Exploring Entropy-based Active Learning for Fair Brain Segmentation

기술 요약: 공정한 뇌 분할을 위한 엔트로피 기반 능동 학습 탐구

문제 제기
능동 학습 (Active Learning, AL) 은 의료 영상 분할에서 전문가 주석의 높은 비용을 완화하기 위한 핵심 전략입니다. 그러나 표준 불확실성 기반 AL 방법들은 전역 성능 지표를 최적화하는 데 중점을 두어, 민감한 속성 (예: 인종, 성별) 으로 정의된 그룹 간 성능 격차를 종종 간과합니다. 공정한 능동 학습은 분류 작업에서 탐구되었으나, 의료 영상 분할에 적용되는 것은 여전히 largely 미해결 상태입니다. 기존 분할 모델들은 종종 인구통계학적 격차를 보이며, 소수 그룹이나 특정 해부학적 변이가 있는 그룹에서 성능이 저하됩니다. 또한, 분할에서의 단순한 불확실성 샘플링은 중복된 이미지나 이상치를 선택하는 경향이 있으며, 표준 엔트로피 계산은 실제 모델 불확실성보다는 해부학적 부피 차이로 인해 편향될 수 있습니다.

방법론
저자들은 뇌 MRI 분할을 위해 특별히 설계된 공정성 인식 능동 학습 프레임워크를 제안합니다. 이 방법의 핵심은 현재 그룹별 성능에 따라 볼륨 단위 (voxel-wise) 불확실성을 조절하는 가중 지역화 엔트로피 (Weighted Localized Entropy) 선택 전략입니다.

1. 데이터 생성: 편향을 통제하기 위해 본 연구는 SimBA 프레임워크를 통해 생성된 합성 T1 가중 뇌 MRI 를 활용합니다. 두 그룹이 정의됩니다:

   • 그룹 1: 전역 변형과 함께 좌측 미상핵 (caudate) 에 지역적 변형이 있는 경우 (편향 또는 특정 해부학적 변이를 시뮬레이션).
   • 그룹 2: 전역 변형만 있는 경우.
     실험은 "강한 편향"($\mu=4$) 과 "약한 편향"($\mu=2$) 조건 하에서 수행되었습니다.

2. 가중 지역화 엔트로피 전략:

   • 지역화 엔트로피: 실제 인식론적 불확실성을 해부학적 부피 변이와 분리하기 위해, 엔트로피는 목표 구조 (좌측 미상핵) 주변의 확장된 관심 영역 (ROI) 마스크 내에서만 계산됩니다. 엔트로피는 ROI 에서 평균화되고 영역 크기로 정규화 ($\hat{H}$) 되어, 더 큰 구조물이 선택 점수를 지배하는 것을 방지합니다.
   • 그룹 인식 가중치: 프레임워크는 현재 라벨링된 세트에서의 Dice 유사도 계수 (DSC) 를 기반으로 각 그룹 $g$에 대한 표준화된 성능 점수 ($z_g$) 를 계산합니다. 성능이 낮은 그룹 (낮은 DSC) 은 softmax 변환을 통해 더 높은 가중치 ($w_g$) 를 부여받습니다.
   • 획득 점수: 샘플 $x_g$를 선택하기 위한 최종 점수는 그룹 가중치와 지역화 엔트로피의 곱입니다: $score(x_g) = w_g \cdot \hat{H}$. 이는 현재 모델이 미흡하게 수행하는 그룹의 샘플을 우선시합니다.

3. 실험 설정: 3D U-Net 은 다양한 초기 그룹 구성 (균형, 80/20, 20/80) 을 가진 작은 라벨링 세트 (10 개 샘플) 로부터 시작하는 AL 루프를 사용하여 훈련되었습니다. 이 프레임워크는 무작위 샘플링 (RS), 평균 엔트로피 샘플링, 그리고 지역화 엔트로피 샘플링과 비교되었습니다.

주요 기여

• 분할을 위한 최초의 공정한 AL: 이 작업은 분류와 비교해 이전까지 탐구되지 않았던 영역인 공정한 능동 학습과 의료 영상 분할의 교차점을 다룹니다.
• 새로운 선택 전략: 그룹별 DSC 성능에 따라 불확실성을 동적으로 재가중하는 가중 지역화 엔트로피 전략을 도입하여, AL 과정이 미흡하게 수행되는 하위 그룹에 집중하도록 보장합니다.
• 불확실성과 해부학의 분리: 구조적 부피 차이보다는 경계 불확실성에 의해 선택이 이루어지도록 보장하기 위해 확장된 ROI 내에서 마스크 처리되고 스케일링된 엔트로피를 사용합니다.

결과
합성 데이터셋에 대한 실험은 제안된 방법이 무작위 샘플링 및 표준 불확실성 방법과 비교하여 그룹 간 성능 격차를 유의미하게 감소시켰음을 보여주었습니다.

• 형평성 스케일링 성능: 가중 지역화 엔트로피 전략은 모든 초기화 체계와 편향 강도에서 일관되게 가장 높은 형평성 스케일링 분할 성능 (ESSP) 을 달성했습니다.
• 격차 감소: 표준 엔트로피 샘플링에 비해 제안된 방법은 최종 라벨링 예산에서 강한 편향 설정에서 격차 지표 ($\Delta$) 를 **75%**로, 약한 편향 설정에서 **86%**로 감소시켰습니다.
• 선택 역학: 이 방법은 성능이 미흡한 그룹 1 (형태학적 도전 하위 그룹) 의 샘플을 성공적으로 우선시한 반면, 전역 엔트로피는 더 많은 그룹 2 샘플을 선택했고 무작위 샘플링은 50/50 균형을 유지했습니다.
• 기준선 발견: 놀랍게도 기준선 실험은 더 어려운 그룹 1 데이터만으로 훈련하는 것이 균형 잡힌 훈련보다 더 나은 ESSP 를 산출함을 보여주었는데, 이는 어려운 형태학을 과대표하는 것이 전반적인 효용을 심각하게 훼손하지 않으면서 "형평성 앵커" 역할을 할 수 있음을 시사합니다.

의의 및 주장
저자들은 이 작업이 주석 예산이 제한된 자원 제약 환경에서 더 공정한 모델을 훈련시키기 위한 효율적인 전략을 제공한다고 주장합니다. 이 프레임워크는 경량화되어 있으며, 추가적인 공정성 분류기나 특징 공간에서의 비용이 많이 드는 대표성 모델링 없이 라벨링 세트 성능에만 의존하여 그룹 가중치를 추정한다는 점이 주목할 만합니다.

이 논문은 편향 크기를 명시적으로 통제하기 위해 합성 데이터를 사용했다는 점 등 주로 제한 사항을 겸손하게 인정합니다. 저자들은 실제 의료 데이터에는 스캐너 아티팩트와 같이 복잡하고 분리하기 어려운 편향이 포함될 수 있다고 지적합니다. 그들은 그룹별 성능 편향을 피하기 위해 가중 샘플링의 유용성을 뒷받침하는 결과가 있지만, 이를 실제 세계 시나리오로 전환하려면 사전 가설과 신뢰할 수 있는 참조 분할에 기반하여 민감한 속성을 식별해야 한다고 주장합니다. 이 연구는 미흡하게 수행되는 그룹을 향한 적응형 선택 압력이 공정한 의료 영상 분할을 향한 실현 가능한 길이라고 결론지었습니다.