⚡ electrical engineering

Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift

이 논문은 FDG PET/CT 에서 학습된 검출기를 라벨이 없는 PSMA PET/CT 에 적용할 때 발생하는 병변 크기와 수의 분포 변화 (라벨 시프트) 를 명시적으로 모델링하여, 적응형 앵커 조정과 크기별 할당량 할당 메커니즘을 도입한 자기 학습 기반의 비지도 도메인 적응 프레임워크를 제안하고 그 유효성을 입증합니다.

원저자: Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang

게시일 2026-03-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🏥 배경: "비슷해 보이지만 완전히 다른 두 가지 검사"

의료진들은 암을 찾기 위해 PET/CT라는 장비를 사용합니다. 그런데 이 장비는 암세포가 어떤 '음식'을 좋아하는지에 따라 두 가지 다른 검사법을 씁니다.

FDG 검사 (기존): 암세포가 '포도당 (설탕)'을 좋아한다는 원리입니다. 마치 달콤한 사탕을 좋아하는 아이를 찾는 것과 같습니다.
PSMA 검사 (새로운): 전립선 암세포가 특정 단백질 (PSMA) 을 좋아한다는 원리입니다. 이는 매운 고추를 좋아하는 아이를 찾는 것과 같습니다.

문제 상황:
연구자들은 수천 명의 환자 데이터를 가진 FDG(달콤한 사탕) 검사 데이터로 AI 를 훈련시켰습니다. 그런데 이제 PSMA(매운 고추) 검사 데이터를 분석해야 할 때, AI 가 당황합니다.

이유 1 (이미지 차이): 사탕을 좋아하는 아이와 고추를 좋아하는 아이는 생김새가 다릅니다. (이미지 특징의 차이)
이유 2 (개수와 크기의 차이 - 핵심): FDG 검사에서는 큰 덩어리 (큰 암) 가 조금 있고, PSMA 검사에서는 아주 작은 덩어리 (작은 암) 가 아주 많습니다. 마치 큰 바위 몇 개를 찾던 사람이 갑자기 모래알 수백 개를 찾아야 하는 상황과 비슷합니다.

기존 AI 는 "큰 바위만 찾아야 해"라고 배웠기 때문에, PSMA 검사에서는 작은 모래알 (작은 암) 을 놓치거나, 큰 바위처럼 착각하는 실수를 범합니다.

💡 해결책: "스스로 배우는 AI 의 새로운 훈련법"

저자들은 이 문제를 해결하기 위해 **'자기 주도 학습 (Self-training)'**이라는 방법을 썼습니다. 마치 **유능한 선배 (FDG 훈련된 AI)**가 **새로운 지역 (PSMA 데이터)**에 파견되어 스스로 적응하는 과정입니다.

하지만 단순히 "새로운 데이터를 보고 배우라"고 하면, 선배는 여전히 "큰 바위만 찾아야지"라는 고정관념을 버리지 못합니다. 그래서 저자들은 두 가지 특별한 규칙을 만들었습니다.

1. "찾을 물건 크기를 스스로 조절하라" (Anchor Adaptation)

비유: 선배가 처음에는 '축구공' 크기의 상자를 들고 다닙니다. 하지만 새로운 지역에는 '알루미늄 캔' 크기의 물건이 많습니다.
해결: AI 는 처음에 찾은 '알루미늄 캔'들을 모아보며, "아, 여기서는 축구공보다 캔 크기의 상자가 더 적합하구나!"라고 깨닫습니다. 그리고 상자 (Anchor) 의 크기를 스스로 조절하여 작은 암도 놓치지 않게 됩니다.

2. "찾을 개수와 크기의 비율을 미리 정해두라" (Label Shift Mitigation)

비유: 선배가 "오늘은 큰 바위 5 개만 찾아라"라고 정해져 있다면, 작은 모래알은 절대 찾을 수 없습니다. 하지만 새로운 지역에는 작은 모래알이 100 개나 있습니다.
해결: AI 는 새로운 지역을 스캔하며 "아, 여기서는 작은 물건이 100 개, 큰 물건은 10 개 정도 있구나"라고 실제 분포를 추정합니다. 그리고 "작은 물건 100 개, 큰 물건 10 개"라는 **할당량 (Quota)**을 정해놓고, 그 비율에 맞춰 데이터를 선택합니다.
효과: 이렇게 하면 AI 는 "큰 것만 찾아야 해"라는 편견을 버리고, 실제 PSMA 검사에서 흔한 '작은 암'들도 꼼꼼하게 찾아낼 수 있게 됩니다.

