Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification
본 논문은 망막 안저 영상을 활용한 당뇨망막병증 분류 연구에서 HOG(기울기 히스토그램)와 TDA(위상 데이터 분석)라는 두 가지 서로 다른 특징 추출 방식의 성능을 비교 평가하였으며, 실험 결과 두 방식 모두 높은 정확도를 보이며 상호 보완적인 표현력을 제공함을 입증하였습니다.
우리가 아주 복잡한 그림을 보고 "이게 뭐야?"라고 판단할 때, 사람마다 보는 방식이 다르죠? 이 논문은 인공지능에게 **두 가지 서로 다른 '안경'**을 씌워보고 어떤 안경이 더 정확한지 비교했습니다.
1. 첫 번째 안경: HOG (모양과 질감 안경) 🔍
비유: 이 안경은 **'돋보기'**와 같습니다. 그림 속의 아주 작은 선, 경계선, 거친 질감을 샅샅이 뒤집니다. "여기 뾰족한 선이 있네?", "여기는 결이 거칠어!"라고 아주 세밀한 부분(로컬 정보)을 잡아내죠.
특징: 아주 디테일하지만, 너무 작은 부분에만 집중하다 보니 전체적인 그림이 어떤 느낌인지는 놓칠 수 있습니다.
2. 두 번째 안경: TDA (구조와 연결성 안경) 🕸️
비유: 이 안경은 **'지도'**나 **'그물망'**과 같습니다. 세세한 선보다는 "전체적으로 구멍이 몇 개 있지?", "덩어리들이 어떻게 연결되어 있지?" 같은 큰 흐름(글로벌 구조)을 봅니다.
특징: 아주 작은 노이즈(먼지 같은 것)에는 흔들리지 않고, 눈의 전체적인 '구조적 변화'를 꿰뚫어 봅니다.
🧪 실험 내용: "누가 더 눈병을 잘 찾아낼까?"
연구자는 APTOS라는 대규모 눈 사진 데이터를 가져와서, 인공지능에게 두 안경을 번갈아 씌워보며 시험을 쳤습니다.
시험 1 (OX 퀴즈): "이 눈은 정상인가, 아니면 당뇨병인가?"
시험 2 (객관식 문제): "이 병은 1단계(경미)인가, 2단계인가, 아니면 5단계(매우 심각)인가?"
🏆 실험 결과: "서로 잘하는 분야가 다르다!"
결과는 아주 흥もし로운데요, **"두 안경 모두 훌륭하지만, 성격이 다르다"**는 것이 밝혀졌습니다.
HOG(돋보기)의 승리: 세밀한 질감을 보는 HOG 안경이 전반적인 정확도는 조금 더 높았습니다. 특히 "정상이냐 병이냐"를 가려내는 데 아주 탁월했습니다.
TDA(지도)의 반격: TDA 안경은 숫자는 훨씬 적은데도(HOG는 2만 개 넘는 특징을 보지만, TDA는 800개만 봄), 꽤 높은 점수를 받았습니다. 특히 "왜 이 사진을 병이라고 판단했는지" 설명하기가 훨씬 쉬웠습니다. (예: "이 사진은 정상보다 구멍(병변)이 훨씬 많아서 병이라고 판단했습니다!"라고 논리적으로 말할 수 있음)
💡 이 연구가 왜 중요한가요? (결론)
이 논문의 진짜 가치는 **"두 안경을 같이 쓰면 최고겠다!"**라는 가능성을 보여준 데 있습니다.
지금까지는 인공지능이 "그냥 이게 병 같아"라고 결과만 툭 던져줬다면, 앞으로는:
HOG 안경으로 미세한 상처를 찾고,
TDA 안경으로 전체적인 구조 변화를 확인한 뒤,
두 정보를 합쳐서 의사에게 **"이 부분의 질감이 변했고, 전체적인 구조에 구멍이 생겼으니 이 병입니다!"**라고 아주 정확하고 친절하게 설명해 주는 인공지능을 만들 수 있게 된 것입니다.
한 줄 요약: "미세한 결을 보는 돋보기(HOG)와 전체 구조를 보는 지도(TDA)를 합치면, 눈병을 더 정확하고 똑똑하게 진단하는 AI를 만들 수 있다!"
[기술 요약] 의료 영상 분류를 위한 위상학적 시그니처와 그래디언트 히스토그램의 비교 연구
1. 연구 배경 및 문제 정의 (Problem Statement)
의료 영상 분석(MRI, CT, 안저 사진 등)에서 자동화된 진단 도구의 필요성은 급증하고 있으나, 기존의 딥러닝 기반 방식은 **해석 가능성(Interpretability)**과 일반화 능력(Generalizability) 측면에서 한계를 보입니다.
