의료 영상 분할 불확실성 추정의 신뢰성 및 과제

본 논문은 딥러닝 기반 의료 영상 분할 모델이 높은 정확도를 달성했음에도 불구하고, 임상 현장에서 개별 환자에 대한 신뢰성 있는 결과를 제공하기 위해서는 모델의 실패를 사전에 탐지할 수 있는 불확실성 추정이 필수적이라는 배경에서 시작한다. 저자들은 불확실성 추정 방법이 다양하게 제안되고 있으나, 의료 영상 분야에서 그 실질적인 이점과 한계가 충분히 검증되지 않았다는 점을 지적하고, 두 개의 공개 데이터셋인 BraTS 2018(뇌종양 MRI)과 ISIC 2017(피부 병변 사진)을 대상으로 체계적인 벤치마크를 수행한다. 데이터 전처리는 각각 MRI 볼륨을 240×240×155로, 피부 사진을 256×192로 정규화하고, 각 이미지별 z‑score 정규화를 적용했다. 모델 아키텍처는 널리 사용되는 U‑Net을 기반으로 하며, 4단계의 다운‑업 샘플링 구조와 dropout(p=0.05), 배치 정규화를 포함한다. 학습은 교차 엔트로피 손실과 Adam 옵티마이저(lr=1e‑4)를 사용하고, 검증 Dice를 기준으로 조기 종료한다. 불확실성 추정 방법은 다음과 같이 다섯 가지로 구분된다. 1) Baseline: Softmax 엔트로피를 정규화해