EFIQA: Explainable Fundus Image Quality Assessment via Anatomical Priors

기술 요약: EFIQA – 해부학적 사전 지식을 통한 설명 가능한 안저 영상 품질 평가

문제 정의
의료 영상 품질 평가(IQA)는 다운스트림 임상 적용 및 AI 전처리 파이프라인에 있어 매우 중요합니다. 컬러 안저 촬영(CFP)을 위한 현재의 최첨단 방식들은 주로 데이터셋 특정 품질 라벨로 학습된 지도 학습 기반 분류기들입니다. 이러한 접근 방식은 두 가지 근본적인 한계를 가집니다:

1. 일반화 능력 부족: 품질에 대한 정의는 주관적이며 작업 의존적입니다(예: 저노출된 황반은 녹내장 선별 검사에는 허용 가능할 수 있으나, AMD 선별 검사에는 치명적일 수 있음). 특정 라벨링 기준에 따라 학습된 모델은 다른 기준이나 획득 조건이 적용된 데이터셋으로 일반화하는 데 실패합니다.
2. 설명 가능성 부족: 기존 방식들은 단일 이미지 레벨의 점수나 클래스를 출력하며, 품질이 저하된 어디에 대한 공간적 피드백을 제공하지 못합니다. 사후 속성 부여 방법(예: Grad-CAM)은 변별적인 영역이 아닌 저하된 영역에 활성화되는 경향이 있으며, 정밀하고 근거 있는 임상적 의미가 결여되어 있습니다.

방법론: EFIQA 프레임워크
저자들은 인간의 라벨로부터 "품질 저하가 어떻게 보이는지"를 학습하는 대신, 기대되는 해부학적 구조로부터의 편차를 측정함으로써 안저 영상 품질을 평가하는 EFIQA 프레임워크를 제안합니다. 이 방식은 품질 감독에 대해 라벨이 필요 없는(label-free) 방식이며, 두 단계로 작동합니다:

1. 1단계: 혈관 비지도 이상 탐지 (VUAD)

   • 목표: 흔히 발생하는 영상 저하에 매우 취약한 보편적인 해부학적 구조인 망막 혈관의 위상(topology)을 학습하기 위해 비지도 이상 탐지기를 학습시킵니다.
   • 메커니즘: 이 모델은 마스킹된 해부학적 인페인팅(masked anatomical inpainting) 목적 함수를 사용하여 고품질 이미지에서 유도된 혈관 세그멘테이션 맵을 바탕으로 학습됩니다.
   • 점진적 완화(Progressive Relaxation): 모델이 단순히 마스킹되지 않은 픽셀을 복사하는 '정체성 붕괴(identity collapse)'를 방지하기 위해 점진적인 마스킹 전략이 사용됩니다. 학습은 높은 마스킹 비율($\gamma \in [0.8, 1.0]$)에서 시작하여 구조적 학습을 강제한 후, $\gamma \in [0.0, 1.0]$으로 선형적으로 확장됩니다.
   • 출력: 네트워크는 입력값에 대한 잔차(residual, 누락된 구조)를 예측합니다. 이 잔차의 크기는 이상 맵(anomaly map)을 형성하며, 해부학적 가시성이 저하된 영역(예: 소실되거나 흐릿해진 혈관)을 강조합니다.

2. 2단계: 파운데이션 모델 어댑터로의 지식 증류 (Distillation)

   • 목표: VUAD 모델의 해부학적 사전 지식을 동결된 시각 파운데이션 모델(FM)의 특징값 위에서 작동하는 경량 어댑터로 증류합니다. 이는 일반화 성능을 향상시키고 추론 시 중간 혈관 세그멘테이션 단계에 대한 의존도를 줄여줍니다.
   • 메커니즘:
     • 동결된 FM은 입력 안저 영상으로부터 조밀한 패치 레벨 특징($Z$)을 추출합니다.
     • VUAD 모델은 혼합 품질 데이터셋에 대한 의사 라벨(pseudo-labels, 이진 이상 맵)을 생성합니다.
     • 학습 가능한 어댑터($g_\psi$)는 클래스 균형이 적용된 이진 교차 엔트로피(BCE) 손실을 사용하여 FM 특징으로부터 이러한 의사 라벨을 예측하도록 학습됩니다.
   • 추론: 어댑터는 패치 레벨 품질 점수 맵($Q$)을 생성합니다. 이 맵은 경량 선형 풀링 레이어를 통해 이미지 레벨의 점수로 집계되거나 공간적 국소화를 위해 직접 사용될 수 있습니다.

