눈물은 눈물샘에서 분비되는 체액으로서 눈 상태를 촉촉하고 편안하게 유지하며, 외부 환경으로부터 눈을 보호하는 데 중요한 역할을 한다. 안구건조증은 눈물의 분비량 감소 또는 눈물 구성의 변화로 인해 안구 표면에 손상이 발생하는 질환으로, 일반적으로 건성안으로도 알려져 있다^[1]. 안구건조증의 주요 증상으로는 눈의 건조함, 통증, 이물감, 충혈 등 다양한 불편감이 포함되며, 현대 사회에서는 스마트폰, 컴퓨터와 같은 모바일 기기의 사용 증가, 그리고 대기오염과 같은 환경적 요인의 영향으로 인해 매우 흔한 질환으로 자리 잡았다. 특히 대도시 거주 인구의 약 90%가 안구건조증 증상을 경험한 것으로 보고된 바 있다. 이러한 배경에서 안구건조증은 현대인의 일상적인 문제로 여겨지며, 이에 따라 정확하고 신속한 진단의 필요성이 점점 더 강조되고 있다. 현재 안구건조증 진단에 널리 사용되는 장비는 세극등 현미경(slit lamp microscopy)이다. 그러나 이 시스템은 비싸고, 대형 구조물로 인해 이동성 면에서 한계가 있으며, 사용자가 수동으로 초점을 조정해야 한다는 불편함이 있고, 형광 신호의 균일성이 부족하여 진단 정확도가 제한된다. 특히 세극등 시스템은 측면 조명(side illumination) 방식을 채택하고 있어 균일한 형광 신호의 확보 측면에서 어려움이 두드러진다.

본 연구에서는 스마트폰을 활용한 선택적 형광 영상 장치(selective fluorescence imaging device)를 개발하였다. 본 형광 영상 시스템은 기존의 전하결합소자(charge-coupled device, CCD) 카메라 대신 스마트폰을 활용하며 스마트폰의 자동 초점(auto focus, AF) 기능을 이용해 자동으로 초점을 맞출 수 있어 사용자 편의성을 크게 향상시켰다. 또한 소형화를 목표로 설계하여 기존 장비 대비 이동성이 높다는 이점이 있으며, 인라인 방식(in-line system)을 채택하여 형광 신호의 균일성을 확보함으로써 진단의 신뢰성을 크게 향상시켰다. 한편 안구건조증의 진단에는 눈물막 특성의 변화, 특히 각막 부위에서 나타나는 시간적 변화를 정량적으로 모니터링하는 것이 필수적이다. 이를 위해 본 연구에서는 기계학습(machine learning) 기법을 활용하여 분석 대상 중 각막 영역을 정밀하게 분리하고, 형광 영상의 시간적 변화를 정량적으로 분석하는 방법을 제안하였다. 본 연구는 이동성과 정확성을 겸비한 안구건조증 진단 기술을 개발함으로써 기존의 진단 장비가 가진 한계를 극복하고, 보다 효율적이고 사용자 친화적인 진단 솔루션을 제공하는 데 기여할 것으로 기대된다.

2.1. 안구건조증의 진단지표

안구건조증 진단의 주요 바이오 마커(biomarker)는 눈물막 파괴 패턴(break-up pattern, BUP), 각막 착색 패턴(staining pattern), 눈물층 높이(tear meniscus height, TMH)의 세 가지로 분류할 수 있다. 그림 1은 각 바이오 마커의 특성을 시각적으로 나타낸 것이며, 이들의 정의와 역할은 다음과 같다.

Figure 1. Biomarkers of dry eye disease: (a) Image from proposed system, (b) tearfilm breakup, (c) coreal staining, and (d) tear meniscus height.

2.1.1. 눈물막 파괴 패턴(BUP)

눈물막이 불안정해지며 검은 점(black spot)이 형성되는 현상으로, 눈물막 파괴의 초기 증상이다. 그림 2는 눈물막 파괴 과정을 나타내며, 눈물막 파괴 시간(break-up time, BUT)은 BUP이 발생하기까지의 시간을 의미한다.

