소규모 데이터셋 뇌 MRI 분할을 위한 적대적 방어와 작업 재구성

초록

**
본 논문은 7명의 학습 대상만으로도 MRBrainS18 챌린지 테스트 셋에서 84.46% Dice 점수를 달성한 뇌 MRI 3D 분할 방법을 제안한다. 핵심은 (1) Fast Gradient Sign Method 기반 적대적 방어를 이용해 훈련 데이터를 인위적으로 확대해 모델의 강인성을 높이고, (2) 해부학적 선행 지식을 활용해 8개의 ROI를 3개의 단계적 그룹으로 나누어 단계별로 학습하는 작업 재구성 전략을 적용한다. 또한, 픽셀‑레벨 분할과 ROI 존재 여부를 판단하는 객체‑레벨 분류를 공동 학습시켜 고차원 의미 정보를 분할에 활용한다. 실험 결과, 제안 방법은 기존 3D U‑Net·V‑Net 등과 비교해 전반적인 Dice 점수가 1~2%p 상승했으며, 적대적 방어와 작업 재구성 각각이 독립적으로 성능 향상에 기여함을 확인하였다.

**

상세 분석

**
이 연구는 소규모 의료 영상 데이터셋에서 딥러닝 기반 분할 모델이 겪는 과적합과 일반화 한계를 두 가지 축으로 해결한다. 첫 번째 축인 적대적 방어는 FGSM(Fast Gradient Sign Method)으로 생성한 적대적 샘플을 원본 이미지와 혼합해 학습에 투입한다. 이는 단일 스텝 공격이지만 ε(ε∈{0.05,0.1,0.2}) 파라미터를 조절해 이미지 품질을 크게 손상시키지 않으면서 데이터 다양성을 인위적으로 확대한다. 결과적으로, 원본 데이터가 7명에 불과한 상황에서도 모델이 노이즈와 변동성에 강인해져 검증 Dice가 0.5~1%p 상승한다. 두 번째 축인 작업 재구성은 해부학적 구조를 고려해 8개의 ROI를 ‘뇌줄기·소뇌·뇌척수액’, ‘흰색 영역(그레이·화이트·병변·기저핵·뇌실)’ 등 3개의 그룹으로 계층화한다. 첫 번째 분류기는 큰 영역을 빠르게 식별하고, 그 결과를 바탕으로 두 번째, 세 번째 분류기가 각각 세부 영역을 정밀하게 분할한다. 이러한 coarse‑to‑fine 흐름은 파라미터 공유와 연산 효율성을 동시에 확보한다. 더불어, 객체‑레벨 이진 분류(ROI 존재 여부)를 픽셀‑레벨 교차 엔트로피 손실과 함께 하이브리드 손실(교차 엔트로피 + Dice)로 공동 학습함으로써, 고수준 의미 정보가 저수준 경계 추정에 피드백된다. 실험에서는 ‘Base + Class + Defense + Coarse2Fine’ 구성이 83.12% Dice(검증)와 84.46% Dice(현장 테스트)로 가장 높은 성능을 보였으며, 동일 조건의 3D U‑Net(81.95%)·V‑Net(81.88%)을 모두 앞선다. 또한, ε=0.1이 가장 안정적인 방어 파라미터임을 확인했다. 한계점으로는 적대적 샘플이 실제 임상 노이즈와 동일한 특성을 갖는지에 대한 검증이 부족하고, ROI 그룹화가 고정된 해부학적 규칙에 의존해 새로운 병변 유형이나 비정형 구조에 대한 확장성이 제한될 수 있다. 향후 연구에서는 다중‑스케일 적대적 학습과 자동 그룹화(클러스터링 기반) 방식을 도입해 일반화 능력을 더욱 강화할 여지가 있다.

**