[기술 요약] H-SemiS: 무릎 골관절염 중증도 등급 판정을 위한 준지도 및 자기지도 학습의 계층적 융합 프레임워크

1. 문제 정의 (Problem Statement)

무릎 골관절염(KOA)은 만성 통증과 장애를 유발하는 퇴행성 질환으로, Kellgren-Lawrence(KL) 시스템에 따라 0~4단계의 중증도로 분류됩니다. 기존의 자동화된 진단 방식은 다음과 같은 한계점이 있습니다:

• 데이터 부족 및 비용 문제: 정확한 진단을 위해서는 대규모의 레이블(정답)이 달린 데이터셋이 필요하지만, 의료 데이터의 레이블링은 전문가의 개입이 필요하여 비용과 시간이 많이 소요됩니다.
• 클래스 불균형 (Class Imbalance): 특정 중증도 단계의 데이터가 다른 단계에 비해 현저히 적어 모델의 편향을 초래합니다.
• 이미지 품질 및 복잡성: X-ray 이미지의 낮은 대비, 흐릿한 관절 간격(JSN), 해부학적 구조의 중첩 등으로 인해 미세한 특징 추출이 어렵습니다.
• 노이즈 섞인 의사 레이블 (Noisy Pseudo-labels): 기존 준지도 학습(Semi-supervised learning) 방식은 레이블이 없는 데이터에 잘못된 레이블을 부여할 경우 성능이 저하되는 문제가 있습니다.

2. 제안 방법론 (Methodology: H-SemiS)

본 논문은 데이터 부족과 불균형 문제를 해결하기 위해 **자기지도 학습(Self-supervised)**과 **준지도 학습(Semi-supervised)**을 결합한 3단계 계층적 프레임워크를 제안합니다.

Stage 1: 마스크 이미지 재구성 (Masked Image Reconstruction, MI-Rec)

• 자기지도 학습 활용: 레이블이 없는 데이터의 75%를 무작위로 마스킹(Masking)한 후, 이를 복원하도록 학습합니다.
• 적대적 학습 (Adversarial Learning): 생성기(Generator)는 마스킹된 부분을 복원하고, 판별기(Discriminator)는 복원된 패치가 실제인지 생성된 것인지 구분합니다. 이를 통해 모델은 해부학적 구조의 일관성을 유지하며 강력한 특징(Feature)을 학습합니다.

Stage 2: 유사도 기반 재구성 이미지 레이블러 (SiRL)

• 의사 레이블 부여: Stage 1에서 생성된 재구성 이미지에 레이블을 부여합니다.
• 템플릿 매칭: 미리 정의된 각 KL 등급별 특징 템플릿과 재구성 이미지 간의 코사인 유사도(Cosine Similarity) 및 **유클리드 거리(Euclidean Distance)**를 결합하여 가장 유사한 등급을 할당합니다.
• 노이즈 필터링: 유사도 임계값($\tau=0.80$)을 설정하여 신뢰도가 낮은 샘플은 제외함으로써 노이즈가 섞인 레이블이 학습에 미치는 영향을 최소화합니다.

Stage 3: 계층적 양자 주입 교사-학생 프레임워크 (HQ-TeSt)

• 계층적 분류 (Hierarchical Classification): 5개 클래스의 다중 분류 문제를 여러 개의 이진 분류(Binary Classification) 문제로 분해합니다. 이는 클래스 불균형 문제를 직접적으로 완화합니다.
• 양자 주입 (Quantum-infused): 고전적인 CNN 특징을 **양자 합성곱 신경망(QCN)**으로 전달합니다. 양자 얽힘(Entanglement)과 중첩(Superposition) 원리를 이용하여 해부학적 구조 간의 비선형적 관계를 포착하고 특징 변별력을 높입니다.
• 교사-학생 구조 (Teacher-Student): 교사 모델은 학생 모델의 가중치를 지수 이동 평균(EMA) 방식으로 업데이트받으며, 데이터 증강(Augmentation)을 통해 일관성 학습(Consistency Training)을 수행하여 모델의 일반화 성능을 높입니다.

3. 주요 기여 (Key Contributions)

1. 새로운 프레임워크 제안: 제한된 레이블 데이터 환경에서도 효과적인 KOA 중증도 분류를 위한 자기지도-준지도 융합 모델을 개발했습니다.
2. 불균형 해소 전략: 계층적 이진 분류 구조와 재구성된 샘플(Proxy samples)을 통한 데이터 증강을 통해 클래스 불균형 문제를 해결했습니다.
3. 양자 컴퓨팅 원리 도입: 의료 영상의 복잡한 패턴을 학습하기 위해 양자 신경망을 준지도 학습에 최초로 통합하여 특징 추출 능력을 극대화했습니다.
4. 노이즈 저항성: SiRL 모듈을 통해 신뢰할 수 있는 의사 레이블만을 선별하여 학습의 안정성을 확보했습니다.

4. 실험 결과 (Results)

• 벤치마크 성능: OAI 및 DKXI 데이터셋에서 기존의 지도 학습, 자기지도 학습, 준지도 학습 모델 13종과 비교했을 때, H-SemiS가 모든 지표(Accuracy, Precision, Recall, F1-score)에서 압도적인 성능을 보였습니다.
• 데이터 효율성: 레이블이 전체의 20%만 있는 상황에서도 매우 높은 성능을 유지하며, 레이블 비율이 1%로 매우 낮을 때도 경쟁력 있는 성능을 입증했습니다.
• 설명 가능성 (XAI): Grad-CAM 등을 이용한 시각화 결과, 모델이 임상적으로 중요한 관절 간격(JSN) 및 골극(Osteophytes) 부위를 정확하게 포착하고 있음을 확인했습니다.
• 효율성: 높은 성능에도 불구하고 추론 시간(Inference time)과 파라미터 수 측면에서 기존 SOTA 모델들과 비교해 매우 효율적인 균형을 유지했습니다.

5. 의의 (Significance)

본 연구는 데이터 레이블링 비용이 높은 의료 현장의 실제적인 제약 조건을 기술적으로 해결했다는 점에서 큰 의의가 있습니다. 특히 양자 원리를 딥러닝에 접목하여 복잡한 의료 영상의 특징을 효과적으로 추출할 수 있음을 보여주었으며, 향후 다양한 의료 영상 모달리티(MRI, CT 등)로 확장 가능한 범용적인 프레임워크를 제시하였습니다.