재 연구 단계의 뇌관류 초음파가 이러한 역할을 전면적으로 대체한다고 주장할 근거는 부족하다.

10.2 MRI의 역할

MRI는 뇌실질의 허혈성 변화와 다양한 병변을 평가하는 데 높은 진단적 가치를 제공한다.

확산강조영상은 급성 허혈성 병변의 평가에서 중요한 역할을 담당한다.

MR 관류영상과 혈관영상은 임상적 상황에 따라 추가적인 정보를 제공한다.

초음파는 이동성과 반복 측정 가능성이라는 장점을 갖지만, MRI가 제공하는 해부학적 정보와 병변 특성 평가를 동일하게 수행하지는 못한다.

10.3 초음파의 잠재적인 보완 역할

초음파가 임상적으로 의미 있는 가치를 제공할 수 있는 영역은 반드시 MRI나 CT를 대체하는 경우에만 국한되지 않는다.

예를 들어 병상 옆에서 반복적인 혈역학적 변화를 관찰하는 기술이 충분히 검증된다면 기존 영상 검사를 보완하는 역할을 할 수 있다.

중환자실에서 환자를 이동시키기 어려운 상황이나 반복적인 관찰이 필요한 연구 환경에서는 초음파의 이동성과 실시간성이 장점이 될 수 있다.

다만 이러한 가능성을 실제 임상적 효용으로 연결하려면 질환별 전향적 연구가 필요하다.

핵심은 MRI와 CT의 검사 건수를 줄이는 것이 아니라, 필요한 진단 정보를 적절한 시점에 안전하게 제공하는 것이다.

11. Table 3: Brain Perfusion Medical Imaging 기술 비교

Table 3. MRI vs CT Perfusion vs AI-Assisted Ultrasound: Clinical Value and Cost Considerations

평가 항목	CT/CTP	MRI/MR Perfusion	연구 단계 뇌관류 초음파
주요 원리	X선 및 조영제 기반 분석	자기공명 신호 분석	초음파 혈역학 신호 분석
이동형 검사	일반적으로 제한적	일반적으로 제한적	장비에 따라 가능
전리방사선	사용	사용하지 않음	사용하지 않음
관류 평가	임상적으로 활용	임상적으로 활용	기법별 연구·검증 필요
검사자 의존성	상대적으로 낮음	상대적으로 낮음	상대적으로 높을 수 있음
두개골 음향창 영향	해당 없음	해당 없음	중요
장비 투자비	일반적으로 높음	일반적으로 높음	시스템 구성에 따라 다름
AI 활용 가능성	영상 분석 및 판독 지원	영상 분석 및 판독 지원	영상 품질·신호 분석 자동화
급성 뇌졸중 표준 진료에서의 위치	핵심적 역할	선택적·보완적 역할	표준 대체검사로 확립되지 않음

이 표는 각 기술의 일반적인 특성을 비교한 것이다.

실제 비용과 임상적 가치는 국가별 의료 수가, 장비 구성, 병원 규모, 검사 프로토콜에 따라 달라진다.

12. Hospital ROI: AI 기반 초음파가 병원 비용을 줄일 수 있는가?

12.1 의료 AI의 경제성은 장비 가격만으로 결정되지 않는다. 

병원이 AI 기반 의료영상 소프트웨어를 도입할 때 고려해야 하는 비용은 라이선스 가격만이 아니다.

실제 총소유비용(Total Cost of Ownership, TCO)에는 소프트웨어 사용료, 서버 또는 클라우드 비용, 영상 시스템 연동, 의료진 교육, 유지보수, 사이버 보안, 규제 준수 비용 등이 포함된다.

특히 새로운 영상기술을 도입하는 경우에는 장비 구입과 임상 검증 비용까지 고려해야 한다.

AI가 검사 시간을 단축하더라도 별도의 전문 인력이 추가로 필요하다면 예상한 비용 절감 효과가 줄어들 수 있다.

반대로 영상 분석의 반복 작업이 줄어들고 재검사율이 낮아진다면 운영 효율성이 개선될 가능성이 있다.

따라서 병원의 AI 투자 결정에는 실제 업무 흐름을 반영한 분석이 필요하다.

12.2 Medical AI SaaS의 수익 구조

AI 기반 초음파 분석 소프트웨어는 다양한 방식으로 공급될 수 있다.

