기술 요약: 조절 가능한 궤양성 대장염 진행 합성을 위한 해리된 해부학 - 질병 확산 (DADD)

1. 문제 제기

조절 가능한 질병 단계에서의 종단적 의료 영상 합성은 환자 특이적 해부학적 특징과 병리학적 질감의 얽힘으로 인해 방해받고 있습니다. 궤양성 대장염 (UC) 의 맥락에서 질병 중증도는 매요 내시경 점수 (MES) 로 정의된 연속적인 서열적 진행을 따르며, 0(정상) 에서 3(심각) 까지 범위를 가집니다. 기존 데이터셋인 LIMUC 등은 반복적인 내시경 검사의 침습적 성격으로 인해 심각한 클래스 불균형과 종단적 추적 관찰의 부재를 겪고 있습니다.

현재의 생성적 접근법들은 치명적인 "얽힘 병목 현상"에 직면해 있습니다. 참조 이미지에 조건을 부여하여 생성하는 방법들 (예: CLIP 인코더를 사용하는 IP-Adapter) 은 필연적으로 소스 질병 병리를 해부학적 표현에 내재시킵니다. 반사실적 진행을 합성하려 할 때 (예: 소스 이미지를 MES 3 에서 MES 0 으로 변경), 모델은 상충되는 신호를 받게 됩니다. 즉, 해부학적 구조를 보존하면서도 동시에 소스 병리를 지우고 새로운 중증도 수준을 생성해야 하는 것입니다. 이러한 의미적 충돌은 종종 구조적 아티팩트를 초래하거나 기존 질병 특징을 제거하지 못하게 합니다.

2. 방법론

제안된 프레임워크인 해리된 해부학 - 질병 확산 (DADD) 은 잠재 확산 모델 내에서 해부학적 정체성과 질병 중증도를 명시적으로 분리함으로써 이 문제를 해결합니다. 이 아키텍처는 표준 Stable Diffusion 백본에 세 가지 새로운 구성 요소를 통합합니다:

2.1. 가산 서열 임베더 (AOE)

MES 의 연속적인 특성을 모델링하기 위해, 프레임워크는 중증도를 학습 가능한 증가량의 누적 합으로 표현하는 AOE 를 사용합니다. 더 높은 MES 수준은 하위 수준의 모든 특징을 포함하며 추가적인 병리를 더합니다. 이를 통해 연속적인 보간을 통해 임의의 중간 중증도 수준을 생성할 수 있습니다.

2.2. 특징 정제기

해부학과 소스 질병 간의 얽힘을 해결하기 위해 특징 정제기가 도입됩니다. 이 모듈은 세 단계로 작동합니다:

1. 식별: 교차 주의 (cross-attention) 계층이 소스 질병 임베딩 (소스 MES 라벨에서 유래) 에 대해 이미지 토큰을 쿼리하여 질병과 상관관계가 있는 채널을 식별합니다.
2. 게이팅: 게이트 MLP 가 시그모이드 마스크를 생성하여 식별된 특징의 억제를 제어합니다.
3. 소거: 게이트된 잔차 뺄셈이 이미지 토큰에서 질병 성분을 제거하여 구조적 정체성은 유지하되 소스 병리는 결여된 "정제된" 해부학 토큰 ($e_{clean}$) 을 산출합니다.

2.3. 삼중 경로 교차 주의

모든 조건부 토큰을 연결하는 대신, DADD 는 U-Net 에 주입되는 세 가지 구별된 경로를 가진 분할 주입 메커니즘을 활용합니다:

• 해부학 경로: 사전 훈련된 프로젝션을 사용하여 정제된 해부학 토큰 ($e_{clean}$) 을 처리하여 구조적 재구성을 보존합니다.
• 질병 경로: 별도의 편향 없는 프로젝션을 사용하여 목표 질병 토큰 ($e_{aoe}^t$) 을 처리합니다.
• 델타 경로: 목표와 소스 임베딩 간의 차이에서 유도된 방향성 중증도 변화 ($\Delta$) 를 처리합니다.

주파수 인식 라우팅: 프레임워크는 다양한 U-Net 깊이에서 해부학과 질병의 기여도를 가중치로 부여하기 위해 해상도 의존적 라우팅 게이트 ($g_a, g_d$) 를 사용합니다. 저해상도 블록 (전역 구조 포착) 은 해부학 쪽으로 강하게 가중치가 부여되는 반면, 고해상도 블록 (세부 질감 포착) 은 질병 쪽으로 가중치가 부여됩니다. 이는 질병 편집이 전역 점막 구조를 방해하지 않고 세밀한 병리학적 질감에 국한되도록 보장합니다.

2.4. 델타 조향

클래스리스 가이드 (CFG) 의 계산 비용을 들이지 않고 질병 전환에 대한 정밀한 제어를 가능하게 하기 위해, 저자들은 델타 조향을 도입합니다. 이는 목표와 소스 서열 임베딩 간의 투영된 차이에서 유래된 훈련 불필요한 단일 패스 방향성 신호입니다.

