학습 없이 구현하는 교차모달 의료 이미지 분할을 위한 HEAL 프레임워크

초록

**
HEAL은 소스 데이터를 전혀 사용하지 않고, 사전 학습된 모델을 그대로 유지한 채 타깃 도메인에 적용하는 학습‑프리 SFUDA 방법이다. 계층적 디노이징, 엣지‑가이드 선택, 크기‑인식 융합이라는 세 가지 핵심 모듈을 통해 의학 영상의 교차모달 세그멘테이션 성능을 크게 향상시킨다.

**

상세 분석

**
본 논문은 의료 영상 분야에서 데이터 프라이버시와 저장 비용 문제를 해결하고자, Source‑Free Unsupervised Domain Adaptation(SFUDA) 패러다임을 채택한다. 기존 SFUDA 방법들은 대부분 타깃 도메인에서 pseudo‑label을 생성하고 이를 기반으로 추가 학습(셀프‑트레이닝)하거나, auxiliary network를 도입해 도메인 격차를 줄이는 방식이었다. 이러한 접근은 계산 비용이 높고, 타깃 데이터에 대한 학습 과정에서 프라이버시 누수가 발생할 위험이 있다.

HEAL은 이러한 한계를 극복하기 위해 “학습‑프리(learning‑free)”라는 전제 하에, 사전 학습된 segmentation 모델(M_S)과 diffusion 모델만을 이용해 순수히 inference 단계에서 도메인 적응을 수행한다. 구체적으로는 세 단계로 구성된다.

1. Hierarchical Denoising (HD)

   • Entropy Denoising: 초기 pseudo‑label Y_T에 대해 voxel‑wise 엔트로피를 계산하고, 사전 정의된 임계값 τ₁ 이하인 voxel만을 보존한다. 이는 고불확실성 영역을 일차적으로 제거한다.
   • Normal‑Inverse Gaussian (NIG) Denoising: 엔트로피‑정제된 라벨을 기반으로 NIG 사전분포를 추정하고, 지역적 엔트로피 E(v)를 활용해 α, β, ω 파라미터를 동적으로 조정한다. NIG 분산이 τ₂ 이하인 voxel만을 최종 pseudo‑label Y*ₜ에 남겨, 미세한 오류까지 정제한다.

2. Edge‑Guided Selection (EGS)

   • Diffusion 모델을 이용해 n개의 후보 이미지 I_i를 생성하고, 각각에 대해 Canny 엣지를 추출한다.
   • 조건 라벨 Y*ₜ의 엣지와 후보 이미지의 엣지를 교집합하여 구조 일관성 지표 S_i를 계산한다.
   • S_i가 가장 높은 이미지 I_B를 선택함으로써, 전역 구조가 가장 잘 보존된 “source‑like” 샘플을 확보한다.

3. Size‑Aware Fusion (SAF)

   • 작은 해부학적 구조는 HD‑정제 라벨이, 큰 구조는 EGS‑선택 이미지가 각각 더 신뢰할 수 있음을 관찰하고, 두 결과를 크기 비례 가중치 λ_k 로 동적으로 융합한다.
   • 최종 세그멘테이션 b_Yₜ는 λ_k에 따라 작은 클래스는 Y*ₜ, 나머지는 M_S(I_B)의 예측을 결합해 산출한다.

실험에서는 BraTS‑2021(뇌종양 3D MRI)과 Kvasir‑SEG / CVC‑ClinicDB(대장내시경 폴립) 두 도메인에서 4가지 적응 방향을 평가했다. Dice와 ASD 지표 모두에서 기존 SFUDA 베이스라인(ProtoContra, DPL, IAPC, UPL)을 크게 앞섰으며, 특히 T1→T1ce와 T2→FLAIR에서 평균 Dice 77.3%·73.5%를 달성했다. 폴립 데이터에서도 평균 Dice 81.8%·66.5%를 기록, No‑Adaptation 대비 20% 이상 향상되었다.

Ablation 연구에서는 HD만 적용했을 때와 HD+EGS, 전체 HEAL 순으로 성능이 단계적으로 상승함을 확인했다. 이는 각 모듈이 독립적으로 오류를 감소시키고, 상호 보완적으로 작용한다는 증거다.

HEAL의 가장 큰 강점은 학습‑프리라는 점이다. 모델 파라미터를 전혀 업데이트하지 않으므로, GPU 메모리와 연산량이 최소화되고, 의료기관 간 모델 배포 시 데이터 프라이버시 위험이 사실상 사라진다. 또한 diffusion 모델을 활용한 샘플 생성과 엣지 기반 선택은 기존의 단순 pseudo‑label 기반 방법보다 더 견고한 소스‑like 이미지 확보에 기여한다. 다만, diffusion 모델 학습 자체가 고비용이며, 엔트로피·NIG 임계값 τ₁, τ₂의 설정이 도메인마다 민감하게 작용할 수 있다는 한계가 있다. 향후 자동 임계값 탐색이나 경량 diffusion 모델 설계가 연구 과제로 남는다.

**