👁️ ophthalmology

Performance of Frangi-Hessian Pseudo-Labels for Retinal Vessel Segmentation in AI-Assisted Retinopathy of Prematurity Screening

본 연구는 제한된 정답 데이터와 Frangi-Hessian 기반의 의사 라벨(pseudo-labels)을 결합한 하이브리드 학습 패러다임이 AI 보조 미숙아 망막병증 선별 검사를 위한 망막 혈관 분할의 정확도와 연속성을 유의미하게 향상시키며, 여러 딥러닝 아키텍처에 걸쳐 순수 지도 학습 및 자기 지도 학습 방식보다 우수한 성능을 보임을 입증한다.

원저자: Mutisya, F., Onyango, O., Sitati, S., Ilovi, S., W'mosi, B., Macharia, P., Makini, B., Aluuvala, J., Onyango, J., Wanyee, S.

게시일 2026-02-04

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mutisya, F., Onyango, O., Sitati, S., Ilovi, S., W'mosi, B., Macharia, P., Makini, B., Aluuvala, J., Onyango, J., Wanyee, S.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

큰 문제: 너무 많은 눈, 너무 적은 조력자

당신이 아기의 눈 속에 있는 아주 작고 구불구불한 길(혈관)을 찾아내는 로봇을 가르치려고 노력하고 있다고 상상해 보세요. 이것은 **미숙아 망막병증(ROP)**이라는 질환을 감지하는 데 매우 중요한데, 이 질환은 조기에 발견하지 못하면 실명으로 이어질 수 있습니다.

로봇을 가르치기 위해서는 보통 "선생님"(인간 전문가)이 수천 장의 사진 위에 모든 길의 완벽한 지도를 그려주어야 합니다. 하지만 여기에는 함정이 있습니다. 이 지도를 손으로 그리는 것은 마치 마라톤을 하면서 도시의 상세한 지도를 그리는 것과 같습니다. 시간이 엄청나게 오래 걸리고, 기진맥진할 정도로 힘들며, 전문가마다 도로를 그리는 방식이 조금씩 다를 수 있습니다. 많은 지역에서는 로봇을 제대로 가르칠 만큼 충분한 지도를 그려줄 전문가가 부족합니다.

해결책: "스마트 스케치" 조수

연구진은 다음과 같은 질문을 던졌습니다. 만약 컴퓨터 프로그램이 자동으로 도로의 "거친 스케치"를 그리게 하고, 그 스케치가 완벽하지 않더라도 그 스케치를 이용해 로봇을 가르칠 수 있다면 어떨까?

그들은 이 문제를 해결하기 위해 3단계 학습 시스템을 구축했습니다:

"스마트 스케치" 생성기 (자기 지도 학습):
그들은 고성능 형광펜 역할을 하는 고전적인 수학적 도구(Frangi–Hessian 필터링이라 불림)를 사용했습니다. 이 도구는 눈 사진을 스캔하여 밝고 관 모양인 구조물(혈관)을 자동으로 강조합니다.
- 함정: 이 "형광펜"은 주요 도로를 찾는 데는 뛰어나지만, 아주 작은 골목길을 놓치거나 도로의 전체 너비를 완벽하게 채우지는 못합니다. 이는 도로의 형태는 보여주지만, 선이 다소 가늘고 세부 사항이 빠져 있는 스케치와 같습니다.
"전문가 선생님" (정답 데이터/Ground Truth):
그들은 또한 인간 전문가들이 정교하고 상세한 지도를 직접 그린 소수의 사진 데이터도 보유하고 있었습니다.
"하이브리드 클래스" (마법 같은 조합):
그들은 로봇에게 (희귀한) 완벽한 전문가 지도만을 가르치거나, 혹은 (불완전한) 컴퓨터 생성 스케치만을 가르치는 대신, 이 둘을 함께 섞어서 가르쳤습니다. 즉, 전문가 지도와 컴퓨터가 만든 스케치를 동시에 사용하여 로봇을 학습시켰습니다.

무엇을 테스트했는가

그들은 다섯 가지 유형의 "로봇"(AI 모델)을 세 가지 방법으로 가르치며 실험했습니다:

방법 A: 오직 전문가 지도만 사용.
방법 B: 오직 컴퓨터 스케치만 사용.
방법 C (승자): 두 가지를 혼합하여 사용.

