초고해상도 초광시야 형광안지혈관영상 무침투 생성으로 당뇨망막병증 판별력 향상

초록

본 연구는 비침습적 초광시야 망막영상(UWF‑RI)으로부터 생성적 적대 신경망(GAN)을 이용해 다중 단계 초광시야 형광안지혈관영상(UWF‑FA)을 합성하고, 이를 기존 UWF‑RI와 결합했을 때 당뇨망막병증(DR) 단계 구분 정확도가 크게 향상됨을 입증한다. 18,321쌍의 이미지로 학습한 모델은 초기·중기·말기 3단계 FA를 실제와 구분하기 어려운 수준으로 생성했으며, 외부 DeepDRiD 데이터셋에서 AUROC를 0.869에서 0.904로 상승시켰다.

상세 분석

이 논문은 초광시야(200°) 망막촬영 기술이 제공하는 주변부 병변 시각화 장점을 활용하면서, 형광안지혈관검사(FA)의 침습적 단점을 극복하고자 한다. 핵심은 UWF‑RI와 동일 환자·동일 방문에서 촬영된 UWF‑FA 이미지 간 정밀한 픽셀‑대‑픽셀 정합을 수행한 뒤, 정합된 쌍을 GAN 기반 pix2pixHD 모델에 입력해 다중 단계(early, mid, late) FA를 생성하는 것이다.

1. 데이터 및 전처리: 3,885장의 UWF‑RI와 23,332장의 FA(각 단계별 1,863·10,275·6,183쌍)를 확보하고, 저품질 영역(눈꺼풀·홍채 그림자)을 마스킹한 뒤, 혈관 구조를 추출하는 RMHAS 모듈과 AKAZE‑RANSAC 파이프라인으로 정합을 수행했다. 정합 품질이 Dice < 0.5인 경우는 배제해 최종 학습셋을 2,747장의 RI와 18,321장의 FA 쌍으로 축소하였다.

2. 모델 설계: 기본 pix2pixHD에 Gradient Variance Loss를 추가해 고주파(미세 혈관·병변) 재현성을 강화하였다. 각 단계별 FA를 독립적으로 학습시키되, 동일한 네트워크 구조와 하이퍼파라미터(배치 4, 학습률 2e‑4, 50 epoch)를 적용했다. 데이터 증강으로는 랜덤 크롭(0.3‑3.5), 수평·수직 플립, 회전(0‑45°)을 활용해 과적합을 방지하였다.

3. 정량적 평가: 내부 테스트셋에서 MAE는 100‑114, PSNR은 27‑29 dB, SSIM은 0.84‑0.84, MS‑SSIM은 0.88‑0.91에 달해 시각적 품질이 충분히 높았다.

4. 인간 평가: 두 안과 전문의가 5점 척도로 평가한 결과, 평균 점수는 1.64‑1.98(1 = 실제와 동등)이며, Cohen’s κ는 0.79‑0.84로 상당한 일치도를 보였다. Turing 테스트에서는 56‑76%의 합성 이미지가 실제와 구분되지 않아 높은 진위성을 확인했다.

5. 임상 적용 검증: 외부 공개 데이터셋 DeepDRiD(256 UWF‑RI)에서 합성된 FA를 추가 입력으로 사용했을 때, DR 분류 모델(Swin‑Transformer + MLP)의 AUROC가 0.869→0.904, AUPR 0.717→0.785, F1 0.499→0.625로 유의하게 향상되었다(P < 0.001). 단계별 FA를 순차적으로 추가할수록 성능 상승폭이 점진적으로 커지는 점이 주목된다.

6. 의의와 한계: 본 연구는 초광시야 영상에서의 복잡한 왜곡·아티팩트를 극복하고, 다중 단계 혈관 영상을 무침투 방식으로 재현함으로써 DR 스크리닝 비용·위험을 크게 낮출 수 있음을 시연한다. 다만, 데이터가 단일 기관(광동성 제2인민병원)에서 수집되었으며, 외부 검증은 제한된 규모(DeepDRiD)뿐이므로 다양한 인구·기기 환경에서의 일반화 검증이 필요하다. 또한, 현재 모델은 정밀한 혈관 누수·미세 병변을 완벽히 복원하지 못할 가능성이 있어, 임상적 판단 보조 수준을 넘어선 진단적 활용을 위해서는 추가적인 검증이 요구된다.