딥 생성 모델을 활용한 유리체 OCT 영상 품질 향상

초록

본 연구는 조건부 디노이징 확산 확률 모델(cDDPM) 등 다섯 가지 딥러닝 기법을 이용해 저품질 SD‑ART10 유리체 OCT 영상을 고품질 SD‑ART100 영상으로 변환한다. 정량적 지표와 안과 전문의의 시각적 평가를 모두 적용했으며, cDDPM이 임상적 해부학적 충실도와 이미지 왜곡 최소화 측면에서 가장 우수함을 확인했다.

상세 분석

이 논문은 안과 OCT 영상 중 특히 신호가 약하고 잡음이 많은 유리체 영역을 대상으로, 획득 시간을 4배 단축하면서도 고해상도 영상을 재현할 수 있는 딥 생성 모델을 탐색한다. 입력으로 사용된 SD‑ART10은 단일 획득 후 평균 10번을 적용한 저노이즈 버전이며, 이를 ‘pseudo‑ART100’이라 부르는 10장의 평균 이미지와 비교한다. 모델군은 크게 두 축으로 나뉜다. 첫 번째는 전통적인 지도학습 기반 U‑Net, Pix2Pix와 같은 이미지‑투‑이미지 변환 네트워크이며, 두 번째는 최근 각광받는 확산 모델인 조건부 디노이징 확산 확률 모델(cDDPM)과 브라운 브릿지 확산 모델(BBDM), 그리고 VQ‑GAN이다.

정량 평가는 PSNR, SSIM, LPIPS 세 가지 지표를 사용했으며, 각각 신호‑대‑노이즈 비, 구조적 유사도, 그리고 인간 시각에 근접한 인지적 차이를 측정한다. U‑Net이 PSNR 30.23 dB와 SSIM 0.820으로 최고 성능을 보였지만, LPIPS에서는 Pix2Pix(0.697)와 cDDPM(0.753)이 더 낮은 값을 기록해 인간이 느끼는 시각적 차이는 낮았다. 이는 전통적인 픽셀‑레벨 손실 최소화가 구조적 유사도는 높이지만, 실제 임상적 해석에 필요한 미세 조직 특징을 충분히 복원하지 못할 수 있음을 시사한다.

시각적 튜링 테스트는 두 단계로 진행되었다. 첫 번째에서는 5개 모델을 모두 제시하고 안과 전문의가 ‘가장 실제와 가까운’ 이미지를 순위 매겼으며, cDDPM이 평균 3.07점으로 최고 점수를 받았다. 두 번째 테스트에서는 최고 모델만을 대상으로 ‘가짜와 진짜를 구분 못할 확률(속임수율)’과 ‘해부학적 보존율’을 평가했는데, cDDPM은 32.9%의 속임수율과 85.7%의 해부학적 보존율을 기록했다. 이는 정량 지표와는 별개로, 임상 의사가 실제 진단에 활용할 수 있는 수준의 이미지 품질을 제공한다는 강력한 증거다.

추가 실험에서는 새로 획득한 데이터에 대해 cDDPM을 적용했을 때, ART1(단일 획득)이나 ART10(10배 평균)보다 전체 이미지 PSNR이 높았으며, 특히 유리체 영역만을 별도로 세분화한 경우 ART100 기준에 가장 근접한 PSNR을 달성했다. 이는 모델이 저해상도 입력에서도 핵심 구조를 효과적으로 복원한다는 것을 의미한다.

전체적으로 볼 때, 확산 모델은 노이즈 제거와 고해상도 복원에 있어 기존 U‑Net 기반 접근법보다 더 유연하고, 특히 임상적 ‘해부학적 충실도’를 유지하는 데 강점을 보인다. 다만, 확산 모델은 학습 및 추론 시 계산 비용이 크게 증가하고, 하이퍼파라미터 튜닝이 복잡하다는 단점이 있다. 향후 연구에서는 경량화된 확산 구조 혹은 하이브리드 방식(U‑Net + Diffusion)을 도입해 실시간 임상 적용 가능성을 높이는 것이 필요하다.