Figure 2. Process of tear film breakup in the order of (a) to (c).

2.1.2. 각막 착색 패턴(staining pattern)

눈물막의 손상으로 인해 각막에 나타나는 손상 패턴으로, 일반적으로 각막 표면의 미세한 스크래치 형태로 관찰된다. 이 지표는 안구 표면 손상의 정도를 평가하는 데 유용하다.

2.1.3. 눈물층 높이(TMH)

각막과 눈꺼풀 경계 사이에 형성된 눈물층의 평균 높이를 측정한 값으로, 안구 표면에 적절한 눈물층을 유지하기 위한 중요한 지표이다. TMH는 눈물의 저장소 역할을 하며, 안구 표면의 안정성을 평가하는 데 활용된다.

기존의 안구건조증 진단 방법은 이들 바이오 마커를 활용하지만, 진단은 주로 임상의의 주관적 판단에 의존하며 정량적인 수치를 제공하지 못한다는 한계가 있다. 이는 질환의 정확한 평가와 재현성을 저해할 가능성이 있다. 특히 세극등과 같은 기존 장비들은 형광 신호의 균일성이 낮고, 진단 결과가 장비 사용자나 환경 조건에 크게 영향을 받는다. 본 연구는 이러한 문제점을 해결하기 위해 BUP와 BUT에 초점을 맞추어 정량적 분석이 가능한 알고리즘을 개발하고, 이를 통해 안구건조증 진단을 보다 객관적이고 정밀하게 수행할 수 있는 기반을 마련하고자 한다.

2.2. 스마트폰 기반의 안구건조증 진단 시스템의 구성

그림 3은 안구건조증 진단을 위한 실험의 전체 시스템 구성도를 나타낸 것이다. 본 연구에서는 안구건조증 증상을 촬영하고 BUP를 정량적으로 관찰하기 위해 각막 형광염색 과정을 도입하였다. 형광물질로는 470–505 nm의 여기(excitation) 반치폭과 495–535 nm의 방출(emission) 반치폭을 가진 플루오레세인 나트륨(fluorescite inj. 10%; Alcon Co., Geneva, Switzerland)을 마취 점안액(alcaine eye drops 0.5%; Alcon Co.)에 희석하여 0.2% 농도로 사용하였으며, 그림 4에 나타난 바와 같이 플루오레세인 나트륨 용액이 1–2방울 도포 된 시험지(paper strip)를 눈꺼풀에 접촉하여 눈물을 염색하였다.

Figure 3. Schemetic diagram of smartphone-based dry eye disease diagnosis system.

Figure 4. Corneal staining method of fluorescence.

광원으로는 중심 파장이 490 nm인 LED를 채택하였으며, 아두이노와 LED 드라이버를 연결하여 광 세기를 제어할 수 있도록 설계하였다. 기존의 세극등 시스템이 측면 조명(side illumination)을 사용함으로써 한계가 생기는 점을 감안하여, 본 시스템은 중심 조명 방식(central illumination)을 채택하였다. 그러나 LED가 망막에 조준(collimation)되어 초점이 맺히면 망막 손상을 초래할 위험이 있으므로^[2], 이를 방지하기 위해 LED 마운트에 고밀도 폴리에틸렌(high-density polyethylene, HDPE) 필터를 설치하였다. 또한 형광 신호의 노이즈를 감소시키기 위하여 밴드패스 필터(band pass filter)를 사용하여 LED의 스펙트럼 대역을 제한하였다. 본 연구에서 사용된 밴드패스 필터(MF475-35; Thorlabs, NJ, USA)는 중심 파장 475 nm, 대역폭 35 nm의 특성을 가지고 있어 플루오레세인 나트륨의 여기 스펙트럼(470–505 nm) 및 방출 스펙트럼(495–535 nm)과 상호 호환된다. LED의 빛은 밴드패스 필터를 통과하여 다이크로익 거울(dichroic mirror) (MD499; Thorlabs)에 의해 반사된 후 각막에 입사되며, 형광 신호는 다이크로익 거울을 투과하여 디텍터로 전달된다. 사용된 다이크로익 거울의 반사 스펙트럼은 470–490 nm, 투과 스펙트럼은 508–675 nm로, LED와 플루오레세인 나트륨간의 상호작용을 최적화하는 데 적합하다.

