다중모달 안구혈관 자동분할을 위한 범용 모델

초록

**
본 논문은 색채 안저(CF) 외의 다양한 안구 영상(멀티컬러 스캔 레이저, 형광 안저, 자동형광, 적외선·근적외선, OCT‑A)에서도 동일한 모델 하나로 혈관을 정확히 분할할 수 있는 범용 모델(URVSM)을 제안한다. 제한된 CF 라벨(DRIVE 19장)만으로 학습하고, 이미지‑투‑이미지 변환으로 모든 모달리티를 표준 CF 이미지로 매핑한 뒤, 위상학적 손실을 결합한 세그멘테이션 네트워크를 이용한다. 10개의 공개·자체 데이터셋(6개 모달리티·6개 카메라)에서 기존 모달리티별 파인튜닝 모델과 동등한 성능을 보이며, 새로운 FA·FAF·IR 데이터셋을 공개한다.

**

상세 분석

**
본 연구는 안구 혈관 분할 분야에서 “모달리티 의존성”이라는 근본적인 한계를 뛰어넘고자 한다. 기존 대부분의 연구가 색채 안저(CF) 이미지에만 초점을 맞추고, 다른 모달리티에 대해서는 별도의 모델을 파인튜닝해야 하는데, 이는 라벨링 비용이 크게 증가한다는 문제점이 있다. 저자들은 이러한 문제를 두 단계의 파이프라인으로 해결한다.

첫 번째 단계는 이미지‑투‑이미지 변환이다. 다양한 카메라·모달리티에서 획득된 retinal 이미지들을 Topcon CF 이미지(표준 색채 안저)로 매핑한다. 이를 위해 CycleGAN, Diffusion‑based 모델, 최신 UNSB(Unpaired Neuron Schrödinger Bridge) 등 여러 GAN·디퓨전 기반 방법을 실험하고, 구조 보존을 위한 사이클 일관성·기하학적 일관성·대조 손실 등을 적용한다. 변환 과정에서 녹색 채널만을 사용해 전처리함으로써 혈관 대비를 극대화하고, 데이터 증강을 통해 다른 CF 카메라(Canon, Zeiss)와의 미세한 도메인 차이를 보완한다.

두 번째 단계는 위상학적 특성 학습을 포함한 세그멘테이션이다. 기존 픽셀‑레벨 손실(예: BCE, Dice)만으로는 얇은 혈관의 연결성을 유지하기 어렵다. 저자들은 지속가능성 동형성(persistent homology) 기반의 위상학적 손실을 도입한다. 구체적으로, 혈관의 스켈레톤을 추출하고, 영구 바코드(persistent barcode)를 계산한 뒤, 워셔스테인 거리 혹은 Hausdorff 거리로 예측과 GT 사이의 위상 차이를 최소화한다. 이러한 손실은 모달리티 간 구조적 차이를 완화시켜, 변환된 이미지가 완벽히 동일하지 않더라도 혈관 네트워크의 연속성을 보장한다.

학습 데이터는 극히 제한된 CF 라벨(DRIVE 19장)만을 사용한다. 이는 라벨링 비용을 최소화하면서도, 변환 모델과 위상학적 손실이 강력한 도메인 적응 역할을 함을 증명한다. 저자들은 또한 FA, FAF, IR 모달리티 각각 40장씩의 고품질 라벨 데이터를 새롭게 구축했으며, 이는 평가 전용으로 활용한다.

평가에서는 6가지 모달리티·6가지 카메라에서 수집된 10개 데이터셋을 대상으로, 기존 최첨단 모델을 각 데이터셋에 맞게 파인튜닝한 경우와 비교한다. 결과는 평균 AUC, F1, IoU 등 주요 지표에서 동등하거나 약간 상회하는 수준을 보이며, 특히 얇은 혈관과 분기점에서 위상학적 정확도가 크게 향상된다.

추가적인 **소거 실험(ablation)**에서는 (1) 변환 모델 없이 직접 학습, (2) 위상학적 손실을 제외, (3) 변환 모델 종류별 성능 차이 등을 분석한다. 변환 없이 직접 학습하면 도메인 격차가 크게 작용해 성능이 급락하고, 위상학적 손실을 제거하면 작은 혈관 연결성이 크게 감소한다는 점이 확인된다.

한계점으로는 변환 단계가 연산 비용을 증가시키며, 특히 고해상도 OCT‑A와 같은 3D‑like 데이터에 대한 변환 품질이 아직 완벽하지 않다는 점이다. 또한, 라벨이 전혀 없는 새로운 모달리티에 대해서는 변환 모델의 일반화가 보장되지 않는다. 향후 연구에서는 멀티태스크 학습이나 프롬프트 기반 대형 비전 모델을 활용해 변환 없이 직접 다중모달리티를 처리하는 방안을 모색할 수 있다.

전반적으로, 저자들은 제한된 라벨링 자원으로도 범용적인 안구 혈관 분할을 구현할 수 있음을 실증했으며, 이미지 변환과 위상학적 손실을 결합한 새로운 도메인 적응 전략을 제시한다. 이는 임상 현장에서 다양한 장비·모달리티를 사용하는 안과 연구자들에게 큰 실용적 가치를 제공한다.

**