반대형 다양성 교육을 통한 반감독 학습 의료 영상 분할

반감독 학습 기반의 의료 영상 분할 연구들은 제한된 레이블 데이터로 모델을 훈련시키는 데 있어 희망적인 결과를 보여주고 있다. 그러나 현재 주류를 이끄는 교사-학생 기반 접근 방식은 확인 편향(confirmation bias) 문제에 취약할 수 있다. 이 도전 과제를 해결하기 위해, 본 연구에서는 교사-학생 프레임워크 내에서 다각적 교육을 실현하는 AD-MT(Alternate Diverse Teaching)를 제안한다. AD-MT는 단일 학생 모델과 두 개의 훈련 불가능한 교사 모델로 구성되며, 이 교사 모델들은 주기적으로 및 무작위적으로 교대 방식으로 모멘텀 업데이트된다. 다양한 교육 신호로부터 발생할 수 있는 확인 편향을 완화하기 위해, AD-MT의 핵심은 두 가지 제안된 모듈—무작위 주기적 교대(RPA, Random Periodic Alternate) 업데이트 모듈과 갈등 대응 모듈(CCM, Conflict-Combating Module)—에 있다. RPA 모듈은 보완적인 데이터 배치, 서로 다른 데이터 증강 기법, 무작위로 설정된 교대 주기를 통해 다양한 교육 관점에서의 다각적 사고를 유도하는 교대 업데이트 프로세스를 스케줄링한다. CCM 모듈은 엔트로피 기반의 앙상블 전략을 활용하여, 교사들 간의 일관된 예측과 모순된 예측 모두로부터 학습할 수 있도록 유도한다. 실험 결과를 통해 AD-MT가 다양한 반감독 설정에서 2D 및 3D 의료 영상 분할 벤치마크에서 우수한 성능과 효과성을 입증하였다.