딕셔너리 기반 OCTA 혈관 분할 기법

본 논문은 비침습적인 망막 혈관 영상 기술인 OCTA(Optical Coherence Tomography Angiography)의 임상 활용을 확대하기 위해, 대혈관(동맥·정맥), 모세혈관, 배경을 각각 구분하는 자동 분할 방법을 제안한다. OCTA 영상은 고해상도이지만 움직임 아티팩트와 저신호‑대잡음비(SNR)로 인한 노이즈, 그리고 레이어별 강도 변동 등으로 인해 기존의 단순 임계값 기반 방법으로는 정확한 혈관 구분이 어렵다. 이러한 문제를 해결하고자 저자들은 딕셔너리 기반 머신러닝 접근법을 채택하였다. **1. 데이터 및 전처리** 연구에 사용된 OCTA 이미지는 320×320 픽셀을 2배 확대해 640×640 픽셀로 만든 후, 적응형 히스토그램 평활화(AHE)를 적용해 대비를 향상시켰다. SR(표면) 레이어와 DR(깊이) 레이어 두 개의 en‑face 영상을 별도로 처리했으며, 딕셔너리 학습에는 SR 레이어만 사용해 대혈관 정보를 충분히 포함하도록 했다. **2. 피처 추출 및 차원 축소** 각 픽셀을 중심으로 N×N(논문에서는 7×7) 패치를 추출하고, 원시 강도 I와 1차·2차 미분 이미지(Ix, Iy, Ixx, Ixy, Iyy)를 포함한 6개의 채널을 만든다. 각 채널별로 패치를 1‑차원 벡터로 변환한 뒤, 무작위로 선택한 K=50,000개의 패치를 모아 평균을 뺀 후 공분산 행렬을 이용해 PCA를 수행한다. 가장 큰 q=10개의 고유벡터를 선택해 차원을 10으로 축소하고, 6채널을 결합해 최종 60차원 피처 벡터를 얻는다. **3. 딕셔너리 구축(클러스터링)** 차원 축소된 피처 벡터를 계층적 k‑means 클러스터링으로 그룹화한다. 브랜칭 팩터 b=5와 깊이 t=5를 사용해 최대 3,905개의 클러스터(딕셔너리 원소)를 생성한다. 계층적 구조는 검색 시 로그‑시간 복잡도로 빠른 매핑을 가능하게 한다. **4. 라벨링 및 확률 딕셔너리** 사용자는 훈련 이미지에 대해 3클래스(대혈관, 모세혈관, 배경) 마스크를 제공한다. 라벨 마스크는 M×M(=13×13) 패치로 나누어 각 클러스터에 속한 픽셀들의 라벨을 평균해 확률값(0~1)으로 변환한다. 이 확률 딕셔너리는 이후 테스트 이미지에 적용될 때 각 픽셀에 대한 클래스별 사후 확률을 제공한다. **5. 테스트 단계 및 최종 분할** 테스트 이미지에 대해 동일한 피처 추출·PCA 과정을 거친 뒤, k‑means 트리를 탐색해 가장 가까운 클러스터에 할당한다. 할당된 클러스터의 확률 값을 픽셀 위치에 기록해 n×m×C(여기서 C=3) 형태의 확률 맵 P를 만든다. 마지막으로 각 픽셀에 대해 가장 높은 확률을 갖는 클래스를 선택해 최종 라벨링을 수행한다. **6. 최적화 및 후처리** 훈련 이미지에 대해 실제 라벨과 예측 확률 맵 사이의 차이를 최소화하는 3×3 가중치 행렬 W를 선형 최소제곱법으로 계산한다. 이를 통해 클래스 간 불균형이나 라벨링 오류를 보정한다. **7. 실험 결과** 단일 라벨링 이미지(640×640)만을 사용해 딕셔너리를 학습했음에도, SRL과 DRL 모두에서 대혈관과 모세혈관을 명확히 구분하는 결과를 얻었다. 시각적으로는 대혈관은 청색, 모세혈관은 자홍색, 배경은 검은색으로 표시되었다. 실행 시간은 PCA 모델 구축 4.25 초, 딕셔너리 생성 7.01 초, 새로운 이미지에 대한 분할 5.95 초로, 실시간 혹은 근접 실시간 적용이 가능함을 보여준다. **8. 논의 및 한계** 본 방법은 딥러닝 기반 대규모 데이터 학습이 필요 없는 점에서 라벨링 비용을 크게 절감한다. 또한, 피처에 미분 정보를 포함해 텍스처와 경계 정보를 강화함으로써 단순 강도 기반 방법보다 강인성을 확보한다. 그러나 딕셔너리 크기와 클러스터 수에 따라 메모리 요구량이 증가하고, 패치 크기(N, M)의 선택이 결과에 민감하게 작용한다. 또한, 단일 이미지 학습으로 일반화 능력을 충분히 검증하지 못했으며, 다양한 병변(예: 당뇨병성 망막증)이나 다른 스캐너에서의 성능 검증이 필요하다. **9. 결론** 저자들은 딕셔너리 기반 분할 기법을 통해 OCTA 영상에서 대혈관, 모세혈관, 배경을 자동으로 구분하는 시스템을 구현하였다. 단일 라벨링 이미지만으로도 빠른 학습·추론이 가능하며, 정확한 혈관 구분을 통해 망막 혈류 정량화에 필요한 전처리 단계로 활용될 수 있다. 향후 다중 이미지 학습 및 다양한 병변 적용을 통해 임상적 신뢰성을 높이는 연구가 기대된다.