의료 영상에서 비지도 이상 탐지 및 국소화를 위한 제약 조건이 붙은 대조 분포 학습

비지도 이상 탐지(UAD)는 정상(즉, 건강한) 이미지만을 사용하여 일종의 분류기를 학습함으로써 예상되는 정상 패턴에 부합하지 않는 비정상(즉, 건강하지 않은) 샘플을 탐지한다. UAD는 완전히 지도 학습 기반 접근법에 비해 두 가지 주요 장점을 지닌다. 첫째, 대부분이 정상 이미지 샘플로 구성된 건강 검진 프로그램에서 확보 가능한 대규모 데이터셋을 직접 활용할 수 있어, 비정상 샘플에 대한 비용이 큰 수동 라벨링 과정을 피할 수 있으며, 극도로 불균형한 클래스 분포를 가진 데이터로 학습할 때 발생하는 문제도 회피할 수 있다. 둘째, UAD 기법은 정상 패턴에서 벗어나는 모든 유형의 병변을 탐지하고 국소화할 수 있는 잠재력을 지닌다. 그러나 UAD 방법이 직면하는 주요 과제는, 일반적으로 소규모 병변으로 구성된 미세한 이상을 탐지하고 국소화하기 위해 효과적인 저차원 이미지 표현을 어떻게 학습할 것인지에 있다. 이 과제를 해결하기 위해 우리는 새로운 자기지도 표현 학습 방법인 '비정상 탐지를 위한 제약 대비 분포 학습(Constrained Contrastive Distribution learning, CCD)'을 제안한다. CCD는 사전 제약 조건을 갖춘 대비 학습을 통해 증강된 데이터의 분포와 이미지 맥락을 동시에 예측함으로써 세밀한 특징 표현을 학습한다. 학습된 표현은 더 이상 감지에 민감한 탐지 모델을 훈련하는 데 활용될 수 있다. 광범위한 실험 결과는 제안한 방법이 세 가지 서로 다른 대장내시경 및 안저 검진 데이터셋에서 현재 최고 수준의 UAD 접근법들을 모두 초월함을 보여준다. 코드는 https://github.com/tianyu0207/CCD에서 공개되어 있다.