다중스케일 팽창 합성곱으로 구현한 고성능 망막 혈관 분할 네트워크 D‑Net

** 본 논문은 당뇨병성 망막증(DR) 검출을 위한 전처리 단계인 망막 혈관 분할에 초점을 맞추어, 기존 딥 컨볼루션 신경망(DCNN) 기반 방법들의 근본적인 한계인 ‘작은 수용 영역’ 문제를 해결하고자 새로운 네트워크 구조 D‑Net을 제안한다. D‑Net은 크게 세 가지 혁신적인 설계 요소를 포함한다. 첫째, 백본 네트워크 전반에 걸쳐 팽창 합성곱(dilated convolution)을 적용함으로써 풀링 없이도 수용 영역을 기하급수적으로 확대한다. 이는 미세 혈관(1~2픽셀 폭)과 병변(출혈·미세 병변) 사이의 경계 구분을 강화하고, 공간 해상도 손실을 최소화한다. 둘째, 다중 스케일 정보 융합(MSIF) 모듈을 도입한다. 동일 레이어에 팽창률이 1, 2, 4, 8인 네 개의 병렬 합성곱을 배치하고, 이들의 출력을 채널 차원에서 concat 후 1×1 합성곱으로 차원을 축소함으로써 다양한 스케일의 혈관 특징을 동시에 학습한다. 이를 통해 대혈관부터 미세 혈관까지 폭넓은 직경을 포괄하는 풍부한 피처 표현을 얻는다. 셋째, U‑Net과 유사한 디코더 구조와 스킵 연결을 유지하면서, 인코더에서 보존된 고해상도 정보를 그대로 전달한다. 업샘플링 후 3×3 합성곱을 적용해 피처를 정제하고, 저수준 경계 정보가 손실되지 않도록 설계하였다. 학습 단계에서는 DRIVE, STARE, CHASE_DB1 세 개의 공개 망막 혈관 데이터셋을 각각 5‑fold 교차 검증하였다. 전처리로는 그레이스케일 정규화와 CLAHE를 적용하고, 0.5배 다운샘플링을 수행했다. 손실 함수는 Dice loss와 Binary Cross‑Entropy를 가중 평균(α=0.5)으로 사용해 클래스 불균형을 보정했으며, Adam 옵티마이저(learning rate=1e‑4)로 150 epoch 학습하고 early‑stop을 적용했다. 평가 지표는 Accuracy, Sensitivity, Specificity, AUC‑ROC를 사용하였다. 실험 결과, D‑Net은 DRIVE에서 0.957, STARE에서 0.962, CHASE에서 0.970의 정확도를 기록했으며, 이는 각각 U‑Net(0.947, 0.950, 0.942) 대비 평균 1.04%·1.23%·2.79% 향상된 수치이다. 민감도와 특이도 역시 각각 0.782→0.770, 0.801→0.788, 0.825→0.797 등 기존 모델보다 개선되었으며, AUC‑ROC는 0.985→0.978, 0.989→0.982, 0.992→0.983 등 전반적으로 우수한 성능을 보였다. 특히 미세 혈관 검출에서 민감도가 크게 상승한 점이 주목할 만하다. 한계점으로는 공개 데이터셋의 규모가 제한적이며, 팽창 합성곱을 다중 병렬로 적용할 경우 GPU 메모리 사용량이 증가한다는 점을 들 수 있다. 향후 연구에서는 대규모 병원 데이터를 활용한 일반화 성능 검증, 메모리 효율을 위한 mixed‑precision 학습 및 모델 프루닝, OCT·FA와 같은 다중 모달리티 융합, 그리고 CRF와 같은 정교한 후처리 기법 적용을 통해 잡음 억제와 경계 정밀도를 더욱 향상시킬 수 있다. 결론적으로, D‑Net은 팽창 합성곱 기반의 넓은 수용 영역과 다중 스케일 정보 융합을 결합함으로써 기존 DCNN 기반 망막 혈관 분할 모델이 겪던 전역·전달 정보 손실 문제를 효과적으로 해결한다. 실험을 통해 다양한 공개 데이터셋에서 기존 최첨단 모델 대비 전반적인 성능 향상을 입증했으며, 임상적 DR 자동 진단 파이프라인에 바로 적용 가능한 실용성을 보여준다. **