위상 인식 특징 융합 모듈을 활용한 망막 혈관 분할

초록

본 논문은 망막 동맥·정맥 분할 시 혈관 연결성을 유지하기 위해, 로컬 피처를 잠재 그래프 공간으로 변환하고 그래프 어텐션 네트워크로 전역 구조 의존성을 학습하는 TFFM 모듈을 제안한다. Tversky 손실과 soft clDice 손실을 결합한 하이브리드 손실로 클래스 불균형과 위상 오류를 동시에 최소화한다. Fundus‑AVSeg 데이터셋에서 Dice 90.97%, Hausdorff 3.50픽셀을 달성했으며, 기존 방법 대비 혈관 파편화가 38% 감소하였다.

상세 분석

이 연구는 기존 CNN 기반 망막 혈관 분할 모델이 픽셀 수준 정확도는 높지만, 혈관 트리의 연속성을 보장하지 못한다는 문제점을 정확히 짚어낸다. 저자들은 두 가지 핵심 요소—Topology‑Aware Feature Fusion Module(TFFM)과 하이브리드 손실 함수—를 도입해 위상 보존을 구조적으로 설계한다. TFFM은 디코더 각 단계에서 피처 맵을 1×1 컨볼루션으로 차원을 축소한 뒤, 다중 스케일 그리드로 풀링하여 노드 집합을 만든다. 코사인 유사도 기반으로 상위 k개의 이웃을 선택해 희소 인접 행렬을 구성하고, Graph Attention Network(GAT)를 적용해 노드 간 가중치를 학습한다. 이 과정에서 온도 파라미터 τ를 도입해 어텐션 스코어의 스케일을 조절함으로써, 전역적인 혈관 연결 정보를 효과적으로 캡처한다. 이후 그래프 출력을 다시 공간 형태로 복원하고, 채널·공간 어텐션(CAM, SAM)과 경량 Vesselness 게이팅을 거쳐 로컬 피처와 결합한다. 마지막 가변 게이트 λ는 전역 그래프 정보와 로컬 컨볼루션 피처 사이의 기여도를 동적으로 조절해, 세밀한 미세 혈관 디테일을 손상시키지 않으면서도 전역 위상을 강화한다.

손실 함수 측면에서는 Tversky 손실을 사용해 양성·음성 불균형을 보정하고, α=0.65, β=0.35로 거짓 음성에 더 큰 패널티를 부여한다. 이는 혈관 누락이 위상 파괴에 미치는 영향을 반영한다. 추가로 soft clDice 손실을 도입해 연속적인 스켈레톤을 부드럽게 추출하고, 토폴로지 정밀도와 민감도를 조화 평균해 위상 오류를 직접 최소화한다. λ=0.5의 가중치를 통해 두 손실을 균형 있게 결합한다.

실험에서는 Fundus‑AVSeg 데이터셋(100장, 고해상도)에서 80/10/10 비율로 학습·검증·테스트를 수행했으며, EfficientNet‑B0 기반 U‑Net++에 TFFM을 삽입한 구조가 가장 높은 성능을 보였다. 데이터 증강으로 회전·플립·대비·노이즈 등을 적용했으며, AdamW 옵티마이저와 1e‑3 초기 학습률, 배치 10, 최대 500 epoch(조기 종료 적용)으로 학습했다. Ablation 실험을 통해 각 구성 요소(TFFM, GAT, 하이브리드 손실, EfficientNet‑B0 등)의 기여도를 정량화했으며, 특히 TFFM이 없을 경우 혈관 파편화 비율이 38% 증가함을 확인했다.

결과적으로 제안된 프레임워크는 기존 최고 수준 모델 대비 Dice 점수와 Hausdorff 거리 모두에서 우수함을 입증했으며, 특히 혈관 연결성을 유지한 토폴로지 지표(clDice, 베티 오류 등)에서 현저한 개선을 보였다. 이는 임상 현장에서 혈관 네트워크 기반 바이오마커 추출 및 자동화된 진단 파이프라인에 바로 적용 가능한 수준이다. 코드와 모델을 공개함으로써 재현성과 확장성을 확보했다.