SKID: MRI 데이터에서 무릎 손상 진단을 위한 자기학습 방법

의료 영상 분석 분야에서 고품질 데이터를 확보하고 전문가가 이를 주석화하는 데 드는 비용은 많은 의료 응용 분야에서 중요한 장벽이 된다. 대부분의 기존 기법은 감독 학습 프레임워크에 기반하며, 만족스러운 성능을 달성하기 위해 대량의 주석화된 데이터를 필요로 한다. 본 연구에서는 이러한 문제를 해결하기 위해 자기주도 학습(self-supervised learning, SSL) 기반의 접근법을 제안한다. 이 방법은 무릎 질환 진단을 위해 자기공명영상(MR) 영상 클립의 프레임들로부터 공간적 해부학적 표현을 학습하는 데 초점을 맞춘다. 사전 학습(pretext) 모델은 의미 있는 공간적 맥락 불변 표현(context-invariant representations)을 학습한다. 본 연구의 하류 작업(downstream task)은 클래스 불균형이 심한 다중 레이블 분류 문제이다. 다양한 실험을 통해 사전 학습 모델이 학습한 특징들이 하류 작업에서 경쟁력 있는 성능을 보임을 확인할 수 있다. 특히, 데이터셋의 불균형에 대한 특별한 전략 없이도 소수 클래스(minority classes)의 표현을 효과적이고 신뢰성 있게 학습할 수 있음이 실험 결과를 통해 입증되었다. 현재까지 알려진 바에 따르면, 본 연구는 MR 영상에서 클래스 불균형이 있는 다중 레이블 분류 작업에 자기주도 학습 알고리즘의 효과성과 신뢰성을 보여주는 최초의 사례이다. 제안된 방법의 평가를 위한 코드는 https://github.com/sadimanna/skid 에 공개되어 있다.