기술 요약: 망막 혈관 분할을 위한 Polygon-mamba

문제 제기

망막 혈관 분할은 안과 질환의 진단 및 평가에 있어 핵심적인 작업입니다. 그러나 여러 요인으로 인해 작은 망막 혈관을 정확하게 분할하는 것은 여전히 중요한 과제로 남아 있습니다.

• 낮은 대비: 혈관과 주변부 사이의 대비가 약해 구분이 어렵습니다.
• 복잡한 위상: 혈관은 다양한 크기의 변화와 함께 정교하게 얽힌 패턴을 보입니다.
• 기존 모델의 한계:
  • CNN: 국부적 세부 사항을 포착하는 데 능숙하지만, 장거리 의존성 처리에는 어려움을 겪는 경우가 많습니다.
  • Transformer: 전역적 의미론에 효과적이지만 계산 비용이 많이 듭니다.
  • Mamba 기반 모델: 장거리 의존성에 대해 선형 시간 복잡도를 제공하지만, 수평 및 수직 스캔에 의존하는 기존 Mamba 아키텍처는 해부학적 구조의 위상적 무결성을 훼손할 수 있습니다. 이는 종종 가늘고 작은 망막 모세혈관에서 국부적 불연속성과 검출 누락을 초래합니다.
  • 어텐션 메커니즘: 많은 기존 방법들은 공간적 어텐션에만 의존하여 미세한 세부 사항과 전역적 상관관계를 포착하는 데 필수적인 주파수 영역 정보를 간과할 수 있습니다.

방법론

저자들은 작은 혈관 검출의 특정 과제를 해결하기 위해 하이브리드 CNN-Mamba 퓨전 네트워크인 Polygon-mamba를 제안합니다. 이 아키텍처는 UNet 프레임워크에 두 가지 새로운 모듈을 통합합니다.

1. Polygon Scanning Visual State Space Model (PS-VSS)

Mamba 모델의 표준 수평/수직 스캔으로 인한 위상적 분열을 극복하기 위해, 저자들은 Visual State Space Model(SS2D) 내에 Polygon Scanning 전략을 도입합니다.

• 메커니즘: 선형 스캔 대신, 모델은 중심점에서 시작하여 다각형 경로 (예: 오각형, 육각형) 를 따라 바깥쪽으로 확장합니다.
• 다층 역방향 스캔: 스캔 방향이 계층 간에 교차합니다 (예: $M$ 계층 대 $M+1$ 계층). 이는 특징 맵을 체계적으로 커버하는 역방향 스캔 효과를 생성합니다.
• 목표: 이 접근 방식은 픽셀 수준의 연결성을 유지하고 망막 혈관의 곡선형, 가지형, 그리고 가늘고 긴 위상적 특징을 더 잘 모델링하여 연속적인 구조적 표현을 보장합니다.

2. Space-Frequency Collaborative Attention Mechanism (SFCAM)

스킵 연결에 통합된 이 모듈은 공간 영역과 주파수 영역의 상호 보완적 특성을 활용합니다.

• 3-브랜치 아키텍처:
  • 로컬 브랜치: $1\times1$, $3\times3$, $5\times5$ 컨볼루션을 사용하여 다중 스케일 특징을 추출하여 거칠고 미세한 혈관 세부 사항을 포착합니다.
  • 글로벌 브랜치: PS-VSS 모듈을 활용하여 장거리 의존성과 전역적 컨텍스트를 포착합니다.
  • Wavelet Transformer (WT) 브랜치: 이산 웨이블릿 변환 (Discrete Wavelet Transform) 을 사용하여 특징을 저주파 (형태, 위상) 및 고주파 (경계, 작은 가지, 질감) 구성 요소로 분해합니다.
• 양방향 교차 어텐션 퓨전 (BCFM): 이 서브 모듈은 공간 및 주파수 특징 간의 의미적 불일치를 정렬합니다. 쿼리 교환 전략을 사용하여 양방향 교차 어텐션을 구축함으로써, 모델이 로컬/고주파 및 글로벌/저주파 브랜치에서 특징을 동적으로 선택하고 퓨전할 수 있게 합니다.
• 목표: 노이즈를 억제하면서 두드러진 혈관 특징을 적응적으로 강화하여 작은 혈관과 에지 윤곽을 효과적으로 복원합니다.

주요 기여

본 논문은 네 가지 주요 기여 사항을 제시합니다.

