노이즈 라벨 수정을 위한 순차적 사전: 강건한 비디오 세그멘테이션을 위한 다중 스케일 시간 특성 친화도 학습

의료 이미지 분할에서 노이즈 라벨 문제는 불가피하게 존재하며, 이로 인해 성능 저하가 심각하게 발생합니다. 기존의 노이즈 라벨 문제를 위한 분할 방법들은 단일 이미지만을 활용하였으며, 이미지 간의 상관관계를 활용하는 잠재력은 간과되었습니다. 특히 비디오 분할의 경우, 인접한 프레임들이 노이즈 라벨 인식에 유용한 풍부한 문맥 정보를 포함하고 있습니다. 이러한 두 가지 통찰력을 바탕으로, 우리는 노이즈 라벨이 있는 의료 비디오 분할 문제를 해결하기 위해 다중 스케일 시계열 특성 친화도 학습(Multi-Scale Temporal Feature Affinity Learning, MS-TFAL) 프레임워크를 제안합니다.첫째, 우리는 비디오의 순차적 사전 지식이 효과적인 참조점이라고 주장합니다. 즉, 같은 클래스에 속하는 인접 프레임들의 픽셀 수준 특성은 거리가 가깝고, 그렇지 않은 경우에는 거리가 멉니다. 따라서 시계열 특성 친화도 학습(Temporal Feature Affinity Learning, TFAL)을 설계하여 두 개의 인접 프레임 사이의 픽셀 친화도를 평가하여 가능한 노이즈 라벨을 나타내도록 하였습니다. 또한 우리는 노이즈 분포가 비디오 수준, 이미지 수준, 픽셀 수준에서 상당히 다양하다는 점을 관찰하였습니다. 이를 통해 세 가지 다른 관점에서 네트워크를 감독하기 위해 다중 스케일 감독(Multi-Scale Supervision, MSS)을 도입하였습니다. 이 설계는 네트워크가 대략적에서 정밀한 방식으로 깨끗한 샘플에 집중할 수 있도록 합니다.합성 및 실제 세계 노이즈 라벨을 사용한 실험 결과, 우리의 방법론은 최근 최신 강건한 분할 접근법들보다 우수한 성능을 보였습니다. 코드는 https://github.com/BeileiCui/MS-TFAL 에서 확인 가능합니다.