강한 증강이 답은 아니다: 의료 이미지 분할을 위한 대조 학습의 더 나은 증강법

초록

본 연구는 자기 지도 대조 학습에서 핵심 요소인 ‘강력한 데이터 증강’이 의료 이미지 세그멘테이션 작업에서는 오히려 성능 향상에 기여하지 않을 수 있음을 실험적으로 입증합니다. SimCLR 프레임워크와 KVASIR-SEG 데이터셋을 사용한 실험에서, 복잡한 강력 증강보다 단순한 기본 증강(크기 조정, 회전, 수평 뒤집기)을 적용했을 때 IoU, FScore 등 주요 평가 지표에서 더 나은 성능을 보였습니다. 이는 도메인 특화된 데이터에 맞는 적절한 증강 전략의 중요성을 시사합니다.

상세 분석

이 논문의 핵심 기술적 통찰은 자기 지도 학습의 일반적인 교리와 달리, ‘강력함(Strength)‘이 반드시 ‘유용함(Usefulness)‘으로 직결되지 않는다는 점입니다. 대조 학습의 성공은 positive pair를 생성하는 데이터 증강의 품질에 크게 의존합니다. SimCLR, MoCo와 같은 선행 연구들은 Color Jittering, Random Grayscale, Gaussian Blur, Random Crop과 Resize 등의 조합으로 구성된 ‘강력한(Strong)’ 증강이 ImageNet 수준의 일반 객체 인식에서 representation 학습에 매우 효과적임을 보였습니다.

그러나 본 연구는 의료 이미지 세그멘테이션이라는 특정 도메인에서 이 가정이 무너질 수 있음을 보여줍니다. 실험 결과, SimCLR의 표준 강력 증강 대신 ‘Resize’, ‘Rotate’, ‘Horizontal Flip’만으로 구성된 기본 증강을 사용한 모델이 다양한 배치 크기(8, 16, 32, 64)와 가중치 초기화 조건(Random, ImageNet 사전학습) 하에서 거의 모든 경우에서 더 높은 IoU, FScore, Recall, Precision을 기록했습니다. 이는 Dice Loss 지표에서도 기본 증강이 더 낮은 값을 보이며 확인되었습니다.

이러한 결과를 해석하는 데 있어 몇 가지 중요한 분석 포인트가 있습니다. 첫째, 의료 이미지(특히, 위내시경 폴립 데이터)는 일반 자연 이미지와 본질적으로 다른 특징을 가집니다. 해부학적 구조의 일관성, 색상 분포의 제한성, 병변의 미묘한 텍스처 차이 등이 있습니다. Random Color Distortion이나 강한 Gaussian Blur와 같은 증강은 이러한 중요한 의료적 특징을 과도하게 손상시켜, 오히려 모델이 의미 있는 특징(예: 폴립의 경계, 조직의 질감)을 학습하는 데 방해가 될 수 있습니다. 둘째, 세그멘테이션은 픽셀 수준의 정밀한 예측을 요구하는 작업입니다. Random Crop 후 Resize와 같은 공간적 변형은 객체의 경계와 형태를 왜곡시켜, 픽셀 간의 정확한 대응 관계를 학습하기 어렵게 만들 가능성이 있습니다. 단순한 회전이나 뒤집기는 이러한 기하학적 구조를 보존하면서도 충분한 다양성을 제공할 수 있습니다.

결론적으로, 이 연구는 자기 지도 학습의 적용에 있어 ‘도메인 적합성(Domain Suitability)‘의 중요성을 강력히 환기시킵니다. 데이터 증강 전략은 목표 작업의 특성(분류 vs. 분할)과 데이터의 본질적 속성(자연 이미지 vs. 의료 이미지)에 맞게 설계되어야 하며, 타 도메인에서 성공한 방법론을 맹목적으로 적용하는 것은 역효과를 낳을 수 있습니다.