뇌 MRI 이미지 분할을 위한 일반 및 도메인 특화 사전 과제 결합
Combining General and Domain-Specific Pretext Tasks for Brain MR Image Segmentation
arXiv의료 영상 데이터 부족 문제를 해결하기 위해, 일반 지식과 특정 영역 지식을 결합한 다중 과제 자기 지도 사전 학습 프레임워크를 제안했습니다.
- 이 모델은 이미지 복원 같은 범용 과제와 뇌 연령 예측 같은 영역 특화 과제를 동시에 최적화하여 우수한 표현 능력을 확보합니다.
- 이는 특정 질병에 국한되지 않고 광범위하게 적용 가능한, 일반화된 신경 영상 기반의 기초 모델 개발에 큰 도움을 줄 수 있습니다.
- 다발성 경화증 및 허혈성 뇌졸중 병변 분할 등 세 가지 주요 과제에서 성능 향상을 입증하며 전반적인 범용성을 확인했습니다.
의료 영상 분석 분야에서는 특정 인구와 질병에 대한 대규모 주석 데이터셋 확보가 주요한 난제로 남아 있습니다. 딥러닝 모델이 레이블링된 데이터에 크게 의존하는 만큼, 수동 주석 작업의 의존도를 줄이기 위한 효과적인 전이 학습 전략이 필요합니다. 이에 연구진은 자기 지도 학습(Self-supervised learning)을 활용하여 대규모 비표지 의료 이미징 데이터셋에서 전이 가능한 특징 표현을 학습하는 방법을 탐구했습니다.
본 연구에서는 도메인 특화된 자기 지도 사전 과제로 복셀 레벨의 뇌 연령 예측을 사용하고, 일반적으로 많이 쓰이는 비도메인 특화 대안인 이미지 인페인팅과 비교했습니다. 나아가 두 가지 목표를 공동으로 최적화하는 다중 작업(multitask) 자기 지도 사전 학습 프레임워크를 제안하여 상호 보완적인 신경 영상 표현을 함께 학습하도록 했습니다.
사전 학습된 모델은 다발성 경화증 병변 분할, 허혈성 뇌졸중 병변 분할, 피질 뇌 구조 분할 등 세 가지 다운스트림 자기공명 영상 분할 과제에서 평가되었습니다. 실험 결과, 제안된 다중 작업 사전 학습 프레임워크는 대부분의 실험 환경에서 단일 작업으로 사전 학습된 모델이나 처음부터 학습한 모델보다 일관되게 우수한 성능을 보여주었습니다.