초록
완전히 주석이 달린 대규모 훈련 데이터 세트를 준비하는 것은 특히 의료 영상 분할과 같은 작업에서 비용이 매우 많이 들 수 있다. 스크라이블(스크래치)은 더 약한 형태의 주석으로, 실질적으로 더 쉽게 확보할 수 있지만, 제한된 스크라이블 정보만으로 분할 모델을 훈련시키는 것은 여전히 도전 과제이다. 이러한 문제를 해결하기 위해, 본 연구에서는 믹스 증강과 사이클 일관성(cycle consistency)을 결합한 새로운 프레임워크인 CycleMix를 제안한다. 스크라이블 주석의 증강을 위해 CycleMix는 무작위 가림(occlusion)을 전용으로 설계한 믹스업(mixup) 전략을 도입하여 스크라이블의 증감을 수행한다. 또한 주석의 정규화를 위해 CycleMix는 일관성 손실(consistency loss)을 강화하여 불일치한 분할 결과에 대해 페널티를 부여함으로써 훈련 목표를 강화한다. 이로 인해 분할 성능이 크게 향상된다. 공개된 두 가지 데이터셋(ACDC 및 MSCMRseg)에서의 실험 결과, 제안한 방법이 완전한 감독 학습 기법과 비교해도 유사하거나 더 뛰어난 정확도를 보였으며, 놀라운 성능을 입증하였다. MSCMRseg에 대한 전문가가 제작한 스크라이블 주석과 코드는 모두 공개되어 있으며, https://github.com/BWGZK/CycleMix 에서 확인할 수 있다.