이미지를 하나의 도메인으로 보는 새로운 의료 영상 분할 일반화 전략

초록

본 논문은 의료 영상 분할에서 발생하는 도메인 편차를 최소화하기 위해 “한 이미지가 하나의 도메인”이라는 OIOD 가설을 제시한다. 이를 기반으로 다중·단일 소스 상황 모두에 적용 가능한 통합 분리 기반 도메인 일반화 프레임워크 UniDDG를 설계하였다. 이미지당 고유한 스타일 코드를 유지하면서 콘텐츠와 스타일을 교환·재조합하고, 경계 보강을 위한 확장 마스크 어텐션(EMA)과 스타일 변형(Style Augmentation, SA)을 도입한다. 광학 디스크·컵 및 전립선 분할 실험에서 기존 최첨단 DG 방법들을 크게 앞서며 Dice 84.43 %~88.91 % 수준을 달성한다.

상세 분석

본 연구는 의료 영상 분할에서 흔히 간과되는 ‘센터 내부 변이’를 핵심 문제로 규정하고, 이를 해결하기 위한 새로운 도메인 정의인 OIOD(One Image as One Domain) 가설을 제시한다. 기존 DG 연구는 센터 혹은 스캐너 모델을 기준으로 도메인을 구분했지만, 실제 현장에서는 동일 센터 내에서도 스캐너 모델, 프로토콜, 파라미터 등에 따라 이미지 스타일이 크게 달라진다. 따라서 각 이미지를 독립적인 도메인으로 취급하면, 사전 도메인 라벨링 없이도 모든 스타일 변이를 포괄할 수 있다.

UniDDG는 이러한 가설 위에 구축된 통합 프레임워크로, 입력 이미지를 콘텐츠(content)와 스타일(style) 두 부분으로 분리한다. 콘텐츠 인코더는 해부학적 구조를 보존하도록 설계되었으며, 스타일 인코더는 이미지 고유의 조명·대조·노이즈 등 장비 특성을 압축한다. 핵심 아이디어는 배치 내 모든 이미지의 콘텐츠와 스타일을 교차 결합(cross‑batch recombination)하여, 서로 다른 스타일을 가진 이미지에 동일한 콘텐츠를 적용함으로써 콘텐츠가 스타일에 독립적인 표현을 학습하도록 유도한다. 이 과정에서 각 이미지마다 고유한 스타일 코드를 유지하므로, 스타일이 완전히 섞여버리는 기존 GAN 기반 방법과 달리 스타일‑콘텐츠 간 완전한 분리를 달성한다.

경계 보강을 위해 도입된 EMA(Expansion Mask Attention)는 원본 마스크를 일정 비율로 확장한 영역을 어텐션 맵으로 활용한다. 이는 저대조 경계나 얇은 혈관·섬유 구조 등에서 재구성 손실을 최소화하고, 세그멘테이션 정확도를 향상시킨다. 또한 SA(Style Augmentation)는 무작위 스타일 코드를 생성해 가상 스타일 변이를 추가함으로써, 학습 단계에서 모델이 보지 못한 스타일에 대한 강인성을 확보한다.

실험에서는 Optic Disc/Cup 데이터와 Prostate MRI 두 가지 대표적인 의료 영상 분할 과제를 선택하였다. 다중 소스 → 단일 센터 일반화와 단일 센터 → 다중 센터 일반화 두 시나리오 모두에서 UniDDG는 기존 DG 방법(예: BigAug, DCA‑Net, CDDSA 등)을 크게 앞섰다. 특히, 다중 소스 → 단일 센터 상황에서 Optic Disc/Cup Dice 84.43 %를, 단일 센터 → 다중 센터 상황에서 88.91 %를 기록했으며, 전립선 분할에서도 86.96 %와 88.56 %를 달성하였다. 이러한 성과는 스타일‑콘텐츠 분리와 EMA·SA가 도메인 편차에 대한 모델의 일반화 능력을 실질적으로 강화함을 입증한다.

한편, UniDDG는 도메인 라벨이 필요 없고, 소스 도메인 수에 관계없이 고정된 아키텍처와 연산량을 유지한다는 실용적 장점도 갖는다. 이는 병원 간 데이터 공유가 제한적인 현실에서 빠른 배포와 유지보수가 가능하도록 만든다. 다만, 스타일 인코더가 이미지마다 별도 코드를 학습하므로 메모리 사용량이 배치 크기에 민감하며, 매우 대규모 3D 볼륨 데이터에 적용할 경우 추가적인 메모리 최적화가 필요할 수 있다.

요약하면, OIOD 가설을 통해 도메인 정의 자체를 재구성하고, 콘텐츠‑스타일 분리를 통한 교차 재조합, EMA와 SA라는 두 가지 보강 기법을 결합함으로써, 의료 영상 분할 분야에서 기존 DG 접근법이 직면한 라벨 의존성·복잡도·일반화 한계를 효과적으로 극복한다.