📄 medicine

Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features

본 연구는 대규모 사전 학습된 모델과 대등한 성능을 달성하면서도 향상된 투명성을 제공하고 최소한의 작업 특화 학습 데이터만을 필요로 하는, 링 기반 망막 혈관 기술자를 활용한 해석 가능한 안저 이미지 분류 프레임워크를 제시한다.

원저자: Xiaoyan Li, Shixin Xu, Arvind Gupta, Huaxiong Huang

게시일 2026-09-08

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Xiaoyan Li, Shixin Xu, Arvind Gupta, Huaxiong Huang

원본 논문은 CC BY 4.0 (https://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

매일 수백만 명의 사람들이 실명 위협이 있는 질환을 선별하기 위해, 눈의 뒷부분을 촬영하는 특수 카메라 기술인 망막 안저 촬영에 의존하고 있습니다. 이 단순한 이미지는 특히 당뇨망막병증이나 녹내장과 같이 전 세계적으로 실명의 주요 원인이 되는 질환과 관련하여 신체 건강에 대한 풍부한 정보를 담고 있습니다. 수십 년 동안 의사들은 이 사진들을 육안으로 검사하며, 망막에 혈액을 공급하는 미세한 혈관 네트워크의 미묘한 변화를 찾아왔습니다. 그들은 혈관이 너무 넓어졌는지, 너무 뒤틀렸는지, 혹은 색이 변했는지를 확인하며 이러한 시각적 단서를 사용하여 질병을 진단합니다. 그러나 이러한 인간의 판단은 의사마다 다를 수 있으며, 이미지의 엄청난 양 때문에 일관되고 신속한 선별 작업이 어렵습니다. 최근 몇 년 동안, 딥러닝 모델로 알려진 강력한 컴퓨터 프로그램들이 이 이미지들을 자동으로 판독하도록 훈련되었으며, 종종 인간의 정확도와 일치하거나 이를 능가하기도 했습니다. 하지만 이 프로그램들은 블랙박스처럼 작동합니다. 즉, 인간이 보고 이해할 수 없는 복잡하고 숨겨진 패턴을 바탕으로 진단을 내리기 때문에, 의사들은 컴퓨터가 왜 그러한 결론에 도달했는지 알 수 없는 불확실성을 겪게 됩니다.

토론토 대학교, 듀크 쿤산 대학교, 그리고 요크 대학교 연구진의 새로운 연구는 다른 길을 제시합니다. 숨겨진 패턴에 의존하는 대신, 그들은 나무의 나이테처럼 눈의 중심부이자 주요 혈관이 들어오는 시신경 유두를 중심으로 안구 이미지를 일련의 동심원 구조로 분해하는 방법을 개발했습니다. 팀은 각 고리 내의 혈관이 가진 두께, 분지 방식, 색상, 그리고 주변 조직과의 대비와 같이 구체적이고 이해 가능한 특성들을 측정함으로써, 눈의 혈관 건강에 대한 명확하고 투명한 지도를 만들었습니다. 이 접근 방식은 단순히 환자가 질병을 가지고 있는지 여부만을 알려주는 것이 아니라, 정확히 어떤 혈관 네트워크의 어느 부분이, 그리고 어떤 구체적인 물리적 특성이 그러한 결론을 이끌어냈는지를 설명해 줍니다. 연구진은 직접적인 측치에 기반한 이 방법이 가장 발전되고 복잡한 컴퓨터 모델의 성능과 일치하면서도, 인간 관찰자가 완전히 이해할 수 있는 높은 정확도로 안과 질환을 분류할 수 있다는 것을 발견했습니다.