연간 구독형 라이선스는 병원이 일정한 사용료를 지급하는 방식이다.

검사 건당 과금 방식은 실제 분석한 검사량에 따라 비용이 발생한다.

기업 단위 라이선스는 여러 병원이나 검사실에 동일한 솔루션을 공급하는 방식이다.

클라우드 기반 서비스는 서버 관리 부담을 일부 줄일 수 있지만 데이터 전송, 보안, 지연 시간, 서비스 가용성에 대한 평가가 필요하다.

또한 의료기기 소프트웨어에 해당하는 경우에는 국가별 규제 요구사항을 충족해야 한다.

뇌관류 초음파 분석용 AI SaaS는 이러한 사업 모델을 검토할 수 있는 잠재적 분야지만, 특정 제품의 임상 허가나 상용화를 전제로 해서는 안 된다.

12.3 Table 4: AI Ultrasound SaaS 투자수익률 시뮬레이션

다음 표는 실제 연구 결과가 아니라 병원 투자 의사결정을 설명하기 위한 가상 시나리오다.

Table 4. Illustrative Hospital ROI Model for AI-Assisted Ultrasound Workflow Automation

가정:

• 연간 분석 대상 검사: 10,000건
• 검사당 절약 가능한 인력 작업시간: 3분
• 인력의 시간당 총비용: 60,000원
• AI 소프트웨어 연간 사용료: 20,000,000원
• 시스템 통합 및 교육비: 최초 10,000,000원
• 연간 유지관리 및 추가 운영비: 5,000,000원

항목	계산 방식	연간 금액
분석 대상 검사	10,000건	-
검사당 절약 시간	3분	-
총 절약 시간	10,000 × 3분	500시간
인력시간의 경제적 가치	500시간 × 60,000원	30,000,000원
소프트웨어 사용료	연간 구독	20,000,000원
유지관리 및 운영비	연간	5,000,000원
최초 시스템 통합비	초기 도입	10,000,000원
첫해 총비용	사용료 + 운영비 + 통합비	35,000,000원
첫해 순경제효과	30,000,000 − 35,000,000원	−5,000,000원
첫해 ROI	순경제효과 ÷ 총비용 × 100	−14.3%
2년 차 순경제효과	30,000,000 − 25,000,000원	5,000,000원
2년 차 ROI	5,000,000 ÷ 25,000,000 × 100	20.0%

중요: 이 표의 수치는 실제 뇌관류 초음파 AI 제품의 성능이나 병원 수익을 나타내지 않는다.

검사당 3분의 시간 절감은 검증된 결과가 아니라 계산을 위한 가정이다.

또한 인력 시간의 경제적 가치가 실제 현금 지출 감소로 이어진다는 보장은 없다.

절약된 시간을 다른 환자 진료에 활용할 수 있는지, 인력 배치를 조정할 수 있는지, 검사 수요가 충분한지에 따라 경제적 효과가 달라진다.

12.4 손익분기점 분석

위 시나리오에서 검사당 절약 시간의 경제적 가치는 다음과 같다.

3분 ÷ 60분 × 60,000원 = 3,000원

연간 운영비가 25,000,000원이라면 단순 손익분기점은 다음과 같다.

25,000,000원 ÷ 3,000원 = 약 8,334건

따라서 위 가정에서는 연간 약 8,334건 이상의 검사에 동일한 시간 절감 효과가 발생해야 연간 운영비를 상쇄할 수 있다.

하지만 실제 도입에서는 모든 검사에서 같은 시간 절감 효과가 나타나지 않을 수 있다.

AI 오류를 검토하는 시간이 추가되거나 데이터 전송 문제로 작업이 지연된다면 경제성은 악화된다.

반대로 품질 관리가 개선되고 불필요한 반복 작업이 감소한다면 추가적인 효과가 발생할 수 있다.

이러한 변수는 실제 병원 데이터를 이용한 전향적 평가가 필요하다.

12.5 병원이 확인해야 할 세 가지 질문

첫째, AI가 실제로 시간을 절약하는가?

알고리즘 처리 시간이 아니라 의료진의 전체 업무 시간을 측정해야 한다.

둘째, AI가 임상적 오류를 줄이는가?

분석 자동화가 잘못된 판독을 증가시키지 않는지 확인해야 한다.

셋째, 비용 절감이 환자 진료의 질을 유지하거나 개선하는가?

