Segmenting Low-Contrast XCTs of Concretes: An Unsupervised Approach

이 논문은 콘크리트 XCT 이미지의 낮은 대비로 인한 레이블 데이터 부족 문제를 해결하기 위해, 슈퍼픽셀 알고리즘과 CNN 의 수용 영역을 결합한 자기 주석 기반 비지도 학습 방법을 제안하고 그 성능을 검증합니다.

핵심

이 논문은 콘크리트의 내부 구조를 X-ray 로 찍은 사진 (CT 스캔) 에서, 시멘트와 자갈을 자동으로 구분해내는 새로운 방법을 소개합니다.

기존의 방법들은 사진 속의 '시멘트'와 '자갈'을 구분하기 위해 사람이 일일이 손으로 표시 (레이블링) 해주는 데이터가 필요했습니다. 하지만 콘크리트는 자갈과 시멘트의 재질 특성이 너무 비슷해서 X-ray 사진에서도 구분이 어렵고, 사람이 일일이 표시하는 것은 시간과 비용이 너무 많이 듭니다.

이 연구팀은 **"사람이 가르쳐 주지 않아도 스스로 학습하는 AI"**를 개발했습니다. 마치 유치원 선생님이 없이도 아이들이 스스로 친구와 낯선 사람을 구분하는 법을 터득하는 과정과 비슷합니다.

이제 이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제 상황: 회색빛의 혼란스러운 파티

콘크리트는 **시멘트 (반죽)**와 **자갈 (돌)**이 섞여 있습니다. X-ray 카메라로 찍으면 이 두 가지는 색깔이 거의 똑같은 회색으로 나옵니다. 마치 흰 셔츠를 입은 사람과 회색 셔츠를 입은 사람이 어두운 방에서 섞여 있는 것과 같습니다.

• 기존 방식: 사람이 직접 "저건 자갈이야, 저건 시멘트야"라고 손가락으로 가리키며 AI 에게 가르쳐야 했습니다. (지도 학습)
• 문제점: 콘크리트는 자갈과 시멘트의 밀도가 비슷해서 X-ray 사진에서도 구별이 안 됩니다. 게다가 새로운 사진이 나올 때마다 사람이 일일이 표시해주기는 너무 귀찮고 비쌉니다.

2. 해결책: "스스로 그룹 짓기" (자기 주석법)

연구팀은 AI 에게 "정답"을 알려주지 않고, **"이 사진 속의 비슷한 부분끼리 무리 (그룹) 를 지어봐"**라고 시켰습니다.

• 비유: 초록색 점들 (슈퍼픽셀)
  AI 는 먼저 사진 속의 픽셀 (화소) 들을 보고, "이쪽은 밝은 편이고, 저쪽은 어두운 편이네"라고 감을 잡습니다. 그리고 비슷한 느낌의 픽셀들을 묶어서 '슈퍼픽셀'이라는 작은 그룹을 만듭니다.

  • 예: "이 넓은 회색 덩어리는 자갈일 것 같아", "이 작은 회색 부분은 시멘트일 것 같아"라고 스스로 추측합니다.

• 학습 과정:

  1. AI 가 먼저 "이 그룹은 자갈, 저 그룹은 시멘트"라고 임시 추측을 합니다.
  2. 그다음, AI 는 자신의 추측을 바탕으로 다시 학습합니다. "아, 내가 자갈이라고 생각한 부분이 시멘트와 섞여 있네? 다시 생각해보자."
  3. 이 과정을 반복하며 AI 는 **"전체적인 맥락 (전체 사진의 분위기)"**과 **"국소적인 맥락 (작은 부분의 느낌)"**을 연결하는 법을 스스로 터득합니다.
  4. 결국에는 사람이 가르쳐주지 않아도 "아, 이 부분은 자갈이고 저 부분은 시멘트구나"라고 정확히 구분하게 됩니다.