• 메커니즘: $\Delta = \text{proj}(E[y_t]) - \text{proj}(E[y_s])$.
• 작동: 추론 중 $\Delta$는 편향 없는 질병 프로젝션을 통해 처리되어 주의 메커니즘에 부호화된 크기 비례 신호를 주입합니다.
• 이익: 이는 무조건부 순전파를 제거하여 표준 CFG 대비 추론 지연 시간을 약 2 배 단축시킵니다.

3. 주요 기여

• 소거를 통한 해리: 이미지 토큰에서 질병과 상관관계가 있는 채널을 동적으로 식별하고 억제하여 해부학을 병리로부터 효과적으로 해리시키는 교차 주의 기반의 특징 정제기.
• 주파수 인식 주입: 해상도 계층 구조에 기반하여 해부학적 및 병리학적 신호를 적절한 U-Net 계층으로 지시하는 고정 라우팅 게이트를 갖춘 삼중 경로 교차 주의 메커니즘.
• 델타 조향: 단조로운 질병 진행을 위한 새로운 단일 패스 제어 메커니즘으로, 부호화된 크기 비례 제어를 제공하며 CFG 보다 효율적인 대안을 제시합니다.
• 표적 증강: 환자 특이적 종단 데이터를 합성함으로써 왜곡된 클래스 분포를 효과적으로 재균형화하고 하류 분류 성능을 향상시킨다는 실증적 증명.

4. 실험 결과

이 프레임워크는 Stable Diffusion v1.4 를 사용하여 LIMUC 데이터셋 (10,284 개 이미지) 에서 검증되었습니다.

• 생성 품질: 일부 변형 (DADD-I, DADD-U) 은 더 낮은 프리체트 시작 거리 (FID) 점수를 달성했지만, 차별적인 병리학적 특징을 생성하지 못해 하류 작업에서 거의 무작위 수준의 성능을 보였습니다. 질병 주입을 고해상도 계층과 정렬시키는 계층적 라우팅 (DADD-H) 구성이 가장 좋은 균형을 달성했습니다.
• 하류 분류: DADD-H 는 베이스라인에 비해 분류 정확도와 2 차 가중 카파 (QWK) 를 크게 향상시켰습니다. "합성 데이터만" 훈련 시나리오 (실제 데이터 없음) 에서 DADD-H 는 61.68% 정확도와 70.74 QWK를 달성하여 IP-AOE 베이스라인 (54.54% / 42.20 QWK) 을 능가했습니다.
• 중증도 충실도: 실제 데이터로 훈련된 회귀 판정자가 합성 출력을 평가했습니다. DADD-H 는 81.53 QWK와 0.46 RMSE를 달성하여 실제 데이터로 훈련된 모델의 성능 (83.28 QWK / 0.47 RMSE) 과 근접하게 일치했습니다. 이는 모델이 소스를 복제하는 것이 아니라 병리를 진정으로 변환함을 확인시켜 줍니다.
• 추론 속도: 단일 패스 델타 조향 메커니즘 덕분에 DADD 변형들은 CFG 기반 베이스라인 대비 약 2 배의 속도 향상을 달성했습니다 (예: 배치 크기 8 에서 187.3 ms/이미지 vs. 314.6 ms/이미지).
• 정성적 분석: 시각적 비교 결과, DADD-H 는 더 낮은 중증도 수준을 합성할 때 (예: MES 3 $\to$ 0) 기존 병리학적 질감을 성공적으로 지웠으나, IP-Adapter 베이스라인은 소스 질병을 제거하지 못해 얽힌 생성물을 초래했습니다.

5. 중요성과 주장

이 논문은 DADD 가 환자 특이적 해부학은 보존하면서 질병 중증도는 조절 가능하게 변조할 수 있는 종단적 의료 영상 합성을 위한 강력한 프레임워크를 제공한다고 주장합니다. 저자들은 다음을 강조합니다:

1. 분포 유사성 (FID) 은 충분하지 않다: 조건부 진행 합성을 검증하는 데 FID 는 불충분하며, 낮은 FID 를 가진 모델이 의미 있게 병리를 변경하지 못할 수 있습니다.
2. 해리는 결정적입니다: 반사실 생성 중 의미적 충돌을 피하기 위해 해부학적 임베딩에서 소스 질병 정보를 명시적으로 소거하는 것이 필수적입니다.
3. 효율성: 델타 조향 메커니즘은 CFG 에 대한 계산적으로 효율적인 대안을 제공하여 조절 가능한 합성을 임상 적용에 더 실용적으로 만듭니다.
4. 임상 유용성: 균형 잡힌 환자 특이적 종단 데이터를 생성하는 능력은 의료 데이터셋의 고질적인 클래스 불균형을 직접 해결하여 하류 진단 분류기의 훈련을 개선합니다.

저자들은 성능이 조향 스케일 ($\lambda_{steer}$) 에 민감하게 반응하며, $\ge 5$의 값은 구조적 아티팩트를 유발한다고 지적하고, 클래스별 조향 일정과 다른 종단적 의료 모달리티로의 확장에 대한 향후 연구를 제안합니다.