💻 computer science

UPolarSQ: Polar Representation Learning for Optic Disc and Peripapillary Atrophy Segmentation and Quantification in Fundus Photographs

본 논문은 근시성 안저 영상을 방사형 프로파일로 변환하여 시신경 유두 및 유두 주위 위축의 분할을 개선하는 동시에 임상적 바이오마커의 직접적이고 신뢰할 수 있는 정량화를 가능하게 하는 통합 극좌계 도메인 프레임워크인 UPolarSQ를 제안한다.

원저자: Mengxian He, Yunyun sun, Ziyue Gao, Wengkei Lam, Shunyi Zhang, Wu Yuan

게시일 2026-08-11

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mengxian He, Yunyun sun, Ziyue Gao, Wengkei Lam, Shunyi Zhang, Wu Yuan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

구겨진 종이의 모양을 옆면에서 보고 측정하려고 한다고 상상해 보세요. 아주 엉망이겠죠? 가장자리는 들쭉날쭉하고, 곡선은 혼란스러우며, 특정 지점 주변에 완벽한 선을 그리려고 노력하는 것은 악몽과 같습니다. 이것이 바로 의사들이 인간의 눈 뒷부분, 특히 고도 근시(심한 근시) 환자의 눈을 볼 때 직면하는 문제와 정확히 일과 같습니다. 이러한 눈에서는 시신경 유두(시신경이 눈으로 들어가는 지점)와 그 주변 조직이 종종 늘어나고 변형되어, 깔끔한 원형이라기보다는 이상하고 부서진 초승달 모양처럼 보이게 됩니다.

이를 이해하기 위해 의사들은 이 영역들을 분할(segment, 완벽한 윤곽선을 그리는 것)하고 측정해야 합니다. 하지만 수동으로 하는 작업은 느리고 지루하며, 의사마다 그리는 선이 제각각 다를 수 있습니다. 컴퓨터가 도움을 줄 수 있지만, 대개 컴퓨터는 픽셀 격자와 같은 표준적인 "정사각형" 수학을 사용하여 이 문제를 해결하려고 합니다. 컴퓨터가 곡선 형태의 늘어난 모양 위에 정사각형 격자를 맞추려고 할 때, 컴퓨터는 혼란에 빠지며 이는 들쭉날쭉하고 끊어진 윤곽선으로 이어집니다. 이 논문은 영리한 아이디어와 함께 등장합니다: 눈을 정사각형 격자에 맞추도록 강요하는 대신, 왜 눈에 맞춰 격자의 모양을 바꾸지 않을까? 라는 질문입니다.

논문의 핵심 아이디어: 눈을 펼치기(Unrolling the Eye)

He Mengxian과 동료들이 이끄는 연구진은 이 까다로운 눈 이미지를 바라보는 새로운 방법인 UPolarSQ를 제안합니다. 고도 근시 환자의 눈 뒷부분을 평평한 정사각형 사진이 아니라, 원통에 감긴 도시의 지도라고 생각해 보세요. 만약 평면 지도 위에 원통 위의 거리를 그리려 한다면, 선들은 왜곡될 것입니다. 하지만 원통을 평평한 종이 위에 "펼친다면", 거리들은 다시 직선이 됩니다.

그것이 바로 UPolarSQ가 하는 일입니다. 이 모델은 눈의 이미지를 가져와 폴라 좌표계(polar coordinate system)로 수학적으로 "펼칩니다". 좌우(x 좌표)와 상하(y 좌표)의 관점에서 생각하는 대신, 컴퓨터는 중심으로부터의 거리와 원을 따라 도는 각도(반지름과 각도)의 관점에서 생각합니다. 이 새로운 "펼쳐진" 뷰에서는, 시신경 유두와 주변 위축(손상된 조직)의 복잡하고 구불구불한 경계가 단순하고 직선적인 수직선으로 변합니다. 갑자기 복잡한 2D 퍼즐이 훨씬 쉬운 1D 문제로 바뀝니다. 즉, 서로 다른 각도에서 선이 얼마나 높은지를 측정하기만 하면 되는 것입니다.

그들은 어떻게 "펼치는 도구"를 만들었나

이 작업을 수행하기 위해 팀은 단순히 수학을 바꾼 것이 아니라, UPolarSeg라는 특별한 컴퓨터 뇌를 구축했습니다. 표준 AI 모델은 정사각형 격자에서의 패턴 인식에는 뛰어나지만, 원을 펼칠 때 발생하는 기묘한 늘어남에는 어려움을 겪습니다. 연구진은 이 펼쳐진 뷰에서 "상하" 방향(반지름)과 "좌우" 방향(각도)이 매우 다르게 작동한다는 것을 깨달았습니다.

