다중질환 망막 진단을 위한 Xception 전이학습과 W‑Net 혈관 분할 통합 모델

초록

본 논문은 색채 안저 사진을 기반으로 Xception 전이학습 모델을 활용해 당뇨망막병증, 고혈압성 망막병증, 황반변성, 녹내장, 백내장, 병리성 근시 등 여섯 가지 안질환을 다중 라벨 분류하고, W‑Net 기반 혈관 분할을 통해 시각적 설명성을 제공한다. 데이터 전처리, 클래스 불균형 보정, 하이브리드 CNN‑SVM 구조, 콘텐츠 기반 이미지 검색(CBIR)까지 포함한 전체 파이프라인을 제시한다.

상세 분석

이 연구는 안과 영상 분석에서 흔히 지적되는 ‘블랙박스’ 문제를 완화하기 위해 두 단계의 해석 가능성을 도입했다. 첫 번째 단계는 Xception을 포함한 다섯 개의 최신 CNN 백본을 ImageNet 사전학습 가중치로 초기화하고, 초기 레이어를 고정한 채 전이학습을 수행한다. 여기서 특징 추출 후 Global Average Pooling과 8‑클래스 다중 라벨 출력층을 연결했으며, 추가적으로 추출된 피처를 SVM에 입력해 마진 기반 분류를 시도함으로써 딥러닝의 표현력과 전통적 머신러닝의 일반화 능력을 결합했다.

두 번째 단계는 임상적 신뢰성을 높이기 위해 혈관 분할과 이미지 검색을 제공한다. 혈관 분할에는 두 개의 U‑Net을 연속으로 연결한 W‑Net을 사용했으며, 이는 미세 혈관 구조와 병변 주변의 혈관 변화를 정밀하게 포착한다. 분할 결과는 Graham’s Method로 전처리된 이미지와 함께 시각화돼 의사가 병변을 직접 확인할 수 있게 한다. 또한, 분류 네트워크의 penultimate 레이어에서 추출한 임베딩을 고차원 공간에 매핑하고 K‑Nearest Neighbors 알고리즘을 적용해 유사 사례를 검색함으로써 ‘콘텐츠 기반 이미지 검색(CBIR)’ 기능을 구현했다.

데이터 측면에서 저자는 ODIR‑5K, Kermany OCT, Glaucoma Segmentation, 다중모달 페어 데이터 등 네 개 이상의 공개 데이터셋을 통합해 7천 장 이상의 안저 사진과 8만 장 이상의 OCT 이미지를 활용했다. 클래스 불균형을 완화하기 위해 백내장 데이터셋을 추가하고, Graham’s Method와 랜덤 플립·시프트 등 다양한 증강 기법을 적용했다.

하지만 논문에는 몇 가지 한계가 존재한다. 첫째, 평가 지표가 정확도·AUC 등 기본적인 수치만 제시되고, 클래스별 민감도·특이도나 혼동 행렬 등 상세 성능 분석이 부족하다. 둘째, 다중 라벨 설정에서 ‘Other’ 라벨이 모호하게 정의돼 실제 임상 적용 시 라벨링 일관성에 문제가 생길 수 있다. 셋째, OCT와 안저 사진을 동시에 활용한 멀티모달 학습에 대한 구체적인 설계와 결과가 충분히 기술되지 않아, 제안된 파이프라인이 실제 멀티모달 환경에서 얼마나 이득을 주는지 판단하기 어렵다. 넷째, W‑Net 기반 혈관 분할의 정량적 평가(예: Dice, IoU)가 누락돼 분할 품질을 객관적으로 검증하기 어렵다. 마지막으로, 모델 재현성을 위한 코드 공개 여부와 하드웨어 사양이 명시되지 않아, 연구 커뮤니티가 동일 실험을 수행하기에 제약이 있다.

전반적으로 이 논문은 전이학습과 해석 가능한 이미지 처리 모듈을 결합해 안과 AI의 실용성을 높이려는 시도는 의미가 크다. 특히, 혈관 분할과 CBIR을 통한 인간‑인공지능 협업(Human‑in‑the‑Loop) 접근은 임상 현장에서 신뢰성을 확보하는 데 기여할 수 있다. 향후 연구에서는 보다 정교한 평가 지표, 멀티모달 통합 학습, 그리고 공개 코드·모델 배포를 통해 실용성을 강화할 필요가 있다.