단순한 인건비 절감보다 중요한 것은 환자 안전과 임상적 결과다.

13. Healthcare AI와 환자 결과: 무엇이 실제로 개선되어야 하는가?

의료 AI의 가치는 알고리즘 정확도만으로 결정되지 않는다.

실제 환자에게 도움이 되는지를 평가해야 한다.

뇌관류 초음파 분석 시스템을 개발한다면 다음과 같은 임상적 결과를 고려할 수 있다.

검사 성공률이 개선되는가?

반복 검사가 감소하는가?

검사자 간 측정값의 차이가 줄어드는가?

관류 이상을 더 정확하게 식별하는가?

임상 의사결정에 필요한 시간이 단축되는가?

불필요한 추가 검사나 환자 이동이 감소하는가?

궁극적으로는 환자의 치료 결과와 안전성에 긍정적인 영향을 미치는지 확인해야 한다.

이러한 지표는 서로 다른 수준의 근거를 요구한다.

예를 들어 AI가 AUC를 자동 계산하는 데 성공했다고 해서 환자의 신경학적 예후가 개선되었다고 결론을 내릴 수는 없다.

또한 영상의 정확도가 개선되었다는 사실만으로 의료비가 절감되었다고 판단할 수도 없다.

의료 AI의 임상적 가치는 기술 성능, 업무 흐름, 환자 결과, 경제성을 단계적으로 검증할 때 비로소 설명할 수 있다.

14. Clinical Decision Support: 뇌관류 AI 시스템의 안전한 설계

14.1 AI는 진단 결과뿐 아니라 불확실성도 제시해야 한다

뇌관류 영상에서 중요한 문제는 측정값이 얼마나 신뢰할 수 있는지 판단하는 것이다.

따라서 AI 시스템은 단순히 정상 또는 비정상이라는 결과만 제공해서는 충분하지 않을 수 있다.

영상 품질이 낮거나 관심 영역이 불명확한 경우에는 분석의 제한점을 표시하는 기능이 필요하다.

예를 들어 다음과 같은 정보를 제공하는 설계를 고려할 수 있다.

• 영상 획득 품질
• 관심영역 분할의 신뢰도
• 신호 감쇠 가능성
• 분석 가능한 시간-강도 곡선의 범위
• 기준 데이터와의 차이
• 추가 검토가 필요한 이상 신호

이러한 정보는 의료진이 AI 결과를 비판적으로 검토하는 데 도움이 될 수 있다.

14.2 의료진의 최종 판단이 중요한 이유

뇌졸중 진료에서는 영상 결과만으로 모든 치료 결정을 내리지 않는다.

환자의 증상, 발병 시간, 신경학적 진찰, 기존 질환, 혈관 상태, 영상 소견을 종합적으로 평가해야 한다.

따라서 AI 기반 초음파 분석 결과도 이러한 임상적 맥락 안에서 해석되어야 한다.

특히 연구 단계의 뇌관류 초음파 기술을 기존 표준 영상검사의 대체 수단으로 사용하는 것은 적절하지 않다.

AI는 의료진이 더 많은 정보를 일관되게 분석하도록 지원할 수 있지만, 검증되지 않은 측정값을 확정적인 진단으로 제시해서는 안 된다.

15. Medical Device AI: 상용화를 위해 넘어야 할 장벽

15.1 기술 검증과 의료기기 허가는 다르다

AI 모델이 연구실에서 높은 정확도를 보였다고 해서 곧바로 임상용 의료기기가 되는 것은 아니다.

임상용 소프트웨어로 사용하려면 적용 국가와 사용 목적에 따른 규제 요구사항을 확인해야 한다.

또한 데이터 보안, 소프트웨어 업데이트, 성능 모니터링, 오류 대응 체계 등이 필요하다.

뇌관류 초음파처럼 아직 표준화되지 않은 영상 기술에서는 검사 프로토콜 자체의 검증도 중요하다.

15.2 다기관 검증의 필요성

단일 병원에서 개발한 AI 모델은 해당 병원의 장비와 검사 환경에 최적화되어 있을 수 있다.

그러나 다른 장비, 다른 검사자, 다른 환자 집단에서는 성능이 달라질 수 있다.

특히 경두개 초음파에서는 환자의 두개골 특성과 음향창 상태가 중요한 변수다.

따라서 다양한 환자군과 검사 환경을 포함한 다기관 검증이 필요하다.