1. Polygon-mamba 모델: 작은 망막 혈관의 정확한 검출을 위해 특별히 설계된 새로운 분할 프레임워크로, 분할 정확도를 크게 향상시킵니다.
2. PS-VSS 모듈: 다각형 경로를 사용하여 의미론적 정보를 효율적으로 추출하고 전역적 특징을 포착하는 혁신적인 스캔 기술로, 기존 Mamba 스캔의 연속성 문제를 해결합니다.
3. SFCAM 모듈: 공간 및 주파수 영역 모두에서 효율적인 특징을 추출하여 모델이 대상 객체를 강조하고 노이즈를 억제할 수 있게 하는 메커니즘입니다.
4. 통합 UNet 방식: PS-VSS 와 SFCAM 을 UNet 아키텍처에 성공적으로 통합하여 전역적 모델링과 국부적 세부 사항 보존 사이의 균형을 맞춘 효율적인 분할 방식을 생성합니다.

실험 결과

이 모델은 DRIVE, STARE, CHASE DB1 세 가지 공개 데이터셋에서 평가되었습니다.

정량적 성능

제안된 방법은 Mamba-UNet, FSE-Mamba, Rolling-UNet, KM-UNet 을 포함한 최첨단 모델들보다 주요 지표에서 우수한 성과를 거두었습니다.

• DRIVE: F1 점수: 0.8288, AUC: 0.9808, 민감도 (SE): 0.8356.
• STARE: F1 점수: 0.8282, AUC: 0.9840, SE: 0.8314.
• CHASE DB1: F1 점수: 0.8251, AUC: 0.9866, SE: 0.8484.

특히, 이 모델은 모든 데이터셋에서 가장 높은 SE 값을 달성하여 양성 샘플 (혈관), 특히 작고 희미한 혈관을 검출하는 데 뛰어난 능력을 보였습니다. 특정 경우 일부 경쟁 모델보다 특이도 (SP) 가 약간 낮았으나, 저자들은 이는 모델이 미세 혈관에 대한 민감도가 높아 배경 오분류를 증가시킬 수 있지만 재현율 (recall) 을 크게 향상시키기 때문이라고 설명합니다.

제거 및 비교 연구

• 모듈 효율성: 제거 연구를 통해 PS-VSS 와 SFCAM 을 순차적으로 추가하면 모든 데이터셋에서 IOU, F1, SE 가 향상됨이 확인되었습니다. 예를 들어, CHASE DB1 에서 SFCAM 은 베이스라인에 PS-VSS 를 추가한 것보다 SE 를 9.45% 증가시켰습니다.
• 스캔 전략: 다양한 다각형 모양 (삼각형, 사각형, 오각형, 육각형, 팔각형) 을 비교한 실험 결과, 오각형 스캔 방식이 DRIVE 와 CHASE DB1 에서 전반적으로 가장 좋은 성능을 보였으며, 육각형은 STARE 에서 잘 수행되었습니다. 최종 모델에는 최적의 선택인 오각형 전략이 채택되었습니다.
• 복잡도: 이 모델은 68.32M 개의 파라미터와 2.53G FLOPs 를 가집니다. 일부 경량 모델보다 높지만 MCDAU-Net 및 MDF-Net 과 같은 고복잡도 방법보다 훨씬 효율적이며, 성능과 계산 비용 사이의 유리한 균형을 달성합니다.

중요성 및 주장

저자들은 Polygon-mamba 가 표준 Mamba 아키텍처에 내재된 위상적 불연속성을 직접 해결함으로써 망막 혈관 분할 분야에서 중요한 진전을 이루었다고 주장합니다.

• 위상적 무결성: 다각형 스캔을 활용함으로써 모델은 복잡한 혈관 구조의 연속성을 성공적으로 유지하며, 이는 기존 Mamba 기반 접근법의 일반적인 실패 지점이었습니다.
• 이중 영역 특징 추출: 공간 - 주파수 어텐션의 통합을 통해 모델은 공간-only 모델에서 종종 손실되는 전역적 구조적 컨텍스트와 미세한 국부적 세부 사항 (에지, 작은 가지) 을 모두 포착할 수 있습니다.
• 작은 혈관 검출: 주요 중요성은 모델이 작은 대비가 낮은 혈관을 높은 민감도로 검출할 수 있는 능력에 있으며, 이는 시각적 검사 및 정량적 지표에서 기존 방법들을 능가합니다.

본 논문은 모델이 우수한 성능을 달성하지만, 향후 연구는 노이즈 억제 측면인 특이도 (Specificity) 를 개선하고 작은 혈관 검출을 훼손하지 않으면서 노이즈 처리를 더욱 정교하게 하기 위해 전통적인 패턴 인식 방법을 탐구하는 데 초점을 맞출 것이라고 결론지었습니다.