연합학습으로 파노라마 치과 영상의 치아 분할 정확도 향상

초록

본 연구는 6개 기관에서 수집한 2,066장의 파노라마 방사선 사진을 이용해, 라벨 오류와 이미지 잡음 등 데이터 손상 상황에서 연합학습(FL)이 중앙집중학습(CL)과 로컬학습(LL) 대비 성능을 유지하거나 향상시킬 수 있음을 입증한다. FL은 각 클라이언트의 손실 곡선을 모니터링해 손상된 데이터를 자동 탐지하는 기능도 제공한다.

상세 분석

이 논문은 치과 파노라마 영상에서 개별 치아를 정확히 분할하기 위한 딥러닝 모델을 구축할 때, 데이터 프라이버시와 이질성 문제를 해결하고자 연합학습(Federated Learning, FL)을 중앙집중학습(Centralized Learning, CL) 및 로컬학습(Local Learning, LL)과 비교하였다. 모델 아키텍처는 Attention U‑Net을 채택했으며, 이는 전통적인 U‑Net에 비해 중요한 해부학적 구조에 집중하도록 설계된 어텐션 게이트를 포함한다. 실험은 네 가지 시나리오(기본, 라벨 조작, 이미지 잡음, 결함 클라이언트 제외)로 구성했으며, 각 시나리오에서 FL은 Flower 프레임워크를 이용해 FedAvg 방식으로 파라미터를 집계하였다. 성능 평가는 Dice, IoU, HD, HD95, ASSD 등 다섯 가지 지표를 사용했으며, 비정규성을 확인한 뒤 Wilcoxon signed‑rank 검정을 적용해 통계적 유의성을 검증하였다. 결과적으로 FL은 모든 시나리오에서 평균 Dice가 0.9480.949 수준으로 CL과 동등하거나 약간 우수했으며, 특히 라벨 왜곡이나 잡음이 있는 클라이언트가 존재할 때도 성능 저하가 미미했다. 반면 LL은 각 클라이언트별 데이터 양과 품질에 크게 의존해 Dice가 0.9310.940 사이로 변동하였다. 또한, FL 학습 과정에서 각 클라이언트의 훈련·검증 손실 곡선을 실시간 모니터링함으로써 손상된 클라이언트를 신속히 식별할 수 있었으며, 이는 실제 임상 현장에서 데이터 품질 관리에 유용한 도구가 된다. 논문은 FL이 프라이버시를 보장하면서도 데이터 이질성에 강인한 성능을 제공함을 실증적으로 보여주며, 향후 다기관 협업 AI 시스템 구축에 중요한 지침을 제시한다.