이 연구의 핵심은 연구진이 정보를 어떻게 조직했느냐에 있습니다. 그들은 안저 이미지를 시신경 유두로부터 바깥쪽으로 방사되는 원형 구역으로 나누었습니다. 각 구역에서 그들은 네 가지 뚜一个 유형의 정보를 계산했습니다. 첫째, 혈관의 기하학적 구조를 측정하여 얼마나 많은 분지가 나타나는지와 혈관이 차지하는 면적이 어느 정도인지를 계산했습니다. 둘째, 혈관의 색상을 분석하여 적색광과 녹색광의 균형을 살폈는데, 이는 혈액이 얼마나 많은 산소를 운반하고 있는지를 나타낼 수 있습니다. 셋째, 혈관 바로 주변의 질감을 조사하여 질병을 암시할 수 있는 배경의 미묘한 변화를 확인했습니다. 마지막으로, 이 측정값들을 하나의 압축된 숫자 집합으로 결합했습니다. 이 과정은 복잡하고 화려한 사진을 단순한 컴퓨터 분류기가 읽을 수 있는 사실들의 구조화된 목록으로 변환합니다. 그 결과, 이 시스템은 정확할 뿐만 아니라 해석 가능하며, 의사가 정확히 어떤 고리나 어떤 특징이 진단에 가장 크게 기여했는지 볼 수 있게 해줍니다.

연구진이 이 고리 기반 시스템을 세 가지 서로 다른 공공 안구 이미지 컬렉션에 테스트했을 때, 결과는 놀라웠습니다. 전문가가 그린 혈관 지도가 포함된 고품질 이미지 데이터셋에서 이 방법은 완벽한 정확도를 달est했습니다. 더 까다롭고 품질이 낮은 이미지들이 포함된 다른 데이터셋에서도, 이 방법은 160만 개 이상의 망막 이미지로 훈련된 최첨단 인공지능 모델인 RETFound의 정확도와 일치하며 매우 우수한 성능을 보였습니다. 이 비교는 의미가 깊은데, 이는 연구진의 단순하고 투명한 방법이 방대한 양의 데이터나 컴퓨팅 파워를 필요로 하지 않으면서도 거대하고 복잡한 딥러닝 모델과 경쟁할 수 있음을 시사하기 때문입니다. 실제로 연구는 이러한 강력한 딥러닝 모델들이 때때로 '지름길'에 의존하고 있을지도 모른다는 점을 밝혀냈습니다. 연구진이 이미지의 배경을 바꾸거나 가시적인 시야의 크기를 변경했을 때, 딥러닝 모델의 성능은 크게 떨어졌습니다. 이는 이러한 고급 모델들이 순수한 생물학적 징후보다는 카메라 설정이나 특정 프레이밍과 같이 사진이 촬영된 방식과 관련된 단서들을 포착하고 있었음을 시사합니다. 반면, 고리 기반 방법은 혈관 자체의 물리적 특성에 엄격히 집중했기 때문에 안정적이었습니다.

연구는 또한 초기 혈관 지도의 품질이 최종 진단에 어떤 영향을 미치는지 탐구했습니다. 컴퓨터가 혈관의 위치를 자동으로 추측해야 하는 경우, 전문가가 제공한 지도에 비해 정확도가 약간 낮아졌지만 여전히 매우 강력했습니다. 이는 정밀한 혈관 탐지가 중요하지만, 이 방법이 실제 세계의 다양한 이미지 품질 변화를 처리할 수 있을 만큼 견고하다는 것을 나타냅니다. 또한, 연구진은 서로 다른 유형의 특징들이 각기 다른 방식으로 중요하다는 것을 발견했습니다. 예를 들어, 혈액의 색상 및 산소화와 관련된 측정값은 기하학적 구조만으로는 포착할 수 없는 독특한 정보를 제공했습니다. 모델에서 이러한 색상 기반 특징들을 제거했을 때 정확도가 눈에 띄게 떨어졌으며, 이는 모양, 색상, 질감의 조합이 완전한 그림을 그리는 데 필수적임을 입증했습니다.

