전 세계적으로 망막 질환의 급격히 증가하는 추세는 심각한 주의가 필요하다. 녹내장은 영구적인 시력 손상을 초래할 수 있는 중요한 안과 질환이다. 일반적으로 안과 전문의는 수작업 평가를 통해 녹내장을 진단하는데, 이는 오류에 취약하고 주관적이며 시간 소모적인 접근 방식이다. 따라서 기존의 진단 방법을 강화하고 보조하기 위한 자동화 방법의 개발이 필수적이다. 안저 영상(fundus imaging)에서 시신경 유두(optic cup; OC)와 시신경 유두(optic disc; OD)의 분할(segmentation)은 녹내장 선별(screening) 보조를 위해 연구자들 사이에서 널리 받아들여져 있다. 다수의 연구에서 녹내장 진단을 위한 인공지능(AI) 기반 의사결정 지원 시스템을 제안해 왔다. 그러나 기존의 AI 기반 방법들은 정확성과 효율성 측면에서 심각한 한계를 보인다. 배경의 차이, 픽셀 강도 값, 그리고 객체 크기의 변동은 분할을 어렵게 만든다. 특히 OC의 크기는 대개 매우 작고 경계가 불명확하여 그 분할이 더욱 어렵다. 이러한 문제를 효과적으로 해결하기 위해, 정확한 OD와 OC 분할을 제공하는 새로운 특징 자극 기반 밀집 분할 네트워크(feature excitation-based dense segmentation network; FEDS-Net)가 개발되었다. FEDS-Net은 OC와 OD 분할 성능을 향상시키기 위해 특징 자극(feature excitation) 및 정보 집합(information aggregation; IA) 메커니즘을 활용한다. 또한 FEDS-Net은 각각 네트워크의 다양한 효율적 학습을 위해 빠른 특징 다운샘플링(rapid feature downsampling)과 효율적인 컨볼루션 깊이(efficient convolutional depth)를 사용한다. 제안된 프레임워크는 세 가지 공개 데이터베이스인 REFUGE, Drishti-GS, Rim-One-r3에서 포괄적으로 평가되었다. FEDS-Net은 최신(state-of-the-art) 방법들에 비해 분할 성능에서 우수함을 달성하였다. 필요한 학습 가능 파라미터 수가 소수(2.73 million)라는 점 또한, 제안 방법의 뛰어난 계산 효율성을 확인해 준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.