Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification

1. 문제 정의 (Problem)

• 배경: 의료 영상 분석에서 훈련 데이터 (소스 도메인) 와 테스트 데이터 (타겟 도메인) 간의 차이 (도메인 시프트) 는 모델의 성능 저하를 유발합니다. 예를 들어, 다른 병원이나 장비에서 촬영된 영상은 분포가 달라 기존 모델이 제대로 작동하지 않습니다.
• 한계점: 기존 반지도 도메인 적응 (Semi-Supervised Domain Adaptation, SSDA) 방법들은 대부분 클래스가 명확하게 분리된 클러스터를 형성한다고 가정합니다.
• 핵심 과제: 심각도 분류 (Severity Classification) 는 질병의 중증도를 나타내는 순서 있는 레이블 (Ordinal Labels) 을 다루므로, 클래스 간의 경계가 모호하고 연속적인 특성을 가집니다. 이러한 '연속성'과 '경계 모호성'으로 인해 기존 SSDA 방법들은 클래스별 클러스터 정렬이 어렵고, 결과적으로 도메인 적응 성능이 낮아집니다.

2. 제안 방법론 (Methodology)

저자들은 순서 있는 클래스 레이블을 활용하여 학습된 랭킹 점수 (Rank Score) 를 통해 소스와 타겟 도메인을 정렬하는 새로운 프레임워크를 제안했습니다. 이 방법은 크게 두 가지 핵심 구성 요소로 이루어집니다.

A. 네트워크 구조

• 특징 추출기 (Feature Extractor, $F_e$) 가 분류기 ($F_c$) 와 랭킹 함수 ($F_r$) 로 분기하는 계층 구조를 사용합니다.
• 입력 이미지는 특징을 추출한 후, 클래스 확률과 연속적인 랭킹 점수 ($r(x)$) 를 출력합니다.

B. 핵심 구성 요소

1. 교차 도메인 랭킹 (Cross-Domain Ranking, CDR):

   • 목적: 소스와 타겟 도메인 간의 랭킹 점수 분포 불일치를 해결합니다.
   • 방식: 소스 도메인과 타겟 도메인의 레이블이 있는 샘플 쌍을 서로 짝지어 (Pairwise) 랭킹을 학습합니다.
   • 효과: 단일 도메인 내 랭킹만 학습할 경우 도메인 간 랭킹 스케일이 달라질 수 있으나, CDR 은 도메인 간 상대적 심각도 순서를 일치시킴으로써 공통의 심각도 척도를 확립합니다.

2. 연속 분포 정렬 (Continuous Distribution Alignment, CDA):

   • 목적: 클래스 경계의 모호성을 고려하여 랭킹 점수 분포를 정렬합니다.
   • 방식:
     • 레이블이 없는 타겟 샘플에 대해 랭킹 기반 소프트 라벨 (Rank-based Soft Label) 을 추정합니다. (GMM 등을 사용하여 클래스별 확률 분포 $q(k|x)$ 를 계산)
     • 소스 도메인의 각 클래스 평균 랭킹 점수 ($\mu_k$) 를 프로토타입으로 사용하여, 타겟 샘플의 랭킹 점수와 소스 분포 간의 거리를 최소화합니다.
   • 효과: 하드 라벨 (Hard Label) 대신 확률적 소프트 라벨을 사용하여 연속적인 심각도 진행을 반영하고, 도메인 간 특징 분포를 효과적으로 정렬합니다.

C. 최적화

• 전체 손실 함수는 분류 손실, 랭킹 손실 (CDR), 그리고 CDA 손실의 가중 합으로 구성됩니다.

3. 주요 기여 (Key Contributions)

1. 랭킹 기반 SSDA 프레임워크: 심각도 분류의 연속적인 클래스 경계 문제를 해결하기 위해, 순서 있는 레이블을 기반으로 한 랭킹 점수를 활용한 새로운 도메인 적응 프레임워크를 제안했습니다.
2. CDR (Cross-Domain Ranking): 소스와 타겟 샘플 쌍을 교차하여 랭킹을 학습함으로써 도메인 간 일관된 심각도 스케일을 확보하는 새로운 기법을 도입했습니다.
3. CDA (Continuous Distribution Alignment): 랭킹 기반 소프트 라벨을 활용한 간단한 yet 효과적인 손실 함수를 제안하여, 클래스의 연속성을 고려한 도메인 정렬을 가능하게 했습니다.

4. 실험 결과 (Results)

• 데이터셋: 궤양성 대장염 (UC, 내시경 영상) 과 당뇨망막병증 (DR, 안저 영상) 의 심각도 분류 태스크를 수행했습니다. (소스: LIMUC, DDR / 타겟: Private, FGADR)
• 비교 대상: 기존 SSDA 방법 (MME, CDAC, SLA) 과 순서 분류용 UDA 방법 (ORUDA) 과 비교했습니다.
• 성과:
  • 제안된 방법은 Macro Precision (mP) 과 Macro F1 (mF1) 에서 모든 비교 방법보다 우수한 성능을 보였습니다. (특히 mF1 은 불균형 데이터셋에서 가장 중요한 지표입니다.)
  • Ablation Study: CDR 만 적용하거나 CDA 만 적용했을 때보다 두 기법을 함께 적용했을 때 성능이 가장 크게 향상됨을 확인했습니다. CDR 은 정밀도 (Precision) 향상에, CDA 는 재현율 (Recall) 향상에 기여하여 상호 보완적인 역할을 하는 것으로 나타났습니다.
  • 시각화: 적응 전에는 도메인 간 랭킹 점수 분포가 불일치했으나, 적응 후에는 클래스별 분포가 정렬되는 것을 확인했습니다.

5. 의의 및 결론 (Significance)

• 의료 영상 분석의 실용성: 실제 의료 현장에서는 질병의 심각도가 이산적인 클래스가 아닌 연속적인 스펙트럼으로 존재합니다. 본 연구는 이러한 '연속성'을 랭킹 점수로 모델링하여 도메인 적응 문제를 해결함으로써, 다양한 의료 환경 (병원, 장비 등) 에서 진단 지원 시스템의 일반화 성능을 크게 향상시켰습니다.
• 기법적 확장: 기존에 명확한 클래스 경계를 가정하던 도메인 적응 기법의 한계를 극복하고, 순서 분류 (Ordinal Classification) 문제에 적용 가능한 새로운 패러다임을 제시했습니다.

요약하자면, 이 논문은 심각도 분류의 연속적 특성을 랭킹 학습을 통해 모델링하고, 교차 도메인 랭킹과 연속 분포 정렬을 통해 소스와 타겟 도메인의 특징 분포를 효과적으로 정렬함으로써, 의료 영상 분석에서 도메인 시프트 문제를 해결하는 혁신적인 접근법을 제시했습니다.