CauSSL: 의료 영상 분할을 위한 인과관계 기반 반감독 학습

최근 반감독 학습(Semi-supervised learning, SSL)은 의료 영상 분할 분야에서 큰 성공을 거두었으며, 제한된 레이블 데이터로도 데이터 효율성을 크게 향상시켰다. 그러나 이러한 실증적 성과에도 불구하고, 기존 문헌에서는 반감독 분할 기법의 이론적 기반과 메커니즘에 대해 여전히 의문이 제기되고 있다. 본 연구는 이 문제를 탐구하기 위해, 주류 반감독 분할 기법에 대한 이론적 기반을 제공하는 새로운 인과 다이어그램을 제안한다. 제안된 인과 다이어그램은 기존 연구에서 간과되었던 두 개의 추가 중간 변수를 고려한다. 이 인과 다이어그램을 바탕으로, 공동 학습(co-training) 프레임워크 위에 구축된 인과적 사고를 반영한 새로운 SSL 접근법인 CauSSL을 제안한다. 구체적으로, 본 연구는 반감독 학습에서 두 개의 네트워크 또는 브랜치 간의 알고리즘 독립성(algorithmic independence)의 중요성을 지적한다. 이는 기존 문헌에서 자주 간과되는 핵심 요소이다. 이후 우리는 계산 불가능한 알고리즘 독립성을 새로운 통계적 측도로 정량화하고, 이를 최소-최대 최적화(min-max optimization) 프로세스를 통해 더욱 강화한다. 제안된 방법은 기존 다양한 반감독 학습 기법에 유연하게 통합 가능하며, 성능 향상을 이끌 수 있다. 본 방법은 2차원 및 3차원 네트워크 아키텍처를 사용하여 세 가지 도전적인 의료 영상 분할 과제에서 평가되었으며, 최첨단 기법들에 비해 일관된 성능 향상을 보였다. 본 연구의 코드는 공개되어 있으며, 다음 링크에서 확인할 수 있다: https://github.com/JuzhengMiao/CauSSL.