
반감독 학습 기반 의료 영상 분할(Semi-supervised medical image segmentation, SSMIS)은 제한된 의료 라벨 데이터 문제를 완화할 수 있는 잠재력을 보여주었다. 그러나 기존의 교사-학생 기반 SSMIS 방법은 잘못된 가짜 레이블(伪标签)로 인해 확인 편향(confirmation bias)과 인지 편향(cognitive bias)의 영향을 받을 수 있다. 이러한 문제를 해결하기 위해, 본 연구는 기존의 면제 교사(Mean Teacher) 방법을 개선하여 두 개의 학생 모델과 하나의 학습 불가능한 교사 모델을 포함하는 '학생 간 불일치 정보 기반 자기보정 학습(Students Discrepancy-Informed Correction Learning, SDCL)' 프레임워크를 제안한다. SDCL은 두 학생 모델 간의 분할 결과 차이를 활용하여 자기보정 학습을 유도한다. SDCL의 핵심은 분할 불일치가 발생하는 영역을 잠재적인 편향 영역으로 식별하고, 해당 영역에서 모델이 정확한 인식을 재검토하고 자신의 편향을 수정하도록 유도하는 데 있다. 지속적인 검토와 수정을 통해 편향 보정 학습을 효과적으로 촉진하기 위해, 두 가지 보정 손실 함수를 도입하여 올바른 분할 복셀 간 거리의 최소화와 오류 분할 복셀의 엔트로피 최대화를 동시에 달성한다. 본 연구는 3개의 공개 의료 영상 데이터셋(3D 데이터셋 2개: CT 및 MRI, 2D 데이터셋 1개: MRI)을 대상으로 실험을 수행하였으며, 결과적으로 SDCL은 Pancreas, LA, ACDC 데이터셋에서 각각 2.57%, 3.04%, 2.34%의 Dice 점수 향상을 기록하며 현재 최고 수준(State-of-the-Art, SOTA)의 방법들을 상회하였다. 또한, ACDC 데이터셋에서는 본 방법의 정확도가 완전 감독 학습 방법과 매우 유사한 수준에 도달하였으며, Pancreas 및 LA 데이터셋에서는 오히려 완전 감독 학습 방법을 초과하는 성능을 보였다. (코드는 \url{https://github.com/pascalcpp/SDCL}에서 공개됨)