SWH-SegFormer: A Signal-Preserving Framework for Joint Optic Disc and Cup Segmentation and Reliable Cup-to-Disc Ratio Estimation

인간의 눈은 복잡한 광학 기구이지만, 녹내장이라는 '시력을 훔치는 침묵의 도둑'을 모니터링하는 의사들에게 가장 중요한 단서는 망막 뒤쪽에 위치한 시신경 유두라고 알려진 작은 원형 패치에 있습니다. 이 유두 안에는 시신경 유두 함몰(optic cup)이라고 불리는 더 작은 중심 함몰 부위가 자리 잡고 있습니다. 건강한 눈에서 이 함몰 부위는 상대적으로 작지만, 녹내장이 진행됨에 따라 종종 확장되며 주변의 신경 조직을 갉아먹습니다. 이 위험한 성장을 측정하기 위해 임상의들은 단순한 비율, 즉 전체 유두 크기에 대한 함몰 부위의 크기를 계산합니다. '컵-디스크 비율(cup-to-disc ratio)'로 알려진 이 수치는 중요한 조기 경고 신호 역할을 합니다. 그러나 손으로 이를 측정하는 것은 어렵고 인적 오류가 발생하기 쉬운데, 이는 특히 유두와 함몰 사이의 경계가 희미하거나 흐릿하며 혈관이나 불균일한 조명으로 인해 혼동되기 쉽기 때문입니다.

수년 동안 연구자들은 인공지능을 이용해 컴퓨터가 이러한 경계를 자동으로 그리도록 가르치려 노력해 왔지만, 이 작업은 여전히 매우 어려운 과제로 남아 있습니다. 표준 컴퓨터 비전 모델은 종종 작은 함몰 부위를 큰 유두와 구별하는 데 필요한 미세한 세부 사항을 포착하는 데 어려움을 겪으며, 이미지를 처리하는 과정에서 가장자리의 선명도를 자주 놓치곤 합니다. 상하이 해양 대학교와 상하이 교통 대학교 연구진의 새로운 연구는 이 문제에 대한 신선한 접근 방식을 소개합니다. 그들은 단순히 형태를 인식하는 것을 넘어, 형태를 정의하는 섬세한 신호를 보존하도록 설계된 SWH-SegFormer라는 시스템을 개발했습니다. 이미지를 광범위한 형태를 보여주는 정보와 날카로운 가장자리를 보여주는 정보 등 서로 다른 유형의 정보 집합으로 취급함으로써, 연구팀은 분석 전 과정에서 이러한 세부 사항을 온전히 유지하는 프레임워크를 구축하여 컵-디스크 비율을 더욱 정확하게 측정할 수 있게 했습니다.

연구진이 직면한 핵심 과제는 시신경 유두 함몰이 시신경 유두보다 훨씬 작은 경우가 많아 데이터의 심각한 불균형을 초래한다는 점이었습니다. 광활하고 밝은 들판에서 작고 희미한 물체를 찾는 상황을 상상해 보십시오. 표준 컴퓨터 모델은 종-종 대형의 밝은 배경에 집중하느라 작고 중요한 물체를 무시하는 경향이 있습니다. 이를 해결하기 위해 연구팀은 컴퓨터가 작업에 가장 중요한 특징에 더 주의를 기울이도록 강제하는 특정 메커니즘을 추가했는데, 이는 본질적으로 배경의 노이즈는 줄이고 희미한 신호의 볼륨을 높이는 것과 같습니다. 이를 통해 시스템이 주변 조직의 압도적인 크기에 의해 주의가 분산되지 않도록 보장합니다.

또 다른 주요 장애물은 컴퓨터가 전체 구조를 이해하기 위해 이미지를 축소할 때 발생하는 세부 정보의 손실입니다. 전통적인 방식에서 이 축소 과정은 종종 컵과 디스크를 정의하는 바로 그 가장자리를 흐릿하게 만듭니다. 연구진은 신호 처리에서 빌려온 '하르 웨이브렛 다운샘플링(Haar wavelet downsampling)'이라는 기술을 사용하여 이 문제를 해결했습니다. 이 방법은 이미지가 작아질 때 단순히 픽像素(픽셀)을 버리는 대신, 이미지를 두 부분으로 분리합니다. 하나는 해부학적 구조의 일반적이고 매끄러운 형태를 포착하는 부분이고, 다른 하나는 경계의 날카롭고 고주파적인 세부 사항을 포착하는 부분입니다. 이 두 부분을 분리하여 정밀하게 처리함으로써, 시스템은 컴퓨터가 다양한 수준의 세부 사항으로 이미지를 소화하는 동안에도 컵과 디스크의 중요한 가장자리가 선명하고 명확하게 유지되도록 합니다.

