OCTAve: 국소성 증강을 활용한 약한 지도 학습에서의 2D 전면형 광간섭 단층촬영 혈관 영상 분할

2D en face OCTA에서 혈관 구조를 추출하기 위해 딥러닝 기법을 활용한 연구가 증가하고 있으나, 이러한 접근 방식은 망막 혈관과 같은 곡선 구조에 대한 데이터 어노테이션 과정이 매우 비용이 많이 들고 시간이 오래 걸린다는 점이 알려져 있다. 일부 연구자들이 이 어노테이션 문제를 해결하려는 시도를 하고 있지만, 여전히 큰 도전 과제로 남아 있다.본 연구에서는 스크라이블 기반의 약한 지도 학습(weakly-supervised learning) 방법을 활용하여 픽셀 단위의 어노테이션을 자동화하는 방안을 제안한다. 제안하는 방법은 OCTAve라 명명되며, 스크라이블 어노테이션을 기반으로 한 약한 지도 학습과 적대적 학습(adversarial learning), 그리고 새로운 자기 지도 학습(self-supervised deep supervision) 기법을 결합한 것이다. 본 연구에서 제안하는 새로운 메커니즘은 UNet 유사 아키텍처의 구분층(discrimination layer)에서 생성된 구분적 출력(discriminative outputs)을 활용하도록 설계되었으며, 훈련 과정에서 이러한 집합적 구분 출력과 세그멘테이션 맵 예측값 사이의 쿨백-라이블러 발산(Kullback-Leibler Divergence)을 최소화하도록 한다. 이러한 복합적 접근은 실험 결과에서 혈관 구조의 정확한 국소화를 가능하게 한다.제안한 방법은 대규모 공개 데이터셋인 ROSE 및 OCTA-500을 기반으로 검증되었으며, 최첨단의 완전 지도 학습 및 스크라이블 기반 약한 지도 학습 방법들과의 세그멘테이션 성능을 비교하였다. 실험에 사용된 본 연구의 구현 코드는 [LINK]에서 확인할 수 있다.