🏆 결과: "기존 방식보다 훨씬 똑똑해졌다"

이 새로운 방법을 적용한 AI 는 AutoPET 2024라는 국제 대회에서 기존 방식보다 훨씬 뛰어난 성과를 냈습니다.

기존 방식: 큰 암은 잘 찾지만, 작은 암은 많이 놓침.
새로운 방식: 작은 암도 잘 찾아내고, 암의 위치도 더 정확하게 표시함.

마치 달콤한 사탕을 찾던 탐정이, 매운 고추를 찾는 탐정으로 변신할 때, "고추는 작고 많을 수 있어"라는 사실을 미리 알고 준비했기 때문에 성공한 것과 같습니다.

📝 한 줄 요약

이 논문은 **"서로 다른 검사 장비 (FDG vs PSMA) 에서 암을 찾을 때, AI 가 단순히 이미지만 바꾸는 게 아니라, '암의 크기와 개수 분포'까지 스스로 학습해서 적응하게 만든 혁신적인 방법"**을 제시했습니다.

이 기술은 암 진단을 위한 AI 가 새로운 검사 장비에 적용될 때, 다시 처음부터 데이터를 모으고 훈련할 필요 없이 빠르고 정확하게 적응할 수 있게 해줍니다.

논문 요약: FDG 에서 PSMA PET/CT 로의 라벨 시프트 하에서의 3D 병변 검출을 위한 비지도 도메인 적응

1. 문제 정의 (Problem)

배경: PET/CT 영상은 암 진단 및 치료 계획에 필수적이며, 딥러닝을 활용한 3D 병변 검출 연구가 진행되고 있습니다. 그러나 새로운 추적자 (tracer) 에 대한 데이터 라벨링은 비용이 많이 들고, 한 추적자 (예: FDG) 로 훈련된 모델은 다른 추적자 (예: PSMA) 에서는 도메인 시프트 (Domain Shift) 로 인해 성능이 저하됩니다.
핵심 문제: 기존 비지도 도메인 적응 (UDA) 방법은 주로 입력 이미지의 외관 변화 (Covariate Shift) 에만 초점을 맞추고, 라벨 분포가 도메인 간에 동일하다고 가정합니다.
FDG vs PSMA 의 차이:
- 외관 차이: FDG 는 포도당 섭취가 많은 종양을, PSMA 는 전립선암 전이를 검출하며, 생리학적 섭취 패턴 (뇌, 심장 vs 타액선, 신장) 이 다릅니다.
- 라벨 시프트 (Label Shift): 두 추적자 간에 병변의 크기 분포와 환자당 병변 수가 현저히 다릅니다. (PSMA 는 작은 병변이 많고, FDG 는 매우 큰 병변이 상대적으로 많습니다.)
- 기존 UDA 방법들은 이러한 라벨 분포의 차이를 고려하지 않아, 소규모 병변을 놓치거나 잘못된 검출을 하는 문제가 발생합니다.

2. 제안된 방법론 (Methodology)

저자들은 FDG (소스 도메인, 라벨 있음) 에서 PSMA (타겟 도메인, 라벨 없음) 로 3D 병변 검출기를 적응시키기 위해 라벨 시프트를 명시적으로 모델링하고 보상하는 새로운 자기 학습 (Self-training) 프레임워크를 제안했습니다.

