간단한 데이터 증강이 제한된 장기 분할 데이터셋에서 복잡한 방법을 능가한다

초록

본 연구는 제한된 수의 복부 CT 영상에서 다기관(다장기) 자동 분할 성능을 향상시키기 위해 네 가지 인터‑이미지·객체 수준 데이터 증강 기법(CutMix, CarveMix, ObjectAug, AnatoMix)을 재구현·비교하였다. 결과는 전통적인 인트라‑이미지 변환(TDA) 없이도 CutMix가 평균 Dice 점수를 4.9%p(매크로)·2.6%p(마이크로) 향상시켰으며, TDA와 결합했을 때도 가장 큰 상승폭을 보였다. 다른 기법들은 일부 향상이 있었지만 구현 복잡도와 연산 비용이 크게 늘었다. 따라서 제한된 의료 영상 데이터셋에서는 구현이 간단하고 연산이 빠른 CutMix가 실용적인 최선 선택임을 제시한다.

상세 분석

이 논문은 “데이터가 부족한 상황에서 다기관(다장기) 분할을 어떻게 효과적으로 일반화시킬 수 있는가”라는 실질적인 임상·연구 문제에 초점을 맞추었다. 기존의 전통적 데이터 증강(TDA)은 회전, 스케일링, 강도 변환 등 이미지 내부의 변형에 국한돼 있어, 실제 임상 데이터의 다양성을 충분히 반영하기 어렵다. 최근 컴퓨터 비전 분야에서 제안된 인터‑이미지·객체 수준 증강 기법을 의료 영상에 적용하면, 서로 다른 환자의 장기 형태·위치를 조합해 새로운 학습 샘플을 만들 수 있다. 논문에서는 네 가지 기법을 선택했는데, 각각의 설계 철학과 구현 난이도가 다르다.

1. CutMix: 두 이미지에서 무작위 바운딩 박스를 선택해 교환한다. 구현이 매우 간단하고, 연산 비용이 낮으며, “잘못된” 해부학적 구성을 만들더라도 신경망은 강인하게 학습한다는 점이 핵심이다. 특히, 바운딩 박스 크기를 베타 분포(α=0.5)로 샘플링해 다양한 비율을 제공한다.

2. ObjectAug: 객체(장기) 단위로 분리 후 개별 변환(스케일, 이동, 회전)하고, 배경을 인페인팅해 재조합한다. 이 과정에서 배경 인페인팅 모델이 필요해 구현 복잡도가 크게 증가하고, 연산 시간이 40 초 수준으로 가장 오래 걸렸다. 또한, 작은 장기의 위치와 형태가 크게 왜곡돼 성능이 크게 저하된다.

3. CarveMix: 각 장기 마스크를 그대로 사용해 소스 이미지의 해당 장기를 배경 이미지에 “삽입”한다. 장기 간 위치 관계가 무시되므로, 해부학적으로 비현실적인 배치(예: 네 개의 신장, 두 개의 간)가 발생한다. AMOS 데이터처럼 스캔 영역이 다양할 때는 이러한 비현실성이 모델 학습에 부정적 영향을 미칠 수 있다.

4. AnatoMix: 장기 크기를 사전 분석해 유사 크기의 장기를 매칭하고, 최적 오프셋을 찾아 위치를 맞춘다. 해부학적 일관성을 유지하려는 시도이지만, 매칭 과정이 복잡하고 연산 시간이 20 초 이상 소요된다. 또한, 매칭 실패 시 여전히 비현실적인 배치가 발생한다.

실험 설계는 두 개의 제한된 데이터셋(AMOS 20 이미지, DECT 20 이미지)에서 각각 10×, 25×, 50×(즉, 200, 500, 1000) 증강을 수행하고, nnUNet‑v2를 동일한 하이퍼파라미터로 학습시켰다. 평가 지표는 마이크로 평균 Dice(전체 픽셀 정확도)와 매크로 평균 Dice(소기관에 민감) 두 가지를 사용했다.

주요 결과는 다음과 같다.

• CutMix는 TDA 없이도 매크로 Dice를 4.9 %p, 마이크로 Dice를 2.6 %p 상승시켰으며, TDA와 결합했을 때 추가 상승(마이크로 +3.0 %p, 매크로 +4.8 %p)을 기록했다.
• CarveMix과 AnatoMix도 각각 2.0~2.5 %p 정도의 매크로 향상을 보였지만, 마이크로 향상은 CutMix에 비해 현저히 낮았다.
• ObjectAug은 대부분의 경우 성능 저하를 초래했으며, 특히 매크로 Dice가 7 %p 이하로 급락했다.
• 증강 배수(10×, 25×, 50×)를 늘려도 성능 향상이 선형적으로 증가하지 않았다. 특히 DECT 데이터처럼 기본 Dice가 이미 높은 경우, 추가 증강이 오히려 매크로 Dice를 감소시키는 현상이 관찰되었다.

이러한 결과는 “데이터 증강이 반드시 원본 데이터 분포와 완벽히 일치할 필요는 없다”는 중요한 통찰을 제공한다. CutMix는 비현실적인 장기 배치를 만들지만, 네트워크가 강인하게 일반화하도록 압박한다. 반면, 해부학적 일관성을 유지하려는 복잡한 방법은 구현 비용 대비 성능 이득이 제한적이다.

또한, 연산 효율성 측면에서 CutMix는 0.3 초에 한 쌍의 이미지를 생성하는 반면, ObjectAug는 40 초, CarveMix은 15.7 초, AnatoMix은 20.9 초가 소요돼 실제 임상 파이프라인에 적용하기 어려운 수준이다.

결론적으로, 제한된 의료 영상 데이터셋에서 빠르고 간단한 CutMix 기반 인터‑이미지 증강이 가장 실용적이며, 기존 TDA와 결합하면 최상의 성능을 달성한다는 점을 명확히 입증하였다.