사전 처리된 안저 이미지와 최적화된 CNN을 이용한 초기 당뇨병 망막병증 진단을 위한 견고한 딥러닝 프레임워크

Summary

본 연구는 사전 처리된 안저 이미지와 최적화된 합성곱 신경망 아키텍처를 활용한 딥러닝 기반 당뇨병 망막병증 조기 발견 워크플로우를 제시하고 설명하며, 이를 통해 정확한 질병 분류와 설명 가능한 병변 위치 파악을 가능하게 하여 확장 가능한 임상 적용을 가능하게 합니다.

Abstract

당뇨병성 망막병증(DR)은 전 세계적으로 시력 상실의 주요 원인이며, 특히 당뇨병 조절이 잘 안 된 환자들 사이에서 그렇습니다. 자동화된 이미지 분석을 통한 조기 발견은 시기적절한 개입을 지원하는 확장 가능한 솔루션으로 떠올랐습니다. 특히 합성곱 신경망(CNN)을 포함한 딥러닝 기반 모델은 망막 안저 이미지에서 DR 감지에 상당한 가능성을 보여주었습니다. 본 연구는 (i) EfficientNetB0와 DenseNet121을 활용한 5단계 DR 분류를 위한 앙상블 딥러닝 프레임워크 개발, (ii) 안저 영상 전처리가 진단 성능에 미치는 영향을 체계적으로 평가하고, (iii) 병변 위치화를 위한 Grad-CAM 기반 시각적 설명을 도입하고, (iv) 확장 가능한 스크리닝에 적합한 높은 진단 정확도와 계산 효율성을 달성하는 것을 목표로 했습니다. EyePACS, APTOS 2019, 그리고 중국의 3차 진료 센터에서 수집한 53,412장의 안저 이미지 데이터셋이 수집되었습니다. 전처리 단계에는 대조 제한 적응 히스토그램 평등화(CLAHE), 인공물 제거, 정규화가 포함되었습니다. 전이 학습은 EfficientNetB0와 DenseNet121 백본을 사용한 후 하이브리드 어셈블링이 적용되었습니다. 모델들은 정확도, 거시-AUC, 민감도, 특이도, F1 점수를 사용하여 평가되었습니다. 병변 위치를 시각화하기 위해 Grad-CAM을 사용하였습니다. 하이브리드 앙상블 모델은 91.2%의 정확도, 0.961의 매크로 AUC, 92.1%의 민감도, 그리고 0.913의 F1 점수를 달성했습니다. 전처리는 성능을 3-4% 향상시켰으며, 앙상블 접근법이 독립형 CNN보다 더 뛰어난 성능을 보였습니다. Grad-CAM 오버레이는 정확한 병변 위치 확인을 확인했습니다. 모델 성능은 임상 선별 요구사항을 반영하기 위해 5단계 DR 등급과 이진 참조 가능한 DR 검출 모두에 대해 평가되었습니다. 이 연구는 DR 탐지를 위한 임상적으로 실현 가능하고 설명 가능한 딥러닝 모델을 제시합니다. 향후 연구에는 독립 데이터셋에 대한 외부 검증, 실제 세계 평가, 모바일 및 진료 지점 스크리닝 응용을 위한 모델 최적화(예: 가지치기 및 양자화)가 포함될 예정입니다.

Introduction

DR은 당뇨병의 미세혈관 합병증으로, 전 세계적으로 예방 가능한 시각 장애의 주요 원인 중 하나로 남아^{있습니다.} 만성 고혈당은 망막 모세혈관 손상을 유발하여 혈관 투과성 증가, 미세동맥류 형성, 출혈, 토출물, 그리고 진행 단계에서는 신생혈관 증식을 초래합니다. 적시에 개입하지 않으면 이러한 변화가 유리체 출혈, 견인 망막 박리, 비가역적 시력 상실로 진행될 수 있습니다 ^1,2. 역학 연구에 따르면 당뇨병 환자의 약 35%가 어느 정도 DR을 보이며,^{매년 거의} 10%가 시력을 위협하는 망막병증을 겪고 있습니다. 전 세계적인 추세는 지난 20년간 DR 유병률이 크게 증가했음을 보여줍니다. 획기적인 메타분석에 따르면 DR 유병률은 2000년대 초 13.6%에서 2020년 20% 이상으로 증가했습니다. 마찬가지로, 시력을 위협하는 DR과 당뇨병성 황반부종의 발생률은 특히 저소득 및 중산층 지역에서 증가 추세를 보^{였습니다.} 농촌 및 경제적으로 어려운 지역에서 안과 선별 서비스 접근성이 제한되어 진단과 치료가 지연되는 원인이 됩니다⁵.