기본 아키텍처: 멀티모달 3D RetinaNet (M3DRetinaNet) 을 검출 백본으로 사용하며, PET 와 CT 채널을 결합합니다.
핵심 기법 1: 에포크별 앵커 크기 적응 (Epoch-wise Anchor Size Adaptation)
- 소스 도메인 (FDG) 에 최적화된 앵커 박스 크기는 타겟 (PSMA) 의 작은 병변을 검출하기에는 부적합할 수 있습니다.
- 해결책: 선택된 의사 레이블 (pseudo-labels) 을 기반으로 타겟 도메인의 병변 크기를 재추정하고, 지수 이동 평균 (EMA) 을 사용하여 앵커 박스 크기를 점진적으로 업데이트합니다. 이를 통해 작은 PSMA 병변에 대한 양의 앵커 (positive anchor) 커버리지를 증가시킵니다.
핵심 기법 2: 사전 지식 기반 의사 레이블 선택 (Prior-guided Pseudo-label Selection)
- 기존 고정 임계값 방식은 큰 병변 위주로 선택되어 소스 도메인의 편향을 유지합니다.
- 해결책:
  1. 환자당 병변 수 (Prevalence): 타겟 도메인의 평균 병변 수 ( $\mu$ ) 를 EMA 로 추정하여 각 환자당 선택 가능한 병변 수 (Budget) 를 동적으로 할당합니다.
  2. 크기별 할당 (Size Bin-wise Quotas): 병변 부피를 구간 (Bins) 으로 나누고, 타겟 도메인의 크기 분포 히스토그램 ( $h$ ) 을 추정합니다. 이 분포에 따라 각 크기 구간별로 할당된 병변 수 (Quota) 를 정하고, 해당 구간 내에서 신뢰도가 높은 상위 병변만 선택합니다.
- 이를 통해 FDG 의 편향을 따르지 않고, PSMA 의 실제 병변 분포 (작은 병변이 많음) 를 반영한 의사 레이블을 생성합니다.
교대 최적화 (Alternating Optimization):
- 라벨이 있는 소스 데이터와 의사 레이블이 있는 타겟 데이터를 번갈아 가며 훈련합니다. 각 라운드마다 타겟 추론, 사전 지식 (앵커, 분포) 업데이트, 그리고 감독 학습을 수행합니다.
- 적대적 학습 (Adversarial Learning) 이나 명시적인 특징 정렬을 사용하지 않아 3D 데이터 처리에 효율적이고 안정적입니다.

3. 주요 기여 (Key Contributions)

최초 시도: 3D 체적 병변 검출을 위한 최초의 비지도 도메인 적응 (UDA) 시도입니다.
라벨 시프트 해결: 기존의 공변량 시프트 (Covariate Shift) 해결뿐만 아니라, UDA 검출 분야에서 처음으로 **라벨 시프트 (병변 수 및 크기 분포 변화)**를 명시적으로 모델링하고 보상하는 자기 학습 방식을 설계했습니다.
적응형 파라미터 추정: 타겟 도메인의 크기 분포와 병변 유병률을 실시간으로 추정하여 의사 레이블 선택 기준과 앵커 크기를 동적으로 조정하는 메커니즘을 제안했습니다.

4. 실험 결과 (Results)

데이터셋: AutoPET 2024 챌린지 데이터를 사용했습니다.
- 소스: 501 개 FDG PET/CT (라벨 있음)
- 타겟: 369 개 18F-PSMA PET/CT (라벨 없음, 258 개 훈련, 37 개 검증, 74 개 테스트)
성능 지표: 평균 정밀도 (AP) 와 자유 응답 수신자 작동 특성 (FROC) 곡선.
주요 결과 (Table 1 참조):
- Source-only (적응 없음): AP@0.1 기준 0.225 로 매우 낮은 성능.
- 기존 자기 학습 (라벨 시프트 미반영): 성능이 향상되지만 (0.613), 여전히 큰 병변 위주로 편향됨.
- 제안 방법 (라벨 시프트 + 앵커 적응): AP@0.1 기준 0.613, AP@0.5 기준 0.417로 가장 높은 성능을 기록했습니다.
- 상한선 (Upper Bound): 라벨이 있는 PSMA 데이터로 파인튜닝한 모델 (0.729) 에 근접하는 성능을 달성했습니다.
FROC 분석: 제안된 방법은 임의의 위양성 (False Positive) 수에 대해 기존 방법보다 훨씬 높은 민감도 (Sensitivity) 를 보여주었습니다. 특히 작은 병변 검출 능력이 크게 개선되었습니다.

5. 의의 및 결론 (Significance)

효율성: 3D 데이터의 특성상 적대적 학습을 위한 다중 판별자 훈련은 계산 비용이 크고 불안정할 수 있으나, 제안된 자기 학습 방식은 가볍고 효율적입니다.
실용성: 대규모 라벨링된 FDG 데이터를 활용하여 라벨이 부족한 새로운 추적자 (PSMA 등) 에 대한 검출 모델을 구축할 수 있는 강력한 프레임워크를 제공합니다.
핵심 통찰: 도메인 적응 시 입력 이미지의 외관 변화뿐만 아니라, 병변의 크기 분포와 빈도 변화 (Label Shift) 를 명시적으로 고려하는 것이 교차 추적자 (Cross-tracer) 검출의 성능을 결정하는 핵심 요소임을 입증했습니다.

이 연구는 의료 영상 분야에서 도메인 적응 기술의 한계를 극복하고, 다양한 PET 추적자 간에 강건한 3D 병변 검출 시스템을 구축하는 데 중요한 이정표가 됩니다.