VascX 모델 컬러 펀더스 이미지 기반 망막 혈관 분석을 위한 모델 앙상블

초록

VascX 모델은 다양한 공개 데이터와 네덜란드 로테르담 연구소에서 새롭게 라벨링한 컬러 펀더스 이미지(CFI)를 이용해 혈관, 동맥‑정맥, 시신경판 및 중심와(포베아) 영역을 동시에 분할·위치추정하는 딥러닝 앙상블을 제공한다. 기존 공개 모델 대비 모든 해부학적 영역·이미지 품질·코호트에서 우수한 성능을 보였으며, 자동 추출된 혈관 특성도 전문가 라벨과 높은 일치도를 나타냈다.

상세 분석

본 연구는 망막 혈관 분석에 필요한 네 가지 핵심 작업(혈관 분할, 동맥‑정맥 구분, 시신경판 분할, 포베아 위치 추정)을 하나의 파이프라인으로 통합한 VascX 모델을 제시한다. 가장 큰 강점은 학습 데이터의 규모와 다양성이다. 기존 공개 데이터셋은 장치·인구·질병 구성이 제한적이었지만, 저자들은 공개 데이터와 로테르담 연구소·AMD‑Life·MYST 등에서 수집한 1만 8000여 장의 CFI를 통합하고, 전문 안과 그레이더 4인이 픽셀 수준에서 정밀 라벨링을 수행했다. 특히 동맥‑정맥 라벨링은 교차점에서의 연결성을 유지하도록 별도 레이어와 ‘Unknown’ 클래스를 도입해 정확도를 높였다.

전처리 단계에서는 원형 경계 검출 후 정사각형으로 크롭하고 1024 × 1024 픽셀로 리사이즈한 뒤, 가우시안 필터 기반 대비 강화와 원본·강화 이미지 6채널을 결합해 입력으로 사용했다. 모델 아키텍처는 U‑Net 기반으로, 8단계 다운샘플링과 딥 슈퍼비전, 6채널 입력을 지원한다. 혈관·동맥‑정맥·시신경판 모델은 각각 Dice + Cross‑Entropy 손실을 사용했으며, 동맥‑정맥에서는 교차점에 가중치를 부여해 학습 안정성을 확보했다. 데이터 증강은 색상·명도·노이즈 변환과 회전·스케일·탄성 변형을 포함해 실제 촬영 환경을 폭넓게 모사하였다.

평가에서는 기존 Automorph, Zhou et al. 등 공개 모델과 직접 비교했으며, 이미지 품질(좋음·보통·나쁨)별, 해부학적 영역별 성능 차이를 상세히 분석했다. VascX는 특히 중간 품질 이미지에서 혈관·동맥‑정맥·시신경판 분할 Dice 점수가 3‑7% 향상되었고, 포베아 위치 추정에서도 평균 오차가 5 픽셀 이하로 감소했다. 추출된 혈관 지표(칼리버, 굴곡도, 분기 특성)는 전문가 라벨 기반 지표와 높은 상관관계(r > 0.9)를 보이며, 기존 모델 대비 통계적으로 유의한 개선을 나타냈다.

또한 저자들은 전처리·추론 파이프라인, 모델 가중치, 라벨링 툴을 모두 오픈소스로 공개해 재현성을 높였으며, 다양한 장치·코호트에 적용 가능한 범용성을 강조한다. 한계점으로는 아직 드물게 나타나는 희귀 질환 이미지와 초고해상도(>2000 px) 이미지에 대한 검증이 부족하다는 점을 들었다. 향후 다중 모달(광학‑광학단층촬영·안저 OCT) 통합과 실시간 임상 적용을 위한 경량화가 연구 방향으로 제시된다.