결과: "하이브리드 클래스"의 승리

실험 결과는 다음과 같았습니다:

"스케치 전용" 로봇: 학습이 거의 이루어지지 않았습니다. 거친 스케치는 너무 지저분하고 부정확해서 로봇이 스스로 잘 해내는 법을 배우기에는 역부도했습니다. 이는 마치 도로의 흐릿한 사진만 보고 운전을 배우려는 것과 같았습니다.
"전문가 전용" 로봇: 어느 정도 성과는 있었지만, 완벽한 예시를 아주 조금만 보았기 때문에 새롭고 까다로운 상황에서 도로를 인식하는 데 어려움을 겪었습니다.
"하이브리드" 로봇: 이 모델이 바로 주인공이었습니다. 완벽한 지도와 거친 스케치를 모두 접하면서, 이 로봇은 두 세계의 장점을 모두 배웠습니다.
- 인간 전문가로부터 정밀함(도로의 경계가 정확히 어디인지 아는 법)을 배웠습니다.
- 컴퓨터 스케치로부터 구조(전체 도로망이 어떻게 연결되는지 이해하는 법)를 배웠습니다.

결과: 하이브리드 로봇들은 혈관을 찾아내는 능력이 현저히 뛰어났습니다. 특히 한 특정 모델(SegFormer)은 혈관을 찾아내는 데 가장 뛰어난 성능을 보였으며, 또 다른 모델(BioSwinFuseNet)은 전문가 지도만 사용했을 때보다 성능이 두 배 이상 향러졌습니다.

"거친 스케치"는 실제로 어떤 모습이었나

연구진은 컴퓨터가 생성한 스케치를 인간의 지도와 비교 검토하여 흥미로운 차이점들을 발견했습니다:

더 가는 도로: 컴퓨터 스케치는 인간보다 도로를 훨씬 가늘게 그렸습니다 (두꺼운 마커 대신 연필 선처럼 그리는 것과 같습니다).
더 매끄러운 곡선: 컴퓨터는 곡선을 부드럽게 처리하여, 실제보다 도로가 덜 구불구불하게 보이도록 만들었습니다.
작은 골목길 누락: 아주 작은 모세혈관들을 놓쳤습니다.

하지만 이러한 결함에도 불구하고, 이 스케치들은 도로가 어떻게 연결되는지에 대한 전체적인 그림을 보여주기에는 충분했습니다. 전문가의 지도와 결합되었을 때, 이 "초안"들은 AI가 눈의 혈관 체계 전체 레이아웃을 스스로 파악할 때보다 더 잘 이해할 수 있도록 도왔습니다.

핵심 요약

이 논문의 결론은, 훌륭한 안구 스크리닝용 AI를 만들기 위해 수천 장의 완벽한 인간 드로잉이 반드시 필요한 것은 아니라는 점입니다. 몇 개의 완벽한 드로잉과 컴퓨터가 생성한 수천 개의 "거친 스케치"를 결합하여 사용할 수 있습니다.

이 "하이브리드" 접근 방식은 마치 거장 화가(인간)가 학생을 지도하는 동안, 학생이 유용한 자동 드로잉 도구를 사용하여 연습을 병행하는 것과 같습니다. 그 결과, 학생은 더 빨리 배우고 더 숙련되게 됩니다. 이는 전문가 의사가 부족한 곳에서 더 나은 스크리닝 도구를 구축할 수 있는 실질적인 방법을 제시합니다.

기술 요약: AI 기반 미숙아 망막병증(ROP) 선별 검사를 위한 Frangi–Hessian 의사 라벨(Pseudo-Labels)의 성능 연구

문제 정의
미숙아 망막병증(ROP)은 특히 선별 검사 자원이 부족한 저소득 지역에서 예방 가능한 실명의 주요 원인입니다. 정확한 진단은 혈관 확장 및 굴곡성("Plus disease")을 평가하는 데 달려 있으며, 이를 위해서는 정밀한 망막 혈관 분할이 필수적입니다. 그러나 AI 기반 선별 도구의 개발은 "라벨링 병목 현상"에 의해 저해되고 있습니다. 즉, 망막 혈관 마스크를 수동으로 주석 처리하는 작업은 노동 집약적이고, 관찰자 간 변동성이 크며, 대규모 데이터셋으로 확장하기 어렵습니다. 지도 학습 기반의 딥러닝 모델은 풍부한 라벨 데이터가 있을 때 우수한 성능을 보이지만, 전문가가 라벨링한 신생아 혈관 이미지의 희소성으로 인해 대안적인 라벨 효율적 전략이 필요합니다.

방법론
본 연구는 정답(Ground Truth, GT) 주석의 부족 문제를 해결하기 위해 고전적 영상 처리와 현대적 딥러닝을 통합한 하이브리드 학습 프레임워크를 제안합니다. 방법론은 세 가지 주요 구성 요소로 이루어집니다.

자동 자기 주석 파이프라인 (Automatic Self-Annotation Pipeline):
이 단계는 이중 Frangi–Hessian 방식을 사용하여 라벨이 없는 이미지로부터 혈관 의사 마스크(pseudo-masks)를 생성하는 9단계 파이프라인을 포함합니다. 과정은 다음과 같습니다.

