[논문 리뷰] Vessel-Aware Deep Learning for OCTA-Based Detection of AMD

Margalit G. Mitzner, Moinak Bhattacharya외 3명|arXiv (Cornell University)|2026. 03. 06.

Retinal Imaging and Analysis인용 수 0

한 줄 요약

본 논문은 OCTA 영상에서 혈관 유형별 외부 곱셈(attention)으로, 동맥·정맥·모세혈관에서 파생된 궤곡도(궤곡도) 및 밀도(드롭아웃) 맵을 활용하여 AMD 탐지를 개선하고 해석 가능성을 높인다.

ABSTRACT

Age-related macular degeneration (AMD) is characterized by early micro-vascular alterations that can be captured non-invasively using optical coherence tomography angiography (OCTA), yet most deep learning (DL) models rely on global features and fail to exploit clinically meaningful vascular biomarkers. We introduce an external multiplicative attention framework that incorporates vessel-specific tortuosity maps and vasculature dropout maps derived from arteries, veins, and capillaries. These biomarker maps are generated from vessel segmentations and smoothed across multiple spatial scales to highlight coherent patterns of vascular remodeling and capillary rarefaction. Tortuosity reflects abnormalities in vessel geometry linked to impaired auto-regulation, while dropout maps capture localized perfusion deficits that precede structural retinal damage. The maps are fused with the OCTA projection to guide a deep classifier toward physiologically relevant regions. Arterial tortuosity provided the most consistent discriminative value, while capillary dropout maps performed best among density-based variants, especially at larger smoothing scales. Our proposed method offers interpretable insights aligned with known AMD pathophysiology.

연구 동기 및 목표

• 전역 이미지 특징을 넘어 혈관 바이오마커를 활용하여 OCTA를 이용한 조기 AMD 탐지를 목표로 한다.
• 동맥, 정맥, 모세혈관에 걸친 혈관 유형별 궤곡도와 드롭아웃 맵을 포함하는 외부 주의(attention) 프레임워크를 개발한다.
• 스무딩 스케일 및 혈관 유형이 AMD 분류에서 판별력과 해석가능성에 어떤 영향을 미치는지 평가한다.

제안 방법

• 그래프 기반 에지 분석과 다중 스케일 가우시안 스무딩을 사용하여 동맥, 정맥, 모세혈관 마스크로부터 혈관 유형별 궤곡도 히트맵을 계산한다.
• 이진화된 혈관 마스크에서 국소 희소성을 측정하여 혈관 밀도(드롭아웃) 맵을 계산하고, 다중 스케일 가우시안 스무딩을 적용해 주의 맵을 생성한다.
• 각 궤곡도 또는 밀도 히트맵을 per-pixel 곱셈 가중치를 통해 OCTA 투영과 융합하고, ResNet-18 백본으로 분류하기 전에 결합한다.
• Adam 최적화와 focal loss를 사용하여 두 단계 스케줄(헤드만 워밍업, 그다음 전체 파인튜닝)로 OCTA-500 기반 AMD 대 정상 분류기를 학습한다.
• 가장 informative priors를 식별하기 위해 혈관 유형(동맥, 정맥, 모세혈관) 및 스무딩 스케일에 따른 외부 주의 변형을 평가한다.

Fig. 1 : Overview of the proposed pipeline vessel segmentations are used to generate tortuosity or density heatmaps (multi- $\sigma$ ), which are then separately fused with the full OCTA projection via multiplicative weighting and classified using a ResNet-18 backbone for AMD detection.

실험 결과

연구 질문

• RQ1 혈관 유형별 궤곡도와 밀도 선험치가 기초 OCTA 모델을 넘어 OCTA 영상에서 AMD 탐지를 향상시킬 수 있는가?
• RQ2 어떤 혈관 유형(동맥, 정맥, 모세혈관)과 어떤 바이오마커(궤곡도 대 밀도)가 조기 AMD 신호에 대해 가장 강한 판별력을 제공하는가?
• RQ3 다른 스무딩 스케일(시그마)이 AMD 분류에서 혈관 기반 주의의 성능과 해석가능성에 어떻게 영향을 미치는가?
• RQ4 biomarker-guided attention를 사용할 때 GradCAM 시각화가 알려진 AMD 혈관 바이오마커와 일치하는가?
• RQ5 제안된 프레임워크가 생리학적으로 의미 있는 선험치를 통해 해석가능성을 높이면서도 경쟁력 있는 정확도를 유지하는가?

주요 결과

• 동맥 궤곡도를 이용한 외부 주의가 궤곡도 맵들 중 가장 일관된 판별 가치를 제공한다.
• 모세혈관 드롭아웃(저밀도) 맵이 밀도 기반 변종 중에서 가장 우수하게 수행되며, 특히 더 큰 스무딩 스케일에서 그렇다.
• 동맥 궤곡도 주의는 스무딩 스케일이 커질수록 성능을 개선하거나 안정시키는 경향이 있어, 더 넓은 궤곡도 패턴을 반영한다.
• 모세혈관 밀도 기반 주의는 FAZ 관련 영역과 중심오정맥주변 무혈류 상태와 일치한다.
• GradCAM 시각화는 혈관 밀도 감소, FAZ 변화 및 동맥세관의 궤곡도에 모델이 집중하는 것을 보여주며 AMD 생물학과 일치한다.

Fig. 2 : Attention heatmaps. Segmentation labels, tortuosity dot maps showing relative tortuosity of each segment, high tortuosity (red hotspots indicate high tortuosity) and low vessel density heatmaps (red hotspots indicate low density).