마스크 제약 GAN으로 피부 병변 이미지 합성 및 세분화 성능 향상

초록

본 논문은 기존 피부 병변 세분화에 필요한 대규모 데이터 부족 문제를 해결하고자, 이진 세분화 마스크를 입력으로 하는 조건부 GAN인 Mask2Lesion을 제안한다. 학습된 모델은 임의의 마스크 형태에 맞춰 현실적인 병변 이미지를 생성하고, 이를 원본 학습 데이터에 추가함으로써 세분화 네트워크의 Dice 점수를 평균 5.17% 향상시킨다.

상세 분석

Mask2Lesion은 pix2pix 구조를 기반으로 한 이미지‑투‑이미지 변환 모델이다. 입력은 128×128 픽셀 크기의 이진 마스크이며, 출력은 동일 해상도의 병변 사진이다. 생성기(G)는 U‑Net 인코더‑디코더 구조에 스킵 연결을 적용해 저주파 정보를 보존하고, L1 손실을 통해 전반적인 색·명암 일치를 강화한다. 판별기(D)는 70×70 PatchGAN을 사용해 지역 패치 단위의 진위 여부를 평가함으로써 고주파 디테일을 유지한다. 학습 과정은 조건부 GAN 손실 L_cGAN과 L1 손실을 가중합한 형태이며, 최적화는 Adam 옵티마이저로 200 epoch 동안 진행한다.

데이터 증강 전략은 네 가지 경우로 비교된다. (i) NoAug: 원본 데이터만 사용, (ii) ClassicAug: 회전·좌우반전 등 전통적 변형 적용, (iii) Mask2LesionAug: Mask2Lesion이 생성한 합성 이미지만 추가, (iv) AllAug: 전통적 변형과 Mask2Lesion 합성을 모두 적용. 세분화 모델은 U‑Net이며, 배치 사이즈 32, SGD로 학습한다. 평가 지표는 Dice, Sensitivity, Specificity, Pixel‑wise Accuracy이다.

실험 결과, AllAug이 모든 지표에서 최고 성능을 보였으며, 특히 Dice 평균이 0.7723→0.8144로 5.17% 상승했다. 이는 Mask2Lesion이 생성한 이미지가 마스크 경계에 정확히 맞춰져 있어 라벨링 오류를 최소화하고, 다양한 형태(기하학적 도형, 손그림, PCA 기반 변형)에도 강인함을 보여준다. 또한, Gaussian 커널 밀도 추정 그래프에서 AllAug이 높은 값 쪽에 피크를 형성해 성능 향상의 통계적 일관성을 확인한다.

한계점으로는 128×128 저해상도에 국한된 점, 마스크 품질에 크게 의존한다는 점, 그리고 생성 이미지의 임상적 신뢰성 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 고해상도·다채널(예: dermoscopic 색상 채널) 확장, 3D 의료 영상 생성, 그리고 의사 평가를 통한 임상 유효성 검증이 필요하다.