전처리: 가장 높은 혈관 대비를 보이는 녹색 채널 추출, 512×512 크기 조정, 에지 보존형 노이즈 제거(Bilateral Filter), 국소 대비 향상(CLAHE).
정규화 및 샤프닝: 조명 보정을 위한 Rolling-ball 배경 차분 및 혈관 능선을 강조하기 위한 Unsharp Masking 적용.
혈관성 향상 (Vesselness Enhancement): 헤시안 행렬(Hessian matrix)의 고윳값(eigenvalues)을 기반으로 한 Frangi 및 Hessian 필터를 적용하여 관상 구조(tubular structures)의 가능성을 정량화.
정제: 아티팩트 제거를 위한 적응형 임계값 처리(Adaptive thresholding) 및 형태학적 연산, 그리고 혈관 루멘(lumen)과 중심선을 모두 나타내는 이진 마스크 생성을 위한 스켈레톤화(Skeletonization).

모델 아키텍처:
다섯 가지 서로 다른 분할 아키텍처를 평가했습니다: BioSwinFuseNet (커스텀 SwinV2-ConvNeXt 융합 모델), UNet, Feature Pyramid Network (FPN), LinkNet, 그리고 SegFormer (트랜스포머 기반 인코더).
학습 체계 (Training Regimes):
각 아키텍처는 세 가지 서로 다른 감독 조건 하에 학습되었습니다:

GT-only: 전문가가 라벨링한 마스크로만 학습.
Self-only: 생성된 의사 마스크로만 학습.
Hybrid: 가중치 손실 함수( $L = 0.7L_{GT} + 0.3L_{Self}$ )를 사용하여 GT와 의사 마스크를 결합하여 학습.
모든 모델은 Binary Cross-Entropy, Dice Loss, 그리고 연속성 페널티(continuity penalties)를 결합한 위상 인식 손실(topology-aware loss)을 활용했습니다.

주요 결과

의사 라벨 특성: 자체 생성된 마스크는 전문가의 GT와 체계적인 차이를 보였습니다. 의사 마스크는 낮은 혈관 비율(0.021 vs. 0.082)과 유의미하게 얇은 평균 혈관 직경(2.01 px vs. 7.47 px)을 나타냈으며, 이는 의사 마스크가 전체 경계보다는 혈관의 핵심(core)을 포착했음을 의미합니다. 그러나 분지 밀도(branch density)와 프랙탈 차원(fractal dimension)은 GT와 유사하게 유지되어 전역적인 위상 특징은 보존되었습니다.
학습 체계별 성능:
- Self-only 모델은 낮은 성능(Dice ≈ 0.005)을 보였으며, 이는 의사 마스크 단독으로는 임상 배포에 필요한 정밀도가 부족함을 확인시켜 줍니다.
- Hybrid 모델은 모든 아키텍처에서 GT-only 및 Self-only 접근 방식보다 일관되게 우수한 성능을 보였습니다.
- 최고 성능 모델: SegFormer-Hybrid 모델은 가장 높은 종합 민감도(0.70)와 AUC(0.94)를 달 기록했습니다. BioSwinFuseNet-Hybrid 모델은 GT-only 모델 대비 Dice 점수가 122% 증가하며 가장 유의미한 상대적 개선을 보여주었습니다.
- 안정성: FPN-Hybrid는 가장 낮은 분산을 보였으며, UNet-Hybrid는 높은 특이도(0.97)와 함께 강력한 일반화 능력을 유지했습니다.

의의 및 주장
본 논문은 하이브리드 패러다임이 전문가의 라벨링이 제한된 환경에서 자동화된 ROP 선별 도구를 개발하기 위한 확장 가능한 솔루션을 제공한다고 주장합니다. 고전적인 Frangi–Hessian 필터에서 유도된 위상적 사전 지식(topological priors)을 딥 뉴럴 네트워크의 표현력과 결합함으로써, 본 연구는 자기 주석 마스크가 지도 학습을 효과적으로 보강할 수 있음을 입증했습니다.

저자들은 의사 라벨이 불완전하더라도(작은 혈관을 과소 분할하거나 곡률을 매끄럽게 만드는 경향이 있음에도 불구하고), 학습을 시작하기 위한 충분한 구조적 정보를 제공한다고 결론지었습니다. 이 접근 방식은 모델이 희소하고 비용이 많이 드는 전문가 주석에만 의존하지 않고 일반화된 혈관 패턴을 학습할 수 있게 합니다. 본 연구는 이 하이브리드 프레임워크를 혈관 분할 및 Plus disease 탐지 범위를 넘어선 새로운 응용 분야를 발명하는 것이 아니라, 저소득 임상 환경에서 AI 지원 ROP 선별 검사를 확장하기 위한 실질적인 경로로 제시합니다.