주의 기반 활성 학습을 활용한 3D 의료 영상 희소 라벨링 전략

초록

본 논문은 3D 의료 영상 분할에서 전체 라벨링 대신 주의 메커니즘으로 슬라이스별 불확실성을 추정하고, 활성 학습을 통해 가장 정보량이 높은 슬라이스만 선택해 라벨링하는 방법을 제안한다. dHCP 데이터셋을 이용한 뇌 추출 및 조직 분할 실험에서 전체 라벨링 대비 15~35% 수준의 슬라이스만 라벨링해도 유사한 성능을 달성함을 보였다.

상세 분석

이 연구는 3차원 의료 영상의 라벨링 비용이 극도로 높은 현실을 고려해, “희소 라벨링(sparse annotation)”이라는 새로운 패러다임을 제시한다. 핵심 아이디어는 두 단계로 구성된다. 첫 번째는 3D U‑Net 기반의 세그멘테이션 네트워크에 주의(attention) 모듈을 삽입해 각 슬라이스가 얼마나 중요한지를 정량화하는 것이다. 여기서 사용된 주의 메커니즘은 채널‑스페이스와 공간‑스페이스 두 차원을 동시에 고려해, 네트워크가 학습 과정에서 자동으로 중요한 해부학적 구조에 가중치를 부여하도록 설계되었다. 이 과정에서 얻어진 슬라이스‑별 attention map은 해당 슬라이스의 예측 신뢰도와 직접적으로 연관된다.

두 번째 단계는 활성 학습(active learning) 프레임워크를 적용해, attention score가 낮고 불확실성이 높은 슬라이스를 우선적으로 선택한다는 점이다. 기존 2D 이미지에 적용된 불확실성 기반 샘플링 기법을 3D 환경에 맞게 확장했으며, 구체적으로는 (1) 예측 확률 분포의 엔트로피, (2) 모델 출력과 attention map 간의 상관관계, (3) 슬라이스 간 연속성을 고려한 정규화 절차를 결합했다. 이러한 복합 점수는 “정보량이 높은 슬라이스”를 정량적으로 정의하고, 라벨링 비용을 최소화하면서도 학습 효율을 극대화한다.

실험에서는 영유아 뇌 영상 데이터베이스인 dHCP에서 두 가지 대표적인 작업—뇌 추출(brain extraction)과 조직 분할(tissue segmentation)—을 수행하였다. 전체 라벨링 대비 1520%(뇌 추출)와 3035%(조직 분할) 정도의 슬라이스만 라벨링했을 때, Dice coefficient와 Hausdorff distance 등 주요 평가 지표에서 0.5% 이내의 성능 차이만을 보였다. 이는 기존 전통적인 “전부 라벨링” 접근법에 비해 라벨링 인력과 시간 비용을 크게 절감할 수 있음을 의미한다.

또한, 제안된 방법은 라벨링 초기 단계에서 모델이 과도하게 편향되는 현상을 방지한다. 초기 라벨링이 매우 제한적인 상황에서도 attention‑guided 샘플링이 효과적으로 다양한 해부학적 변이를 포함한 슬라이스를 골라내어, 모델이 전반적인 구조를 빠르게 학습하도록 돕는다. 이는 특히 데이터 불균형이 심한 소아·신생아 뇌 영상에서 중요한 장점이다.

한계점으로는 attention 모듈 자체가 추가적인 파라미터와 연산량을 요구한다는 점, 그리고 활성 학습 루프가 여러 번의 재학습을 필요로 하여 전체 학습 시간은 늘어날 수 있다는 점을 들 수 있다. 향후 연구에서는 경량화된 attention 설계와 온라인(active) 학습 전략을 결합해 실시간 라벨링 지원 시스템을 구축하는 방향이 제시된다.