기술 요약: 궤적 정렬형 시간 독립적 플로우(Flow)를 이용한 OCT의 테스트 시점 적응(TTA)

문제 정의

광간섭 단층촬영(OCT)은 안과학의 핵심 기술이지만, 저가형 스캐닝 장비에서 발생하는 불일치한 이미지 품질로 인해 딥러닝을 통한 자동 분석에 어려움이 있습니다. 이러한 장비들은 표준 학습 데이터셋에는 거의 나타나지 않는 심각한 노이즈 특성과 분포 변화(distribution shifts)를 유발합니다. 결과적으로, 모델 성능은 이러한 도메인 격차를 마주할 때 크게 저하됩니다. 테스트 시점 적응(Test-Time Adaptation, TTA) 방법들이 이 문제를 해결하기 위해 제안되었으나, 기존 방식들은 다음과 같은 한계에 직면해 있습니다:

• 가중치 기반 TTA: TENT나 CoTTA와 같은 방법들은 예측 엔트로피나 의사 라벨(pseudo-labels)에 의존하는데, 이는 학습 분포에 접근할 수 없는 상황에서 강건한 손실 함수를 설계하기 어렵기 때문에 세그멘테이션 작업에서 일관된 개선을 이끌어내지 못하는 경우가 많습니다.
• 생성형 TTA: 확산(Diffusion) 기반 방법들은 테스트 이미지를 확산 궤적상의 중간 지점으로 취급합니다. 그러나 이들은 종종 이상적이고 고정된 크기의 가우시안 노이즈를 가정합니다. 실제 세계의 노이즈는 이와 다르며, 이를 보상하려는 시도(예: 재노이징 또는 다운샘플링)는 중요한 미세 병변을 흐리게 만들거나 실제 노이즈 분포와 일치하지 않을 위험이 있습니다.

방법론: TTA-Flow

저자들은 노이즈가 섞인 입력값으로부터 학습 데이터 매니폴드에 정렬된 고품질 대리 이미지를 생성하도록 설계된 플로우 매칭 기반의 TTA 프레임워크인 TTA-Flow를 제안합니다. 이 프레임워크는 실제 세계의 노이즈 편차를 처리하기 위해 표준 플로우 매칭에 두 가지 핵심적인 수정을 도입했습니다:

1. 히스토그램 매칭을 통한 궤적 정렬

이론적 노이즈 분포와 실제 테스트 데이터 사이의 간극을 메우기 위해, 이 방법은 참조 궤적 생성 과정을 채택합니다:

• 참조 생성: 학습된 플ow 모델은 순수 노이즈로부터 타겟 데이터로 가는 $n$개의 샘플 궤적을 시뮬레이션합니다. 이로부터 저자들은 각 이산 시간 단계 $s$에 대한 평균 타겟 강도 히스토그램($\bar{H}_s$)을 계산합니다.
• 추론 정렬: 추론 과정에서 들어오는 노이즈 섞인 테스트 샘플 $\zeta$는 특정 참조 히스토그램 $\bar{H}_{s_{target}}$에 대해 히스토그램 매칭 과정을 거칩니다. 이 전처리 단계는 샘플의 강도 분포를 미리 결정된 시간 단계 $s_{target}$에서의 참조 궤적 분포와 일치시킵니다.
• 재구성: 정렬된 샘플은 나머지 단계들을 위한 상미분 방정식(ODE) 솔버를 초기화하는 데 사용되며, 명시적인 데이터 충실도(data-fidelity) 항 없이도 이미지를 타겟 분포로 매핑합니다.

2. 시간 독립적 플로우 (Time-Independent Flow)

표준 플우 매칭 네트워크는 일반적으로 디노이징 과정을 안내하기 위해 시간(또는 노이즈 레벨)에 조건화(condition)됩니다. 저자들은 실제 세계의 노이즈 레벨이 참조 궤적과 다르기 때문에, 특정 시간 조건을 강제하는 것이 부정확한 가정을 초래할 수 있다고 주장합니다.

• 접근 방식: 네트워크는 의도적으로 명시적인 시간 조건화를 생략합니다.
• 근거: 이러한 제약을 제거함으로써, 네트워크는 알려지지 않은 실제 세계의 노이즈 레벨을 암묵적으로 관리하도록 강제되며, 이는 실제 노이즈 레벨을 알 수 없을 때 더 우수한 결과를 낸다는 전략입니다.

