Don't Mind the Gaps: Implicit Neural Representations for Resolution-Agnostic Retinal OCT Analysis

이 논문은 Implicit Neural Representations (INR) 을 활용하여 OCT 이미지의 비등방성 간격 문제를 해결하고, B-스캔 보간 및 해상도 무관한 망막 아틀라스 구축을 통해 연속적이고 일관된 3 차원 망막 분석을 가능하게 하는 두 가지 프레임워크를 제안합니다.

핵심

📸 핵심 문제: "사진이 너무 드물게 찍혔어요!"

안과 의사가 환자의 망막을 스캔할 때, 보통 OCT라는 기계를 사용합니다. 이 기계는 망막을 잘게 쪼개서 단면 사진 (B-scan) 을 찍는데, 시간과 비용을 아끼기 위해 사진과 사진 사이의 간격이 매우 넓습니다.

• 비유: imagine(상상해 보세요) 당신이 산을 등반하면서 100m 간격으로만 사진을 찍었다고 가정해 보세요. 100m 사이사이의 나무, 돌, 계곡은 어떻게 생겼는지 전혀 알 수 없습니다.
• 문제점: 기존 인공지능 (CNN) 은 이 '빈 공간'을 채우지 못하거나, 단순히 선을 그어 연결하는 방식 (선형 보간) 을 사용했습니다. 하지만 이렇게 하면 3D 입체적으로 봤을 때 망막 표면이 울퉁불퉁해지거나, 중요한 병변 (물집, 혈관 등) 을 놓쳐버릴 위험이 큽니다.

💡 해결책: "마법 같은 연속적인 지도 (INR)"

이 연구팀은 **'암시적 신경 표현 (INR)'**이라는 새로운 기술을 도입했습니다.

• 기존 방식 (CNN): 레고 블록처럼 정해진 크기 (해상도) 의 픽셀로만 이미지를 표현합니다. 블록 크기가 다르면 이미지를 다시 만들어야 합니다.
• 새로운 방식 (INR): **연속적인 함수 (수식)**로 이미지를 표현합니다. 마치 "어떤 좌표 (x, y, z) 에 가도 그 위치의 색과 모양을 계산해 낼 수 있는 마법 지도"와 같습니다.
  • 장점: 사진을 찍은 간격이 아무리 넓어도, 그 사이의 빈 공간에 무엇이 있을지 아무리 정밀하게든 계산해 낼 수 있습니다. 해상도에 구애받지 않는다는 뜻입니다.

🛠️ 이 연구가 제안한 두 가지 혁신적인 방법

이 기술은 크게 두 가지 문제를 해결합니다.

1. 빈 공간 채우기: "다른 카메라의 도움을 받다"

OCT 는 깊이 (z 축) 정보는 많지만, 옆으로 (x 축) 는 간격이 넓습니다. 반면, **SLO(스캐닝 레이저 안저촬영)**나 FAF(자발광) 같은 다른 장치는 옆으로 매우 촘촘하게 찍어줍니다.

• 비유: OCT 는 '깊은 우물'을 찍은 사진이고, SLO 는 '넓은 들판'을 찍은 사진입니다. 우물 사이사이의 땅을 예측하기 어렵다면, 들판 사진을 참고하면 됩니다.
• 방법: AI 가 OCT 의 빈 공간 사이를 채울 때, SLO 나 FAF 사진의 정보를 함께 가져와서 "여기에는 혈관이 있을 거야", "저기에는 물이 찼을 거야"라고 추론합니다.
• 결과: 기존에 놓치기 쉬웠던 혈관이나 병변까지 정확하게 복원해 냅니다.

2. 표준 지도 만들기: "모든 사람의 얼굴을 하나로 합친 '평균 얼굴'"

환자마다 눈 모양이 다르고, 스캔 간격도 다릅니다. 이를 하나로 비교하려면 '표준 지도 (어틀라스)'가 필요합니다. 하지만 기존 방식은 해상도가 고정되어 있어 다른 기기로 찍은 사진과 비교하기 어려웠습니다.

