기술 요약: 타원형과 비트 평면의 만남을 통한 RNFL 기반 녹내장 탐지

문제 정의

녹내장은 전 세계적 실명의 주요 원인이며, 흔히 병이 상당히 진행될 때까지 증상이 나타나지 않습니다. 조기 진단은 망막 신경 섬유층(RNFL)의 형태학적 결함, 특히 얇아짐이나 확산된 손실을 식별하는 데 크게 의존합니다. 광간섭 단층촬영(OCT)은 효과적이지만 비용이 많이 들고 보편적으로 접근 가능하지는 않습니다. 컬러 안저 촬영은 비침습적이고 경제적인 대안을 제공하지만, 다음의 이유로 안저 이미지에서 RNFL 결함을 탐지하는 것은 어렵습니다:

1. 확산된 얇아짐(Diffuse Thinning): 국소적인 쐐기 모양의 결함과 달리, 확산된 RNFL 얇아짐은 미세하여 정량화하기 어렵습니다.
2. 해부학적 가변성: 표준 극좌표 변환은 시신경 유두와 황반의 특정 위치를 고려하지 않기 때문에, RNFL 다발의 자연스러운 궤적과 일치하지 못하는 경우가 많습니다.
3. 자원 제약: 기존의 많은 딥러닝 솔루션은 상당한 계산 능력을 요구하며 종종 학습을 위해 OCT 데이터에 의존하므로, 자원이 제한된 환경에서의 적용 가능성이 낮습니다.

방법론

본 논문은 RNFL 다발을 해부학적 변화에 관계없이 직선화하기 위한 **적응형 타원 기반 극좌표 변환(Adaptive Ellipse-based Polar Transformation, EPT)**을 중심으로 한 통합 파이프라인을 제안합니다. 이 변환은 두 가지 별개의 탐지 프레임워크를 위한 기초 역할을 합니다.

1. 전처리 및 변환

• 국지화(Localization): YOLOv8을 사용하여 시신경 유두와 황반의 중심을 탐지합니다.
• 혈관 제거: EfficientNetB7 백본을 가진 U-Net이 망막 혈관을 분할하며, 이후 RNFL 질감을 고립시키기 위해 인페인팅(inpainting) 과정을 거칩니다.
• 타원 기반 극좌표 변환(EPT): 표준 극좌표 변환과 달리, 이 알고리즘은 시신경 유두와 황반 사이의 거리 및 특정 각도 $\theta$에 따라 타원의 장축과 단축을 동적으로 조정합니다. 이는 시그모이드 함수와 이진 탐색을 활용하여 변곡점($30^\circ$)을 결정함으로써, 변환된 이미지가 RNFL 궤적(상측-비측 및 하측-측두부 다발)과 수직으로 정렬되도록 보장합니다.

2. 프레임워크 A: 딥러닝 기반 특징 융합

이 방식은 고정밀 환경을 목표로 하며, 딥러닝 특징과 전통적인 이미지 처리 기법을 결합합니다.

• 분기 1 (딥 learning): 시신경 유두 주변 환상 영역(peripapillary annular region)을 YOLOv8s-cls 아키텍처(전이 학습)로 처리하여, 구조적 녹내장 변화를 나타내는 1280차원 특징 벡터를 추출합니다. 분산 임계값(variance thresholding)을 통해 이러한 특징들을 필터링합니다.
• 분기 2 (이미지 처리): EPT로 정렬된 이미지는 시그모이드 함수를 통해 강도 조정을 거친 후, Sobel 에지 검출을 수행합니다. 비트 평면 슬라이싱(bit-plane slicing)은 구조적 정보를 보존하기 위해 최상위 비트(MSB)를 추출합니다. 특정 횡방향 범위($x_1$에서 $x_2$) 내에서 MSB 이미지에 대한 열 평균 풀링(column average pooling)을 적용하여 수직 RNFL 패턴을 포착합니다.
• 융합 및 분류: 두 분기에서 나온 특징들을 결합(concatenate)하고 정규화한 후, SVM 및 결정 트리(DT) 분류기에 입력합니다.

3. 프레임워크 B: 이미지 처리 기반 탐지

빠른 추론과 저사양 자원 환경을 위해 설계된 이 방법은 EPT 정렬 이미지에만 의존합니다.

