FLAIR MRI에서 백질 고강도와 뇌졸중 병변을 동시에 분할하는 부분 라벨 학습 전략 비교

초록

본 연구는 백질 고강도(WMH)와 허혈성 뇌졸중 병변(ISL)을 동시에 분할하기 위해, 부분 라벨만 존재하는 12개의 데이터셋(총 2052개 FLAIR MRI)에서 6가지 학습 전략을 비교하였다. 다중클래스 베이스라인, 이중 바이너리 모델, 클래스‑조건부 헤드, 의사라벨(pseudolabel), 마진 손실, 클래스‑적응 손실, 그리고 2단계 사전‑미세조정 방식을 평가했으며, 의사라벨을 활용한 전략이 가장 높은 Dice 점수를 기록하였다.

상세 분석

이 논문은 의료 영상 분야에서 흔히 마주치는 “부분 라벨(partially labelled)” 문제를 체계적으로 탐구한다. WMH와 ISL은 FLAIR 영상에서 밝은 신호를 보이지만, 서로 겹치거나 비슷한 형태를 띠어 구분이 어려운 특성을 가진다. 따라서 두 병변을 동시에 학습하려면 라벨이 모두 존재하는 대규모 데이터가 필요하지만, 실제로는 각 병변에 대해 별도로 라벨링된 데이터가 산재해 있다. 저자들은 이러한 현실을 반영해 6가지 전략을 설계했는데, 각각은 라벨 결핍을 다루는 방법론적 차이를 보여준다.

1. 멀티클래스 베이스라인은 완전 라벨이 있는 샘플(FLS)만 사용해 다중 클래스 U‑Net을 학습한다. 라벨이 없는 샘플을 전혀 활용하지 않으므로 데이터 효율성이 낮다.
2. 멀티‑모델은 WMH와 ISL을 각각 독립적인 바이너리 U‑Net에 학습시켜, 각 클래스에 대한 부분 라벨(PLS)을 모두 활용한다. 하지만 두 모델 간의 상호 관계를 학습하지 못한다.
3. 클래스‑조건부 모델은 공유 인코더와 두 개의 디코더 헤드를 갖는다. 라벨이 존재하는 클래스만 손실을 계산하고, 라벨이 모두 존재하는 경우 두 번의 포워드 패스를 수행한다. 이는 파라미터 공유를 통해 연산 효율성을 높이면서도 클래스 간 상관관계를 어느 정도 반영한다.
4. 의사라벨(pseudolabel) 전략은 완전 라벨이 있는 데이터로 초기 모델을 학습한 뒤, 라벨이 없는 부분에 대해 모델이 예측한 마스크를 “의사라벨”로 사용한다. 이후 전체 데이터에 대해 재학습함으로써 라벨 결핍을 효과적으로 보완한다. 특히 WMH와 ISL이 동시에 존재할 가능성이 높은 경우, 의사라벨이 실제 병변 분포를 잘 근사하면 큰 성능 향상을 기대할 수 있다.
5. **마진 손실(marginal loss)**은 라벨이 없는 클래스를 배경에 병합하고, 남은 라벨에 대해서만 교차 엔트로피를 계산한다. 이는 손실 함수 수준에서 라벨 결핍을 처리하지만, 라벨이 없는 클래스와 배경을 구분하지 못하게 만든다.
6. **클래스‑적응 손실(class‑adaptive loss)**은 현재 샘플에 존재하는 라벨만을 대상으로 손실을 계산한다. 구현이 간단하고, 라벨이 없는 클래스에 대한 오류 전파를 방지한다.
7. 2단계(phase) 전략은 먼저 모든 부분 라벨을 “비배경”으로 병합해 사전 학습하고, 이후 최종 레이어만 교체해 완전 라벨 데이터(FLS)로 미세조정한다. 이는 대규모 비라벨 데이터의 일반화 능력을 활용하면서, 최종 단계에서 정확한 클래스 구분을 학습한다.

실험 결과, 의사라벨 전략이 평균 Dice 0.84(WMH)와 0.78(ISL)으로 가장 높은 성능을 보였으며, 특히 데이터가 불균형하고 라벨이 희소한 소규모 코호트에서 큰 이점을 나타냈다. 마진 손실과 클래스‑적응 손실도 부분 라벨을 활용해 성능을 개선했지만, 의사라벨에 비해 한계가 있었다. 다중 모델과 클래스‑조건부 모델은 연산 비용이 낮고 구현이 쉬워 실무 적용 가능성이 높다.

또한, 저자들은 12개의 서로 다른 코호트(임상·연구·공개 챌린지 데이터)를 통합해 전처리 파이프라인을 표준화하고, N4 바이어스 보정, 1 mm 등축 리샘플링, 뇌 마스크 추출, Z‑스코어 정규화를 적용했다. 데이터 간 스캐너·프로토콜 차이를 최소화했음에도 불구하고, 모델은 높은 일반화 능력을 보였으며, 특히 의사라벨 전략은 다양한 도메인에 강인했다.

이 논문은 부분 라벨 학습이 실제 의료 영상 프로젝트에 어떻게 적용될 수 있는지를 실증적으로 보여준다. 라벨링 비용을 크게 절감하면서도 다중 병변을 동시에 분할하는 모델을 구축하고자 하는 연구자와 기업에 중요한 참고 자료가 될 것이다.