자동 OCT 혈관 영상 처리와 머신러닝 기반 혈관 구분 시스템

초록

본 논문은 인트라코로나리 OCT 영상에서 잡음·가이드와이어 그림자를 전처리하고, 극좌표↔직교좌표 변환 후 K‑means 군집화를 이용해 혈관과 배경을 구분한다. 추출된 11×11 윈도우 기반 로컬 특징을 로지스틱 회귀와 SVM에 학습시켜 픽셀 단위 분류를 수행했으며, 정밀도·재현율·F1‑score가 1.00에 가깝고 전체 정확도가 99.68%에 달한다.

상세 분석

이 연구는 OCT 영상의 특수성을 고려한 전처리 파이프라인을 설계한 점이 가장 큰 강점이다. 먼저 라플라시안 표준편차와 소금‑후추 비율을 이용해 잡음 정도를 정량화하고, 3×3 중간값 필터로 충격성 잡음을 억제한다. 가이드와이어 그림자는 최소 강도 열을 찾아 수평 이동·블렌딩 기법으로 복원함으로써 혈관 구조 손실을 최소화한다. 극좌표 변환은 혈관의 원형 형태를 직선 형태로 펼쳐 K‑means 군집화가 효과적으로 작동하도록 돕는다. K‑means는 사전 라벨 없이 혈관·배경을 두 클러스터로 나누며, 이후 11×11 슬라이딩 윈도우에서 평균, 분산, 엔트로피 등 9가지 통계적·텍스처 특징을 추출한다. 이러한 로컬 특징은 혈관 경계의 미세 변화를 포착하는 데 충분히 풍부하다. 분류 단계에서는 로지스틱 회귀와 서포트 벡터 머신을 각각 선형·RBF 커널로 학습시켜 비교하였다. 두 모델 모두 높은 정밀도와 재현율을 보였으며, 특히 SVM은 경계 근처의 미세 오분류를 최소화한다. 실험은 제한된 데이터셋(수백 장)에서 교차 검증을 통해 수행됐으며, 전체 파이프라인의 실행 시간은 실시간 수준(수 초)으로 보고돼 임상 적용 가능성을 시사한다. 그러나 데이터 규모가 작고 병변(플라크, 석회화 등) 포함이 제한적이므로 일반화에 대한 추가 검증이 필요하다. 또한 K‑means는 초기 중심점에 민감하므로 다중 초기화와 클러스터 수 최적화가 필수이며, 향후 딥러닝 기반 특징 학습과 결합하면 더욱 강인한 성능을 기대할 수 있다.