주요 기여

1. 새로운 TTA 프레임워크: 저가형 장비(Topcon, Cirrus)의 OCT 이미지를 고품질 참조 분포(Spectralis)로 적응시키기 위해 플로우 매칭을 활용하는 TTA-Flow를 도입했습니다.
2. 궤적 정렬: 테스트 이미지 히스토그램을 합성 참조 궤적과 정렬하여, 이론적 노이즈 분포와 실제 노이즈 분포 사이의 도메인 격차를 효과적으로 해소합니다.
3. 시간 독립적 아키텍처: 플로우 네트워크에서 시간 조건화를 제거하여 실제 노이즈 분포의 편차를 더 잘 수용하도록 했으며, 이를 통해 암묵적 노이즈 관리가 명시적 조건화보다 우수함을 입증했습니다.
4. 데이터 충실도 독립성: 명시적인 데이터 충실도 항을 포함하지 않고도 견고한 성능을 달enc하며, 이는 하이퍼파라미터에 민감하거나 구조를 환각(hallucination)할 위험이 있는 기존 방식들과 차별화됩니다.

실험 결과

본 방법은 두 가지 데이터셋, 즉 공공 데이터셋인 RETOUCH(내망막액, 망막하액, 색소상피박리 중심)와 황반변성(AMD)의 **지형적 위축(GA)**에 관한 자체 보유 데이터셋에서 평가되었습니다.

• 세그멘테이션 성능:
  • Cirrus $\to$ Spectralis: TTA-Flow (무조건부)는 58.6의 상태 최신(SOTA) 평균 Dice 유사 계수(DSC)를 달성하여, 베이스라인(예: 표준 플로우 매칭 50.8, DDA 40.3)을 크게 앞질렀으며 지도 학습 상한선(61.6)에 근접했습니다.
  • Topcon $\to$ Spectralis: 본 방법은 더 까다로운 Topcon 데이터셋에서도 가장 높은 평균 DSC(51.0)를 유지하며, CPDM 및 DDA와 같은 확산 기반 베이스라인을 능가했습니다.
  • GA 세그멘테이션: 본 방법은 베이스라인에 비해 세그멘테이션 오차를 크게 줄였으며, 자체 데이터셋에서 56.1(무조건부)의 DSC를 달성했습니다.
• 절제 연구 (Ablation Studies):
  • 히스토그램 매칭: 히스토그램 매칭을 통합했을 때 평균 DSC가 Cirrus에서는 50.8에서 58.6으로, 자체 데이터셋에서는 49.4에서 56.1로 향상되어 그 효능을 확인했습니다.
  • 시간 조건화: 무조건부 네트워크가 액체(fluid) 세그멘테이션에서 조건부 버전보다 일관되게 우수한 성능을 보였으며, 더 우수한 지각적 품질(FID가 85.4에서 32.2로 감소)을 생성했습니다. 또한 무조건부 방식은 시작 시간 지점 $s_{target}$의 선택에 대해 낮은 민감도를 보였습니다.
• 정성적 결과: 재구성된 이미지는 원래의 해부학적 구조를 보존하면서도 노이즈를 눈에 띄게 줄이고 대비를 유지하였으며, 이는 정답 주석과 잘 일치하는 다운스트림 세그멘테이션으로 이어졌습니다.

의의 및 주장

본 논문은 TTA-Flow가 OCT 도메인 적응을 위한 단순하면서도 매우 효과적인 솔루션을 제공한다고 주장합니다. 궤적 정렬과 시간 조건화 제거를 결려한 플로우 매칭을 활용함으로써, 저자들은 저가형 장비의 이미지를 고품질의 대리 이미지로 성공적으로 변환하여 최신 수준의 세그멘테이션 성능을 구현했습니다.

저자들은 다음을 강조합니다:

• 히스토그램 매칭은 테스트 데이터를 네트워크의 기대치에 맞추는 계산 효율적인 전처리 기술입니다.
• 시간 조건화를 제거하는 것은 표준 조건부 설정보다 디노이징 성능과 시각적 충실도를 향상시킵니다.
• 본 방법은 명시적인 데이터 충실도 항을 사용하는 여러 베이스라인을 능가하며, 실제 현장에서 발생하는 구조적 환각 위험이 없습니다.
• 본 프레임워크는 다양한 저가형 OCT 장치와 임상 바이오마커(액체 및 GA)에 걸쳐 견고하게 작동하며, 자원이 제한된 환경에서의 자동화된 분석 개선 가능성을 보여줍니다.

향-후 연구로는 입력 이미지에서 직접 노이즈 레벨을 동적으로 추정하여 최적의 히스토그램 매칭 타겟 선택을 자동화하고 적응 속도를 더욱 높이는 데 집중할 예정입니다.