아마도 가장 중요한 점은 연구진이 자신들의 방법을 이해할 수 있다는 것을 증명했다는 것입니다. 그들은 정확히 어떤 고리가 진단을 뒷받침하는지를 강조하는 시각적 히트맵을 제작했습니다. 건강한 눈의 경우, 시스템은 혈관 패턴이 정상과 일치하는 특정 고리를 가리켰습니다. 질병이 있는 눈의 경우, 혈관이 너무 가늘거나, 너무 뒤틀렸거나, 혹은 색상이 잘못된 고리들을 강조했습니다. 이러한 수준의 투명성은 딥러닝 모델이 어려움을 겪는 부분입니다. 딥러닝 모델은 "이것은 녹내장이다"라고 말할 수는 있지만, 왜 그런지에 대해서는 설명하지 못하는 경우가 많습니다. 그러나 고리 기반 방법은 "시신경 유두와 가장 가까운 고리의 혈관이 평소보다 현저히 가늘기 때문에 녹내장이다"라고 말할 수 있습니다. 진단을 측정 가능한 물리적 변화와 직접 연결하는 이 능력은 이 도구를 단순한 선별을 넘어 질병의 진행 과정을 이해하는 데 가치 있게 만듭니다.

연구진은 자신들 작업의 한계점도 주의 깊게 언급했습니다. 이 방법은 처음에 혈관을 정확하게 식별하는 능력에 의존하므로, 이미지가 너무 흐릿하거나 혈관이 너무 희미하면 측정의 신뢰도가 떨어질 수 있습니다. 또한, 색상 측정값이 상대적이며 절대적인 생리학적 표준에 맞춰 교정된 것이 아니라는 점도 인정했는데, 이는 이 측정값이 정확한 산소 수치를 측정하기보다는 이미지를 비교하는 데 가장 적합함을 의미합니다. 이러한 제약에도 불구하고, 이 연구는 의료 영상 분야의 미래를 향한 유망한 방향을 제시합니다. 눈의 근본적이고 관찰 가능한 속성으로 돌아가 이를 인간의 해부학적 이해와 일치하는 방식으로 조직함으로써, 연구진은 강력하면서도 투명한 도구를 만들어냈습니다. 이는 복잡한 데이터와 임상적 통찰력 사이의 간극을 메우며, 컴퓨터의 속도를 활용하면서도 진단에 대한 신뢰와 이해를 잃지 않는 방법을 제시합니다. 인공지능이 점점 더 정교해지는 시대에, 이 연구는 때때로 가장 효과적인 도구는 그것을 사용하는 의사와 같은 언어로 말하는 도구라는 점을 상기시켜 줍니다.

기술 요약: 고리 기반 망막 혈관 특징을 통한 해석 가능한 안저 이미지 분류

문제 정의
망막 안저 촬영은 당뇨망막병증(DR) 및 녹내장과 같은 안과 질환을 선별하고 모니터링하는 주요 양식이다. 딥러닝 모델, 특히 비전 트랜스포머(ViT) 및 하이브리드 CNN-ViT 구조는 강력한 예측 성능을 달est하지만, 종종 임상적 해석력이 결여된 잠재 표현에 의존한다. 또한, 이러한 모델들은 생리학적으로 의미 있는 망막 이상보다는 획득 관련 공간적 단서(예: 시야 크기, 이미지 경계)나 비혈관적 배경 특성을 의도치 않게 학습할 수 있다. 따라서 모델의 예측과 측정 가능하고 임상적으로 유의미한 망목 특징, 특히 DR 및 녹내장의 병태생리에 핵심적인 혈관 변화 사이의 투명한 연결 고리를 제공하면서도 변별력을 유지할 수 있는 분류 프레임워크가 필요하다.