피자를 상상해 보세요. 피자 한 조각을 자르면, 테두리는 긴 곡선이지만 끝에서 테두리까지의 거리는 직선입니다. 펼쳐진 눈 이미지에서도 "테두리"(조직의 가장자리)는 중심에서 멀어질수록 늘어납니다. 연구진은 이 펼쳐진 눈 이미지에서 두 방향을 다르게 처리하는 특별한 모듈을 AI에 추가했습니다. 이는 마치 AI에게 두 가지 다른 안경을 주는 것과 같습니다. 하나는 중심에서 멀어짐에 따라 변화하는 모습을 보는 안경이고, 다른 하나는 회전함에 따라 변화하는 모습을 보는 안경입니다. 이를 통해 AI는 늘어남 현상 때문에 혼란을 겪지 않고 형상을 이해할 수 있습니다.

또한 그들은 학습 단계에서 "조력자"를 추가했습니다. AI가 학습하는 동안, 조력자는 경계가 어디인지에 대한 추가적인 힌트를 주며 마치 칠판을 가리키는 선생님처럼 역할을 합니다. 일단 AI 학습이 완료되면 이 조력자는 제거되므로, 최종 도구는 빠르고 효율적입니다.

그들이 발견한 것

팀은 두 그룹의 환자를 대상으로 테스트를 진행했습니다: 자체 병원 그룹(내부 데이터)과 다른 지역의 그룹(외부 데이터)을 통해 서로 다른 유형의 데이터에서도 작동하는지 확인했습니다. 결과는 매우 유망했습니다.

윤곽선을 그리는 데 있어서 그들의 방식은 매우 정확했습니다. 내부 그룹의 경우, 시신경 유두를 98.36%의 확률로 정확히 식별했고, 주변 위축 부위는 89.59%의 정확도를 보였습니다. 외부 그룹에서도 여전히 우수한 성능을 보였는데, 시신경 유두에 대해 97.63%, 위축 부위에 대해 77.46%를 기록했습니다. 이는 주변 위축 부위가 보통 희미하고 끊어진 초승달 모양처럼 보여 찾기가 매우 어렵다는 점을 고려할 때 큰 성과입니다.

더 중요한 것은, 형태가 펼쳐진 뷰에서 매우 깔끔했기 때문에 컴퓨터가 "바이오마커"(의사들이 질병을 추적하는 데 사용하는 특정 수치)를 훨씬 더 정확하게 측정할 수 있었다는 점입니다. 예를 들어, 그들은 내부 그룹에서 오차 단 2.4 픽셀로, 외부 그룹에서는 6.7 픽셀의 오차로 손상된 조직의 너비(PPA)를 측정할 수 있었습니다. 이는 동일한 측정을 위해 비교 대상이 된 다른 유명한 AI 모델들이 8.0에서 13.4 픽셀 사이의 오차를 보였던 것과 비교해 상당히 뛰어난 결과입니다.

이것이 왜 중요한가

이 논문은 이미지를 표현하는 방식(정사각형 격도에서 "펼쳐진" 폴라 맵으로)을 바꿈으로써, AI가 눈의 특정한 기하학적 구조를 훨씬 더 잘 이해할 수 있게 된다고 제안합니다. 이것은 단순히 더 나은 그림을 그리는 문제가 아닙니다. 정확한 수치를 얻는 것에 관한 문제입니다. 측정값이 펼쳐진 선으로부터 직접 나오기 때문에, 번거로운 후처리나 추측이 필요하지 않습니다.

연구진은 이 접근 방식이 경도 근시에서 고도 근시에 이르기까지 다양한 수준의 근시를 가진 눈을 볼 때도 잘 작동한다는 것을 발견했습니다. 비록 데이터셋이 아직 상대적으로 작으며 더 다양한 집단의 데이터를 테스트해야 한다는 점을 인정하고 있지만, 결과는 이 "펼치기" 기법이 강력한 도구임을 시사합니다. 이 기술은 혼란스럽고 구불구불한 의학적 미스터리를 명확한 측정값으로 바꾸어 놓으며, 잠재적으로 의사들이 안과 질환을 더 빠르고 신뢰성 있게 발견하고 추적하는 데 도움을 줄 수 있습니다.

