State-of-the-Art Periorbital Distance Prediction and Disease Classification Using Periorbital Features
Created by
Haebom
저자
George R. Nahass, Sasha Hubschman, Jeffrey C. Peterson, Ghasem Yazdanpanah, Nicholas Tomaras, Madison Cheung, Alex Palacios, Kevin Heinze, Chad A. Purnell, Pete Setabutr, Ann Q. Tran, Darvin Yi
개요
본 논문은 안면 및 안구 성형 수술 분야에서 중요한 지표인 안와 주변 거리 측정을 위한 자동화된 분할 파이프라인을 제시합니다. 기존의 수동 측정 방식의 주관성과 측정자 간 차이를 해결하기 위해, 건강한 눈 이미지 데이터셋을 기반으로 훈련된 분할 모델을 개발했습니다. Segment Anything Model (SAM)과 기존의 PeriorbitAI 모델과 비교하여 성능을 평가했으며, 다양한 질환 및 영상 조건에 걸쳐 우수한 정확도를 달성했습니다. 더 나아가, 예측된 안와 주변 거리를 특징으로 활용하여 질환 분류를 수행했으며, 분포 내(ID) 및 분포 외(OOD) 설정에서 다양한 분류 모델(얕은 분류기, CNN, 융합 모델)의 성능을 비교 분석했습니다. 결과적으로, 개발된 분할 모델은 최첨단 정확도를 달성했으며, 질환 분류에서는 안와 주변 거리 기반 모델이 ID 데이터셋에서는 CNN과 유사한 성능(77-78% 정확도), OOD 데이터셋에서는 CNN을 훨씬 능가하는 성능(63-68% vs 14%)을 보였습니다. 이를 통해 해부학 기반 AI 파이프라인이 실제 안면 및 안구 성형 수술 분야에 적용될 가능성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
안와 주변 거리 측정의 자동화를 통해 객관적이고 정확한 진단 및 모니터링 가능.
◦
기존 방법 대비 우수한 성능의 안와 주변 거리 예측 모델 제시.
◦
안와 주변 거리 기반 질환 분류 모델이 CNN 기반 모델보다 OOD 상황에서 더 나은 일반화 성능을 보임.
◦
해부학 기반 AI 파이프라인의 실제 의료 현장 적용 가능성 제시.
•
한계점:
◦
융합 모델은 ID 데이터셋에서 가장 높은 정확도를 달성했지만, OOD 상황에서 CNN 특징의 저하에 민감하게 반응.
◦
건강한 눈 이미지 데이터셋을 기반으로 훈련되었으므로, 다양한 질환 및 영상 조건에 대한 추가적인 연구 필요.
