당뇨병성 망막병증은 당뇨병 환자에게서 망막의 순환장애로 발생하는 특징적인 망막 질환으로, 당뇨병성 신경병증, 당뇨병성 신증과 함께 당뇨병의 3대 미세혈관합병증 중 하나이다. 당뇨병성 망막병증은 시력 저하를 일으키며, 심각한 경우 실명에 이를 수 있는 중대한 합병증이다. 초기 단계에서는 혈관이 약해져 출혈이 발생하거나 혈관벽이 늘어나 미세동맥류가 형성될 수 있다. 혈관벽이 약해지면 혈액 속 성분이 망막에 쌓이고, 특히 황반 부위에 쌓이면 당뇨황반부종이 발생하여 시력이 저하된다. 또한, 신생혈관과 함께 자라나는 섬유화 증식이 망막조직을 당기면 견인망막박리가 발생할 수 있다. 당뇨병성 망막병증의 발생은 당뇨병 유병 기간과 밀접한 연관이 있어, 당뇨병을 오래 앓을수록 당뇨병성 망막병증 발생 확률이 높아지고, 심각한 시력 저하나 실명을 초래할 수 있다. 특히, 당뇨황반부종이 발생하면 시력이 급격히 저하될 수 있으며, 신생혈관 형성 시 유리체출혈이나 견인망막박리 등의 합병증이 발생할 수 있다[3].

당뇨병성 망막병증은 망막의 혈관에 특정한 변화가 있는 여러 단계를 거쳐 진행되며, 표 1과 같이 각 단계는 그에 따른 임상적 특징을 나타낸다[9].

Fundus image
Level	0	1
2	3	4

초기 단계는 망막의 혈관에 작은 영역이 약해지고 팽창되는 미세동맥류(Microaneurysms)가 발생하는 경증 비증식성 당뇨망막병증이다. 일부 혈관이 체액이나 혈액을 누출하여 작은 출혈이나 점 모양의 삼출물이 생길 수 있다. 이로 인해 망막에 경미한 부종이 발생할 수 있으며, 특히 황반 부종은 중심 시야의 흐림을 유발할 수 있다.

두 번째는 중증도 비증식성 당뇨망막병증이며, 미세동맥류와 망막 출혈이 증가한다. 이때 혈관 이상으로 인해 망막이 허혈 상태에 이를 수 있다. 이는 혈류 장애로 인해 일부 영역이 산소 공급이 부족한 상태가 되는 것이다.

중증 비증식성 당뇨망막병증은 더 많은 수의 혈관이 막히면서 넓은 범위로 망막 허혈이 발생하는 현상이다. 산소 공급의 부족으로 인해 성장 인자가 방출되며, 이는 망막 내 비정상적인 혈관 형성을 촉진시킨다.

마지막으로 증식성 당뇨망막병증은 비정상적인 신생 혈관이 특징인 진행 단계로, 취약한 혈관이 유리체액으로 혈액을 유출시켜 비문증과 유리체 출혈을 일으킬 수 있다.

임상적 특징에 따른 안저 이미지의 Level 별 분류는 표 2와 같이 구분된다.

안저검사는 망막의 이상을 확인하기 위해 산동 후 세극등현미경과 도상검안경을 사용한다. 형광안저혈관조영은 혈관의 누출과 폐쇄를 확인하며, 빛간섭단층촬영은 황반부종의 정도를 측정하고 치료 효과를 평가하는 데 사용된다. 또한, 초음파검사는 유리체 출혈과 견인성 망막 박리를 진단하는 데 유용하다. 추가로, 망막전위도검사, 색각검사, 대비감도검사 등을 통해 망막 기능을 평가할 수 있다.

당뇨병성 망막병증의 치료는 혈당, 혈청 지질, 고혈압의 조절과 같은 전신적인 위험 인자 관리를 포함하며 부종과 신생혈관에 대한 치료를 통해 망막 두께 감소와 시력 저하 위험을 줄일 수 있다[3].

안저영상은 환자의 망막 상태에 대한 객관적인 평가와 기록에 중요하기 때문에 혈관 영역을 검출하기 위한 연구[10]와 데이터 증강 기법을 이용한 안저영상에서의 효율적인 망막 혈관 분할을 위한 연구가 진행되었다[11].

당뇨병성 망막병증은 시력 저하와 실명을 유발할 수 있는 심각한 합병증으로, 조기 발견과 적절한 치료가 중요하다. 특히, 안저 이미지는 비침습적으로 망막의 혈관 상태와 병변을 관찰할 수 있는 유일한 방법으로, 이를 통한 정기 검사는 조기진단과 관리를 돕는 데 매우 유용하다.

옵티마이저는 딥러닝 모델의 최적화 기법을 의미한다. 딥러닝 모델의 학습 과정에서 옵티마이저는 모델의 가중치를 업데이트하여 손실 함수(Loss function)의 값을 최소화한다. 이를 통해 모델은 주어진 데이터에 대해 더 나은 성능을 보이도록 학습을 진행할 수 있다.