플루오레세인 나트륨은 그림 5(a)와 같이 pH와 농도에 따라 광학적 특성이 달라지는 것으로 알려져 있다^[3]. 따라서 본 연구에서 사용된 LED와 플루오레세인 나트륨의 광학적 특성을 spectrometer (USB4000; Ocean Optics, FL, USA)를 이용하여 측정하였다. 먼저 밴드패스 필터와 다이크로익 거울을 통과한 LED에서 방출되는 pumping light 중 확산되어 각막 전체영역에 고르게 조사되는 빛의 대부분은 500 nm 이상의 파장에서 차단됨을 확인하였다[그림 5(b)의 청색 선]. 아울러 실험 환경에서 플루오레세인 나트륨의 방출 스펙트럼을 측정하였고[그림 5(b)의 녹색 선], LED 광원의 스펙트럼과 겹치지 않는 것을 확인하였다. 하지만 LED 광원의 번들에서 확산되지 않고 직진하는 빛 일부는 각막의 최상부에 집속되어 수직 반사되었으며, 그 신호의 세기는 다이크로익 거울에 의해서 완전히 차단되지 못할 정도로 높기 때문에 측정 영상에 포함되었다.

Figure 5. (a) Excitation (blue soild line) and emission (red solid line) spectra of fluorescein sodium^[3]. (b) Pumping light spectrum after passing through the band pass filter (blue soild line) and emission spectrum of fluorescein sodium after passing through the dichroic mirror (green soild line).

방출된 형광 신호는 다이크로익 거울을 통과하여 디텍터인 스마트폰(Galaxy S10; Samsung Electronics Co., Suwon, Korea) 카메라로 전달된다. 사용된 스마트폰 카메라의 사양은 해상도 3,840 × 2,160, 픽셀 크기 16 μm이며, 촬영된 영상은 Google Colab을 기반으로 파이선으로 구현된 알고리즘을 통해 분석되었다. 본 연구에서 개발한 진단 알고리즘은 각막 형광 영상을 분석하여 눈물막 파괴 영역(break-up area, BUA)을 정량적으로 측정하는 것을 목표로 삼았으며, BUP가 처음 발생한 시점을 기준으로 BUA가 각막 전체 면적의 15%를 초과하는 데 소요되는 시간을 BUT로 정의한다. 진단 기준에 따라 BUT가 10초 이상일 경우 정상으로 분류하며, 10초 미만일 경우 안구건조증으로 판단한다. 분석된 진단 결과는 텔레그램 챗봇을 통해 사용자에게 전달된다.

2.3. 안구건조증 진단 시스템의 영상처리

그림 6은 본 연구에서 제안한 알고리즘의 전체 신호 흐름을 나타낸다. 먼저 스마트폰 카메라로 촬영된 동영상 파일을 chat-bot에 전송하면 알고리즘이 동영상 파일의 메타데이터에서 총 프레임 수와 재생 시간을 분석한다. 이를 기반으로 초당 프레임(frames per second, FPS)을 계산함으로써 두 프레임 간의 경과 시간을 정확히 측정한다. BUT는 눈을 완전히 감았다가 뜬 시점부터 BUA가 각막 전체의 15%를 초과하는 시점까지의 시간으로 정의되므로, BUT를 계산하기 위해서는 사용자가 눈을 뜬 시점, 즉 트리거(trigger) 프레임을 탐지하는 과정이 필요하다.

