[논문 리뷰] Gradient based Severity Labeling for Biomarker Classification in OCT

Kiran Kokilepersaud, Mohit Prabhushankar외 3명|arXiv (Cornell University)|2026. 02. 23.

Retinal Imaging and Analysis인용 수 0

한 줄 요약

본 논문은 건강한 OCT 자동인코더의 그라디언트 응답을 이용한 라벨이 없는 OCT 스캔에 대한 severity 기반의 의사레이블링 전략을 제시하고, OCT에서 바이오마커 분류를 개선하기 위해 supervised contrastive encoder를 학습한다.

ABSTRACT

In this paper, we propose a novel selection strategy for contrastive learning for medical images. On natural images, contrastive learning uses augmentations to select positive and negative pairs for the contrastive loss. However, in the medical domain, arbitrary augmentations have the potential to distort small localized regions that contain the biomarkers we are interested in detecting. A more intuitive approach is to select samples with similar disease severity characteristics, since these samples are more likely to have similar structures related to the progression of a disease. To enable this, we introduce a method that generates disease severity labels for unlabeled OCT scans on the basis of gradient responses from an anomaly detection algorithm. These labels are used to train a supervised contrastive learning setup to improve biomarker classification accuracy by as much as 6% above self-supervised baselines for key indicators of Diabetic Retinopathy.

연구 동기 및 목표

• 한정된 라벨 데이터로도 OCT에서 바이오마커의 정확한 탐지를 촉진한다.
• 그라디언트 응답을 이용한 severity 기반 의사레이블링 메커니즘을 개발한다.
• 바이오마커 분류 성능을 향상시키기 위해 supervised contrastive 학습을 활용한다.
• 여러 OCT 바이오마커에 대해 severity-빈(bin) 선택이 바이오마커 탐지에 어떤 영향을 주는지 평가한다.

제안 방법

• GradCON을 사용하여 건강한 OCT에 대해 그라디언트를 건강 샘플 간에 정렬하도록 자동인코더를 학습한다.
• 라벨이 없는 OCT 영상에 대해 심각도 점수 SS = -L_recon + α L_grad를 계산하며, α = 0.03이다.
• 심각도 점수를 N개의 빈으로 이산화하여 라벨이 없는 데이터에 severity 라벨 SL을 할당한다.
• severity 라벨을 이용하여 supervised contrastive 손실로 ResNet-18 인코더를 학습한다.
• 인코더 가중치를 고정하고 라벨링된 바이오마커 데이터에서 선형 분류기를 미세조정한다.

Fig. 1 : OCT Scans of biomarkers from the Prime + TREX DME datasets. The biomarkers are A) Intraretinal Hyperreflective Foci (IRHRF), B) Intraretinal Fluid (IRF) and Diabetic Macular Edema (DME) C) Partially Attached Vitreous Face (PAVF), and D) Fully Attached Vitreous Face (FAVF). The white arrows

실험 결과

연구 질문

• RQ1 건강 분포에서 얻은 그라디언트 기반 심각도 라벨이 OCT 바이오마커의 표현 학습을 개선할 수 있는가?
• RQ2 심각도 빈 수 N이 다중 라벨 AUC와 개별 바이오마커 성능에 어떤 영향을 미치는가?
• RQ3 OCT 바이오마커 작업에서 심각도 기반 supervised contrastive 표현이 self-supervised 기준을 능가하는가?
• RQ4 다른 이상 탐지기를 사용하여 심각도 라벨을 생성하는 것이 어떤 영향을 미치는가?

주요 결과

• 심각도-레이블 기반의 supervised contrastive 학습이 self-supervised 기준보다 평균 다중 라벨 AUC와 바이오마커 정확도를 향상시킨다.
• 심각도 빈의 수 N을 바꾸면 성능이 달라지며, 보통 중간 값(N=5000–10000)가 극단적 값보다 다중 라벨 AUC를 더 잘 낳는다.
• severity 라벨링에 사용된 다양한 이상 탐지기는 SL 방법이 다중 라벨 결과에서 일반적으로 다른 방법보다 우수함을 보인다.
• 개별 바이오마커별 최적 성능은 바이오마커에 따라 다르며, 일부는 높은 빈 수에서 이점이 있고(DME, IRF 예), 다른 일부는 중간 수에서 이점이 있다.

Fig. 2 : From a healthy manifold learned from a trained auto-encoder, we can compute distance to the manifold of more severely diseased cases via a Severity Score (SS). Severity Score is calculated via some model response and increases as a sample is more anomalous compared to the learned healthy ma