15.3 의료기기 기업의 사업 기회

의료영상 AI 시장에서 중요한 사업 기회는 새로운 알고리즘 자체뿐 아니라 실제 임상 환경에서 안정적으로 작동하는 통합 시스템에 있다.

영상장비와 AI 소프트웨어를 연결하고, 의료진이 결과를 검토할 수 있도록 제공하며, 장기적인 성능 관리 체계를 구축하는 과정에서 새로운 서비스 모델이 만들어질 수 있다.

그러나 연구 단계의 기술을 상용화된 의료기기와 동일하게 평가해서는 안 된다.

의료기기 기업과 병원은 기술적 가능성뿐 아니라 임상 근거와 규제 상태를 함께 검토해야 한다.

16. 미래의 뇌관류 영상: AI가 해결해야 할 과제

뇌관류 초음파의 미래를 전망할 때 가장 중요한 질문은 영상의 해상도가 얼마나 높아지는가가 아니다.

측정한 영상 신호가 실제 생리학적 현상을 얼마나 정확하고 일관되게 반영하는가?

초음파 영상 기술은 지난 수십 년 동안 발전해 왔다.

초고속 초음파, 기능적 초음파, 초음파 위치현미경, 정량적 영상 분석은 새로운 연구 가능성을 제시한다.

AI는 이러한 기술에서 생성되는 복잡한 데이터를 처리하는 데 도움을 줄 수 있다.

그러나 기술 발전에는 세 가지 조건이 필요하다.

첫째, 물리학적으로 타당한 측정 모델.

둘째, 임상적으로 검증된 기준값.

셋째, 실제 환자 진료에서 확인된 유용성.

이 세 가지 조건이 충족되지 않으면 정교한 AI 모델도 임상적으로 의미 없는 숫자를 빠르게 계산하는 시스템에 머무를 수 있다.

반대로 신뢰할 수 있는 정량화 기술이 확립된다면 초음파는 기존 의료영상검사를 보완하는 새로운 역할을 확보할 가능성이 있다.

특히 반복 측정, 병상 옆 모니터링, 혈역학적 변화 분석과 같은 분야는 장기적인 연구 가치가 있다.

다만 이러한 가능성이 곧바로 진료비 절감이나 뇌졸중 예후 개선을 의미하지는 않는다.

그 효과는 실제 임상시험과 경제성 평가를 통해 입증되어야 한다.

17. 핵심 결론: Medical AI가 바꾸어야 할 것은 영상이 아니라 측정의 신뢰성이다

2000년 Seidel 연구진의 하모닉 뇌 초음파 연구는 중요한 사실을 보여주었다.

초음파 조영제를 이용하면 두개골을 통과하여 사람의 뇌실질에서 조영증강 신호를 관찰할 수 있다.

또한 시간-강도 곡선의 AUC는 해당 연구 조건에서 PI보다 일관된 용량 반응을 나타냈다.

그러나 연구진은 영상 깊이에 따른 신호 차이 때문에 절대적인 뇌관류 정량화가 어렵다는 한계도 확인했다.

이 문제는 오늘날 Medical AI 연구에서도 여전히 중요한 교훈을 제공한다.

AI가 영상의 밝기를 분석하는 것만으로는 충분하지 않다.

영상 신호를 발생시키는 물리학적 원리와 생리학적 의미를 함께 고려해야 한다.

병원의 관점에서도 마찬가지다.

새로운 AI 기술의 가치는 소프트웨어의 복잡성이나 마케팅 문구가 아니라 실제 임상적 효용으로 평가해야 한다.

검사 정확도와 재현성이 개선되는가?

의료진의 업무 부담이 줄어드는가?

환자 안전을 유지하거나 개선하는가?

전체 의료비용을 합리적으로 관리할 수 있는가?

이러한 질문에 답할 수 있을 때 의료 AI는 단순한 영상 분석 기술을 넘어 실질적인 의료 혁신으로 발전할 수 있다.

초음파와 AI의 융합이 MRI와 CT를 완전히 대체할 것이라고 예상할 근거는 아직 부족하다.

그러나 신뢰할 수 있는 정량적 뇌관류 영상 기술이 발전한다면 기존 의료영상 체계를 보완하고 새로운 임상적 가치를 창출할 가능성은 충분히 연구할 만하다.

