[Paper] 불확실성 인식 도메인 적응을 이용한 임상 사진에서의 백반증 분할

Source: arXiv - 2512.11791v1

Overview

이 논문은 일상 임상 사진에서 백반증 병변을 자동으로 측정하기 위한 신뢰할 수 있고 불확실성을 고려한 세그멘테이션 파이프라인을 소개한다. 도메인‑적응 사전학습, 고주파에 초점을 맞춘 ConvNeXt V2 백본, 그리고 앙상블 기반 불확실성 추정을 결합함으로써 최첨단 정확도를 달성하면서 모델이 자신 없는 영역에 대해 임상의에게 명확한 신호를 제공한다.

Key Contributions

• 도메인‑적응 사전학습을 대규모 ISIC 2019 피부 병변 데이터셋에 적용하고, 이후 ROI(Region‑of‑Interest) 제한 이중 과제 손실을 사용해 백반증 이미지의 배경 잡음을 억제한다.
• High‑Frequency Spectral Gating (HFSG) 모듈과 stem‑skip 연결을 ConvNeXt V2 인코더에 통합하여 백반증 경계의 미세한 텍스처 차이를 포착한다.
• 불확실성 정량화를 위해 K‑fold 앙상블과 Test‑Time Augmentation(TTA)을 결합, 픽셀‑단위 엔트로피 맵을 생성해 모호한 영역을 임상의가 검토하도록 표시한다.
• 전문가가 주석을 단 임상 코호트에 대한 포괄적 검증을 수행했으며, Dice 점수 **85.05 %**와 기존 CNN·Transformer 기반 모델 대비 30 % 감소된 95 % Hausdorff Distance를 보고한다.
• 재난적 실패 제로와 해석 가능한 엔트로피 시각화를 제공하여 자동 피부과 도구의 실용적 신뢰성 기준을 확립한다.

Methodology

1. 데이터 효율적 학습

   • ISIC 2019 데이터셋(대규모 공개 피부 병변 이미지)에서 도메인‑적응 사전학습을 수행한다.
   • 백반증 코호트에 대해 이중 과제 손실로 미세 조정한다: (i) 표준 세그멘테이션 손실(예: Dice/CE)과 (ii) ROI‑제한 보조 손실로, 임상의가 지정한 관심 영역 밖의 예측을 벌점화해 배경 잡음을 효과적으로 필터링한다.

2. 네트워크 아키텍처

   • 백본은 ConvNeXt V2이며, 이는 속도와 표현력을 균형 있게 갖춘 최신 컨볼루션 구조이다.
   • High‑Frequency Spectral Gating (HFSG) 블록은 특징 맵을 주파수 영역에서 처리해 저주파 성분을 억제하고 백반증 패치를 구분하는 고주파 에지를 보존한다.
   • Stem‑skip 연결은 초기 단계의 고해상도 특징을 직접 깊은 디코더 단계로 전달해 미세 텍스처 단서를 유지한다.

3. 불확실성 및 신뢰 레이어

   • K(예: 5)개의 독립 모델을 서로 다른 데이터 폴드에 대해 학습한다.
   • 추론 시 각 모델에 Test‑Time Augmentation(회전, 뒤집기, 색상 변형)을 적용하고, 소프트맥스 출력을 집계하여 픽셀‑단위 엔트로피를 불확실성 점수로 계산한다.
   • 엔트로피가 높은 영역을 강조 표시해 수동 검토를 유도함으로써 블랙박스 모델을 완전 자동 의사결정기가 아닌 보조 도구로 전환한다.

Results & Findings

• HFSG 모듈은 Dice를 약 3 % 상승시키고 Hausdorff 거리를 5 px 감소시켰다.
• 앙상블 + TTA는 명확한 영역에서 평균 엔트로피를 낮추는 동시에 경계가 모호한 부분에서는 높은 엔트로피를 유지해 피부과 전문의 피드백과 일치했다.

Practical Implications

• 임상 워크플로 통합 – 불확실성 맵을 기존 전자의무기록(EHR) 뷰어에 오버레이함으로써 피부과 전문의가 가장 모호한 병변 가장자리에 집중하도록 하여 차트 작성 및 장기 추적을 가속화한다.
• 확장 가능한 배포 – ConvNeXt V2 + HFSG 백본은 중급 GPU(예: RTX 3060) 하나만으로도 원활히 실행되므로 병원 내 서버나 원격 피부과 키트의 엣지 디바이스에서도 구현 가능하다.
• 규제 친화성 – 재난적 실패 제로와 명시적 불확실성 보고는 “human‑in‑the‑loop” 안전망을 요구하는 최신 AI‑의료기기 가이드라인을 충족한다.
• 전이 가능성 – 도메인‑적응 사전학습 + ROI‑제한 손실 레시피는 배경 잡음이 큰 다른 피부 질환 세그멘테이션 작업(예: 건선, 기미)에도 재활용될 수 있다.

Limitations & Future Work

• 데이터셋 다양성 – 임상 코호트는 전문가가 주석을 달았지만 촬영 클리닉 수와 조명 조건이 제한적이다. 다기관 대규모 검증이 필요하다.
• 계산 오버헤드 – K‑fold 앙상블과 TTA는 추론 지연을 증가시킨다. 향후 베이지안 근사법이나 경량 불확실성 헤드를 탐색해 속도를 유지할 방안을 모색한다.
• 세분화된 병변 분류 – 현재 파이프라인은 백반증을 세그멘테이션하지만 활성·안정 병변을 구분하지 않는다. 분류 헤드를 추가하면 치료 의사결정 지원에 도움이 될 것이다.

Bottom line: 주파수‑감지 특징 추출과 엄격한 불확실성 추정을 결합함으로써, 이 연구는 자동 백반증 평가를 위한 실용적이고 신뢰할 수 있는 도구를 제공한다—이는 의료 영상 전반에 걸친 유사 솔루션에 영감을 줄 수 있다.

Authors

• Wentao Jiang
• Vamsi Varra
• Caitlin Perez‑Stable
• Harrison Zhu
• Meredith Apicella
• Nicole Nyamongo

Paper Information

• arXiv ID: 2512.11791v1
• Categories: cs.CV
• Published: December 12, 2025
• PDF: Download PDF