DR의 조기 발견은 매우 중요하며, 국소 또는 범망막 레이저 광응고, 유리체 내 항혈관 내피성장인자(항VEGF) 치료, 유리체 절제술 등 비증식 단계에서 시력 상실 진행을 효과적으로 막을 수 있습니다^. 그럼에도 불구하고 기존 스크리닝 프로그램은 종종 훈련된 전문가가 컬러 안저 사진을 수작업으로 그레이딩하는 데 의존하는데, 이는 확장성과 시기적절한 촬영을 제한하는 자원 집약적인 과정^입니다. 원격 안과 이니셔티브는 이러한 격차를 부분적으로 해결했으나, 여전히 제한된 전문가의 가용성과 표준화된 영상 프로토콜에 의존하고 있습니다^. 인공지능(AI), 특히 딥러닝(DL)의 발전으로 안저 이미지에서 DR을 고정확하고 빠르게 탐지하고 평가할 수 있는 자동화 솔루션이 도입되었습니다. CNN은 미세동맥류, 출혈, 분출물과 같은 계층적 특징을 추출하며, 벤치마크 데이터셋 ^8,9에서 90%를 초과하는 민감도와 특이성을 달성했습니다. Gulshan 등, Ting 등의 획기적인 연구들은 DL 알고리즘이 전문가 등급 평가자들과 동등하거나 능가할 수 있음을 입증하여 자율 선별 시스템의 규제 승인을 위한 길을 열었습니다 ^8,9. 이후 연구에서는 전이 학습, 앙상블 모델링, 하이브리드 CNNrecurrent 신경망 아키텍처를 탐구하여 다양한 영상 조건과 환자 집단 간 일반화 가능성을 개선했습니다^10,11.

이러한 유망한 결과에도 불구하고, DL 기반 DR 선별의 임상 전환에는 여러 가지 도전 과제가 있습니다. 첫째, 견고한 성능은 영상 장비, 민족, 질병 표현의 변동성을 포착하는 크고 잘 주석이 달린 데이터셋을 필요로^합니다. 채점자 간 주석 불일치는 모델 훈련과 평가를 더욱 복잡하게 만듭니다. 둘째, CLAHE를 통한 대비 향상, 노이즈 감소, 색상 정규화와 같은 이미지 전처리 단계는 미세한 병변의 가시성에 큰 영향을 미치며, 결과적으로 특징 추출의 신뢰성에 영향을 미친다. 셋째, 모델 해석 가능성은 여전히 활발한 연구 분야입니다; 임상의들은 알고리즘 예측을 이끄는 눈에 띄는 이미지 영역을 강조하는 투명한 의사결정 지원 도구를 필요로^합니다. 마지막으로, 특히 자원이 제한된 환경에서 AI 도구를 기존 선별 경로에 통합하는 데 필요한 규제 프레임워크와 비용 효율성 분석이 필요합니다¹⁵. 본 연구는 안저 이미지의 최적화된 전처리, 최신 CNN 아키텍처, 전이 학습 전략을 통합한 조기 DR 탐지를 위한 포괄적인 DL 프레임워크를 제안함으로써 이러한 도전 과제를 해결합니다. 우리는 CLAHE와 자동 인공물 제거를 사용하여 병변 대비를 강화하고, 이후 사전 학습된 CNN 백본을 미세 조정하여 대규모 자연 이미지 특징을 활용합니다. 따라서 본 연구는 최적화된 안저 이미지 전처리와 효율적인 앙상블 CNN 아키텍처를 통합한 초기 DR 탐지를 위한 설명 가능한 딥러닝 프레임워크를 제안합니다(그림 1). 본 연구의 주요 기여는 전처리 전략의 체계적 평가, 계산 효율적인 하이브리드 앙상블 설계, 임상 해석을 지원하기 위한 시각적 설명 가능성 도입입니다. 정확성, 투명성, 배포 가능성을 함께 다룸으로써, 본 연구는 AI 지원 DR 스크리닝의 실용적 적용성을 진전시키고자 합니다. DR은 임상적으로 정의된 다섯 단계를 거칩니다: 무증상, 경증, 중등도, 중증 비증식 DR, 증식성 DR. 초기 단계는 미세동맥류와 경미한 출혈이 특징이며, 진행기는 광범위한 혈관 손상, 신생혈관 형성, 시력 상실 위험이 나타납니다. 증상은 종종 말기까지 무증상으로 남아 있어, 조기 개입을 위해 자동 선별검사가 매우 중요합니다.

