Core Concepts
해부학적 조건화를 통해 비쌍 이미지-대-이미지 변환 기법의 의미론적 일관성을 개선하고, 이를 통해 Home-OCT 이미지의 바이오마커 분할 성능을 향상시킬 수 있다.
Abstract
이 연구는 광학 결맥 단층 촬영(OCT) 데이터셋을 활용하여 서로 다른 OCT 장치(Spectralis-OCT와 Home-OCT)에서 얻은 이미지 간의 스타일 변환 문제를 다룹니다. 이미지-대-이미지 변환은 이미지 쌍이 존재하지 않고 정보 차이로 인해 양방향 매핑이 어려운 문제입니다.
이를 해결하기 위해 저자들은 Contrastive Learning for Unpaired I2I Translation (CUT) 기법을 확장한 Anatomically Conditioned CUT (ACCUT)을 제안합니다. ACCUT은 스타일 디코더에 추가적인 분할 디코더를 결합하여 의미론적 일관성을 개선합니다. 실험 결과, ACCUT은 CUT 대비 Home-OCT 이미지의 바이오마커(SRF, PED) 분할 성능을 향상시켰습니다. 또한 ACCUT은 생성된 이미지와 실제 타겟 이미지 간 유사도를 높이는 것으로 나타났습니다.
이 연구는 서로 다른 OCT 장치에서 얻은 이미지의 데이터 조화화를 통해 질병(예: 나이 관련 황반 변성) 모니터링에 활용할 수 있는 잠재력을 보여줍니다.
Stats
Spectralis-OCT 이미지와 Home-OCT 이미지 간 도메인 차이로 인해 정보 손실이 발생하여 양방향 매핑이 어려움
서브레티날 액체(SRF)와 색소상피박리(PED)와 같은 AMD 바이오마커가 Home-OCT 이미지에서 잘 구분되지 않음
Quotes
"I2I 변환은 이미지 쌍이 존재하지 않고 정보 차이로 인해 양방향 매핑이 어려운 문제입니다."
"ACCUT은 스타일 디코더에 추가적인 분할 디코더를 결합하여 의미론적 일관성을 개선합니다."
"ACCUT은 CUT 대비 Home-OCT 이미지의 바이오마커(SRF, PED) 분할 성능을 향상시켰습니다."