피부 병변 이미지의 색상 분리와 교정: 자동화된 피부색 해석 프레임워크

본 논문은 피부 병변 이미지에서 촬영 환경·피부톤·혈류·조명·카메라 설정 등 복합적인 요인으로 인해 발생하는 색상 불일치를 해결하고, 이를 활용해 데이터 증강·정규화 및 교육용 시각화를 수행하는 새로운 무감독 색상 분리 프레임워크를 제안한다. 기존 연구는 피부톤을 단일 스칼라 혹은 카테고리로만 표현해 실제 색상 변동을 충분히 포착하지 못했으며, 색상 정규화 기법도 주로 환경 요인만을 고려해 피부 고유 색을 무시했다. 저자는 이러한 한계를 극복하기 위해 ‘Disentanglement‑by‑Compression’(DB‑C) 기반의 인코더‑디코더 구조를 채택하고, 두 가지 핵심 모듈을 설계했다. 첫 번째 모듈은 **무작위 단조 디컬러화(gα)** 로, 입력 컬러 이미지 y를 색상 없는 이미지 x로 변환한다. 전통적인 선형 그레이스케일 변환은 밝기·음영 정보를 그대로 전달해 색상 어두움 정보를 인코더에 누설한다. 이를 방지하기 위해 저자는 픽셀‑별 단조 함수 gα를 무작위 파라미터 α로 매번 샘플링한다. 함수는 0과 1을 고정점으로 유지하면서 대부분 증가하도록 설계돼, 색상 정보 손실을 최소화하면서도 어두운 영역에 대한 정보를 차단한다. 두 번째 모듈은 **기하학 정렬 후처리(P)** 로, 색상 변환 후 디코더 출력 ȳ′ 에서 국소적인 색상 패턴(문신, 흉터, 잉크 등)이 부정확하게 변형되는 문제를 해결한다. 재구성 오차 d_ij 를 기반으로 가중치 w_ij = h(d_ij) 를 계산하고, 최종 이미지 P(ȳ′)= y + (1‑w)⊙(ȳ′‑y) 로 보정한다. 즉, 재구성 오류가 큰 픽셀은 원본 색을 그대로 유지하고, 오류가 작은 영역만 색상 변화를 허용한다. 학습 과정에서 색상 인코더 e(y) 는 256 차원의 저비트 레이트 임베딩을 생성하고, 디코더 f(x, e) 는 색상 없는 이미지 x와 결합해 원본 y 를 재구성한다. 압축률을 최소화함으로써 e는 전역적인 색상 정보만을 보존하도록 강제된다. 학습이 완료된 후에는 (1) **색상 전이** – 임의의 소스 이미지의 임베딩을 타깃 이미지의 색상 없는 버전 x와 결합해 색상을 교환, (2) **잠재 차원 조절** – 각 차원을 독립적으로 변형해 혈류, 화이트 밸런스, 조명 온도 등 물리적 요인에 대응하는 시각적 변화를 생성, (3) **잠재 샘플링** – 타깃 도메인(T)의 무라벨 이미지에서 추정한 임베딩 분포를 샘플링해 새로운 색상 변형 이미지를 생성, (4) **정규화** – 모든 이미지에 평균 임베딩 \bar{e} 를 적용해 표준 색상으로 변환, 이 네 가지 활용을 제시한다. 실험에서는 SkinCap, ISIC‑2020 등 공개 데이터셋을 사용해 (a) 색상 전이와 개별 차원 변조가 시각적으로 자연스럽고, 물리적 의미가 있는 궤적을 형성함을 확인했으며, (b) 색상 변형된 이미지를 데이터 증강에 활용해 레스넷‑50 기반 악성 병변 분류 모델의 정확도를 0.561(베이스라인)에서 0.772까지 끌어올렸다. 이는 기존 스타일 전이 기반 증강(0.761)과 비교해 동등하거나 약간 우수한 결과이며, 색상 정규화 역시 0.764의 정확도를 달성했다. 소실 실험에서는 (1) 후처리를 제거하면 LPIPS가 0.011에서 0.045로 악화되고, 분류 정확도가 0.764에서 0.727으로 감소함을 보여 후처리의 중요성을 입증했으며, (2) 단순 그레이스케일 디컬러화 대신 무작위 단조 변환을 사용하지 않을 경우 색상 전이 시 어두운 영역이 원본 이미지에 남아 색상 교환이 실패함을 확인했다. 또한 잠재 차원 간 약한 상관관계가 존재하지만, 주요 활성 차원만을 조작해 의미 있는 물리적 변화를 얻을 수 있음을 보였다. 결론적으로, 이 논문은 (i) 색상 정보를 전역·국소적으로 분리하는 새로운 전처리와 후처리 기법, (ii) 물리적 촬영 파라미터와 연관된 구조화된 잠재공간 학습, (iii) 이를 기반으로 한 데이터 증강·정규화 및 교육용 시각화 파이프라인을 제시함으로써, 피부과 AI 모델의 공정성·성능을 향상시키는 실용적인 솔루션을 제공한다. 라벨이 없는 대규모 피부 이미지에서도 무감독으로 학습 가능하다는 점은 향후 다양한 의료 영상 분야에 확장 적용될 수 있는 가능성을 열어준다.