초록
망막 혈관 세그멘테이션은 망막 질환에 대한 컴퓨터 보조 진단 시스템 개발을 위한 핵심 과제이다. 최근에는 종단적(end-to-end) 방식으로 망막 이미지의 혈관을 세그멘테이션하기 위한 고성능 딥러닝 기반 접근법들이 지속적으로 개발되고 있다. 그러나 망막 혈관 이미지와 세그멘테이션 레이블을 확보하기 위해서는 전문 임상의의 많은 노동이 필요하며, 이로 인해 레이블이 불완전한 소규모 학습 데이터셋이 형성된다. 일반적으로 데이터 기반 방법은 데이터 부족 문제에 취약하며, 소규모 학습 데이터에 쉽게 과적합(overfitting)되는 경향이 있다. 특히 학습용 혈관 레이블이 불완전하거나 오류가 있는 경우 이러한 문제는 더욱 심화된다. 본 논문에서는 노이즈가 있는 레이블에 기반한 모델의 안정성을 향상시키기 위해 '연구 그룹 학습(Study Group Learning, SGL)' 기법을 제안한다. 또한, 학습된 강화 지도(map)는 기존 방법보다 더 우수한 시각화 성능을 제공하여 임상의의 보조 도구로서 유용하다. 실험 결과, 제안하는 방법은 DRIVE 및 CHASE_DB1 데이터셋에서 혈관 세그멘테이션 성능을 더욱 향상시켰으며, 특히 학습 레이블에 노이즈가 포함된 경우에 그 효과가 두드러졌다.