Figure 6. Flowchart of image processing algorithm of dry eye diagnosis system.

이를 위해 알고리즘은 그림 6에 나타난 바와 같이 각막 중앙 영역에 비치는 청색 LED의 한 점을 기준 위치로 사용한다. 안구의 형광 영상 획득은 전남대학교병원의 임상연구 승인(CNUH-2022-213)을 받아 진행하였다. 눈을 감았을 때에는 기준 위치가 보이지 않다가 눈을 뜬 순간부터 기준 위치가 나타나므로, 기준 위치가 처음으로 관찰된 프레임을 트리거 프레임으로 정의한다. 이때 트리거 프레임을 탐지하기 위해 이미지 검색(image search) 기법을 활용한다. 이는 동영상 내 각 프레임의 픽셀 정보를 분석하여 목표 영상(청색 LED의 점)과 일치하는 영역을 탐지하는 방식이다. 먼저 트리거 프레임을 N번째 프레임으로 식별한 후, 해당 프레임으로부터 마지막 프레임까지의 영상 데이터를 iris segmentation 프로세스를 통해 처리한다.

Iris segmentation은 이미지에서 홍채 영역을 추출하여 데이터 가공의 정확성과 효율성을 높이기 위한 과정이다. 본 연구에서는 U-Net 모델^[4,5]을 기반으로 하는 image segmentation을 사용하였다. 이 모델은 입력 이미지에서 특정 영역(홍채)을 분리하여 출력 마스크(mask)를 생성하며, 마스크를 제외한 영역의 픽셀 정보를 제거함으로써 최종적으로 홍채 이미지만을 추출한다(그림 7 참조). 이때 학습 데이터의 다양성을 확보하고 모델의 일반화를 강화하기 위해 데이터 증강(data augmentation) 기법을 활용한다. 본 연구에서는 데이터 증강 과정에서 이미지를 앞뒤 대칭 또는 대각선 방향으로 회전하는 등의 변형을 통해 학습 데이터를 확장하였다(그림 8 참조).

Figure 7. Corneal area segmentation process: (a) Original image, (b) generated mask, and (c) segmented corneal image.

Figure 8. Augmented image for machine learning model training: (a) Original image, (b) 180° rotated image, (c) 135° clockwise rotated image, and (d) 225° clockwise rotated image.

Iris segmentation 이후, 디지털 컬러 필터 과정(digital color filter process)을 적용하여 형광 신호 분석의 정확도를 높였다. 우선 형광 물질인 플루오레세인 나트륨의 방출 스펙트럼이 녹색 채널에 해당하므로, RGB 채널 분리를 통해 적색과 청색 채널 정보를 제거하고 녹색 채널만 남긴다. 이후 HSV 조정을 통해 녹색 영역과 검은색 영역의 대비를 강화하여 black spot 탐지를 용이하게 하며, 이때 각 프레임에서의 BUA는 iris 영역에서 녹색 채널의 면적을 제외한 black spot 영역으로 정의된다. 그 뒤 픽셀의 색상 유무를 기준으로 색상이 없는 픽셀 수를 계산하여 black spot 면적을 산출한다. BUA가 각막 면적의 15%를 초과하면 해당 프레임의 번호(N)를 기록하고, 트리거 프레임과 N번째 프레임의 재생 시각 차이를 계산하여 BUT를 도출한다. 계산 결과 BUT가 10초 이상이면 정상으로, 10초 미만이면 안구건조증으로 진단한다.

