ROSE: 망막 OCT-혈관조영술 혈관 세그멘테이션 데이터셋 및 새로운 모델

광학 간섭 단층 촬영 혈관 영상법(Optical Coherence Tomography Angiography, OCT-A)은 비침습적인 영상 기술로, 모세혈관 수준의 해상도를 갖춘 망막 혈관 구조를 시각화하는 데 점차 널리 활용되고 있다. 그러나 모세혈관의 시각화가 낮고 혈관 구조가 매우 복잡한 등의 다양한 도전 과제로 인해, OCT-A에서 망막 혈관의 자동 세그멘테이션 연구는 여전히 부족한 실정이다. 이는 여러 안과 질환의 이해에 있어 매우 중요한 문제임에도 불구하고 말이다. 더불어, 학계에서 모델 학습 및 검증을 위해 활용할 수 있도록 수작업으로 혈관 레이블이 부여된 공개된 OCT-A 데이터셋이 존재하지 않았다. 이러한 문제를 해결하기 위해, 망막 영상 분석 분야에서 처음으로 전용 망막 OCT-A 세그멘테이션 데이터셋(Retinal OCT-A SEgmentation dataset, ROSE)을 구축하였다. 이 데이터셋은 총 229개의 OCT-A 영상으로 구성되어 있으며, 혈관의 중심선 수준 또는 픽셀 수준에서 수작업으로 레이블링된 정보를 포함하고 있다. 본 데이터셋은 연구자들이 관련 주제에 대한 연구를 수행할 수 있도록 공개하여 공동체의 연구 발전을 지원하고자 한다. 두 번째로, 두꺼운 혈관과 얇은 혈관을 각각 별도로 탐지할 수 있는 새로운 스플릿 기반의 거시적에서 미시적까지의 혈관 세그멘테이션 네트워크(Split-based Coarse-to-Fine vessel segmentation network, SCF-Net)를 제안한다. SCF-Net에서는 먼저 스플릿 기반의 거시적 세그멘테이션(Split-based Coarse Segmentation, SCS) 모듈을 도입하여 혈관에 대한 초기 신뢰도 맵을 생성하고, 이후 스플릿 기반의 정밀화(Split-based Refinement, SRN) 모듈을 사용하여 망막 미소혈관의 형태 및 윤곽을 최적화한다. 세 번째로, 제안된 ROSE 데이터셋을 기반으로 최신 혈관 세그멘테이션 모델들과 SCF-Net의 성능을 철저히 평가하였다. 실험 결과, 기존의 전통적 방법과 다른 딥러닝 기반 방법들에 비해 SCF-Net이 OCT-A에서 더 뛰어난 혈관 세그멘테이션 성능을 나타내었음을 입증하였다.