기술 요약: UPolarSQ

문제 정의
근시로 인한 후극부 리모델링(myopia-induced posterior-pole remodeling)은 흔히 시신경 유두(Optic Disc, OD)의 변형과 시신경 유두 주위 위축(Peripapillary Atrophy, PPA)을 초래하며, 이는 안과 질환 스크리닝 및 진행 모니터링을 위한 핵심적인 구조적 바이오마커 역할을 합니다. 그러나 표준 데카르트(Cartesian) 안저 영상에서 PPA는 종종 시신경 유두에 인접한 불규칙하고 부분적으로 보이는 초승달 모양으로 나타납니다. 이러한 기하학적 구조는 데카르트 좌표계에서 파편화된 세그멘테이션 경계를 생성하여, 정량화를 위한 복잡한 후처리 과정을 필요로 합니다. 또한, 수동 경계 설정(manual delineation)은 시간이 많이 소요될 뿐만 아니라, 특히 혈관 폐쇄나 경계 흐림 현상이 빈번한 고도 근시 안구에서 관찰자 간 변동성(inter-observer variability)이 높습니다. 기존의 딥러닝 방법들은 OD/PPA 해부학적 구조의 본질적인 방사형 섹터 기하학(radial-sector geometry)을 명시적으로 인코딩하지 못해, 이러한 비등방성(anisotropic) 구조를 모델링하는 데 있어 최적화되지 않은 성능을 보이는 경우가 많습니다.

방법론
저자들은 OD/PPA 세그멘테이션과 임상 바이오마커 정량화를 공유된 기하학적 표현 내에서 통합하도록 설계된 통합 극좌표 도메인 프레임워크인 UPolarSQ를 제안합니다. 이 프레임워크는 세 단계로 작동합니다:

OD 중심 극좌계 변환 (OD-Centered Polar Transformation):
시스템은 먼저 제로샷 모델(RetSAM)을 사용하여 OD 중심을 국소화합니다. 그 다음, OD를 중심으로 관심 영역(ROI)을 크롭하고 이를 데카르트 좌표 $(x, y)$ 에서 극좌표 $(\theta, r)$ 로 매핑합니다. 이 변환은 복잡한 곡률을 규칙적인 그리드로 펼쳐서, 2D 경계 모델링을 1D 방사형 프로파일 추정으로 변환합니다. 이론적으로, 이 매핑은 데카르트 회전을 각 축 방향의 선형 이동으로, 데카르트 스케일링을 방사형 팽창(radial dilation)으로 변환하여 합성곱 신경망(CNN)의 귀납적 편향(inductive biases)과 일치시킵니다.
UPolarSeg 세그멘테이션 네트워크:
표준 CNN 아키텍처를 극좌표 도메인의 비균일한 기하학에 적응시키기 위해, 저자들은 두 가지 특정 모듈로 강화된 U-Net 기반 네트워크인 UPolarSeg를 도입합니다.
- 방사-각도 분리 모듈 (Radial-Angular-Decoupled Module, RADM): 극좌표 그리드의 비등방성 샘플링 메트릭(호의 길이가 반지름에 따라 변하는 특성)을 해결하기 위해, RADM은 축별 특징 정제(axis-specific feature refinement)를 수행합니다. 이는 병렬적인 비등방성 심층 합성곱(anisotropic depthwise convolutions)을 사용하여 방사형 전이와 각도 연속성을 별도로 포착하고, 스킵 연결(skip connections)에 기하학적 사전 지식을 주입합니다.
- 경계 인식 보조 감독 (Boundary-Aware Auxiliary Supervision): 훈련 중에만 활성화되는 보조 디코더는 이진 교차 엔트로피(Binary Cross-Entropy)와 소프트 다이스 손실(soft Dice loss)의 조합을 사용하여 방사형 경계(OD 및 외부 OD/PPA)를 예측합니다. 이는 추론 시의 계산 비용을 늘리지 않으면서, 공유된 표현이 임상적으로 중요한 윤곽선에 집중하도록 유도합니다.
극좌표 네이티브 바이오마커 정량화 (Polar-Native Biomarker Quantification):
윤곽선 피팅이나 반복적인 후처리를 요구하는 전통적인 방식과 달리, UPolarSQ는 예측된 극좌표 마스크에서 직접 바이오마커를 추출합니다. 특정 각도에 대한 최대 방사형 인덱스를 식별함으로써, 시스템은 다음을 결정론적으로 계산합니다:
- 수평-수직 유두 직경 비율 (Horizontal-to-Vertical Disc Diameter Ratio, HVDR).
- 최대 PPA 폭 (Maximum PPA Width, PMW).
- PPA-수직 유두 직경 비율 (PPA-to-Vertical Disc Diameter Ratio, PVDR).