그림 1: 원고에 제시된 작품의 그래픽 표현 이 그림의 더 큰 버전을 보시려면 여기를 클릭하세요.

이러한 도전 과제를 해결하기 위해 본 연구는 표준화된 안저 이미지 전처리, 최적화된 컨볼루션 신경망 훈련, 해석 가능한 모델 출력을 통합된 워크플로우 내에 통합한 DR 탐지 체계적 딥러닝 프로토콜을 제시합니다. 이 프로토콜은 전처리 전략, 모델 아키텍처, 훈련 구성을 명시적으로 상세히 설명하여 재현성과 방법론적 투명성을 높이기 위해 설계되었습니다. 계산 효율이 높은 경량 앙상블을 강조하고 Grad-CAM 기반 시각적 설명을 통합함으로써, 제안된 방법은 이기종적이고 다중심 망막 영상 데이터셋 전반에 걸쳐 일관된 평가를 위한 실용적이고 해석 가능한 프레임워크를 정의합니다.

Protocol

이 연구는 후향적 분석을 포함했습니다. 기관 및 국가 규정에 따라, 식별 가능한 환자 정보가 접근되거나 사용되지 않아 공식 윤리위원회의 승인과 사전 동의가 포기되었습니다.

1. 데이터 소스 및 획득

1. 모든 이미지를 국제 임상 당뇨병성 망막병증(ICDR) 심각도 척도(등급 0-4^)에 따라 재라벨링하여 EyePACS, APTOS 2019, 3차 진료 코호트에서 얻은 데이터셋 간의 일관성을 보장합니다.
2. 기존 주석이 있는 데이터셋의 원래 라벨을 ICDR 척도와 일치시키면 일관성을 유지할 수 있습니다.
3. DR 선별 경험이 있는 두 명의 보드 인증 안과 전문의가 모든 안저 영상을 독립적으로 평가합니다.
4. 평가 편향을 최소화하기 위해 두 등급 평가자를 데이터셋 소스, 환자 식별자, 임상 병력, 모델 예측에 완전히 가려두세요. 익명화된 파일 식별자를 사용하여 무작위 순서로 이미지를 제시합니다.
5. ICDR 심각도 척도(등급 0-4)에 엄격히 따라 채점을 수행하세요.
6. 합의 라벨링 전에 Cohen의 가중 kappa(κw)를 사용해 DR 심각도 등급의 서열적 특성을 고려하여 이차 가중치를 사용해 등급 간 일치를 정량화합니다.
7. 표준 임계값(κ < 0.20, 불량; 0.21-0.40, 보통; 0.41-0.60, 보통; 0.61-0.80, 상당; > 0.80, 거의 완벽)에 따라 일치 강도를 해석한다. 불균형 성적은 공동 합의 검토를 통해 해결합니다. 합의 등급을 모델 훈련 및 평가의 최종 기준으로 사용하세요.
8. 모델 학습 전에 모든 이미지를 512 × 512 픽셀의 균일한 해상도와 일관된 색상 공간으로 표준화하고, 카메라 장치, 획득 프로토콜, 조명 조건 차이로 인한 데이터셋 간 변동성을 최소화하기 위해 동일한 전처리 절차를 적용합니다.
