슈퍼픽셀 주의 네트워크를 이용한 피부 병변 속성 탐지

초록

본 논문은 피부 병변 이미지에서 색소, 혈관, 구조 등 다양한 속성을 정확히 탐지하기 위해 슈퍼픽셀 기반의 주의 메커니즘을 도입한 SANet 프레임워크를 제안한다. 입력 이미지를 작은 영역(슈퍼픽셀)으로 분할하고, 랜덤 셔틀 메커니즘(RSM)으로 순서를 섞은 뒤, 슈퍼픽셀 평균 풀링과 슈퍼픽셀 주의 모듈(SAM)로 특징을 추출한다. 또한 데이터 불균형을 완화하기 위해 전역 균형 손실(Global Balancing Loss)을 설계하였다. ISIC 2018 Task 2 데이터셋에서 기존 방법 대비 높은 mAP와 Dice 점수를 기록하며, 속성 검출 성능 향상을 입증한다.

상세 분석

SANet은 피부 병변 속성 검출이라는 특수한 문제에 맞춰 세 가지 핵심 아이디어를 결합한다. 첫 번째는 이미지 전처리 단계에서 SLIC 등 전통적인 초픽셀 알고리즘을 이용해 입력을 의미 있는 지역 단위로 나누는 것이다. 초픽셀은 픽셀 수준의 잡음을 완화하고, 동일한 조직 구조를 공유하는 영역을 하나의 단위로 묶어 학습 효율을 높인다. 두 번째는 Random Shuttle Mechanism(RSM)이다. 초픽셀 순서를 무작위로 섞음으로써 네트워크가 위치 편향에 의존하지 않게 만들고, 다양한 조합을 학습하도록 유도한다. 이는 특히 데이터가 적고 클래스 불균형이 심한 상황에서 일반화 능력을 강화한다. 세 번째는 Superpixel Attention Module(SAM)이다. SAM은 두 단계로 구성된다. 먼저 초픽셀 평균 풀링을 통해 각 초픽셀에 대한 대표 벡터를 만든 뒤, 채널‑공간 주의(attention)를 적용해 중요한 초픽셀과 특징 채널에 가중치를 부여한다. 이 과정에서 공간적 주의는 병변의 경계나 색소 패턴 같은 미세한 구조를 강조하고, 채널 주의는 색상·텍스처·형태 등 속성별 특성을 구분한다. 손실 함수 측면에서는 기존의 교차 엔트로피나 Dice 손실만으로는 극심한 클래스 불균형을 해결하기 어렵다는 점을 인식하고, Global Balancing Loss를 도입한다. 이는 전체 데이터셋에서 각 속성 클래스의 빈도 비율을 역으로 가중치에 반영해, 희귀 속성에 대한 학습 신호를 강화한다. 실험 결과는 ISIC 2018 Task 2에서 mAP 0.71, 평균 Dice 0.68을 달성하며, 기존 CNN 기반 방법보다 4~6%p 상승했다. Ablation study는 RSM 없이, SAM 없이, Global Balancing Loss 없이 각각 실험했을 때 성능이 현저히 떨어짐을 보여, 세 구성 요소가 상호 보완적으로 작용함을 확인한다. 한계점으로는 초픽셀 수와 크기 선택이 데이터마다 민감하게 작용한다는 점, 그리고 RSM이 학습 시간에 약간의 오버헤드를 추가한다는 점을 들 수 있다. 향후 연구에서는 동적 초픽셀 생성, 멀티스케일 주의 결합, 그리고 다른 의료 영상 도메인으로의 확장 가능성을 탐색할 예정이다.