마지막으로, 연구진은 조각들을 다시 결합하는 문제에 대처했습니다. 컴퓨터가 다양한 규모로 이미지를 분석하고 나면, 최종적인 유두와 함몰의 지도를 재구성해야 합니다. 연구진은 시스템이 가장 초기 단계의 상세한 가장자리 관찰 내용과 이후의 더 넓은 전체 형태에 대한 이해를 끊임없이 비교할 수 있도록 하는 새로운 디코딩 모듈을 구축했습니다. 이러한 미세한 세부 사항과 거시적 관점 사이의 지속적인 대화는 시스템이 스스로의 오류를 수정하도록 도와, 훨씬 더 정확하고 해부학적으로 일관된 구조의 윤곽을 만들어냅니다.

세 가지 서로 다른 공개 안구 이미지 컬렉션에 대해 테스트했을 때, 이 새로운 프레임워크는 매우 효과적인 것으로 증명되었습니다. 100장이 넘는 이미지를 포함한 한 데이터셋에서, 이 시스템은 전문가가 그린 정답(ground truth)과 높은 중첩도를 보였으며, 유두를 약 85%의 경우에서 정확히 식별했고, 함몰 부위를 거의 93%의 경우에서 정확히 식별했습니다. 더 중요한 것은, 컵-디스크 비율을 추정하는 시스템의 능력이 매우 신뢰할 만했다는 점인데, 평균 오차는 0.05 미만으로 임상적으로 매우 작은 수치였습니다. 연구진은 자신들의 방법을 최근 몇 년간 분야를 주도해 온 딥러닝 아키텍처 기반의 여러 선도적인 인공지능 모델들과 비교했습니다. 거의 모든 비교에서, 이들의 신호 보존 방식은 다른 모델들을 능가하며 더 적은 계산 자원을 사용하면서도 더 높은 정확도를 전달했습니다.

또한 연구진은 컴퓨터의 측정값이 인간 전문가가 제공한 참조값과 얼마나 일치하는지 조사했습니다. 기준 모델과의 일치도를 확인하기 위한 표준 통계 방법을 사용하여, 연구진은 이 시스템이 체계적인 편향이 적고 극단적인 오류가 더 적다는 것을 발견했습니다. 이는 새로운 프레임워크가 단순히 경계를 추측하는 것이 아니라, 유두와 함몰 사이의 미묘한 변화를 진정으로 이해하고 있음을 시사합니다. 결과는 다양한 환자군과 다양한 이미지 품질을 포함한 여러 데이터셋에서 일관되게 나타났으며, 이는 이 접근 방식이 단순히 특정 이미지 세트에 운 좋게 들어맞은 것이 아니라 견고하다는 것을 나타냅니다.

유망한 결과에도 불구하고, 연구진은 자신들의 작업이 최종적인 해결책이라기보다는 하나의 진전임을 인정합니다. 이 연구는 공개적으로 사용 가능한 데이터셋에 의존했는데, 이는 가치 있는 것이긴 하지만 실제 병원에서 발견되는 방대한 양의 이미지 컬류션보다는 작습니다. 또한 그들은 현재 시스템이 표준 컬러 망막 사진으로만 작동하며, 더 깊은 통찰을 제공할 수 있는 다른 영상 기술은 제외되어 있다는 점을 언급했습니다. 그럼에도 불구하고, 이 연구는 단순히 모델을 더 크거나 깊게 만드는 것이 아니라, 해부학적 구조를 정의하는 특정 신호를 보존하는 데 집중함으로써 더 정확하고 효율적인 도구를 만들 수 있음을 입증합니다. 이러한 접근 방식은 녹내로 인한 실명을 막기 위해 더 조기에, 더 신뢰할 수 있게 검진할 수 있는 자동 스크리닝 시스템을 향한 새로운 길을 제시하며, 이는 너무 늦기 전에 진단받지 못할 수도 있는 수백만 명의 시력을 구하는 데 기여할 수 있습니다.