IVOCT 영상에서 중성집합 C 평균을 활용한 광관 경계 자동 검출

초록

본 논문은 혈관 내 광학 코히런스 단층촬영(IV OCT) 영상에서 중성집합(neutrosophic) 이론을 적용한 C-평균 클러스터링을 이용해 광관(lumen) 경계를 자동으로 식별하는 방법을 제안한다. 픽셀을 진실성, 거짓성, 불확실성 세 축으로 변환해 클러스터링을 수행함으로써 경계 부근의 잡음과 불확실성을 효과적으로 억제한다. 실험 결과 Jaccard 0.972, PAD 0.019 mm², 평균 거리 0.076 mm, Hausdorff 0.32 mm, Dice 0.985 등 높은 정밀도를 보이며, 기존 방법 대비 우수한 성능을 입증한다.

상세 분석

이 연구는 관상동맥 질환 진단의 첫 단계인 광관 경계 검출을 고해상도 IVOCT 영상에서 자동화하려는 시도이다. 기존의 전통적 에지 검출이나 단순 K‑means 기반 방법은 혈관 내 석회화, 플라크, 잡음 등에 취약해 경계 오분류가 빈번했다. 저자들은 이러한 한계를 극복하기 위해 중성집합 이론을 도입하였다. 중성집합은 각 픽셀을 ‘진실성(T)’, ‘거짓성(F)’, ‘불확실성(I)’ 세 값으로 표현해, 불확실성이 높은 영역을 명시적으로 다룰 수 있게 한다. 논문에서는 IVOCT 이미지의 회색조 강도를 먼저 정규화한 뒤, T, F, I를 계산하고 이를 3차원 특성 공간에 매핑한다. 이후 Neutrosophic C‑means(NCM) 알고리즘을 적용해 각 픽셀을 다중 클러스터에 할당한다. NCM은 전통적인 C‑means의 목적함수에 불확실성 항을 추가해, 클러스터 중심과 멤버십 값이 동시에 최적화되도록 설계되었다. 특히 경계 근처의 픽셀은 I 값이 크게 증가하므로, 클러스터링 과정에서 자연스럽게 ‘경계 클러스터’로 분리된다.

클러스터링 결과는 후처리 단계에서 형태학적 연산(침식·팽창)과 연결 요소 분석을 거쳐 최종 광관 경계로 변환된다. 평가 지표로는 Jaccard Index, Percentage of Area Difference(PAD), Average Distance(AD), Hausdorff Distance(HD), Dice Index를 사용했으며, 평균값이 각각 0.972, 0.019 mm², 0.076 mm, 0.32 mm, 0.985로 보고되었다. 이는 기존의 Fuzzy C‑means, Active Contour, Deep Learning 기반 방법들과 비교했을 때 유의미하게 높은 정확도와 낮은 거리 오차를 의미한다.

한편, 논문은 데이터셋이 제한적이며, 다양한 병변(예: 급성 혈전, 심한 석회화)에서의 일반화 가능성을 추가 실험으로 검증해야 함을 인정한다. 또한 NCM의 파라미터(클러스터 수, 불확실성 가중치) 선택이 결과에 민감하게 작용하므로 자동 파라미터 튜닝 기법이 필요하다. 향후 연구에서는 다중 스캔 라인 결합, 3‑D 볼륨 기반 확장, 그리고 경량화된 딥러닝 모델과의 하이브리드 구조를 도입해 실시간 임상 적용성을 높일 수 있을 것으로 기대된다.