Decoupling Wavelet Sub-bands for Single Source Domain Generalization in Fundus Image Segmentation

"망막 안저 이미지 분할을 위한 단일 소스 도메인 일반화를 위한 웨이블릿 서브밴드 분해" 논문에 대한 상세한 기술 요약입니다.

1. 문제 제기

안저 영상에서의 도메인 일반화 (DG):
망막 안저 이미지 분할 (특히 시신경유두와 시신경컵에 대한) 을 위한 딥러닝 모델은 훈련되지 않은 도메인 (다른 병원, 장비, 또는 조명 조건) 의 데이터에 배포될 때 성능 저하를 겪습니다. 이는 조명, 센서 노이즈, 질감 등 획득 조건의 변화로 인해 훈련 (소스) 데이터와 테스트 (타겟) 데이터 간 분포 불일치가 발생하는 도메인 시프트에 기인합니다.

기존 접근법의 한계:

• 도메인 적응 (DA) 및 테스트 시간 적응 (TTA): 훈련 또는 추론 중 타겟 도메인 데이터에 대한 접근이 필요하며, 이는 종종 개인정보 보호 규정과 주석 비용으로 인해 제한됩니다.
• 단일 소스 도메인 일반화 (SDG): 모델이 하나의 소스 데이터셋으로 훈련되고 보이지 않는 타겟에 일반화되어야 하는 가장 현실적인 시나리오입니다. 기존 SDG 방법은 다음과 같은 이유로 종종 실패합니다:
  • 데이터 증강: 합성 변환이 종종 중요한 해부학적 구조를 손상시킵니다.
  • 표현 학습: "스타일" (외관) 과 "콘텐츠" (해부학) 를 분리하는 것은 의료 이미지에서 이들이 본질적으로 결합되어 있기 때문에 어렵습니다.
  • 주파수 방법: 푸리에 기반 방법은 공간 국소성이 부족하여 해부학적 구조의 공간적 조직을 모델링하는 데 적합하지 않습니다.

2. 방법론: WaveSDG 및 WISER

저자들은 ResNet18 인코더를 기반으로 한 U 자형 인코더 - 디코더 백본 위에 구축된 WaveSDG 분할 네트워크를 제안하며, 여기에는 Wavelet-based Invariant Structure Extraction and Refinement (WISER) 라는 새로운 모듈이 통합되어 있습니다.

핵심 개념: 웨이블릿 서브밴드 분해

모든 이미지 특징을 동등하게 취급하는 대신, WISER 모듈은 인코더 특징 맵에 Depthwise Haar Discrete Wavelet Transform (DWT) 을 적용합니다. 이는 특징을 각각 고유한 의미적 역할을 가진 네 개의 서브밴드로 분해합니다:

• LL (Low-Low): 전역 해부학적 구조와 저주파 콘텐츠를 포착합니다.
• LH/HL (Low-High / High-Low): 수평 및 수직 에지 응답 (경계) 을 포착합니다.
• HH (High-High): 센서 노이즈와 아티팩트가 지배적입니다.

WISER 모듈 아키텍처

WISER 모듈은 디코더로 전달되기 전에 스킵 연결을 통해 인코더 특징을 레이어별로 처리합니다. 세 가지 특정 작업을 수행합니다:

1. 해부학 - 스타일 분해 (LL 서브밴드):

   • LL 서브밴드는 동일한 합성곱 레이어와 인스턴스 정규화 (IN) 를 사용하여 스타일 ($f^s$) 과 해부학/콘텐츠 ($f^c$) 표현으로 분해됩니다.
   • 직교 손실 (Orthogonal Loss) 이 $f^s$와 $f^c$ 간의 비상관성을 강제하는 데 적용되어, 해부학 표현이 조명, 색조 등 도메인 특유의 외관과 독립적으로 보장됩니다.
   • 정제된 LL 서브밴드는 정규화된 콘텐츠 표현을 사용하여 재구성됩니다.

2. 선택적 에지 정제 (LH 및 HL 서브밴드):

   • 에지 부스터 (Edge Booster, EB): 낮은 대비나 열악한 이미지 품질로 인한 약한 에지 응답을 적응적으로 증폭시키기 위해 정규화된 에지 에너지를 계산합니다.
   • 에지 선택기 (Edge Selector, ES): 해부학 인식 콘텐츠 특징 ($f^c$) 을 사용하여 공간 게이트를 생성합니다. 이 게이트는 해부학적 구조와 정렬된 에지는 선택적으로 유지하면서 배경 노이즈와 부수적인 에지는 억제합니다.
   • LH 및 HL 서브밴드는 EB 및 ES 의 출력과 곱해져 정제됩니다.

3. 노이즈 억제 (HH 서브밴드):

   • 노이즈가 지배적인 HH 서브밴드는 노이즈 전파를 방지하기 위해 완전히 억제 (0 으로 설정) 됩니다.