3. 실험 결과: 완벽하지는 않지만 큰 진전

연구팀은 이 방법을 세 가지 방식으로 시험해 보았습니다.

1. 완전 무작위 학습 (3 가지 분류): 자갈, 시멘트, 공기 (구멍) 로 나누려고 했지만, AI 가 공기 (구멍) 를 자갈과 헷갈려서 실패했습니다. (색깔이 너무 비슷해서요.)
2. 조금 더 넓게 학습 (4 가지 분류): 분류할 대상을 4 개로 늘려보았지만, 여전히 공기와 자갈을 구분하는 데 애를 먹었습니다.
3. 반자동 학습 (3 가지 분류, 성공): 여기서 연구팀은 한 가지 아이디어를 추가했습니다. "공기 (구멍) 는 X-ray 에서 확실히 검은색이니까, 이 부분만은 사람이 미리 '공기'라고 표시해줄게. 나머지 자갈과 시멘트는 네가 스스로 구분해봐!"라고 했습니다.
   • 결과: 이 방법이 가장 잘 작동했습니다. AI 는 공기를 제외하고 자갈과 시멘트를 스스로 구분하는 데 성공했습니다.

4. 한계점: 아직 완벽하지는 않음

물론 이 방법도 완벽하지는 않습니다.

• 테두리 문제: 원통형 콘크리트 샘플의 가장자리에 있는 자갈들은 AI 가 잘 못 찾았습니다. (사진이 흐릿해지거나 빛이 반사되는 부분이라서요.)
• 작은 자갈들: 아주 작은 자갈들이 모여 있는 곳은 AI 가 "아, 이건 시멘트야"라고 생각하다가 "아니, 자갈들이 모여있네?"라고 헷갈려서 잘못 분류하기도 합니다.

5. 결론: 왜 이 연구가 중요한가?

이 연구는 **"사람이 일일이 가르쳐주지 않아도, AI 가 스스로 콘크리트의 내부 구조를 파악할 수 있다"**는 것을 증명했습니다.

• 의미: 앞으로 새로운 콘크리트 재료를 개발할 때, X-ray 사진을 찍고 AI 에게 바로 분석을 맡길 수 있게 됩니다. 더 이상 사람이 밤새도록 사진을 보고 "이건 자갈, 저건 시멘트"라고 표시할 필요가 없습니다.
• 미래: 이 기술은 **디지털 트윈 (가상 모델)**을 만들거나, 콘크리트의 결함을 찾아내는 데 큰 도움을 줄 것입니다.

한 줄 요약:

"사람이 가르쳐주지 않아도, AI 가 스스로 콘크리트 속의 '자갈'과 '시멘트'를 구분하는 법을 터득하게 했으니, 이제 더 빠르고 정확하게 콘크리트의 내부를 분석할 수 있게 되었습니다!"

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: X 선 컴퓨터 단층 촬영 (XCT) 은 콘크리트와 같은 다상 재료의 내부 구조를 비접촉, 비파괴 방식으로 분석하는 데 필수적입니다. 특히 건조 수축, 균열, 강도 등 다양한 하중 조건에서의 거동을 이해하기 위해 골재 (aggregate), 모르타르 (mortar), 기공 (voids) 의 3 상 (phase) 을 정확히 분할 (segmentation) 하는 것이 중요합니다.
• 핵심 문제: 콘크리트의 골재와 모르타르는 X 선 감쇠 계수 (attenuation coefficient) 가 매우 유사하여, XCT 이미지에서 두 상 사이의 대비 (contrast) 가 낮습니다. 이로 인해 기존 임계값 (thresholding) 기반의 분할 방법이나 K-평균 클러스터링 등 전통적인 알고리즘으로는 두 상을 명확히 구분하기 어렵습니다.
• 데이터 부족: 딥러닝 기반의 시맨틱 분할 (Semantic Segmentation) 모델 (예: CNN) 은 이러한 복잡한 문제를 해결할 수 있지만, 학습을 위해 대량의 레이블이 지정된 (annotated) 데이터가 필요합니다. 그러나 콘크리트 XCT 데이터에 대한 수동 레이블링은 비용이 많이 들고 시간이 소요되므로, 새로운 데이터셋에 적용하기 어렵습니다.
• 연구 목표: 레이블이 없는 (unlabeled) 저대비 콘크리트 XCT 이미지를 대상으로, 지도 학습 없이 (Unsupervised) CNN 모델을 훈련시켜 골재와 모르타르를 자동으로 분할하는 방법론을 개발하는 것입니다.