• 비유: 100 명의 얼굴 사진을 합쳐서 '평균 얼굴'을 만들 때, 기존 방식은 사진 크기가 다르면 합쳐지지 않았습니다. 하지만 이 기술은 모든 사진을 '수식'으로 변환했기 때문에, 어떤 크기로 찍었든 완벽하게 맞춰서 평균 얼굴을 만들 수 있습니다.
• 결과: 환자 개개인의 눈 구조를 표준 지도와 비교하여, 어떤 부분이 비정상적인지 (병변) 를 훨씬 정확하게 찾아낼 수 있습니다.

🌟 왜 이것이 중요한가요?

1. 정확한 진단: 병변이 있는 작은 공간도 놓치지 않고 찾아낼 수 있어, 당뇨망막병증이나 황반변성 같은 질환을 더 일찍, 더 정확하게 진단할 수 있습니다.
2. 데이터의 자유: 어떤 기기로 찍었든, 어떤 간격으로 찍었든 상관없이 분석이 가능합니다. 병원마다 장비가 달라도 이 기술을 쓰면 같은 기준으로 환자를 비교할 수 있습니다.
3. 미래의 가능성: 이 기술은 단순히 사진을 고치는 것을 넘어, 환자의 눈 구조를 3D 로 완벽하게 재구성하거나, 시간이 지남에 따라 병이 어떻게 변하는지 추적하는 데에도 쓰일 수 있습니다.

📝 한 줄 요약

"OCT 스캔의 빈 공간을 인공지능이 '마법 지도'처럼 채워주어, 해상도나 장비에 상관없이 망막의 3D 구조를 완벽하게 복원하고 병변을 찾아내는 기술을 개발했습니다."

이 연구는 의료 영상 분석의 한계를 넘어서, 더 정밀하고 보편적인 진단 도구를 만드는 중요한 발걸음입니다.

기술 요약

1. 문제 정의 (Problem)

• OCT 데이터의 이방성: 임상 OCT 는 스캔 시간을 단축하기 위해 B-scan 간격이 넓게 설정되어 있습니다. 이로 인해 Z 축 (깊이 방향) 해상도가 낮고, 데이터가 희소하게 샘플링됩니다.
• 기존 방법의 한계:
  • 2D 접근법: 대부분의 학습 기반 방법은 3D 볼륨 분석 대신 2D 슬라이스 단위로 처리합니다. 이는 인접한 B-scan 간의 일관성을 해치고, 3D 재구성 시 불규칙한 표면을 초래합니다.
  • 해상도 의존성: 기존 CNN 기반 모델은 학습 데이터의 해상도에 종속적이어서, 다른 스캔 프로토콜로 획득된 이미지에는 적용하기 어렵습니다.
  • 보간 (Interpolation) 의 어려움: 단순 선형 보간이나 레지스트레이션 기반 보간은 B-scan 사이의 구조적 정보 (혈관, 병변 등) 를 정확히 복원하지 못하거나 아티팩트를 생성합니다.

2. 제안된 방법론 (Methodology)

저자들은 해상도에 구애받지 않는 (Resolution-Agnostic) 연속 함수 표현인 INR 을 활용하여 두 가지 프레임워크를 개발했습니다.

A. 이방성 보간 및 분할 (Anisotropic Interpolation)

• 개념: 희소하게 샘플링된 OCT 볼륨과 고해상도의 en-face 모달리티 (SLO 또는 FAF) 정보를 결합하여 B-scan 사이의 빈 공간을 채웁니다.
• 구조:
  • 일반화 가능한 INR (Generalizable INR): 모든 학습 샘플에 공유되는 MLP 와 각 환자별 적응 가능한 잠재 사전 (Latent Prior) 으로 구성됩니다.
  • 입력: 3D 좌표 $(x, y, z)$, 해당 위치의 en-face 이미지 (SLO/FAF) 강도, 환자별 잠재 벡터.
  • 출력: OCT 강도 재구성 및 망막 층/병변 분할 레이블.
  • 동작: 학습된 INR 은 새로운 환자에게 적용 시 네트워크 가중치는 고정하고, 해당 환자의 OCT 데이터와 en-face 정보를 기반으로 새로운 잠재 사전만 학습하여 보간 및 분할을 수행합니다.

