광학 코히런스 단층 촬영 이미지를 이용한 망막 퇴행 검출을 위한 공동 주의 네트워크를 활용한鲁棒性 개선 注意：在最后一词“鲁棒性”上，正确的韩文翻译应为“로버스트성”。所以最终翻译结果如下： 광학 코히런스 단층 촬영 이미지를 이용한 망막 퇴행 검출을 위한 공동 주의 네트워크를 활용한 로버스트성 개선

잡음 데이터와 다양한 안과 질환으로 인한 눈의 유사한 외관은 자동화된 전문 시스템이 망막 질환을 정확히 감지하는 데 큰 도전을 제기합니다. 또한, 지식 이전성 부족과 비현실적으로 큰 데이터셋의 필요성은 현재 기계 학습 시스템의 임상적 적용을 제한하고 있습니다. 견고성을 높이기 위해서는 망막 하위 공간 변형이 다양한 수준의 질병 심각도를 초래하는 방식에 대한 더 나은 이해가 필요하며, 이를 통해 질병 특异性 모델 세부 정보를 우선순위화할 수 있어야 합니다. 본 논문에서는 질병 특异性 특징 표현을 사용하여 새로운 아키텍처를 제안합니다. 이 아키텍처는 두 개의 결합 네트워크로 구성되며, 하나는 질병 모델의 지도 인코딩을 위한 것이고 다른 하나는 질병 특异性 공간 정보를 유지하기 위해 비지도 방식으로 주의 맵(attention maps)을 생성합니다. 공개된 데이터셋에서 수행한 실험 결과, 제안된 결합 네트워크가 기존 최신 망막 질환 분류 네트워크보다 미지의 데이터셋에서 정확도와 견고성이 크게 향상됨을 보여주었습니다.