3.1. U-Net과 챗봇을 이용한 형광영상 분석

그림 9와 그림 10은 각각 정상안과 눈물막 파괴안의 알고리즘 분석 과정을 나타낸다. 그림 9(a)와 10(a)의 원본 이미지는 동영상에서 추출된 원본 프레임이다. 그림 9(b)와 10(b)의 U-Net 모델은 iris에 맞는 마스크를 생성했지만, iris 영역을 완벽히 포괄하지는 못하였다. 그림 9(c)와 10(c)의 segmented 이미지는 마스크를 적용해 iris 외곽의 픽셀 정보를 제거한 결과이다. 마지막으로 그림 9(d)와 10(d)와 같이 digital green color filter를 적용하면 녹색 채널과 검은색 배경 영역의 대비가 향상된다. 그 결과 그림 9의 정상안에서는 유의미한 변화가 관찰되지 않았으나, 눈물막 파괴안을 나타낸 그림 10의 형광 영상에서는 BUP가 뚜렷해지면서 BUA 계산이 용이해졌다.

Figure 9. Image of normal case: (a) Original image, (b) generated mask, (c) corneal area segmented image, and (d) color-filtered and break-up detected corneal area segmented image.

Figure 10. Image of tearfilm breakup case: (a) Original image, (b) generated mask, (c) corneal area segmented image, and (d) color-filtered and break-up detected corneal area segmented image (break-up area: 15%).

그림 11은 텔레그램 챗봇을 이용한 진단 결과 제공 과정을 나타낸다. BUA가 15%를 초과하면 시스템은 break-up이 발생했다고 판단하며, 해당 시점까지의 시간인 BUT와 break-up 이미지를 사용자에게 전송한다. 예시에서 측정된 BUT는 8.37초이므로 안구건조증인 것으로 진단되었다. 이때 동영상을 챗봇에 전송한 시점부터 진단 결과를 수신하기까지 약 6분이 소요되었다.

Figure 11. Result of chat-bot diagnosis.

본 연구에서는 스마트폰 카메라를 이용한 이미지 영상처리가 안구건조증 진단에 효과적임을 확인하였다. 실험에 사용된 시스템은 저렴한 LED와 스마트폰을 이용함으로써 기존의 안구건조증 진단 장비보다 비용면에서 효율이 높다는 장점이 있다. 또한 스마트폰의 자동 초점 기능과 인라인 시스템을 통한 균일한 형광 신호를 확보하였고, 디지털 색상 필터 처리를 통해 이미지 대비도를 향상시켜 진단 정확도를 높였다. 사용자는 스마트폰으로 촬영한 동영상을 텔레그램 챗봇에 전송함으로써 정량적인 지표를 기반으로 빠르고 간편하게 진단 결과를 제공받을 수 있어 기존 안과 진료에 비해 진단 과정을 간소화할 수 있다.

그러나 본 연구에서 개발한 진단 시스템은 병원에서의 실제 진단을 완전히 대체하기에는 한계가 있다. 예를 들어, 홍채 분할에서 발생할 수 있는 불완전한 마스크 생성으로 인해 BUT의 일부가 누락될 수 있으며, 이는 진단 결과에 영향을 미칠 수 있다. 이를 해결하기 위해서는 더 많은 임상 데이터를 수집하고, U-Net 데이터셋을 개선하여 모델의 파라미터를 조정할 필요가 있다. 현재 안과에서의 진단은 임상의의 주관적 판단에 달려있어 동일 조건에서도 진단 결과에 차이가 있을 수 있으나, 본 연구에서 제시한 챗봇 기반 진단 시스템은 스마트폰과 챗봇 알고리즘을 활용하여 정량적인 진단 결과를 제공함으로써 진단 결과의 재현성을 높였다. 향후 임상 데이터를 기반으로 시스템을 개선하면, 더 많은 환자들에게 실용적이고 경제적인 안구건조증 진단 솔루션을 제공할 수 있을 것이다.

본 연구는 부산대학교 기본연구지원사업(2년)에 의하여 지원을 받았음.

저자는 본 논문과 관련된 어떠한 이해충돌 사항도 없었음을 밝힌다.

본 연구의 결과 분석 및 생성된 데이터는 모두 본 논문 내 명시되어 있으며 공공의 이용이 가능하다. 데이터에 접근하거나 사용하고자 하는 이는 저자에게 타당한 이유를 밝히고 허가를 득해 사용 가능하다.