방법론
저자들은 시신경 유두를 중심으로 한 고리 구조의 망막 혈관 표현을 기반으로 안저 이미지를 분류하는 해석 가능한 프레임워크를 제안한다. 파이프라인은 다음과 같이 진행된다:

고리 기반 분할(Ring-Based Partitioning): 시야(FOV)를 시신경 유두를 중심으로 하는 동심원 고리로 분할한다. 각 고리는 시신경 유두 직경의 0.5배(0.5×DD)인 방사형 너비를 가지며, 이는 절대적인 이미지 해상도와 독립적인 해부학적 정규화 척도를 제공한다.
특징 추출: 각 고리 내에서 혈관 마스크와 광밀도(optical density) 측정을 통해 네 가지 상호 보완적인 특징 군(family)을 추출한다:
- 혈관 기하학(Vessel Geometry): 혈관 면적 분율(VAF), 혈관 길이 밀도(VLD), 분지점 밀도(BPD), 혈관 굵기(유클리드 거리 변환을 통해 추정), 동맥-정맥 비율(AVR), 가는 혈관 길이, 굵은-가는 혈관 직경 비율, 굴곡도(호-현 비율), 곡률, 그리고 혈관 골격의 그래프 표현으로부터 도출된 혈관 연결성 지표를 포함한다.
- 시신경 유두 유래 $SO_2$ 대리 외관(OD-Derived $SO_2$ -Proxy Appearance): 이중 파장 망막 산소측정 원리에 기반하여, RGB 강도를 통해 광밀도(OD)를 추정한다. Beer-Lambert 근사와 ridge-정규화 최소제곱법을 사용하여 이 OD 값을 역산함으로써 산소 포화도( $SO_2$ )의 대리 지표를 생성하며, 이를 통해 산소화 관련 외관 변화를 포착한다.
- 적-녹 색상 특징(Red-Green Color Features): 혈관 색상 특성을 포착하기 위해 원래 이미지 강도로부터 직접 계산된 적색-녹색 비율 및 정규화된 적-녹 차이를 포함하는 경험적 기술자(descriptor)를 사용한다.
- 혈관-배경 엔트로피(Vessel-Background Entropy): 혈관 중심선 픽셀과 인접 혈관 배경 밴드 모두에 대해 광학적으로 정규화된 녹색 채널에서 국소 텍스처 복잡도(Shannon entropy)를 계산하여, 혈관 주변의 텍스처 변화를 포착한다.
집계 및 분류: 노이즈와 왜곡된 분포에 대한 견고성을 확보하기 위해 각 고리 내의 특징들을 중앙값(median)과 사분위수 범위(IQR)를 사용하여 요약한다. 고리별 특징 벡터는 연결(concatenate)되고 표준화된 후, elastic-net 정규화 로지스틱 회귀 분류기에 입력된다.
해석 메커니즘: 예측된 클래스와 차순위 클래스의 로짓(logit) 차이에 대한 각 특징의 부호 있는 기여도를 계산함으로써 "고리별 증거 히트맵(ring-wise evidence heatmaps)"을 생성한다. 이를 통해 어떤 환형 영역과 특정 혈관 기술자가 특정 진단을 뒷받격하는지 시각화할 수 있다.

주요 기여

해석 가능한 표현: 저자들은 편심성에 따른 혈관 기하학, 색상, 산소화 관련 외관 및 혈관-배경 엔트로피를 명시적으로 정량화하는 생리학적으로 동기 부여된 압축된 특징 집합을 도입한다.
성능 벤치마킹: 이 방법은 건강한 상태, DR, 녹내마 클래스에 대해 세 가지 공개 데이터셋(HRF, FIVES, SUSTech-SYSU)에서 강력한 분류 성능을 입증했다. HRF 데이터셋에서 자동 생성된 혈관 마스크를 사용했을 때, 이 방법은 91.1%의 정확도를 달성하여 동일한 평가 환경에서의 RETFound(대규모 사전 학습된 비전 트랜스포머) 성능과 일치하는 결과를 보였다.
사전 학습된 모델의 민감도 분석: FOV 표준화 및 비혈관적 배경 섭동을 포함한 통제된 실험을 통해, 저자들은 사전 학습된 이미지 모델(RETFound 포함)이 임상 평가 기준과 일치하지 않을 수 있는 획득 관련 공간적 특성 및 비혈관적 배경 외관에 민로적임을 보여준다.
교차 데이터셋 검증: 제안된 고리 기반 기술자들, 특히 시신경 유두에 의해 정규화되고 원시 색상 특징을 제외했을 때, 프리즈된(frozen) 전체 이미지 임베딩을 사용하는 사전 학습 모델들에 비해 교차 데이터셋 설정(FIVES에서 HRF로)에서 더 나은 전이성을 보임을 입와한다.