   참고: 구체적으로 전처리는 (i) 이미지 크기 조정 및 RGB 표준화, (ii) 대비 강화를 위한 녹색 채널 CLAH, (iii) 원형 마스킹과 적응 임계값 조절을 통한 배경 아티팩트 제거, (iv) 채널별 강도 정규화, (v) 가우시안 필터링과 언샤프 마스킹을 이용한 노이즈 감소 및 엣지 향상으로 구성되었습니다.
9. 일상적인 임상 선별 조건에서 여러 대의 상업용 컬러 안저 카메라(Topcon, Canon, Zeiss)를 사용하여 안저 이미지를 획득합니다(그림 2).
10. 이미지 획득 파라미터가 기기마다 달라질 수 있도록 허용하되, 30°-45°의 시야각, 약 2,048 × 1,536에서 3,872 × 2,592 픽셀까지의 네이티브 이미지 해상도, 그리고 24비트 색상 깊이(RGB 채널당 8비트)를 포함하는 일반적인 스크리닝 범위 내에서 표준화하세요.
11. 실제 선별 검사 방식을 반영하기 위해 수도상과 비수도체 영상 프로토콜을 모두 사용하세요. 모든 이미지를 단일 필드, 황반 중심 안저 사진으로 가변 조명 조건에서 촬영한 후, 모델 훈련 전에 동일한 파이프라인을 사용해 이미지 크기를 재조정하고 전처리합니다(그림 2).
12. 사용 전 모든 이미지는 HIPAA 지침^{12, 13, 14}를 준수하여 익명으로 지정하세요.
    참고: 피험자 내 편향을 피하기 위해 한 눈당 한 장의 이미지만 사용하세요. 다음 미리 정의된 품질 기준 중 하나 이상을 충족하는 이미지는 제외합니다: (i) 경계 선명도 및 혈관 가시성으로 평가된 망막 혈관 및 미세동맥류를 가리는 초점 저하 또는 흐림; (ii) 망막 영역의 25% 이상에 영향을 미치는 과도한 모션 블러나 초점 저하; (iii) 시신경 유두나 황반 부위의 불완전한 시각 손실로 정의됨; 또는 (iv) 병변 가시성을 방해하는 포화나 그림자 같은 심각한 조명 인공물.
13. 두 명의 평가자가 독립적으로 품질 평가를 수행하고, 합의를 통해 이견을 해결합니다.
    1. EyePACS 데이터셋: Kaggle에서 얻은 EyePACS 데이터셋을 사용하세요. 모든 사용 가능한 색상 안저 이미지를 포함하고, 데이터셋 메타데이터에 포함된 DR 등급을 유지하세요.
    2. APTOS 2019 데이터셋: Kaggle에서 제공한 APTOS 2019 데이터셋을 사용하며, 표준화된 스크리닝 조건 하에 획득된 약 3,600장의 단일 필드 컬러 안저 이미지로 구성되어 있습니다.
    3. 인도 임상 데이터셋: 컬러 안저 이미지로 구성된 병원 기반 인도 임상 데이터셋을 사용합니다. 전체 영상 수를 기록하고 자격을 갖춘 안과 전문의가 부여한 DR 등급을 참조 라벨로 사용하세요.

그림 2: 당뇨병성 망막병증의 다양한 단계를 보여주는 대표적인 컬러 안저 사진들. 이 그림의 확대판을 보시려면 여기를 클릭해 주세요.

2. 전처리 (CLAHE, 정규화, 아티팩트 제거)

