OCT 이미지 분석을 위한 표현 학습: 심층 학습 초기 접근부터 기반 모델 및 시각 - 언어 시스템까지

광간섭 단단층 촬영 (Optical Coherence Tomography, OCT) 은 안과에서 가장 널리 사용되는 영상 모달리티 중 하나입니다. 이는 망막의 미세 구조를 고해상도 비침습적으로 시각화할 수 있습니다. 표현 학습을 통한 OCT 이미지의 자동 분석은 최근 주요 연구 최전선으로 부상했습니다. 이는 대규모 획득 데이터 양을 처리하는 임상적 필요성에서 비롯되었습니다. 목표는 전문가의 주석에 대한 의존도를 줄이고, 다양한 장비 및 인구 집단 간 진단 일관성을 개선하는 것입니다.

본 서평은 망막 OCT 이미지 분석을 위한 표현 학습 방법론에 대해 포괄적이고 체계적으로 검토합니다. 초기 심층 학습 접근법부터 최신 기반 모델 및 시각 - 언어 시스템의 발전까지 기간을 다룹니다. 우리는 학습 패러다임의 원칙적인 분류 체계를 따라 문헌을 조직합니다. 이는 CNN 기반 및 트랜스포머 기반 구조를 포함한 감독 학습, 자기 지도 및 반지도 학습 방법, 생성적 접근법, 3D 볼륨 모델링, 멀티모달 표현 학습, 대규모 사전 훈련 기반 모델을 포함합니다.

각 패러다임에 대해 우리는 핵심 방법론적 기여를 분석하고, 지속적인 한계를 식별하며, 연속적인 접근법 간의 연결을 추적합니다. 또한 공개적으로 이용 가능한 OCT 데이터셋의 구조화된 개요를 제공하고, 평가 프로토콜 고려 사항을 논의하며, 각 학습 패러다임을 공통 수학적 프레임워크 내에 위치시키는 통합 문제 형식을 제시합니다.

이 분석을 바탕으로 우리는 문헌에서 가장 시급한 오픈 연구 방향을 식별하고 논의합니다. 이는 볼륨 기반 모델 사전 훈련, 불확실성 인식 표현 학습, 연동 및 프라이버시 보호 훈련, 공정성과 편향 완화, 개념 기반 해석 가능성 등을 포함합니다.