물리 기반 다층 각막 OCT 데이터 생성 및 AI 활용을 위한 대규모 합성 데이터셋

초록

본 논문은 Gaussian 곡면으로 정의한 5층 각막 모델과 Monte Carlo 다층 조직 광전달(MCML)을 결합해, 시스템 PSF와 감도 롤오프를 포함한 고해상도 합성 OCT B‑scan 이미지와 픽셀‑정밀 레이블을 자동 생성한다. 10,000여 장의 1024×1024 이미지‑레이블 쌍을 제공하며, 건강각막과 케라토콘스크 변형을 포함한 다양한 해부학·광학 파라미터 변동을 자유롭게 설정할 수 있다. 생성된 데이터는 딥러닝 기반 구조·광학 파라미터 복원, 다층 분할 등 AI 모델의 학습·검증·벤치마크에 활용된다.

상세 분석

이 연구는 세 가지 핵심 기술을 통합한다. 첫째, 각막의 전반적인 곡률을 반구형 베이스 커브(y_base)로 정의하고, 저·고주파 사인 파라미터와 국소 Gaussian 팽창을 조합한 Δy(x) 변형식을 통해 정상 각막과 케라토콘스크 형태를 정량적으로 모델링한다. 파라미터 R, A₁, A₂, H, σ 등은 임의 샘플링 범위 내에서 변동시켜 해부학적 다양성을 확보하면서도 물리적으로 타당한 곡선을 유지한다. 둘째, 5층(상피, 보우만, 기질, Descemet, 내피) 구조를 독립적인 두께 프로파일 t_k(x)로 층별 스택하고, 전체 두께 변동을 s∈U(1−δ,1+δ) 로 제어한다. 경계 겹침이 발생하면 s를 감소시켜 인터페이스 순서를 보장한다. 또한 Z/X≈1/3의 축비를 적용해 임상 OCT 스캔 폭(3–9 mm)과 일치하도록 스케일링한다. 셋째, MCML을 이용해 각 픽셀에 대한 μ_a, μ_s, g, n 값을 할당하고, 광자 전파를 단계별로 시뮬레이션한다. 흡수·산란은 exponential step length과 Henyey‑Greenstein 위상함수로 구현하고, Fresnel 경계 조건과 러시안 룰렛을 적용해 광자 손실을 관리한다. 시뮬레이션 결과는 깊이‑해상도 A‑line R(z,x)으로 축적되며, 여기서 Gaussian 형태의 공초점 가중치 W_conf(z)와 코사인 형태의 감도 롤오프 W_roll(z)를 곱해 시스템 특성을 반영한다. 최종 B‑scan은 로그 압축과 대비 정규화로 시각화된다.

데이터셋은 10 000개의 B‑scan(8 000 정상, 2 000 케라토콘스크)과 대응하는 5‑layer 픽셀 레이블, 광학 파라미터 맵(n, μ_s, g), 시스템 가중치 적용 OCT 신호를 포함한다. 이를 활용한 두 가지 베이스라인 실험이 제시된다. 첫 번째는 확산 모델(Diffusion)과 U‑Net을 비교한 구조·광학 파라미터 복원 작업으로, PSNR·SSIM·MSE 지표에서 확산 모델이 특히 μ_s와 g 복원에서 우수함을 보였다. 두 번째는 5‑layer을 3‑class(EPI, BS, DE)으로 합친 다층 분할 작업으로, U‑Net이 EPI와 BS는 거의 완벽에 가깝게 분할하지만 DE는 경계가 얇고 잡음에 민감해 성능이 낮았다. 이러한 결과는 합성 데이터가 물리적 정밀도와 라벨 완전성을 제공함을 입증한다.

이 프레임워크는 파라미터(곡률, 두께, 광자 수, 잡음, PSF 등)를 명시적으로 제어할 수 있어, AI 모델의 강건성 테스트, 도메인 적응, 데이터 증강 등에 활용 가능하다. 또한 Monte Carlo 기반이므로 실제 조직의 산란·흡수 특성을 그대로 반영해, 기존의 단순 파라메트릭 시뮬레이터보다 높은 물리적 신뢰성을 제공한다. 다만 MCML 계산량이 크기 때문에 GPU 병렬화와 photon 수 최적화가 필요하며, 실제 임상 OCT 장비와의 정량적 매칭을 위해 추가적인 캘리브레이션 단계가 요구될 수 있다.