초록
불균형하고 제한된 데이터로 인해, 반감독 학습 기반의 의료 영상 분할 방법은 특정 클래스에 대해 우수한 성능을 내기 어렵다. 이러한 특정 클래스에 대한 학습 부족은 생성된 의사 레이블에 더 많은 노이즈를 유발할 수 있으며, 이는 전체 학습 과정에 부정적인 영향을 미친다. 이러한 단점을 완화하고 성능이 낮은 클래스를 식별하기 위해, 학습 과정 중 클래스별 성능을 기록하는 신뢰도 배열을 유지하는 방안을 제안한다. 기존의 고정된 가중치를 모든 테스트 케이스에 적용하는 전통적인 앙상블 방식과는 달리, 각 샘플에 대해 개별 신뢰도 지표를 적응적으로 우선순위 부여하기 위해 이러한 신뢰도 점수들을 퍼지(fuzzy) 방식으로 융합하는 방법을 제안한다. 더불어, 더 나은 학습 전략을 위해 강건한 클래스별 샘플링 방법과 동적 안정화 기법을 도입한다. 제안하는 방법은 동적 가중치를 적용하여 모든 성능이 낮은 클래스를 고려하며, 학습 과정 중 대부분의 노이즈를 제거하려는 시도를 한다. 두 개의 심장 MRI 데이터셋인 ACDC와 MMWHS에서의 평가 결과, 제안하는 방법은 효과성과 일반화 능력을 입증하였으며, 문헌에서 보고된 여러 최신 기법들을 초월하는 성능을 보였다.