1. 병변 가시성을 높이고 영상 조건에 따른 변동성을 줄이기 위해 다단계 전처리 파이프라인을 활용하세요.
2. 딥러닝 모델의 균일한 입력 치수를 유지하기 위해 각 색상 안저 이미지를 512 × 512 픽셀로 크기 조정합니다.
3. 각 안저 이미지의 녹색 채널에만 CLAHE를 적용하여 조영 강화를 수행하는데, 이 채널은 최적의 혈관 및 미세동맥류 대비를 제공합니다.
4. OpenCV 라이브러리를 사용해 클리핑 제한을 2.0으로 설정해 노이즈 과증폭을 방지하고, 타일 그리드 크기를 8 × 8로 설정하여 망막 필드 전반에 국소적인 대비 강화를 가능하게 합니다.
5. 처리된 녹색 채널과 빨간색, 파란색 채널을 재결합하여 향상된 RGB 이미지를 재구성합니다. 모든 CLAHE 매개변수를 고정하고, 훈련, 검증, 테스트 세트 전반에 걸쳐 모든 이미지에 동일하게 적용하여 재현성을 보장합니다.
6. 그 다음, 채널별 정규화를 사용하여 이미지를 평균과 단위 분산 0으로 정규화합니다.
7. 원형 마스킹과 적응형 임계값 적용을 사용하여 검은 테두리나 조명 헤일로와 같은 배경 아티팩트를 제거합니다.
8. 노이즈 감소와 엣지 보존을 위해 각각 가우시안 필터링과 언샤프 마스킹을 적용합니다. 노이즈 억제를 위한 가우시안 필터링을 적용하세요: 표준편차(σ)를 1.0인 5 × 5 커널을 사용하고, 수평 및 수직 방향 모두에서 대칭적으로 구현합니다.
   참고: 이 단계는 고주파 잡음을 줄이면서 미세한 혈관 구조를 보존합니다.
9. 원본 이미지에서 흐릿한 이미지를 빼서 병변 경계를 강화하기 위해 선명하지 않은 마스킹을 수행합니다.
10. 구체적으로, 가우시안 흐림 이미지(커널 크기 5 × 5, σ = 1.0)를 원본 이미지에서 1.5 선명한 값으로 빼고, 결과된 디테일 이미지를 원본에 다시 더해 최종 선명한 출력을 생성합니다.
11. 모든 매개변수를 고정하고 모든 데이터셋에 균일하게 적용하세요.
12. 아래에 언급된 추가 전처리를 포함하여 실제 세계의 변동성을 시뮬레이션하고 학습 데이터를 보완합니다:
    1. 망막의 좌우 해부학적 대칭성을 고려하기 위해 각 훈련 이미지에 0.5 확률로 무작위 수평 뒤집기를 적용합니다.
    2. 확률 0.5의 무작위 수직 뒤집기를 적용하여 안저 영상 획득 중 흔히 마주치는 방향 변동성을 반영합니다.
    3. -15°에서 +15° 범위 내에서 균일하게 샘플링한 무작위 회전을 0.7 확률로 적용하여 미세한 카메라 기울기와 환자의 머리 움직임을 시뮬레이션합니다.
    4. 원본 이미지 크기의 ± 10% 범위 내에서 0.5 확률로 무작위 확대를 적용한 후, 중앙 자르기나 퍼딩을 하여 입력 해상도를 512 × 512픽셀로 복원합니다.
    5. 픽셀 강도를 0.9-1.1 계수 범위 내에서 확률 0.4로 스케일링하여 무작위 밝기 조정을 적용하여 영상 장치 간 조명 변동성을 모델링합니다.
    6. 이미지 대비를 0.9-1.1 계수 범위 내에서 0.4 확률로 스케일링하여 무작위 대비 조정을 적용하여 노출 차이에 대한 견고성을 향상시킵니다.
    7. 모든 증강은 훈련 세트에만 적용되고 모델 학습 중 실시간으로 수행되도록 하며, 검증 및 테스트 이미지는 증강되지 않은 상태로 유지해야 합니다.
    8. 훈련 기간 동안 고정된 증강 매개변수를 유지하여 재현성과 모델의 통제된 변동성에 대한 일관된 노출을 보장합니다.
13. 파이썬의 OpenCV와 이미지 라이브러리를 사용하여 전처리 단계를 구현하고, 학습 및 검증 세트 간에 일관된 변환을 보장합니다.

