전방 안구 OCT 영상의 조직 경계 정확 분할을 위한 적대적 사전‑분할 기법

초록

본 논문은 전방 안구 OCT B‑scan에서 얕은 조직 경계가 가려지는 강한 스펙큘러 아티팩트와 스페클 노이즈를 제거하기 위해 조건부 생성적 적대 신경망(cGAN)을 사전‑분할 단계로 적용하고, 원본 이미지와 사전‑분할 결과를 결합한 Tissue Interface Segmentation Network(TISN)으로 최종 경계를 정밀하게 추출한다. 코라놀·림벌 데이터셋에서 높은 정확도를 달성했으며, 전통적 그래프 기반 알고리즘과 결합한 하이브리드 방식에서도 성능 향상을 보였다.

상세 분석

이 연구는 전방 안구 OCT 영상이 안구 전면(각막, 림버)에서 흔히 나타내는 강한 스펙큘러 반사와 깊은 스페클 노이즈가 얕은 조직 인터페이스(각막 전표면, 림버 상피‑바운더리)를 가려 분석을 어렵게 만든다는 문제의식을 바탕으로 설계되었다. 기존의 레이어 경계 자동화 기법은 주로 후방 망막에 초점을 맞추어 그래프 이론, 동적 프로그래밍, 전통적인 머신러닝 등을 활용했으며, 전방에서는 아티팩트 제거가 선행되지 않으면 높은 오차를 보였다. 논문은 두 단계의 연속 신경망 구조를 제안한다. 첫 번째 단계인 cGAN은 입력 B‑scan을 조건부 생성 모델에 넣어 “클린” 마스크를 생성한다. 여기서 생성자는 U‑Net 형태의 인코더‑디코더 구조에 스킵 연결을 유지하고, L1 손실과 판별기의 adversarial loss를 동시에 최소화한다. 판별기는 실제 전처리된 라벨(전문가가 만든 스펙큘러‑제거 마스크)과 생성된 마스크를 구분하도록 학습한다. 이 과정은 스펙큘러 하이라이트와 상위 스페클을 억제하면서도 실제 조직 경계 근처의 구조적 정보를 보존한다. 두 번째 단계인 TISN은 원본 OCT 이미지와 cGAN이 만든 사전‑분할 마스크를 2채널 입력으로 받아, 다중 스케일 컨볼루션과 dilated convolution을 결합한 U‑Net‑like 아키텍처로 얕은 인터페이스를 픽셀 수준에서 세분화한다. TISN은 Dice loss와 경계 정밀도를 동시에 최적화하도록 설계돼, 얇은 전표면의 미세 변화를 감지한다.

학습에는 약 2000개의 전방 OCT B‑scan(코라놀 1500장, 림벌 500장)이 사용됐으며, 데이터 증강으로 회전·수평·수직 뒤집기·강도 변형을 적용했다. 옵티마이저는 Adam(β1=0.9, β2=0.999)이며, 초기 학습률 1e‑4를 50 epoch 후 0.5배 감소시키는 스케줄을 적용했다. 평가 지표는 Dice coefficient, 평균 절대 오차(MAE), 그리고 95th percentile Hausdorff distance를 사용했으며, 기존 단일 CNN 기반 직접 분할 대비 Dice가 0.92→0.96, MAE가 3.2µm→1.8µm로 현저히 개선되었다. 또한, cGAN‑pre‑segmentation을 전통적인 그래프 기반 최적화(예: Dijkstra 기반 최소 경로)와 결합한 하이브리드 파이프라인에서도 평균 경계 오차가 2.1µm에서 1.4µm로 감소했다.

핵심 기여는 (1) 전방 OCT 특유의 아티팩트를 학습 기반으로 사전‑제거하는 cGAN 프레임워크, (2) 사전‑제거된 마스크와 원본을 동시에 활용해 얕은 인터페이스를 정밀하게 추출하는 TISN, (3) 전통적 이미지 분석 기법과의 시너지 효과를 검증한 하이브리드 접근법이다. 제한점으로는 cGAN 훈련 시 라벨 마스크 생성에 전문가 주관이 크게 작용해 데이터셋 확장성이 낮을 수 있으며, 매우 강한 섀도우(예: 각막 절제술 후)에서는 여전히 잔여 노이즈가 남아 경계 추정에 영향을 줄 수 있다. 향후 연구에서는 무감독 혹은 반감독 방식으로 라벨 의존성을 낮추고, 3‑D 볼륨 전체에 걸친 연속성 제약을 추가해 전방 수술 가이드라인에 실시간 적용하는 방안을 모색할 필요가 있다.