실시간 위상 인식 M‑모드 OCT 분할로 로봇 DALK 가이드

초록

본 논문은 로봇 심부 전층 각막 이식(DALK) 수술 중 Descemet 막에 안전하게 접근하기 위한 실시간 깊이 피드백을 제공한다. M‑모드 OCT의 고속 깊이 트레이스를 UNeXt 기반 경량 네트워크와 위상 인식 손실을 결합해 연속적이고 해부학적으로 일관된 경계 분할을 수행한다. 전체 파이프라인(전처리·추론·오버레이)에서 80 Hz 이상을 달성해 프레임 손실을 허용하면서도 안정적인 깊이 업데이트가 가능함을 보였다. 실험 결과는 기존 U‑Net 기반 방법 대비 경계 안정성 및 PSNR·SSIM에서 향상을 입증한다.

상세 분석

이 연구는 로봇 DALK 수술에서 가장 위험한 단계인 Descemet 막 근접을 실시간으로 감시하기 위해 M‑모드 OCT 데이터를 활용한다. M‑모드 영상은 한 점에서 깊이 정보를 초당 수백 번 획득하지만, 강한 speckle 잡음, 조직 감쇠, 수술 기구에 의한 섀도우링으로 인해 경계가 파편화되거나 사라지는 문제가 있다. 기존의 픽셀‑단위 분할 네트워크는 이러한 저신호‑대‑노이즈(SNR) 상황에서 해부학적 위배를 일으키는 불연속 경계를 생성한다.

논문은 두 가지 핵심 아이디어로 이를 해결한다. 첫째, 최신 MLP‑기반 세그멘테이션 아키텍처인 UNeXt를 선택해 경량화와 고속 추론을 동시에 달성한다. 입력은 단일 채널(강도)이며, 출력 클래스 수 C는 두 개(상피와 Descemet 경계)이다. 패딩·크롭 전략을 통해 16의 배수 형태로 입력을 맞추고, 자동 혼합 정밀도(AMP)를 적용해 GPU 메모리와 연산 효율을 최적화한다. 둘째, 위상 인식 손실을 기존 BCE·Dice와 가중합으로 결합한다. 여기서 위상 손실은 별‑형(star‑shape) 프라이어를 이용해 깊이 축을 따라 경계가 교차하거나 끊어지는 것을 억제한다. 학습 초기에 λ_topo를 낮게 두어 과도한 제약을 방지하고, 점진적으로 증가시켜 모델이 해부학적 규칙을 자연스럽게 학습하도록 설계하였다.

데이터 전처리는 512×512 M‑모드 프레임을 512×64 세로 스트립 8개로 분할하고, 훈련 집합 통계로 정규화한다. 스트립 단위 배치 추론 후 원본 이미지로 재조립해 시각화한다. 전체 파이프라인은 전처리·GPU 전송·배치 추론·재조립·후처리·고정‑밴드 오버레이 렌더링을 포함하며, 이 모든 과정을 포함한 프레임 레이트가 80 Hz를 초과한다. 이는 일반 디스플레이(30–60 Hz)와 로봇 제어 루프(≈100 Hz) 사이에 충분한 여유를 제공해 저품질 프레임을 걸러내는 ‘프레임 가드’ 메커니즘을 구현할 수 있음을 의미한다.

실험은 rabbit eye M‑모드 OCT 데이터셋(인비보 500장, 엑시보 250장)에서 수행되었다. 기존 위상 인식 U‑Net(Top‑aware)과 비교했을 때, 제안된 UNeXt(Top‑aware)는 IoU·Dice는 약간 낮지만(0.9332 vs 0.9874), PSNR·SSIM은 현저히 개선되었다(31.83 dB vs 29.41 dB, 0.9801 vs 0.9901). 특히 평균 절대 경계 오차는 상피와 Descemet 모두에서 0.31 px(≈0.98 µm)와 0.55 px(≈1.70 µm)로, 기존 방법보다 30 % 이상 감소하였다. 이는 저SNR 상황에서도 경계가 끊기지 않고 연속성을 유지함을 보여준다.

한계점으로는 단일 데이터셋에 의존하고, 완전한 신호 손실 시 위상 제약만으로는 복구가 불가능하다는 점을 언급한다. 향후 연구에서는 신뢰도 기반 프레임 선택, 폐쇄‑루프 로봇 안전 제약, 다중 OCT 시스템 및 인간 임상 데이터로의 확장을 계획하고 있다.