볼륨형 자동회귀 모델로 불확실성까지 잡는 반지도학습 혁신

초록

본 논문은 3D 뇌 MRI에 PixelCNN을 확장한 3DPixelCNN을 제안하고, Dropout 기반 베이지안 근사를 통해 voxel‑wise 불확실성을 추정한다. 불확실성 지도와 모델의 최종 레이어 임베딩을 반지도학습에 활용해 레이블이 적은 상황에서도 분류·회귀·분할 성능을 크게 향상시켰다.

상세 분석

본 연구는 기존 2D PixelCNN 구조를 3차원 볼륨 데이터에 적용하기 위해 세 가지 마스크 스택(수평, 깊이, 수직)을 도입하고, 각 스택이 서로의 출력과 결합되도록 설계하였다. 이때 마스크는 미래 voxel을 보지 않도록 보장하면서도 ‘blind spot’ 문제를 완전히 해소한다. 또한, gated activation unit(tanh·sigmoid)과 residual 연결을 사용해 깊은 네트워크에서도 효과적인 gradient 흐름을 유지한다. 베이지안 추론을 위한 핵심 아이디어는 모든 합성곱 레이어에 SpatialDropout을 삽입하고, 테스트 시 다중 forward pass(T=20)를 수행해 평균(µ)과 표준편차(σ)를 계산하는 것이다. 이는 깊은 Gaussian Process를 근사하는 방식으로, voxel‑wise 불확실성 추정치를 제공한다. 학습 목표는 연속형 negative log‑likelihood(NLL)이며, Adam 옵티마이저(lr=0.001, 배치 1)로 20 epoch 동안 최적화한다. 실험은 두 개의 대규모 뇌 영상 데이터셋(DWI 급성 뇌졸중, UK Biobank 기반 T1‑GM)에서 수행되었으며, 3mm 해상도로 다운샘플링한 52×64×52 볼륨을 사용한다. 재구성 로그우도는 기존 베이지안 AE보다 DWI에서는 0.360 vs 0.378, GM에서는 0.105 vs 0.222로 경쟁력을 보였다. 불확실성 지도(σ)를 이용한 간단한 임계값 기반 레이블링은 DWI 병변 검출에서 Dice를 14.7%→23.7%로 향상시켰다. 반지도학습 실험에서는 3D‑U‑Net과 ASC(기존 분류·회귀 모델)에 원본 볼륨, µ·σ 결합(ξ), 그리고 3DPixelCNN 최종 레이어 임베딩(ψ) 세 가지 입력을 각각 적용하였다. 결과는 레이블 수가 적을수록 ξ가 가장 큰 성능 향상을 보였으며, 특히 병변 분할에서 Dice가 0.082(25.6%) 상승했다. 전역적인 연령 회귀와 성별 분류에서는 ψ가 가장 큰 개선을 가져와 평균 연령 오차가 0.68년(9.09%) 감소하고 정확도가 3.36% 상승하였다. 이는 불확실성 지도는 국소적인 이상 신호에 민감하고, 고차원 임베딩은 전반적인 데이터 구조를 잘 포착한다는 점을 시사한다. 전체적으로 3DPixelCNN은 볼륨형 데이터에 대한 확률 모델링과 베이지안 불확실성 추정을 동시에 제공함으로써, 라벨이 부족한 의료 영상 분석에서 강력한 보조 정보를 제공한다는 점에서 의미가 크다.