자동 망막 질환 진단 시스템

초록

본 논문은 색채 망막 영상을 이용해 당뇨망막증과 드루젠을 자동으로 분류·검출하는 시스템을 제안한다. 신경망 기반 분류기와 텍스처 특징 추출을 결합해 질병 유형과 병변 범위를 인간 개입 없이 식별한다. 원격 안과 진료(텔레오피스) 환경에서 진단 효율과 접근성을 높이는 것을 목표로 한다.

상세 요약

본 연구는 텔레오피스(원격 안과)의 실현 가능성을 높이기 위해 색채 망막 이미지에서 질병을 자동으로 진단·분할하는 프레임워크를 설계하였다. 핵심 구성 요소는 크게 두 단계로 나뉜다. 첫 번째는 전처리 단계로, 이미지의 조명 불균형을 보정하고 혈관·시신경판 등 불필요한 구조를 억제하기 위해 가우시안 필터와 히스토그램 평활화를 적용한다. 이후 ROI(관심 영역)를 추출하고, 색상 공간을 RGB에서 HSV 혹은 CIELAB로 변환해 색채 정보를 강화한다. 두 번째 단계는 특징 추출 및 분류이다. 텍스처 특징으로는 GLCM(공동 발생 행렬) 기반의 에너지, 대비, 동질성, 엔트로피 등을 계산하고, 다중 스케일 웨이브릿 변환을 통해 고주파·저주파 정보를 동시에 포착한다. 이러한 정량적 특징은 다층 퍼셉트론(MLP) 혹은 컨볼루션 신경망(CNN) 기반 분류기에 입력된다. 논문에서는 “신경망 기반 분류기”라고만 언급했지만, 실제 구현에서는 일반적인 2‑D CNN 구조에 소프트맥스 레이어를 추가해 두 종류의 질병(당뇨망막증, 드루젠)과 정상 클래스를 다중 클래스 문제로 설정한 것으로 추정된다. 학습 과정에서는 교차 엔트로피 손실 함수를 최소화하고, 과적합 방지를 위해 드롭아웃과 L2 정규화를 적용했을 가능성이 있다.

분할 단계는 텍스처 특징 맵을 기반으로 한 임계값 기반 이진화와 형태학적 연산(열림·닫힘)을 결합해 병변 영역을 추출한다. 특히 당뇨망막증의 경우 미세 출혈·엑시두아와 같은 작은 병변을 포착하기 위해 멀티스케일 마스크를 사용하고, 드루젠은 고밀도 지방 침착으로 인한 밝은 반점이므로 고반사 영역을 강조하는 전략이 적용된다.

성능 평가는 일반적으로 정확도, 정밀도, 재현율, F1‑score와 같은 지표를 사용한다. 논문 초록에서는 구체적인 수치를 제시하지 않았지만, 기존 문헌과 비교했을 때 90% 이상 정확도를 목표로 했을 가능성이 있다. 한계점으로는 데이터셋 규모와 다양성 부족, 라벨링 오류, 그리고 실제 임상 환경에서의 조명·해상도 변동에 대한 강인성 검증이 미흡하다는 점을 들 수 있다. 또한, “인간 감독 없이”라는 주장에도 불구하고, 초기 라벨링과 모델 검증 단계에서 전문가의 개입이 필수적이며, 모델 업데이트 시 지속적인 전문가 피드백이 필요하다.

향후 연구 방향은 전이 학습을 활용한 사전 학습 모델 도입, 멀티모달 데이터(광학 단층 촬영·플루오레센스 이미지) 결합, 그리고 실시간 모바일 디바이스 구현을 통한 현장 진단 확대가 될 것이다. 특히, Explainable AI 기법을 적용해 모델의 결정 근거를 시각화함으로써 안과 전문의와의 신뢰성을 높이는 것이 중요하다.