그림자 아티팩트 제거와 맥락 혈관 변화 정량화

초록

본 논문은 망막 혈관에 의해 발생하는 OCT 그림자를 이미지 인페인팅 기법으로 제거하고, 이를 통해 맥락(Choroid) 혈관의 밀도와 흐름 지수를 정량화하는 새로운 프레임워크를 제시한다. 두 단계 생성 인페인팅 네트워크를 미세조정하여 혈관 가장자리를 연결한 뒤 그림자 영역을 복원했으며, 34명의 정상인 대상 IOP 상승 실험에서 혈관 밀도와 흐름 지수 감소를 성공적으로 측정하였다.

상세 분석

이 연구는 기존 OCT 기반 맥락 분석이 혈관 그림자(Shadow Artifact) 때문에 층 두께 외의 정량적 지표를 얻기 어려운 문제를 근본적으로 해결하고자 한다. 그림자 제거를 단순한 픽셀 보정이 아니라 ‘객체 제거(Object Removal)’ 문제로 전환함으로써, 이미지 인페인팅 분야에서 검증된 두 단계 생성 네트워크(Edge‑Connect 기반)를 차용하였다. 첫 단계에서는 혈관 가장자리(edge)를 탐지하고, 이를 연속적인 경계선으로 연결해 ‘가상 혈관’ 형태를 만든다. 두 번째 단계에서는 이 연결된 경계선을 힌트로 사용해, 그림자에 해당하는 영역을 주변 조직 텍스처와 구조를 고려해 복원한다. 네트워크는 대규모 OCT 데이터셋으로 사전 학습된 후, 실제 그림자 마스크와 복원된 라벨을 이용해 전이 학습(fine‑tuning)되었다. 성능 평가는 전통적인 텍스처 기반 인페인팅(예: Telea, Navier‑Stokes)과 비교했을 때, 구조 보존 지표(SSIM)와 혈관 연속성 측정에서 유의미하게 우수하였다. 또한, 복원된 이미지에서 자동화된 혈관 분할 파이프라인을 적용해 혈관 밀도와 흐름 지수를 추출했으며, 이는 안압(IOP) 상승에 따른 맥락 혈관 수축을 정량적으로 반영한다. 실험 결과는 평균 IOP가 15.84 ± 1.99 mmHg에서 34.48 ± 5.35 mmHg로 증가함에 따라 혈관 밀도가 0.491 ± 0.020 → 0.463 ± 0.019, 흐름 지수가 0.336 ± 0.025 → 0.300 ± 0.019로 감소함을 보여, 제안 프레임워크가 임상적 변화를 민감하게 포착함을 입증한다. 이와 같이 그림자 인페인팅을 통한 구조적 복원은 기존 OCT 분석의 한계를 뛰어넘어, 맥락 혈관의 기능적·구조적 변화를 비침습적으로 모니터링할 수 있는 새로운 길을 연다.