마이크로안지오름 검출을 위한 앙상블 기반 시스템

본 논문은 당뇨망막병증(DR) 조기 진단에 핵심적인 마이크로안지오름(MA) 검출의 정확성을 향상시키기 위해, 전처리 단계와 후보 추출기 단계의 다양한 알고리즘을 조합한 앙상블 기반 프레임워크를 제안한다. 서론에서는 DR이 전 세계 실명 원인 중 하나이며, MA가 가장 초기 징후이므로 정확한 검출이 중요함을 강조한다. 기존 연구들은 다수의 독립적인 MA 검출기를 결합하는 방식(출력 레벨 앙상블)을 사용했지만, 후보 좌표가 정확히 일치하지 않아 직접적인 투표가 어려운 문제점을 지적한다. 이에 저자는 전처리와 후보 추출을 각각 독립적인 모듈로 보고, 이들의 모든 가능한 조합을 후보 생성 파이프라인으로 활용한다. 전처리 모듈은 (1) 워터‑클라인 대비 강화, (2) CLAHE, (3) 혈관 제거 및 인페인팅, (4) 조명 균등화, (5) 무전처리의 5가지를 선택했으며, 각각은 이미지 대비, 혈관 억제, 주변 조명 보정 등 MA가 더 뚜렷하게 보이도록 설계되었다. 후보 추출 모듈은 (A) 워터 직경 클로징, (B) Spencer의 톱‑햇 변환, (C) 원형 허프 변환, (D) Zhang의 다중 가우시안 마스크, (E) Lazar의 다방향 단면 프로파일 등 5가지 방법을 채택했다. 각 모듈은 MA의 형태·크기·명암 특성을 다른 관점에서 탐지한다. 조합 가능한 파이프라인은 5×5=25개의 기본 쌍이며, 이들을 포함·제외하는 모든 서브셋을 고려하면 2^25개의 앙상블 후보가 생성된다. 전체 탐색은 계산량이 과다하므로, 저자는 시뮬레이티드 어닐링을 최적화 알고리즘으로 채택하고, 평가 함수로는 Competition Performance Metric(CPM)을 사용한다. CPM은 1/8, 1/4, 1/2, 1, 2, 4, 8 FP/I 수준에서 평균 민감도를 구해, 실제 임상에서 요구되는 저위양성·고민감도 균형을 반영한다. 앙상블 생성 과정은 다음과 같다. 각 파이프라인이 생성한 후보 좌표들을 모아, 거리 r 이하인 후보들을 클러스터링하고 그 중심을 최종 후보로 채택한다. 후보가 여러 파이프라인에 의해 지지될수록 신뢰도(confidence) 점수가 높아지며, 최종 MA 집합은 신뢰도 임계값에 따라 필터링된다. 성능 평가는 세 개의 데이터베이스에서 수행되었다. 첫 번째는 ROC 온라인 챌린지(50train/50test)로, 다양한 해상도와 압축 수준을 포함한다. 두 번째는 DiaretDB1.2(28train/61test)이며, 세 번째는 Moorfields Eye Hospital에서 제공한 60장의 고해상도 사설 이미지이다. 각 데이터셋에 대해 FR‑ROC 곡선과 CPM을 보고했으며, 제안된 앙상블은 모든 데이터셋에서 기존 최고 성능을 초과했다. 특히 ROC 챌린지에서는 현재 1위에 올랐으며, CPM 값이 경쟁자들을 크게 앞섰다. 또한, MA 검출 결과를 이용해 DR 유무를 판별하는 실험을 Messidor 데이터베이스(1,200장)에서 수행하였다. MA 존재 여부만을 기반으로 한 이진 분류에서 AUC 0.90±0.01을 달성했으며, 이는 MA 기반 DR 등급화가 충분히 신뢰할 수 있음을 보여준다. 논의에서는 전처리와 후보 추출기의 상호 보완성이 앙상블 성능 향상의 핵심임을 강조한다. 전처리 단계에서 혈관을 제거하거나 조명을 보정하면 후보 추출기의 민감도가 크게 상승한다는 실험적 증거를 제시한다. 또한, 후보 수준에서의 투표·클러스터링은 전통적인 라벨 기반 앙상블보다 공간적 불확실성을 효과적으로 다룰 수 있음을 확인한다. 한계점으로는 파라미터 r와 신뢰도 임계값 선택이 데이터셋에 따라 민감하게 변한다는 점, 그리고 새로운 전처리·후보 추출 모듈을 추가할 경우 탐색 공간이 급증해 계산 비용이 증가한다는 점을 들었다. 향후 연구에서는 딥러닝 기반 후보 점수와 결합하거나, 적응형 거리 임계값을 도입해 실시간 적용 가능성을 높이는 방향을 제시한다. 결론적으로, 본 논문은 전처리와 후보 추출기의 다양한 조합을 체계적으로 탐색하고, 후보 수준에서의 투표 메커니즘을 도입함으로써 MA 검출 정확도를 현저히 향상시켰으며, 이를 기반으로 한 DR 스크리닝에서도 경쟁력 있는 성능을 입증하였다.