주요 기여

극좌표 표현 분석: 본 논문은 OD 중심의 극좌표 표현에서 OD/PPA 분석을 공식화하여, 이것이 어떻게 2D 경계 모델링을 방사형 프로파일 추정으로 변환하고 CNN에 귀납적 편향을 제공하는 동시에 극좌표 그리드의 비등방성을 드러내는지 입증하였습니다.
맞춤형 세그멘테이션 네트워크: UPolarSeg는 방사-각도 분리 특징 정제와 경계 인식 보조 감독을 통해 극좌표 기하학을 명시적으로 모델링하여, CNN 세그멘테이션을 극좌계 제약 조건에 적응시켰습니다.
통합 정량화 프레임워크: UPolarSQ는 세그멘테이션과 임상 정량화 사이의 간극을 메워, 예측된 방사형 프로파일로부터 OD 변형 및 PPA 폭 지표를 직접 추정하는 "극좌표 네이티브" 바이오마커 판독을 가능하게 합니다.

실험 결과
프레임워크는 내부(베이징) 및 외부(티베트) 코호트의 근시 안저 영상을 대상으로 평가되었습니다.

세그멘테이션 성능: UPolarSeg는 내부 코호트에서 98.36% / 89.59%, 외부 코호트에서 **97.63% / 77.46%**의 OD/PPA Dice 점수를 달성했습니다. 이는 특히 불규칙한 형태로 인해 더 까다로운 PPA 세그멘테이션에서 UNet, SwinUNETR, TransUNet을 포함한 최신 성능(SOTA) 베이스라인들을 능가했습니다.
정량화 정확도: 이 방법은 임상 바이오마커 추정 오차를 크게 줄였습니다. 외부 코호트에서 최대 PPA 폭(6.7 픽셀) 및 PVDR(0.036)에 대해 가장 낮은 평균 절대 오차(MAE)를 기록했습니다.
강건성(Robustness): 저·중·고도 근시 중증도에 따른 하위 그룹 분석 결과, UPolarSQ는 다양한 질병 중증도와 도메인 변화(domain shifts) 환경에서도 일관된 PPA 묘사 및 정량화 정확도를 유지하였으며, 해부학적 변형이 두드러지는 고도 근시 사례에서 타 모델보다 우수한 성능을 보였습니다.
효율성: 모델은 약 2,490만 개의 파라미터로 작동하며, 이는 일반적인 UNet과 유사한 수준이며 TransUNet과 같은 트랜스포머 기반 모델이나 RetSAM과 같은 파운데이션 모델보다 훨씬 작습니다.

의의 및 주장
본 논문은 UPolarSQ가 통합된 근시 구조 분석을 위한 효과적인 해부학적 사전 지식(anatomical prior)을 제공한다고 주장합니다. 극좌표계로 문제를 재구성함으로써, 이 프레임워크는 해부학적 구조, 세그멘테이션 학습, 바이오마커 판독을 단일 좌표계 내에 정렬합니다. 저자들은 이 접근 방식이 불규칙한 시신경 주위 구조에 대한 세그멘테이션 정확도를 향할 뿐만 아니라, 복잡한 후처리 없이도 임상 바이오마커의 신뢰할 수 있는 직접 추정을 지원한다고 단언합니다. 본 연구는 극좌표 표현 학습이 특히 외부 도메인 변화 및 다양한 질병 중증도 상황에서 근시 분석의 추정 오차를 줄이는 유효한 전략임을 시사합니다.

한계점
저자들은 몇 가지 한계점을 인정하였습니다: 외부 코호트의 규모가 작아 더 넓은 일반화 가능성을 위해서는 더 큰 다기관 데이터셋이 필요하며, 프레임워크가 정확한 OD 국소화에 의존하므로 심각한 아티팩트나 극단적인 유두 변형에 의해 영향을 받을 수 있습니다. 또한, 현재의 바이오마커 판독이 오직 세그멘테이션 마스크로부터 도출된다는 점은 임상적 가치를 완전히 규명하기 위해 향후 종단적 결과(longitudinal outcomes)와의 통합이 필요함을 시사합니다.

유사한 논문