독자를 위한 세 가지 제안

① Medical AI 개발자와 의료기기 연구자에게

뇌 초음파 영상 분석 모델을 개발한다면 영상의 깊이 의존성, 관심 영역 설정, 시간-강도 곡선의 재현성을 먼저 검토해 보자. 높은 분류 정확도보다 측정값의 물리학적 타당성이 더 중요한 출발점일 수 있다.

② 병원 관리자와 Digital Health 투자 담당자에게

AI 초음파 솔루션의 경제성을 평가할 때 소프트웨어 가격뿐 아니라 검사량, 의료진의 실제 작업 시간, 유지관리 비용, 규제 상태를 함께 검토해 보자. 단순한 ROI 예측보다 현장 데이터를 이용한 검증이 중요하다.

③ 영상의학과 의료 AI에 관심 있는 독자에게

의료영상 AI의 성능을 평가할 때 정확도 수치만 확인하지 말고, 어떤 환자에게 어떤 장비로 검증했는지 살펴보자. 특히 새로운 뇌관류 기술에서는 기존 MRI·CT와의 임상적 비교가 중요하다.

TheMediTech는 의료영상 기술의 발전을 임상적 근거, 의료공학, 의료경제학의 관점에서 분석합니다.

관련 의료영상 AI, 정량적 영상 분석, 의료기기 소프트웨어 및 병원 투자수익률에 관한 다른 연구 컬럼도 함께 살펴보시기 바랍니다.

퀴즈 섹션 — Medical Imaging & Healthcare AI

아래 퀴즈는 본문의 핵심 내용을 확인하기 위한 교육용 문제입니다.

Quiz 1. Harmonic Brain Ultrasound에서 가장 일관된 조영증강 지표는?

Seidel 연구진의 연구에서 조영제 투여량 증가에 따라 모든 분석 영역에서 통계적으로 유의한 변화를 보인 지표는 무엇인가?

① Peak Intensity(PI)
② Area Under the Curve(AUC)
③ Mean Transit Time(MTT)
④ Cerebral Blood Flow(CBF)
⑤ Time to Maximum(Tmax)

정답: ② Area Under the Curve(AUC)

해설: 연구에서 AUC는 분석한 모든 영역에서 조영제 용량에 따른 유의한 변화를 보였다. 반면 PI의 유의한 용량 의존성은 측두두정엽 백질에서만 확인되었다.

AUC는 시간에 따른 조영증강 신호의 누적 변화를 반영한다. 그러나 영상 깊이의 영향을 받기 때문에 절대적인 뇌혈류량과 동일하게 해석할 수 없다.

Quiz 2. Medical AI가 뇌관류 초음파 영상을 분석할 때 가장 주의해야 하는 문제는?

① MRI의 자기장 세기
② CT의 관전압
③ 초음파의 영상 깊이에 따른 신호 감쇠
④ PET의 방사성의약품 반감기
⑤ X선 검출기의 양자 효율

정답: ③ 초음파의 영상 깊이에 따른 신호 감쇠

해설: 두개골을 통과하는 초음파 신호는 깊이와 음향 경로에 영향을 받는다.

따라서 동일한 뇌조직에서도 측정 방향에 따라 신호 강도가 달라질 수 있다.

AI 기반 Clinical Decision Support 시스템이 이러한 차이를 고려하지 않으면 정상적인 신호 감쇠를 병적인 저관류로 잘못 해석할 위험이 있다.

Quiz 3. 병원이 AI Ultrasound SaaS의 ROI를 평가할 때 가장 적절한 방법은?

① AI 소프트웨어의 정확도만 확인한다.
② 소프트웨어 가격이 낮으면 무조건 도입한다.
③ AI가 검사 시간을 줄인다는 홍보자료만 확인한다.
④ 실제 업무 시간, 총소유비용, 임상적 안전성, 검사량을 함께 평가한다.
⑤ MRI보다 저렴한 장비라면 모든 뇌졸중 검사에 적용한다.

정답: ④ 실제 업무 시간, 총소유비용, 임상적 안전성, 검사량을 함께 평가한다.

해설: 의료 AI의 경제성은 소프트웨어 가격이나 알고리즘 정확도만으로 결정되지 않는다.

실제 병원에서는 시스템 통합, 교육, 유지보수, 검사량, 인력 시간 절감, 오류 검토 비용 등을 함께 고려해야 한다.

