경계 인식 픽셀 대조 학습을 통한 심장 영상 반감독 분할

초록

본 논문은 심장 MRI의 반감독 분할에서 경계와 내부 픽셀을 별도 서브클래스로 구분하고, “관심 없음 샘플(Unconcerned sample)” 개념과 새로운 경계 대조 손실을 도입한 SPCL 프레임워크를 제안한다. 이를 통해 경계 근처의 표현 오염을 감소시키고, 클래스 내 변동성을 줄이며, 클래스 간 구분력을 강화한다. 공개 데이터셋에서 기존 최첨단 방법들을 능가하는 Dice, Jaccard, HD95 성능 향상을 보였다.

상세 분석

SPCL은 기존 픽셀‑레벨 대조 학습이 경계와 내부 픽셀을 동일 클래스의 동일 서브클래스로 취급해 발생하는 “표현 오염” 문제를 근본적으로 해결한다. 논문은 먼저 Canny 연산자를 이용해 각 클래스의 경계 마스크 B_c 를 추출하고, 이를 원본 라벨 y_c 와 차집합하여 내부 마스크 I_c 를 만든다. 이렇게 정의된 두 마스크는 각각 서브클래스 ˆC_{c,B} 와 ˆC_{c,I} 로 매핑되어 전체 서브클래스 수를 2C 로 확장한다.

핵심 아이디어인 “관심 없음 샘플”은 같은 클래스에 속하지만 서로 다른 서브클래스(경계 ↔ 내부)에 해당하는 픽셀을 의미한다. 이 샘플은 동일 클래스 내에서는 양성도, 음성도 아니며, 다른 클래스의 앵커에 대해서만 음성으로 작용한다. 이렇게 함으로써 내부와 경계 서브클래스가 서로 간섭하지 않으면서도, 전체 클래스 간 구분력은 유지된다.

샘플링 단계에서는 teacher‑student 구조를 활용한다. teacher 모델이 생성한 의사 라벨 중 confidence가 높은 픽셀을 기준으로, student 모델이 낮은 확신을 보이는 hard sample을 앵커로 선정한다(γ_s=0.75, γ_t=0.95). 이는 hard‑example mining 효과를 대조 학습에 자연스럽게 도입한다. 또한, 클래스별로 희소한 음성 샘플 문제를 완화하기 위해 서브클래스‑별 메모리 뱅크 Q^{I/B}c 를 유지하고, 각 서브클래스의 중심벡터 \bar{z}{c, id} 를 FIFO 방식으로 업데이트한다.

내부 대조 손실(L_icl)은 InfoNCE 형태에 “관심 없음 샘플”을 제외한 형태로 설계되었으며, 수식 (3)에서 보듯 양성 유사도 Υ⁺와 음성 유사도 Υ⁻ 사이의 차이를 명시적으로 최소화한다. 논문은 이 손실의 하한이 “관심 없음 샘플”을 포함할 때 더 타이트해짐을 이론적으로 증명한다.

경계 대조 손실(L_bcl)은 기존 InfoNCE와 달리 ReLU 기반의 마진 손실을 사용한다. 경계 앵커에 대해 양성 샘플은 같은 서브클래스 Q^B_c 에서, 음성 샘플은 나머지 모든 서브클래스 Q^{I/B}{\neq c} 에서 추출한다. 손실은 max{N}(Υ⁻) - min_{P}(Υ⁺) 가 양수가 되도록 압축하며, 미분식에서 확인할 수 있듯 양성 유사도가 낮은 경우에 더 큰 그래디언트가 가해져 경계 픽셀 간 일관성을 강화한다.

전체 학습 목표는 L = L_sup + λ_u L_unsup + λ_c L_spcl 로 구성되며, λ_c=0.1, λ_u=0.3, α는 0→0.1 으로 선형 증가한다. teacher 모델은 EMA(β=0.999) 로 업데이트되어 안정적인 의사 라벨을 제공한다.

실험에서는 SCD, ACDC, M&Ms 세 개의 공개 심장 MRI 데이터셋을 사용해 10%, 20% (SCD), 5%, 10% (ACDC), 2.5%, 5% (M&Ms) 라벨 비율에서 평가하였다. SPCL은 모든 설정에서 Dice, Jaccard, HD95 지표에서 기존 반감독 방법(ADMT, ABD, UGPCL, DGCL) 및 경계‑인식 대조 학습 방법(BUS, BASS)을 앞섰다. 특히 라벨이 극히 적은 2.5% 상황에서도 85.87% Dice, 76.02% Jacc, 2.19 HD95 를 기록, 경계 정확도 향상이 두드러졌다. t‑SNE 시각화는 서브클래스 간 클러스터가 더 뚜렷하게 구분되는 것을 보여준다.

한계점으로는 Canny 기반 경계 추출이 영상 노이즈에 민감할 수 있고, 메모리 뱅크 크기와 온도 파라미터 τ에 대한 민감도가 논문에 충분히 탐색되지 않았다. 또한, 심장 외 다른 장기나 3D 볼륨 전체에 적용하려면 서브클래스 정의와 메모리 관리가 추가적인 설계가 필요할 것으로 보인다.