3. 모델 아키텍처 (CNN 변형, 최적화된 계층)

1. DR 분류를 위한 여러 CNN 아키텍처를 탐색하고 아래에 언급된 세 가지 모델 변형을 조사해 보세요.
   1. 기본 CNN - 배치 정규화, ReLU 활성화, 최대 풀링, 드롭아웃(p = 0.5)을 갖춘 맞춤형 6층 CNN.
   2. 전이 학습 모델 - ResNet50, EfficientNetB0, DenseNet121을 포함한 사전 학습된 CNN 백본을 ImageNet 가중치로 초기화하고 DR 이미지에 미세 조정됨.
   3. 최적화 하이브리드 모델 - EfficientNetB0와 DenseNet121의 특징 추출기를 결합한 앙상블 모델로, 그 뒤를 소프트맥스 출력을 가진 다층 퍼셉트론(MLP)을 사용합니다.
   4. 미세 조정 후, 전역 평균 풀링 계층, ReLU 활성화가 포함된 밀집 계층(512 단위), 드롭아웃 계층(p = 0.5), 그리고 소프트맥스 출력 계층을 사용하여 각 사전 학습 모델의 분류 헤드를 구성합니다.
   5. 각 모델의 분류 헤드 앞에 전역 평균 풀링(GAP) 계층을 배치합니다.
   6. 과적합을 줄이기 위해 분류 헤드 내 모든 완전 연결(조밀한) 층에 L2 가중치 정규화가 적용되었으며, 정규화 계수 (λ)는 1 × 10⁻⁴였습니다. 이 값은 미세 조정 중 모델 수렴성과 분류 성능을 유지하면서 큰 가중치에 효과적인 페널티를 제공하기 위해 선택되었습니다.
   7. 분류 계층에서 소프트맥스 활성화 함수를 사용하여 5클래스 DR 예측을 가능하게 합니다.
   8. 망막 영상 분석에서 하이브리드 및 전이 학습 기반 접근법의 우수한 성능을 입증한 이전 연구를 바탕으로 기본 모델 설계 선택을 했습니다 ^3,4.
   9. 최적화된 하이브리드 앙상블 모델에서 효율적인 NetB0와 DenseNet121을 병렬 특징 추출기로 사용하세요.
   10. 동시에 입력된 안저 이미지를 두 개의 사전 학습된 백본에 입력하고, 각 네트워크의 전역 평균 풀링(GAP) 계층 이후 최종 합성곱 특징 맵을 추출합니다.
   11. 결과된 특징 벡터를 연결하여 통합 표현을 형성하고, 두 개의 완전 연결된 계층(ReLU 활성화 및 드롭아웃 포함)과 그 다음에 5클래스 DR 분류용 소프트맥스 출력 계층으로 구성된 MLP에 입력합니다.
   12. 이 후기 융합 전략을 채택하여 EfficientNetB0의 세분화된 특징 효율성과 DenseNet121의 밀집 특징 전파를 통합하여, 초기 및 고급 DR 단계에서 균형 잡힌 성능을 달성할 수 있습니다.
   13. MLP를 활용해 상보적 특징 표현의 비선형 적분을 가능하게 하면서도 종단 간 융합에 비해 과적합을 줄이세요.

4. 모델 훈련 및 최적화(전이 학습, 하이퍼파라미터)

