고정 해상도 전이 학습을 이용한 스펙트럼 영역 광간섭 단층 촬영(SD-OCT) 망막 질환 분류를 위한 계열 내 EfficientNet 스케일링

배경/목표: CNNs는 스펙트럼 영역 광간섭 단층 촬영(Spectral-Domain Optical Coherence Tomography, SD-OCT)을 이용한 망막 질환 분류에서 좋은 성능을 보이지만, EfficientNet의 자연 이미지 스케일링 계층 구조가 고정 해상도에서의 의료 이미지 전이 학습에 적용되는지는 아직 불분명합니다. 본 연구는 4가지 클래스 SD-OCT 분류 및 정확도-효율성 트레이드오프를 위해 EfficientNet-B0부터 B7까지의 모델을 평가했습니다.

방법: ImageNet으로 사전 학습된 8가지 변형 모델(총 백본 파라미터 4.05~64.10M)을 Kermany 데이터셋에서 224x224 해상도로 평가했습니다. 그레이스케일 이미지는 RGB로 복제되어 모델 내장 전처리 및 증강 기법을 사용하여 처리되었습니다. 학습은 백본(backbone)을 고정하고 헤드(head)를 훈련하는 방식에 이어 부분 미세 조정(partial fine-tuning)으로 구성되었습니다. 평가 지표는 분류(classification), 판별력(discrimination), 효율성(efficiency), 그리고 시각적 분석을 포함했습니다.

결과: 테스트 정확도는 B0에서 95.93%부터 B1의 96.95%까지 비단조롭게 변동했으며, B7은 96.73%를 달성했습니다. B1이 가장 높은 정확도와 Drusen F1 점수(0.8780)를 보였고, B7은 Drusen F1 점수 0.8720과 가장 높은 Drusen 재현율(recall)인 0.9177을 기록했습니다. Drusen이 모든 변형 모델에서 가장 낮은 F1 점수를 기록했으며, 클래스별 F1의 합산 제곱 편차의 82.2%를 차지했습니다. 클래스 순위는 정상(Normal) > CNV > DME > Drusen으로 유지되었습니다. OCT 정확도 순위는 ImageNet 계층 구조와 달랐으며, 여기서 B7이 가장 높은 순위를 기록했습니다. 정확도 대 파라미터 비율은 총 파라미터 백만당 19.82에서 1.48 퍼센트 포인트로 감소했습니다. 최종 학습-테스트 간 격차는 테스트 정확도와 약하고 유의미하지 않은 연관성(r = 0.26, p = 0.53)을 보였습니다.

결론: 더 큰 EfficientNet 변형 모델이 SD-OCT 분류를 일관되게 개선하지 못했습니다. B1은 가장 높은 정확도와 Drusen F1 점수를 달성한 반면, B7은 더 큰 모델 크기와 CPU 지연 시간에서 2차적인 정확도 회복을 보여주었으며, 이는 작업 및 프로토콜 의존적 스케일링 효과를 나타냅니다. 교차 파티션 중복(cross-partition duplicates)이 독립적으로 감사되지 않았기 때문에, 본 결과는 제공된 분할(split)에 조건적입니다.