2. 제안된 방법론 (Methodology)

이 논문은 자기 주석 (Self-annotation) 기반의 비지도 학습 프레임워크를 제안하며, 다음과 같은 핵심 단계로 구성됩니다.

A. 데이터 전처리 (Preprocessing)

• XCT 스캔 데이터 (16-bit 3D 이미지) 에서 빔 경화 (beam hardening), 링 아티팩트 (ring artifacts), 헤일로 효과 (halo-effect) 등을 제거하기 위한 노이즈 제거 및 보정 과정을 수행합니다.
• 슬라이스 간 및 슬라이스 내 밝기 불균일성을 완화하기 위해 각 슬라이스를 개별적으로 표준화 (Mean=0, Std=1) 합니다.

B. 모델 아키텍처 (Model Architecture)

• U-Net 변형: 기존 비지도 분할 연구에서 사용된 단순한 CNN 대신, 생체의학 영상 분할에 탁월한 성능을 보이는 U-Net 아키텍처를 채택했습니다.
• 수정 사항:
  • 인코더의 다운샘플링에 최대 풀링 (Max-pooling) 대신 평균 풀링 (Average-pooling) 을 사용하여 성능을 개선했습니다.
  • 컨볼루션 블록에 배치 정규화 (Batch Normalization) 와 드롭아웃 (Dropout, p=0.5) 을 추가하여 학습 안정성과 일반화 능력을 높였습니다.
  • 입력은 2D 슬라이스 단위로 처리됩니다.

C. 자기 주석 및 비지도 학습 프로세스 (Self-annotation Pipeline)

레이블이 없는 상태에서 모델을 훈련시키기 위해 다음과 같은 순환 과정을 사용합니다:

1. 초기 예측: 입력 이미지에 대해 U-Net 이 예측값을 출력합니다.
2. 초과픽셀 (Superpixel) 생성: SLIC (Simple Linear Iterative Clustering) 알고리즘을 사용하여 이미지 내의 시각적으로 유사한 영역을 그룹화합니다. 이는 픽셀 간의 공간적 연속성을 보장합니다.
3. 동적 레이블 생성 (Dynamic Labeling):
   • 모델의 예측값을 정규화 (Per-channel normalization) 합니다.
   • 각 초과픽셀 영역 내에서 모델이 예측한 클래스 중 가장 빈번하게 나타나는 클래스를 해당 영역의 '진짜' 레이블로 간주합니다.
   • 이를 통해 픽셀 단위 레이블을 지역적 (local) 으로 일관되게 정제 (Refinement) 하여 동적 이미지 레이블 (Dynamic Image Label) 을 생성합니다.
4. 손실 함수 및 업데이트: 생성된 동적 레이블과 모델 예측 간의 교차 엔트로피 (Cross-entropy) 손실을 계산하여 모델 가중치를 업데이트합니다. 이 과정은 미니배치 단위로 반복됩니다.

D. 실험 설정

• US3 (3-Phase Unsupervised): 3 개의 출력 채널 (골재, 모르타르, 기공) 을 가정하고 학습.
• US4 (4-Phase Unsupervised): 4 개의 출력 채널을 허용하여 모호성을 줄이려는 시도.
• SS3 (3-Phase Semi-supervised): 기공 (Porosity) 은 간단한 임계값으로 미리 레이블링하고, 골재와 모르타르만 비지도 방식으로 학습하는 반지도 학습 방식.