1. 모든 실험은 Ubuntu Linux(버전 20.04 LTS)와 Python 3.8.10이 설치된 워크스테이션에서 진행하세요.
2. Kenas 백엔드와 함께 TensorFlow 2.10.0을 사용하여 딥러닝 모델을 구현하고, NVIDIA Tesla V100 GPU(32GB VRAM)에서 실행하세요.
3. 지정된 TensorFlow 릴리스와 호환되는 CUDA 툴킷 버전 11.2와 cuDNN 버전 8.1을 사용하여 GPU 가속을 활성화하세요.
4. OpenCV 4.7.0, NumPy 1.23, imgaug 0.4.0을 사용하여 모든 전처리 및 데이터 증강 단계를 구현하세요.
5. 데이터셋을 학습(70%), 검증(15%), 테스트(15%) 세트로 나누고, 각 파티션 내에서 클래스 균형을 맞추세요.
6. 모든 모델을 32GB VRAM이 탑재된 NVIDIA Tesla V100 GPU에서 학습하세요.
7. 전이 학습을 활용하여 사전 학습 네트워크의 초기 계층을 동결하고 안저 이미지의 최상위 계층을 미세 조정합니다.
8. 마지막 밀집된 층을 무작위로 초기화하고 처음부터 훈련하세요.
9. 다음 하이퍼파라미터를 최적화합니다:
   옵티마이저: 아담, β1=0.9, β2=0.999
   학습 속도: ReduceLROnPlateau 스케줄러를 사용한 경우 1× 10⁻⁴
   배치 크기: 32
   에포크: 50-100 초기 중단 시 (인내심 = 10)
   손실 함수: 범주 교차 엔트로피
10. 최소 검증 손실을 기준으로 모델 체크포인트를 저장하세요.
11. 훈련 중 수업 빈도에 반비례하는 범주별 수업 가중치를 적용하여 수업 불균형을 해결합니다.
12. Keras ImageDataGenerator를 사용하여 실시간으로 데이터 증강을 적용할 수 있습니다. 모델의 견고성을 보장하고 선택 편향을 최소화하기 위해 5중 교차 검증 전략을 사용하세요. 모든 폴드에서 평균 성과 지표를 보고하고, 이에 상응하는 표준편차를 보고합니다.
13. 의료 영상 분류를 위한 전이 학습에서 확립된 모범 사례를 바탕으로 하이퍼파라미터 값을 선택하고, 검증 세트에서 예비 파일럿 실험을 통해 검증합니다.
14. Adam 최적화 도구를 사용해 안정적인 수렴과 적응 학습률 동작을 고려하고, 미세 조정 중 훈련 안정성과 수렴 속도를 균형 있게 맞추기 위해 초기 학습률을 1e−4로 설정하세요.
15. 과적합을 최소화하면서 계산 효율성을 유지하기 위해 배치 크기와 조기 중단 기준을 경험적으로 결정합니다.

5. 평가 지표 및 검증 (AUC, 정확성, 민감도/특이도)

1. 표준 분류 지표를 사용하여 모델 성능을 평가합니다. 홀드아웃 테스트 세트(n≈ 8,000장의 이미지)에 대해 1차 평가를 수행하고, 5등급 분류와 이진 분류(참조 가능한 DR와 비참조 DR) 모두에 대한 결과를 보고합니다.
2. 다음 지표들을 계산합니다:
   정확도: 모든 클래스에서 정확 예측 비율
   수신자 작동 특성 곡선 하 면적(AUC): 각 클래스별로 계산 및 평균(매크로 AUC)
   감도(회상): 진양성률 = TP / (TP + FN)
   특이도: 진음성률 = TN / (TN + FP)
   F1-점수: 정밀도와 기억력의 조화평균
   혼동 행렬: 분류 오차 분석을 위한 5 × 5 행렬
3. 모델 식별을 시각화하기 위한 그래프 수신기 작동 특성(ROC) 곡선과 정밀도 회상 곡선을 활용합니다.
4. 정확히 분류된 이미지 일부와 잘못 분류된 이미지 일부에 대해 Grad-CAM(그라디언트 가중 클래스 활성화 매핑) 시각화를 생성하여 모델 예측을 이끄는 망막 영역을 강조합니다.
   참고: 최적화된 하이브리드 모델은 참조 가능한 DR 검출에서 매크로 AUC 0.961, 민감도 92.1%, 특이도 89.4%, 전체 정확도 91.2%로 최고의 성능을 달성했습니다.
5. 동일한 데이터셋에서 기존 발표된 모델들과 성능을 벤치마크하고, 쌍 t-검정과 맥네마르 검정을 사용해 통계적 유의성을 평가합니다.
6. 교차 검증 접힘 전반에 걸친 연속 지표(AUC, 정확도, F1 점수)에 대한 쌍 t-검정과 검정 세트 내 쌍 분류 결과에 대한 McNemar 검정을 사용하여 하이브리드 앙상블 모델과 개별 CNN 아키텍처 간의 성능 차이의 통계적 유의성을 평가합니다.
   참고: 하이브리드 모델은 모든 단일 백본 모델에 비해 통계적으로 유의미한 개선을 보였으며, 정확도와 AUC의 p값이 0.05< 나타났음을 확인하여, 관찰된 성능 향상이 무작위 변동 때문이 아님을 확인했습니다. 정확성은 DR 선별에서 중요한 평가 지표로, 불필요한 의뢰, 환자 불안, 의료 부담 증가로 이어질 수 있는 거짓 양성 예측을 최소화하기 위해 중요합니다. 정확도는 양성 예측된 모든 사례 중 정확히 예측된 양성 사례의 비율로 정의되며, 다음과 같이 표현됩니다:
   Precision=TPTP+FP\text{Precision} = \frac{TP}{TP + FP}Precision=TP+FPTP
   여기서 TP 는 참양성을, FP 는 거짓양성을.
7. DR 검출 맥락에서, DR으로 분류된 이미지가 실제로 병리학적 징후를 포함하고 있음을 나타낸다는 고정밀도를 해석함으로써 자동화된 선별 시스템의 신뢰성을 높입니다. 이 지표는 과도한 위양성이 의뢰 시스템을 압도할 수 있는 대규모 인구 선별 검사에서 특히 중요하다는 점을 강조하세요. 본 연구에서는 각 DR 등급과 이진 참조 가능한 DR 검출의 정밀도를 평가하여 모델이 병리적 사례와 건강한 대조군을 정확히 구분하는 능력을 평가합니다.

