와이드필드 OCTA 기반 망막 신생혈관 자동 검출 및 정량화

초록

본 연구는 589634장의 와이드필드 OCT/OCTA 영상을 활용해, 다중 장치와 클리닉에 걸친 대규모 데이터셋에서 망막 신생혈관(RNV)을 직접 이진 로컬라이제이션 방식으로 진단·분할하는 완전 자동 딥러닝 파이프라인을 제안한다. VRI(유리체‑망막 경계) 자동 세분화 후, 5가지 en face 채널을 입력으로 하는 두 단계 CNN을 사용해 장치별 AUC 0.960.99, 평균 IoU 0.76~0.88의 높은 성능을 달성했으며, 장기 추적에서도 병변 성장 변화를 정량적으로 모니터링할 수 있음을 보였다.

상세 분석

이 논문은 기존의 좁은 시야(FOV) OCTA 기반 RNV 검출 알고리즘이 와이드필드 영상에서 직면하는 해부학적·광학적 변이 문제를 해결하고자 한다. 첫 번째 단계는 VRI(유리체‑망막 인터페이스) 경계의 정확한 분할이다. 이를 위해 저자들은 3개의 연속 B‑scan을 각각 구조 OCT와 OCTA 채널로 결합한 6채널 입력을 사용한 U‑Net 변형 모델을 설계하였다. 다중 스케일 컨볼루션(1×1, 3×3, 5×5)을 병렬 적용해 다양한 해상도 특징을 포착하고, BCE와 Dice 손실을 0.5:0.5 비율로 가중합한 복합 손실 함수를 적용함으로써 경계의 미세 변동과 클래스 불균형을 동시에 최소화하였다. VRI 분할이 완료되면, 해당 경계를 기준으로 ‘유리체 슬라브’를 정의하고, 최대 투영 방식을 통해 5가지 en face 이미지를 생성한다. 여기에는 (1) 유리체 OCT, (2) 유리체 OCTA, (3) GCC(갱글리온 세포 복합체) OCT, (4) GCC OCTA, (5) 유리체 OCTA에서 GCC OCTA를 스케일링해 뺀 ‘subtracted OCTA’가 포함된다. 이러한 다채널 입력은 신생혈관의 고반사·고유속 신호와, 얕은 혈관에 의한 위조 신호를 구분하는 데 핵심적인 역할을 한다. 두 번째 단계는 위 5채널을 입력으로 하는 또 다른 U‑Net 기반 네트워크로, RNV 존재 여부를 이진 분류하고 동시에 픽셀 수준의 마스크를 출력한다. 모델은 전이 학습 없이 각 장치별로 동일한 아키텍처와 하이퍼파라미터를 사용했으며, 다중 장치(Solix, DREAM OCT, S1‑OCTA)와 다중 클리닉 데이터에 대해 교차 검증을 수행했다. 성능 평가는 ROC 곡선 아래 면적(AUC)과 교차 영역 평균(IOU)으로 이루어졌으며, 장치별 AUC는 0.960.99, 평균 IOU는 0.760.88에 달했다. 특히, 장기 추적 환자에 대해 동일 모델을 적용했을 때, 병변 면적 변화와 성장 패턴을 정량적으로 파악할 수 있음을 시연하였다. 이와 같이 VRI 기반의 동적 슬라브 정의와 다채널 en face 입력 전략은 와이드필드 OCTA의 해부학적 변이와 주변 혈관 위조 현상을 효과적으로 보정한다는 점에서 큰 의의를 가진다. 다만, 본 연구는 전처리 단계에서 z‑score 정규화와 고정 임계값(‑0.5) 필터링에 의존하고 있어, 극단적인 저품질 이미지나 비표준 스캔 프로토콜에 대한 일반화 가능성은 추가 검증이 필요하다. 또한, 현재는 2D en face 기반 검출에 머물러 있어, 3D 볼륨 정보를 활용한 병변 부피 정량화는 향후 연구 과제로 남는다.