특히 연구 단계의 뇌관류 초음파 기술은 임상적 유용성이 충분히 검증되기 전까지 기존 표준 영상검사를 대체하는 경제적 수단으로 가정해서는 안 된다.

---

참고문헌

[1] G. Seidel, C. Algermissen, A. Christoph, L. Claassen, M. Vidal-Langwasser, and T. Katzer, “Harmonic Imaging of the Human Brain: Visualization of Brain Perfusion With Ultrasound,” Stroke, vol. 31, no. 1, pp. 151–154, 2000.

DOI: 10.1161/01.STR.31.1.151

[2] Functional Ultrasound Neuroimaging

G. Montaldo, A. Urban, and E. Macé, “Functional Ultrasound Neuroimaging,” Annual Review of Neuroscience, vol. 45, pp. 491–513, 2022.

DOI: 10.1146/annurev-neuro-111020-100706

[3] Time-Lagged Functional Ultrasound

B. Liu, Y. Wang, N. Fomin-Thunemann, M. Thunemann, K. Kilic, A. Devor, X. Cheng, J. Tan, J. Jiang, D. A. Boas, and J. Tang, “Time-Lagged Functional Ultrasound for Multi-Parametric Cerebral Hemodynamic Imaging,” IEEE Transactions on Medical Imaging, vol. 43, no. 2, pp. 638–648, 2024.

DOI: 10.1109/TMI.2023.3314734

[4] Non-invasive 4D Transcranial Ultrasound

R. M. Jones, R. M. DeRuiter, H. R. Lee, S. Munot, H. Belgharbi, F. Santibanez, O. V. Favorov, P. A. Dayton, and G. F. Pinton, “Non-invasive 4D Transcranial Functional Ultrasound and Ultrasound Localization Microscopy for Multimodal Imaging of Neurovascular Response,” Scientific Reports, vol. 14, article 30240, 2024.

DOI: 10.1038/s41598-024-81243-y

[5] Artificial Intelligence in Quantitative Ultrasound

B. Zhou, X. Yang, W. J. Curran, and T. Liu, “Artificial Intelligence in Quantitative Ultrasound Imaging: A Survey,” Journal of Ultrasound in Medicine, vol. 41, no. 6, pp. 1329–1342, 2022.

DOI: 10.1002/jum.15819

[6] Clinical Applications of Ultrasound AI

M. Komatsu, A. Sakai, A. Dozen, K. Shozu, S. Yasutomi, H. Machino, K. Asada, S. Kaneko, and R. Hamamoto, “Towards Clinical Application of Artificial Intelligence in Ultrasound Imaging,” Biomedicines, vol. 9, no. 7, article 720, 2021.

DOI: 10.3390/biomedicines9070720

[7] Artificial Intelligence in Ultrasound Imaging

J. Zhang and A. Dawkins, “Artificial Intelligence in Ultrasound Imaging: Where Are We Now?” Ultrasound Quarterly, vol. 40, no. 2, pp. 93–97, 2024.

DOI: 10.1097/RUQ.0000000000000680

[8] AI Applications in Medical Ultrasound

P. H. Yi, H. W. Garner, A. Hirschmann, J. A. Jacobson, P. Omoumi, K. Oh, J. R. Zech, and Y. H. Lee, “Clinical Applications, Challenges, and Recommendations for Artificial Intelligence in Musculoskeletal and Soft-Tissue Ultrasound: AJR Expert Panel Narrative Review,” American Journal of Roentgenology, vol. 222, no. 3, e2329530, 2024.

DOI: 10.2214/AJR.23.29530

[9] Artificial Intelligence for Breast Ultrasound

M. Bahl, J. M. Chang, L. A. Mullen, and W. A. Berg, “Artificial Intelligence for Breast Ultrasound: AJR Expert Panel Narrative Review,” American Journal of Roentgenology, vol. 223, no. 6, e2330645, 2024.

DOI: 10.2214/AJR.23.30645

[10] AI in Point-of-Care Ultrasound

F. Kayarian, D. Patel, J. R. O’Brien, E. K. Schraft, and M. Gottlieb, “Artificial Intelligence and Point-of-Care Ultrasound: Benefits, Limitations, and Implications for the Future,” American Journal of Emergency Medicine, vol. 80, pp. 119–122, 2024.

DOI: 10.1016/j.ajem.2024.03.023