Results

데이터셋 요약 및 전처리 효과

엄선된 데이터셋은 다섯 가지 DR 중증도 등급에 분포된 53,412장의 컬러 안저 이미지로 구성되었습니다: DR 없음(0) - 39.2%, 경미(1) - 18.4%, 중등도(2) - 22.5%, 중증(3) - 12.1%, 증식 DR(4) - 7.8%. 데이터는 EyePACS, APTOS 2019, 그리고 중국계 3차 안과 센터에서 제공되어 민족, 영상 조건, 카메라 사양의 다양성을 보장했습니다.

전처리는 병변의 가시성을 크게 높였습니다. 녹색 채널에 CLAHE를 적용하면 특히 미세동맥류와 출혈에 대한 국소 대비가 개선되었습니다. 배경 아티팩트 제거(마스킹과 임계값을 이용)는 94% 이상의 검은 테두리와 조명 헤일로를 성공적으로 제거했습니다. 정규화는 데이터셋 간에 일관된 픽셀 강도 분포를 달성하여 장치 간 변동...

Discussion

본 연구에서는 EfficientNetB0와 DenseNet121을 결합한 하이브리드 앙상블 모델을 개발하고 엄격히 평가했으며, 전이 학습을 통해 미세 조정하고 고전적 전처리 단계인 CLAHE, 인티팩트 제거, 강도 정규화를 통해 5단계 DR 등급을 수행하였습니다. 이 앙상블은 탁월한 성능을 달성했습니다: 참조 가능한 DR 검출에서 정확도 91.2%, 매크로AUC 0.961, F₁score 0.913, 민감도는 92.1%로 6절에 보고되었습니다. 이 지표들은 기본 CNN(정확도 ~83.4%, 매크로AUC ~0.88)과 ResNet50, EfficientNetB0, DenseNet121과 같은 개별 백본 모델보다 훨씬 우수했습니다. 우리의 결과는 Gulshan 등의 획기적인 연구와 비교해 우수합니다. JAMA에서는 128,000장 이상의 이미지에서 훈련된 10개의 InceptionV3 기반 CNN을 사용해 EyePACS와 Messidor2의...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
펀더스 카메라 (톱콘, 캐논, 자이스)	톱콘 / 캐논 / 자이스		다양한 조명 조건에서 고해상도 컬러 안저 사진을 촬영하는 데 사용됩니다
NVIDIA 테슬라 V100 GPU	엔비디아 코퍼레이션	테슬라 V100	32GB VRAM; 딥러닝 모델 훈련에 사용됩니다
파이썬 (OpenCV, imgaug 라이브러리)	오픈 소스 커뮤니티		CLAHE를 포함한 이미지 전처리, 아티팩트 제거, 정규화, 증강
텐서플로우 2.10 + 케라스	구글 브레인		CNN 모델 구축 및 훈련에 사용되는 딥러닝 프레임워크
효율적인 NetB0 & DenseNet121 사전 학습된 백본	오픈 소스 (TensorFlow/Keras 애플리케이션)		DR 분류에 사용되는 ImageNet에서 사전 학습된 전이 학습 백본