망막병증 클래스 간 이미지 특성 차이가 작고 분류 임계값이 상대적으로 모호하기 때문에 자동 등급화 알고리즘은 인식 및 등급화 정확도가 낮은 문제를 가지고 있습니다. 효율적인 채널 어텐션(Efficient Channel Attention, ECA) 특성을 융합한 ConvNeXt 망막병증 자동 등급화 모델을 제안하였습니다. 데이터셋 내 데이터 부족 문제를 해결하기 위해 좌우 수평 뒤집기 변환 방법으로 데이터를 확장하였으며, 관련 데이터셋을 도입하여 데이터 분포 균형을 맞췄습니다. 안저 이미지에서 발생하는 흐림 및 불균일 조명 문제를 해결하기 위해 Graham 방법으로 이미지를 전처리하여 병변 특성을 부각시켰습니다. 의사의 망막병증 진단을 지원하기 위해 어텐션이 융합된 ConvNeXt 네트워크를 제안하였으며, ECA 메커니즘을 도입하고 고성능·저파라미터 특성을 가진 E-Block 모듈을 설계하여 학습 과정에서 채널 간 상호작용 정보를 효과적으로 포착하면서 차원 감소를 방지합니다. 전이 학습 방법으로 네트워크의 모든 층 파라미터를 학습하였으며, ConvNeXt 네트워크의 과도한 학습 능력에 따른 과적합 문제를 방지하기 위해 dropout 방법을 추가하였습니다. 실험 결과 제안된 모델은 민감도 95.20%, 특이도 98.80%, 정확도 95.21%를 달성하였으며, 일반적으로 사용되는 네트워크와 비교했을 때 본 논문 방법은 망막병증 자동 등급화의 모든 성능 지표에서 향상된 결과를 보였습니다.

망막병증 인식 및 등급화; 전이 학습; ConvNeXt 네트워크; 효율적인 채널 어텐션; E-Block