본 논문은 녹내장, 당뇨병성 망막병증, 노인성 황반변성과 같은 질병 진단에 필수적인 광간섭 단층촬영(OCT) 영상의 망막층 분할을 위한 향상된 SegNet 기반 심층 학습 프레임워크를 제안한다. 기존의 심층 학습 모델이 해석력이 부족하고 수동 분할은 시간이 오래 걸리고 변동성이 큰 문제점을 해결하기 위해, 수정된 풀링 전략을 포함한 구조적 혁신을 통해 노이즈가 많은 OCT 영상에서 특징 추출을 향상시키고, 범주형 교차 엔트로피 손실과 Dice 손실을 결합한 하이브리드 손실 함수를 사용하여 성능을 향상시켰다. 또한 Grad-CAM을 통합하여 모델 결정에 대한 시각적 설명을 제공함으로써 임상 검증을 가능하게 한다. Duke OCT 데이터셋으로 학습 및 검증한 결과, 95.77%의 검증 정확도, 0.9446의 Dice 계수, 0.8951의 Jaccard Index (IoU)를 달성하였다. 얇은 경계 부분에서 어려움이 있었지만 대부분의 층에서 강력한 성능을 보였다. Grad-CAM 시각화는 해부학적으로 관련된 영역을 강조하여 분할 결과를 임상 바이오마커와 일치시키고 투명성을 향상시켰다. 구조 개선, 맞춤형 하이브리드 손실, 설명 가능한 AI를 결합하여 정확성과 해석력 사이의 간극을 해소하는 고성능 SegNet 기반 프레임워크를 제공한다. 이 방법은 OCT 분석 표준화, 진단 효율 향상, AI 기반 안과 도구에 대한 임상적 신뢰 증진에 강력한 잠재력을 제공한다.