4. 재구성:

   • 필터링된 서브밴드는 역 DWT (IDWT) 를 통해 재구성됩니다.
   • 잔차 연결이 필터링된 특징과 원본 특징을 결합하여 훈련 안정성을 보장합니다.

훈련 전략

• 손실 함수: 모델은 분할을 위해 다중 클래스 Dice 손실을 사용하며, 다양한 스케일에서 경계 일관성을 강제하기 위해 Deep Supervision (DS) 으로 증강됩니다.
• 직교성 제약: 모델이 엄격한 분해 전에 먼저 작업별 표현을 학습할 수 있도록 직교 손실을 점진적으로 도입하기 위해 선형 램프 스케줄이 사용됩니다.

3. 주요 기여

1. 새로운 WISER 모듈: 웨이블릿 서브밴드 분해를 사용하여 도메인 특유의 외관에서 해부학적 구조를 분해하는 경량이고 자원 효율적인 모듈.
2. 의미적 서브밴드 처리: 이전의 웨이블릿 방법들이 모든 서브밴드를 동등하게 취급하는 것과 달리, WISER 는 전역 해부학을 위해 LL 을 정제하고, 경계를 위해 LH/HL 을 강화하며, 노이즈를 위해 HH 를 억제하는 등 서브밴드의 의미적 차이를 명시적으로 활용합니다.
3. 에지 부스터 및 선택기: 약한 에지를 적응적으로 증폭하고 비해부학적 노이즈를 필터링하는 이중 메커니즘으로, 큰 도메인 시프트 하에서도 정확한 관심 영역 (ROI) 윤곽을 보장합니다.
4. WaveSDG 아키텍처: 표준 U-Net 에서 일반적인 실패 지점인 스킵 연결을 통해 도메인 특유의 외관 단서의 전파를 방지하는 완전한 SDG 프레임워크.

4. 실험 결과

데이터셋:

• 소스: Refuge 데이터셋 (훈련 840, 검증 120, 테스트 240).
• 타겟 (보이지 않는): Drishti-GS, Gamma, 그리고 다중 도메인 Cháks.u (Bosch, Forus, Remidio) 를 포함한 5 개 데이터셋으로, 임상용 및 휴대용을 포함한 다양한 카메라 유형을 포괄합니다.

성능 지표:

• Dice Score Coefficient (DSC): 중첩 정도를 측정합니다.
• 95 백분위 Hausdorff Distance (HD95): 경계 정렬 정밀도를 측정합니다.

주요 발견:

• 우수한 정확도: WaveSDG 는 모든 타겟 데이터셋에서 BigAug, C2SDG, FreeSDG, EGSDG 를 포함한 7 가지 최첨단 (SOTA) 방법보다 일관되게 우수한 성능을 보였습니다.
• 강건성: 시신경유두 (OD) 와 시신경컵 (OC) 분할 모두에서 가장 균형 잡힌 Dice 점수를 달성했습니다.
• 경계 정밀도: WaveSDG 는 감소된 분산으로 가장 낮은 HD95를 달성하여 우수한 경계 정렬과 안정성을 나타냈습니다.
• 일반화: 모델은 일반적으로 심각한 도메인 시프트를 겪는 휴대용 카메라 데이터셋 (예: Forus, Remidio) 에서 특히 뛰어난 성능을 발휘했습니다.
• Ablation 연구: WISER 모듈이 DSC 를 크게 향상시키고 HD95 를 감소시키는 것을 확인했습니다. Deep Supervision 추가는 성능을 더욱 향상시켰습니다.
• 효율성: 이 모듈은 3.24M 개의 파라미터와 13.27% 의 계산 오버헤드만 추가하여 14.8ms 의 낮은 추론 지연 시간을 유지했습니다.

5. 의의

이 연구는 재훈련 없이 다양한 임상 환경에서 일반화할 수 없는 의료 AI 의 중요한 병목 현상을 해결합니다. 저자들은 이산 웨이블릿 변환 (DWT) 을 활용하여 해부학이 "무엇"인지와 "어떻게" 보이는지 (스타일) 를 분리하는 원칙적인 방법을 제공합니다.

• 임상적 영향: 이 방법은 단일 소스 데이터를 사용하여 녹내장 및 기타 망막 질환에 대한 견고한 분할 도구 배포를 가능하게 하여, 비용이 많이 들고 개인정보에 민감한 다중 센터 데이터 수집의 필요성을 줄입니다.
• 기술적 혁신: 단순한 증강이나 적대적 훈련을 넘어, 망막 이미지의 물리적 및 의미적 속성 (전역 레이아웃 대 국소 에지) 을 존중하는 구조적 솔루션을 제시합니다.
• 미래 방향: 모듈식 설계는 교차 모달리티 작업 (예: MRI 에서 CT 로) 이나 교차 시퀀스 일반화에 대한 잠재적 적용 가능성을 시사합니다.