딥러닝 기반 렌즈 분할 전략과 다기관 데이터셋을 통한 유아 백내장 검출의 일반화 개선

유아 백내장은 전 세계적으로 유아 실명의 주요 원인입니다. 이전 연구들은 단일 센터에서 유아 백내장을 검출하기 위해 인공지능(AI) 진단 시스템을 개발하였으나, 다기관 슬릿 램프 이미지의 복잡한 노이즈와 이질성으로 인해 일반화가 이상적이지 않아 실제 임상에서 이러한 AI 시스템의 적용이 저해됩니다. 본 연구에서는 유아 백내장 검출의 일반화를 개선하기 위해 딥러닝 Faster R-CNN 및 Hough 변환을 기반으로 한 두 가지 렌즈 분할 전략(LPSs)을 개발하였습니다. 다섯 개의 안과 클리닉에서 수집된 총 1,643개의 다기관 슬릿 램프 이미지를 사용하여 LPS의 성능을 평가하였습니다. Faster R-CNN의 검출 및 등급 평가의 일반화는 훈련 데이터셋에 다기관 이미지를 순차적으로 추가함으로써 탐구되었습니다. 정상 및 비정상 렌즈 분할의 경우, Faster R-CNN은 각각 0.9419 및 0.9107의 평균 교차 통과를 달성하였으며, 이들의 평균 정밀도는 모두 95%를 초과하였습니다. Hough 변환과 비교할 때, 불투명 영역 등급에서 Faster R-CNN의 정확도, 특이도 및 민감도는 각각 5.31, 8.09, 3.29% 개선되었습니다. 유사한 개선이 불투명 밀도 및 위치에 대한 다른 등급에서도 나타났습니다. Faster R-CNN이 요구하는 최소 훈련 샘플 크기는 다기관 슬릿 램프 이미지에서 결정됩니다. 더욱이, Faster R-CNN은 단일 이미지에 대해 단 0.25초의 실시간 렌즈 분할을 달성한 반면, Hough 변환은 34.46초가 필요합니다. 마지막으로, Grad-Cam 및 t-SNE 기법을 사용하여 가장 관련성이 높은 병변 영역이 히트 맵에서 강조되었고, 고수준 특징이 구별되었습니다. 본 연구는 유아 백내장 검출의 일반화를 개선하기 위한 효과적인 LPS를 제공합니다. 이 시스템은 다기관 슬릿 램프 이미지에 적용될 가능성이 있습니다.