3. 주요 결과 (Results)

• US3 (3-Phase Unsupervised) 의 한계: 모델이 골재와 모르타르는 구분할 수 있었으나, 3 번째 채널 (기공) 을 명확히 할당하지 못했습니다. 대신 골재와 기공의 예측값이 혼재되어 모호한 결과를 보였습니다.
• US4 (4-Phase Unsupervised) 의 결과: 출력 채널을 4 개로 늘렸을 때 골재와 모르타르는 명확히 구분되었으나, 여전히 기공을 단일 채널로 명확히 분리하지는 못했습니다.
• SS3 (Semi-supervised) 의 성공:
  • 기공은 임계값으로 미리 분리하고, 골재와 모르타르만 비지도 학습을 시켰을 때 가장 우수한 성능을 보였습니다.
  • 모델은 3 개의 채널을 각각 골재, 모르타르, 기공에 명확히 매핑할 수 있게 되었습니다.
• 정성적 평가:
  • 제안된 방법은 기존 직접 임계값 분할 (Direct Thresholding) 보다 골재와 모르타르의 경계를 더 잘 구분했습니다.
  • 한계점: 시편의 가장자리 (periphery) 에서의 골재 탐지 실패, 밀집된 작은 골재들이 서로 붙어 하나의 큰 골재로 잘못 분류되는 현상 (Over-segmentation/Under-segmentation) 이 관찰되었습니다.
• 정량적 평가:
  • IoU (Intersection over Union), 정밀도 (Precision), 재현율 (Recall), F1 점수 등을 측정했습니다.
  • SS3 모델의 출력 채널에 임계값을 적용한 후처리 (Post-processing) 가 가장 높은 정확도를 보였습니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

1. 레이블 없는 저대비 분할: 레이블 데이터가 없는 콘크리트 XCT 이미지에서 골재와 모르타르를 분할할 수 있는 최초의 비지도/반지도 딥러닝 프레임워크를 제시했습니다.
2. 자기 주석 기법의 적용: 초과픽셀 (Superpixel) 과 CNN 의 수용 영역 (Receptive Field) 을 결합하여, 픽셀의 국소적 유사성과 전역적 맥락을 동시에 고려한 레이블 생성 메커니즘을 개발했습니다.
3. 실용적 도구:
   • 이 방법은 완전한 지도 학습을 위한 초기 레이블 생성 (Initial labeling) 도구로 활용 가능합니다.
   • 기존 모델을 새로운 콘크리트 데이터셋에 미세 조정 (Fine-tuning) 하는 데 사용될 수 있습니다.
   • 별도의 첨가제 없이 기존 XCT 스캔 데이터만으로도 분할이 가능하므로, 실험 비용과 시간을 절감할 수 있습니다.
4. 기초 모델 (Foundational Models) 에 대한 통찰: Segment Anything (SA) 과 같은 대규모 기초 모델이 특정 과학적 응용 (콘크리트 XCT) 에서는 계산 비용 대비 효율이 낮을 수 있음을 지적하고, 목적에 맞는 경량화된 전용 모델의 중요성을 강조했습니다.

5. 결론

이 연구는 콘크리트 XCT 이미지의 낮은 대비 문제를 해결하기 위해 U-Net 기반의 비지도 자기 주석 학습을 성공적으로 적용했습니다. 완전한 비지도 학습 (US3/US4) 은 기공 분할에 한계가 있었으나, 기공만 사전 처리하고 나머지 상을 학습하는 반지도 접근법 (SS3) 은 골재와 모르타르를 효과적으로 분할하여 높은 정확도를 달성했습니다. 이 방법론은 재료 과학 분야에서 레이블 데이터 부족 문제를 해결하고, 고처리량 (High-throughput) 분석을 가능하게 하는 중요한 도구로 평가됩니다.