Optical coherence tomography (OCT) is an imaging technique that utilizes optical interference to generate high-resolution cross-sectional images. In the field of cardiology, it plays a crucial role in identifying vulnerable vessels and lipids, which are the core causes of acute coronary syndrome. While specific tissues can be distinguished through analyzing grayscale OCT images, there are limitations to relying solely on morphological structures. Research incorporating deep learning has been conducted to improve accuracy, but creating manual labeling for fully-supervised learning has proven challenging. On the other hand, spectroscopic optical coherence tomography (S-OCT) has been successful in detecting and classifying lipids by utilizing spectroscopic information. However, there have been limitations to enhancing performance. In this study, leveraging the understanding of S-OCT and deep learning networks, a method for lipid detection based on weakly-supervised learning is proposed, and its performance and potential are demonstrated. It is anticipated that this research will overcome the limitations of previous studies and contribute to advancements in various technologies.
광 간섭 단층 촬영은 물체 생체 내의 고해상도 단면 영상을 생성하기 위해 빛의 간섭 현상을 활용하는 영상 촬영 기술이다. 특히 심장내과 분야에서 급성 관상동맥 증후군의 핵심 원인인 취약한 혈관과 지질을 식별하는 데 아주 중요한 기술로 사용된다. 회색조의 광 간섭 단층 촬영 영상 분석을 통해 특정 조직을 구별하는 것이 가능하지만 형태학적인 구조만을 기반으로 하는 데에는 한계점이 존재한다. 정확도를 향상하기 위해 딥러닝을 적용한 연구가 진행되었지만 완전 지도 학습을 위한 라벨링 생성에 어려움이 존재했다. 한 편으로는 물질의 분광학적 정보를 얻을 수 있는 분광학적 광 간섭 단층 촬영 기술이 연구되어 지질을 검출 및 분류하는 데 성공했지만 성능 향상에 제한점이 존재했다. 본 연구에서는 분광학적 광 간섭 단층 촬영과 딥러닝 네트워크에 대한 이해를 바탕으로 지질의 유무에 해당하는 라벨링만으로 지질의 위치를 예측하도록 구성한 약한 지도 학습 방법을 제안하였으며, 그 성능과 가능성을 입증했다. 이 후 본 연구가 기존 연구들의 한계를 극복하고 다양한 기술에 확대되기를 기대한다.