주요 기여

1. 새로운 프레이밍: 저자들은 IQA를 주관적인 라벨이 아닌 객관적인 해부학적 외형으로부터의 편차로 재정의했습니다.
2. 라벨 프리, 설명 가능한 접근 방식: EFIQA는 명시적인 품질 관련 감독(수동 라벨 또는 합성 저하)을 필요로 하지 않으며, 설계 단계부터 공간적 품질 맵을 생성합니다.
3. 2단계 아키텍처: 비지도 혈관 재구성 네트워크와 파운데이션 모델 어댑터로의 증류 결합을 통해 견고하고 일반화 가능한 성능을 구현했습니다.
4. 우수한 일반화: 외부 평가 결과, 이 방식은 다양한 품질 기준을 가진 벤치마크에서 지도 학습 기반 방식들을 능가하는 성능을 보여주었습니다.

실험 결과
본 방법은 네 개의 공개 데이터셋(MSHF, mBRSET, DRIMDB, EyeQ)과 하나의 내부 데이터셋에서 안저 특화 지도 학습 방식(예: MCF-Net, FGR-Net), 일반 지도 학습 IQA 방식(MANIQA, TOPIQ), 그리고 비지도 베이스라인(NIQE, IL-NIQE)과 비교 평가되었습니다.

• 외부 데이터셋 (MSHF, DRIMDB, mBRSET): EFIQA는 모든 지표(Balanced Accuracy, F1, MCC, AUROC, AUPRC)에서 가장 우수한 평균 성능을 달립했습니다. 특히, MCC(Matthews Correlation Coefficient) **73.14%**를 달성하여 두 번째로 우수한 지도 학습 방식(FGR-Net, 69.71%)을 앞질렀습니다. 클래스 불균형이 심한 도전적인 mBRSET 데이터셋에서도 강력한 성능을 입증했습니다.
• EyeQ 벤치마크: EFIQA는 경쟁력 있는 정확도(87.55%)를 달성했습니다. 이는 EyeQ 데이터셋에 대해 엔드투엔드로 학습된 완전 지도 학습 모델(예: FGR-Net 89.58%)보다는 약간 낮지만, 적응형 모델인 TOPIQ 및 ARNIQA보다는 우수한 성적입니다. 결정적으로, 이 비교군 중 정밀한 품질 맵을 제공하는 유일한 방법입니다.
• 정성적 분석: 시각화 결과, EFIQA는 고품질 영상에 대해 안정적인 낮은 점수를 생성하며, 저품질 영상에서 저하된 영역(예: 조명 아티팩트, 흐림 현상)을 정확하게 국소화합니다. 반면, VUAD 단독 모델은 혈관은 보이지만 흐릿한 영역에서 저하를 놓치는 경우가 있으며, MCF-Net과 같은 지도 학습 방식은 거칠고 산만한 활성화를 보이는 경우가 많습니다.
• 절제 연구 (Ablation Study): 단순 혈관 밀도가 강력한 베이스라인임을 확인했으나, VUQA 모델이 설명 가능성(로컬 맵)을 더해주는 대신 원시 성능이 약간 감소하며, 이 성능은 증류 단계를 통해 완전히 회복되고 오히려 향상됨을 확인했습니다.

의의 및 주장
본 논문은 EFIQA가 블랙박스 형태의 지도 학습 IQA에 대한 일반화 가능하고 설명 가능한 대안을 제공한다고 주장합니다. 해부학적 사전 지식을 활용함으로써, 라벨링 기준 변화에 따른 취약성을 피할 수 있습니다. 저자들은 본 방법이 로컬 레벨의 심각도 점수를 제공하지만, 최소한의 튜닝만으로 특정 임상 기준에 적응할 수 있도록 설계되었음을 강조합니다.

저자들은 한계점 또한 언급했는데, 혈관만을 유일한 사전 지식으로 사용할 경우 혈관이 자연스럽게 적은 영역(예: 중심와)이나 허혈성 병변에서 허위 활성화가 발생할 수 있다는 점입니다. 이를 개선하기 위해 향후 연구에서 추가적인 해부학적 사전 지식(황반, 시신경 유두)이나 병리적 구조를 통합할 수 있음을 시사했습니다. 결론적으로, 이 프레임워크는 해부학적 가시성이 품질을 정의하는 모든 영상 시나리오(예: OCT 망막 층 또는 흉부 방사선 랜드마크)에 적용 가능합니다.