B. 해상도 무관성 망막 아틀라스 생성 (Resolution-Agnostic Retinal Atlas)

• 개념: 다양한 해상도와 샘플링 간격을 가진 데이터셋을 통합하여 하나의 연속적인 아틀라스를 생성합니다.
• 구조:
  • 학습 가능한 아틀라스 INR: 전체 데이터셋을 대표하는 강도와 분할 레이블을 연속적으로 표현하는 INR.
  • 변형 모델 (Deformation Model): 각 환자의 아틀라스 공간으로의 변형장을 예측하는 일반화 가능한 INR (하이퍼네트워크를 통해 잠재 사전으로 변형됨).
  • 동작: 아틀라스와 변형장을 동시에 최적화하여, 입력된 B-scan 수에 관계없이 해상도에 구애받지 않는 아틀라스를 생성하고 개별 환자에 정합 (Registration) 합니다.

3. 주요 기여 (Key Contributions)

1. en-face 모달리티 통합 보간: SLO(Scanning Laser Ophthalmoscopy) 나 FAF(Fundus Autofluorescence) 와 같은 고해상도 2D 정보를 INR 입력으로 활용하여, OCT B-scan 사이의 구조적 맥락을 유지하면서 보간 정확도를 높였습니다.
2. 해상도 무관성 (Resolution-Agnostic) 프레임워크: 학습 데이터의 해상도나 B-scan 간격에 구애받지 않고, 임의의 좌표에서 OCT 볼륨과 분할 레이블을 예측할 수 있는 연속 표현을 구현했습니다.
3. 일반화 가능한 INR 기반 아틀라스: 기존 이산적 (discrete) 아틀라스의 한계를 극복하고, 변형장을 포함한 연속적인 아틀라스를 생성하여 다양한 임상 데이터 설정에 적용 가능한 표준을 제시했습니다.

4. 실험 결과 (Results)

• 데이터셋: 건강한 지원자 50 명 (100 개 쌍) 과 중심성 장액성 맥락망막병증 (CSCR) 환자 19 명 (146 개 볼륨) 데이터를 사용했습니다.
• 보간 성능 (Healthy & CSCR):
  • 제안된 GenINR은 선형 보간, 레지스트레이션 기반 보간, 단일 이미지용 INR (SingleINR) 대비 **더 높은 이미지 유사도 (SSIM, PSNR)**와 **분할 정확도 (Dice Score)**를 달성했습니다.
  • 특히 망막 층의 형태와 혈관 구조를 자연스럽게 보간하여, 기존 방법에서 발생하는 아티팩트를 제거했습니다.
  • CSCR 데이터에서는 FAF 정보를 추가했을 때 병변 (액체 축적) 분할 성능이 소폭 향상되었습니다.
• 아틀라스 정합 (Atlas Registration):
  • 제안된 방법은 기존 B-spline 기반 아틀라스 (SINA) 와 단일 인스턴스 INR 보다 더 날카로운 아틀라스와 **더 정확한 정합 (낮은 ASSD, 높은 Dice)**을 보여주었습니다.
  • B-scan 수에 따른 불변성: 16 개부터 512 개까지 B-scan 수를 달리하여 테스트한 결과, 정합 성능에 통계적으로 유의미한 차이가 없었으며, 이는 해상도 무관성 특성을 입증했습니다.
  • 연산 효율성: 추론 시간이 기존 방법보다 크게 단축되었습니다 (예: SINA 대비 약 4 분 단축).

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 가치: 넓은 B-scan 간격을 가진 임상 OCT 데이터에서도 정밀한 3D 분석과 병변 평가를 가능하게 하여, 기존 2D 분석의 불일치 문제를 해결합니다.
• 기술적 혁신: INR 을 의료 영상 (특히 고이방성 OCT) 에 적용하여, 데이터의 이산적 격자 구조를 넘어선 연속적인 표현을 성공적으로 구현했습니다.
• 미래 전망: 잠재 공간 (Latent Space) 분석을 통해 환자 간 구조적 변이를 이해할 수 있으며, 이를 통해 질병 분류나 이상 탐지 (Anomaly Detection) 로 확장 가능합니다. 또한 OCT-angiography 등 다른 모달리티와의 융합 가능성도 제시됩니다.

결론적으로, 이 연구는 **암시적 신경 표현 (INR)**을 통해 망막 OCT 의 해상도 한계를 극복하고, 다양한 임상 환경에서 일관된 3D 분석 및 아틀라스 생성을 가능하게 하는 강력한 프레임워크를 제시했습니다.