본 연구는 이를 해결하기 위해 수작업으로 설계된 특징 추출(Handcrafted feature extraction) 방식인 **HOG(Histogram of Oriented Gradients)**와 **TDA(Topological Data Analysis)**를 비교하고자 했습니다. 기존 문헌에서는 두 기술이 각각 독립적으로 사용된 사례는 많았으나, 동일한 데이터셋과 질병 분류 문제에서 두 방식의 성능을 직접적으로 비교한 연구는 없었습니다.
2. 연구 방법론 (Methodology)
A. 데이터셋 (Dataset)
APTOS 2019 데이터셋: 대규모 공개 안저(Fundus) 이미지 데이터셋을 사용했습니다.
분류 태스크:
이진 분류 (Binary Classification): 정상(Normal) vs 당뇨망막병증(DR).
다중 클래스 분류 (Multi-class Classification): DR 중증도 5단계(0~4단계) 분류.
B. 특징 추출 (Feature Extraction)
TDA (위상 데이터 분석):
Cubical Persistent Homology를 사용하여 이미지의 전역적 형태와 연결성을 추출합니다.
이미지의 밝기 임계값을 변화시키며 연결 성분(β0)과 구멍/루프(β1)의 변화를 추적합니다.
RGB 및 그레이스케일 채널을 모두 활용하여 총 800차원의 위상 특징 벡터를 생성합니다.
HOG (그래디언트 방향 히스토그램):
이미지의 국소적 질감과 에지(Edge) 정보를 캡처합니다.
이미지를 작은 셀(8x8)로 나누고 그래디언트 방향 분포를 계산하여 총 26,244차원의 고차원 특징 벡터를 생성합니다.
C. 머신러닝 모델 (Machine Learning Models)
추출된 특징을 독립적으로 평가하기 위해 7가지 고전적 머신러닝 모델을 사용했습니다:
Logistic Regression, Random Forest, XGBoost, SVM, Decision Tree, k-NN, Extra Trees.
**10-fold 교차 검증(Cross-validation)**을 통해 모델의 안정성을 확보했습니다.
3. 주요 기여 (Key Contributions)
최초의 비교 연구: 그래디언트 기반(HOG) 특징과 위상학적(TDA) 특징을 동일한 의료 영상 데이터셋에서 체계적으로 비교한 최초의 연구입니다.
상호 보완적 특성 규명: 두 방식이 이미지의 서로 다른 구조적 측면(국소적 질감 vs 전역적 형태)을 인코딩함을 입증했습니다.
경량성 및 해석 가능성 제시: 두 방식 모두 딥러닝 파이프라인에 통합 가능한 가볍고 해석 가능한 특징임을 보여주었습니다.
4. 연구 결과 (Results)
A. 성능 비교
이진 분류 (Normal vs DR):
XGBoost가 가장 우수한 성능을 보였습니다.
HOG 특징: 정확도 94.29%
TDA 특징: 정확도 94.18%
HOG가 선형 모델(Logistic Regression, SVM)에서 TDA보다 약간 더 높은 성능을 보였으나, 트리 기반 앙상블 모델(XGBoost)에서는 두 방식의 차이가 미미했습니다.
5단계 중증도 분류:
HOG가 전반적으로 높은 정확도와 정밀도를 유지했으나, TDA 역시 앙상블 모델과 결합했을 때 경쟁력 있는 성능을 보여주었습니다.
B. 특징의 해석 가능성 (Interpretability)
HOG의 한계: 고차원 벡터로 변환되면서 임상적으로 어떤 해부학적 구조(예: 시신경 유두, 황반)를 근거로 판단했는지 직관적으로 알기 어렵습니다.
TDA의 강점:Betti Curve를 통해 시각화가 가능합니다. 예를 들어, DR 환자의 이미지에서는 특정 밝기 구간에서 루프(β1)의 개수가 정상인보다 훨씬 많게 나타나는데, 이는 병리적 현상인 '밝은 병변(lesions)'이 이미지의 위상적 구조에 반영됨을 수학적으로 설명해 줍니다.
5. 연구의 의의 및 결론 (Significance & Conclusion)
본 연구는 HOG의 국소적 질감 정보와 TDA의 전역적 구조 정보가 서로 보완적임을 확인했습니다.
결론적으로:
두 방식 모두 의료 영상 분류에 매우 효과적이며 계산 효율적입니다.
TDA는 단순한 수치를 넘어 **"왜 이 이미지가 질병으로 분류되었는가"**에 대한 수학적/시각적 근거를 제공할 수 있어 임상적 신뢰도를 높일 수 있습니다.
향후 이 두 특징을 결합한 **하이브리드 딥러닝 모델(Hybrid Approach)**을 구축한다면, 높은 정확도와 높은 해석력을 동시에 갖춘 차세대 의료 진단 AI를 개발할 수 있을 것으로 기대됩니다.