EFIQA: 해부학적 사전 지식 (Anatomical Priors)을 통한 설명 가능한 안저 이미지 품질 평가 (Explainable

이미지 품질 제어는 광범위한 다운스트림 애플리케이션 (downstream applications)에 있어 매우 중요합니다. 딥러닝 기반의 이미지 품질 평가 (image quality assessment) 방법들은 일반적으로 데이터셋 특정 품질 라벨 (quality labels)을 사용하여 분류기 (classifiers)를 학습시키며, 이로 인해 두 가지 한계를 갖게 됩니다: (1) 일반화 (generalization) 능력이 학습 세트의 라벨링 기준에 종속되며, (2) 이러한 방법들은 품질이 저하된 위치에 대한 공간적 피드백 (spatial feedback)을 제공할 수 없어 설명 가능성 (explainability)이 부족합니다. 본 연구에서는 품질 관련 지도 학습 (supervision)이 필요하지 않으며 설계 단계부터 공간적 품질 지도 (spatial quality maps)를 생성하는 프레임워크인 EFIQA를 제안합니다. EFIQA는 인간이 주석을 단 라벨 (human-annotated labels)로부터 "무엇이 저하되었는가"를 배우는 대신, 해부학적 사전 지식 (anatomical priors)을 활용하여 "무엇이 있어야 하는가"를 학습합니다. 안저 사진 (fundus photography)의 경우, 우리는 이를 2단계 접근 방식으로 구현하였습니다. 먼저 마스크된 해부학적 인페인팅 (masked anatomical inpainting)을 통해 비지도 이상 탐지기 (unsupervised anomaly detector)를 학습시켜 혈관이 누락된 영역을 식별하고, 그다음 이 사전 지식을 동결된 파운데이션 모델 (foundation model)의 특징을 정밀한 품질 지도로 매핑하는 얕은 어댑터 (shallow adapter)로 증류 (distilling)합니다. 외부 데이터셋 평가 결과, 최소한의 적응 (adaptation)만으로 수행되는 이 라벨 프리 (label-free) 방식은 서로 다른 품질 기준을 가진 벤치마크 전반에서 지도 학습 (supervised) 방식보다 더 나은 성능과 설명 가능성을 달성함을 입증하였으며, 이는 실제 응용 분야에서의 잠재력을 강조합니다.