• 동적 임계값: 임계값 $T$는 평활화된 강도 프로파일의 제곱 평균 제곱근(RMS)과 이미지의 범위 대 평균 비율을 기반으로 계산됩니다.
• 불균형 지수(Disparity Index, DI): 측두부 영역에서 임계값을 초과하는 열의 비율을 계산합니다. 이 비율이 30%를 초과하면 녹내상으로 분류합니다. 그렇지 않은 경우, 최소 강도 지점의 좌우 측 마스크 픽셀 비율을 비교하여 DI를 계산합니다.
• 분류: DI 값이 $[0.3, 3.33]$ 범위를 벗어나면 녹내상으로 판단합니다.

주요 기여

1. 적응형 타원 기반 극좌표 변환: 해부학적 변화에 대응하여 적응형 타원을 사용해 RNFL 궤적을 수학적으로 모델링함으로써, 표준 극좌표 변환의 정렬 문제를 해결하는 새로운 알고리즘을 제시했습니다.
2. 이중 경로 프레임워크: 두 가지 상호 보완적인 솔루션을 제안했습니다.
   • 정밀도가 중요한 환경을 위한 고정밀 딥러닝 융합 모델(정확도 99.3%).
   • 속도와 최소한의 자원 소비에 최적화된 경량 이미지 처리 모델(정확도 92.31%).
3. RNFL 중심의 고립: 본 연구는 OCT 데이터에 의존하지 않고 컬러 안저 이미지에서 확산된 얇아짐 탐지의 어려움을 해결하기 위해, 컵-디스크 비율(cup-to-disc ratio)과 같은 다른 요인을 제외하고 RNFL 얇아짐을 주요 바이오마커로 의도적으로 고립시켰습니다.

결과

연구에는 FIVES 데이터셋(정상 200장, 녹내장 200장의 안저 이미지)이 사용되었습니다.

• 전처리: YOLOv8 모델은 시신경 유두 탐지에서 99.8%의 정밀도를 달성했으며, U-Net 혈관 분할은 0.89의 Dice 계수를 달성했습니다.
• 딥러닝 융합: SVM 분류기를 사용한 융합 접근 방식은 정확도 99.3%, 정밀도 99.3%, **재현율 99.3%**로 가장 높은 성능을 보였습니다.
• 이미지 처리: 규칙 기반 접근 방식은 92.31%의 정확도를 달성했습니다. 통계 분석을 통해 최적의 불균형 지수(DI) 임계 범위가 $0.30 \leq DI \leq 3.33$임을 결정했습니다.
• 비교: 딥러닝 방식은 정확도 측면에서 최근의 최첨단 방법들(예: Fractal Dimensions, DenseNet)보다 우수한 성능을 보였으며, 이미지 처리 방식은 다른 기성 방법들(예: Prananda 등의 92.88%)과 대등한 정확도를 보이면서도 계산 오버헤드는 현저히 낮았습니다.

의의 및 주장

저자들은 본 연구가 녹내장 탐지의 글로벌 과제, 특히 소외된 지역의 문제를 해결하기 위해 확장 가능하고 비용 효율적인 솔루션을 제공한다고 주장합니다.

• 임상적 유용성: 이중 프레임워크 접근 방식은 임상의가 최대 진단 정밀도(프레임워크 A) 또는 신속하고 자원 효율적인 스크리닝(프레임워크 B) 중 하나를 선택할 수 있게 합니다.
• 기술적 진보: EPT 알고리즘은 기존의 극좌표 변환보다 유의미한 개선 사항으로 제시되며, 표준 방식으로는 놓치기 쉬운 확산된 RNFL 결함을 더 명확하게 시각화할 수 있게 합니다.
• 접근성: OCT 데이터나 고가의 하드웨어 없이 오직 컬러 안저 이미지만을 활용함으로써, 제안된 방법들은 대규모 대중 스크리닝 프로그램을 용이하게 하는 것을 목표로 합니다.

본 논문은 결과가 유망하지만, 일반성을 확인하기 위해서는 독립적이고 다양한 데이터셋에 대한 추가 검증이 필요하다고 결론짓습니다. 이 연구는 기존의 자원 집약적인 진단 요소에 의존하지 않고 효율적이고 임상적으로 유의미한 진단 도구를 개발하기 위한 토대를 마련했습니다.