모델에 구애받지 않는 선호 기반 의료 영상 분할 최적화

초록

본 논문은 드롭아웃을 활용해 다채로운 예측 후보를 생성하고, 이를 기반으로 선호 쌍(good/bad)을 자동 구축하여 직접 선호 최적화(DPO) 방식으로 모델을 미세조정하는 MAPO 프레임워크를 제안한다. 2D·3D CNN, Transformer 등 다양한 의료 영상 분할 아키텍처에 적용 가능하며, 경계 정확도 향상, 과적합 감소, 학습 안정성 개선 효과를 입증한다.

상세 분석

MAPO는 기존 의료 영상 분할에서 선호 최적화를 적용하려는 시도들이 특정 모델(SAM 등)에 국한되고, 예측 다양성을 확보하기 위해 임계값 기반 이진화에 의존하는 한계를 극복한다. 핵심 아이디어는 학습·추론 단계 모두에서 드롭아웃을 활성화함으로써 동일 입력에 대해 확률적이고 서로 다른 뉴런 조합을 이용해 K개의 예측 맵을 생성하는 것이다. 이렇게 얻어진 K개의 후보는 각각 Dice 점수로 평가되고, 최고 점수를 받은 후보를 ‘좋은(good)’ 예시, 사전에 정의된 차이 임계값 τ를 초과하는 최저 점수 후보를 ‘나쁜(bad)’ 예시로 선정한다. 이 과정은 완전 자동화되어 인간 라벨링 비용을 거의 필요로 하지 않는다.

선호 쌍(ŷ⁺, ŷ⁻)이 확보되면, MAPO는 DPO와 동일한 로그‑비율 손실을 사용한다. 구체적으로, 현재 모델 π_θ와 초기 베이스라인 모델 π_ref 사이의 로그 확률 차이를 로지스틱 함수 σ에 입력해
L_DPO = –log σ