본 연구에서는 학습을 진행하기 위해 모델 학습에서 가장 대표적으로 사용되는 Adam과 SGD를 선택하였다. SGD는 현재의 기울기만을 고려하지만, Adam은 과거 기울기를 이용해 수렴한다는 점에서 더 발전된 옵티마이저로 볼 수 있고, 성능도 더 좋을 것이라 예측할 수 있다. 하지만 실제로는 데이터셋과 모델의 구조 등에 따라서 요구되는 옵티마이저의 종류가 달라진다[12]. 따라서 안저 이미지 분류를 위한 MobileNetV2 모델 환경을 구축하기 위해 두 가지 옵티마이저를 비교하였다.

모델 컴파일 후 학습 데이터로 모델을 학습시키고, 검증 데이터로 성능을 평가하였다. 학습 과정에서 손실과 정확도 변화를 시각적으로 기록하였으며, 최적의 학습 알고리즘을 결정하기 위해 두 모델의 성능을 비교하였다. 손실 함수로는 sparse_categorical_crossentropy를 사용하였다.

Sparse_categorical_crossentropy는 주로 분류해야 할 클래스가 2가지 이상이며 클래스 레이블이 정수 형태로 제공되는 경우에 사용되는 함수이며, 딥러닝 프레임워크에서 모델을 컴파일할 때 사용된다. sparse_categorical_crossentropy의 식은 (6)과 같다[14].

식 (6)은 특정 클래스 j에 대해 데이터 샘플 i에 대한 정의이다. N은 데이터 샘플의 개수을 의미한다. t_ij는 샘플 i의 실제 값을 의미하고 y^ij는 예측값을 의미한다.

Accuracy(A)는 딥러닝 모델을 평가할 때 정확도를 측정하는 데 사용되는 매트릭스를 지정하는 옵션이다. 정확도는 분류 문제에서 모델의 성능을 평가하는 가장 기본적인 지표 중 하나이며, 식 (7)과 같이 전체 샘플 중에서 모델이 올바르게 분류한 샘플을 비율을 나타낸다.

안저 이미지의 분석 및 실험 방법에 관한 수행절차는 그림 1과 같다. 본 연구에서는 Kaggle에서 제공하는 안저 이미지 데이터셋을 사용하여 당뇨병성 망막병증 예측 모델을 개발하였다. 다양한 등급의 망막병증을 포함한 이 데이터셋은 안저 이미지와 해당 라벨로 구성되어 있으며, 이미지는 DataFrame에서 Numpy 배열로 변환하여 딥러닝 모델 입력 형식이 맞추었다. 데이터 불균형 문제를 해결하기 위해 소수 클래스를 기준으로 under-sampling을 적용하고, 데이터를 7:3의 비율로 학습용과 검증용으로 분할하였다.

Fig. 1. 
Experiment procedure

모델은 MobileNetV2를 기반으로 구축하였고, MobileNetV2는 Depthwise Separable Convolution과 Inverted Residual개념을 도입하여 경량화된 구조로 효율적인 연산과 높은 분류 성능을 제공한다. 모델의 마지막 층은 당뇨병성 망막병증의 클래스에 맞게 조정하였다. 모델 학습에는 두 가지 옵티마이저, 즉 Adam과 SGD를 사용하여 각각의 성능을 비교하였다. Adam 옵티마이저는 적응적 학습률을 통해 빠르고 효율적인 학습을 지원하며, SGD 옵티마이저는 전통적인 확률적 경사 하강법을 사용하여 학습을 진행한다.

모델 컴파일 후, 학습 데이터로 모델을 학습시키고 검증 데이터로 성능을 평가하였다. 손실률과 정확도 값을 통해 두 옵티마이저의 성능을 비교하였고, 최적의 학습 알고리즘을 도출하였다. 본 연구는 데이터 불균형 문제를 해결하고 이미지 증강을 통해 학습 데이터의 다양성을 확보하였으며, MobileNetV2 기반의 모델을 통해 높은 예측 성능을 달성하고자 하였다.

본 연구에서는 당뇨병성 망막병증 예측 모델을 개발하기 위해 Kaggle에서 제공하는 안저 이미지 데이터셋을 활용하였다. 해당 데이터셋은 다양한 등급의 당뇨병성 망막병증을 포함하고 있으며, 각 등급은 이미지와 해당 라벨로 구성되어 있다. 데이터셋의 이미지는 환자의 눈을 촬영한 안저 이미지로 이루어져 있으며, 이는 당뇨병성 망막병증의 진단에 필요한 주요 시각적 정보를 포함하고 있다.

실험 결과 optimizer를 Adam으로 사용하여 학습을 진행한 결과에서 더 높은 정확도가 관찰되었다.

표 3 및 그림 2의 결과와 같이 선택한 optimizer에 따른 각각의 모델에서 손실값은 0.32만큼의 차이로 Adam을 선택한 모델에서 더 낮은 수준으로 관찰되었다. 또한, 14만큼의 정확도 차이를 보이는 그림 3의 결과를 통해서 optimizer를 SGD로 선택한 모델보다 Adam을 선택한 모델에서 이미지를 더 정확하게 예측하고 있음을 확인할 수 있다.

Fig. 2. 
Cimparison of loss

Fig. 3. 
Cimparison of accuracy