결과

분류 정확도:
- HRF: 전문가 혈관 마스크 사용 시 100.0% 정확도, 예측된 마스크 사용 시 91.1% (RETFound와 일치).
- SUSTech-SYSU: 89.6% 정확도 (이진 DR vs. 건강함), 다만 ConvNeXt-B 및 ViT-B/16과 같은 사전 학습된 모델들이 약간 더 높은 성능(각각 96.4% 및 95.3%)을 보였다.
- FIVES: 전문가 마스크 사용 시 76.6% 정확도, 예측된 마스크 사용 시 72.4%. 저자들은 FIVES에서의 낮은 성능을 부분적으로 segmentation-의존적 기술자에 영향을 미치는 이미지 품질 변동성(흐림, 왜곡) 때문이라고 설명한다.
절제 연구(Ablation Studies): $SO_2$ -대리 특징을 제거했을 때 정확도가 가장 크게 감소하였으며(HRF에서 91.1%에서 77.8%로), 이는 산소화 관련 외관이 기하학이나 색상만으로는 포착되지 않는 보완적인 정보를 제공함을 나타낸다.
민감도 분석: FIVES 데이터셋에서 FOV를 표준화하면 사전 학습된 모델(예: RETFound)의 정확도가 유의미하게 감소하였다(RETFound가 92.7%에서 80.6%로 하락). 이는 해당 모델들이 FOV 기하학 및 획득 특성에 의존하고 있음을 시사한다. 반면, 고리 기반 방법의 성능은 명시적인 혈관 측정에 결부되어 있다.
설명 품질: 정성적 비교 결과, RETFound의 어트리뷰션 맵은 종종 비혈관 영역(예: 황반 영역)을 강조하는 반면, 제안된 방법의 히트맵은 예측을 특정 환형 혈관 영역 및 측정 가능한 기술자(예: 녹내장에서의 감소된 혈관 면적 분율)와 명시적으로 연결한다.

의의 및 주장
본 논문은 이 프레임워크가 대규모 작업 특화 데이터셋을 요구하지 않고도 해석 가능한 질병 분류 및 정량적 망막 표현형 분석을 지원한다고 주장한다. 생리학적으로 의미 있는 혈관 측정치로부터 특징을 구축함으로써, 이 방법은 "블랙박스" 딥러닝 모델에 대한 투명한 대안을 제공한다. 저자들은 자신들의 접근 방식이 예측과 망목 특성 사이의 직접적인 연결 고리를 제공하여 특징 기여도 검사를 용이하게 한다고 강조한다.

연구는 다음과 같은 한계를 겸허히 인정한다: 프레임워크는 신뢰할 수 있는 혈관 분할과 안정적인 색상/강도 측정에 의존하며, 이는 이미지 아티팩트나 심각한 병증에 의해 저해될 수 있다. $SO_2$ -대리 특징은 카메라의 분광 감도 및 처리 파이프라인에 영향을 받는 RGB 강도에 의존하므로, 보정된 생리학적 측정값이 아닌 "산소화 관련 광밀도 대리물"로 설명된다. 저자들은 결과가 유망하지만, 일반적인 견고성을 확립하기 위해서는 다양한 기관, 영상 장치 및 인구 집단에 걸친 광범위한 검증이 필요하다고 밝히고 있다. 그들은 이 방법이 모든 맥락에서 딥러닝을 대체한다고 주장하는 것이 아니라, 망목 이미지 분석을 위한 보완적인 해석 가능 접근법을 제공하는 것임을 명시한다.

유사한 논문