Do Diabetic Foot Ulcer Segmentation Models Generalize? A Cross-Dataset Benchmark of CNN and Transformer Architectures

기술 요약: 당뇨병성 족부 궤양 세그멘테이션 모델은 일반화가 가능한가?

문제 제기
당뇨병성 족부 궤양(DFU) 세그멘테이션을 위한 딥러닝 모델들은 동일한 데이터셋으로 학습 및 테스트할 때 높은 정확도(Dice 점수 종종 >0.80)를 보고하곤 한다. 그러나 이러한 평가는 거의 예외 없이 "인도메인(in-domain)"에 국한되어 있으며, 서로 다른 임상 소스, 카메라 또는 환자군으로부터 온 데이터에 대한 모델의 동작을 측정하는 데 실패하고 있다. 기존의 교차 데이터셋 연구는 합성곱 신경망(CNN)과 프롬프트 기반 모델(예: SAM)에 한정되어 왔으며, 현대적인 트랜스포머 아키텍처의 일반화 능력은 측정되지 않은 채 남아 있다. 더욱이, 기존 벤치마크들은 학습 및 테스트 세트 간의 데이터 누출(이미지 중복)에 대한 엄격한 스크리닝이 부족하여 일반화 주장을 부풀릴 가능성이 있다.

방법론
저자들은 세 가지 대표적인 세그멘테이션 아키텍처를 비교하는 통제된, 누출 스크리닝이 적용된 교차 데이터셋 벤치마크를 수행하였다:

• CNN 베이스라인: U-Net 및 DeepLabV3+ (둘 다 ResNet-34 인코더 활용).
• 트랜스포머 아키텍처: SegFormer-B2 (MiT-B2 인코더 활용).

데이터 프로토콜:

• 학습 소스: FUSeg 및 AZH 상처 이미지가 결합된 데이터셋. 저자들은 FUSeg와 AZH의 상당한 중복을 확인한 후 이를 하나의 소스로 취급하며, 이미지 수준의 중복을 탐지하고 제거하기 위해 MD5 및 지각 해싱(dHash)을 사용하여 엄격한 감사를 수행하였다.
• 외부 테스트 세트: 학습 소스와 이미지 중복이 없는 두 개의 독립적인 데이터셋:
  1. DFUC2022: 다른 임상 현장에서 가져온 2,000개의 이미지 (외부 테스트 #1).
  2. Medetec: 160개의 이미지 (외부 테스트 #2).
• 학습 프로토콜: 모든 모델은 256×256 입력을 사용하여 30 에포크 동안 결합된 Dice 및 이진 크로스 엔트로피 손실(binary cross-entropy loss)로 학습되었다. 외부 테스트 세트에 대한 미세 조정(fine-tuning)은 수행되지 않았다.
• 평가: 성능은 Dice 계수와 IoU(Intersection-over-Union)를 사용하여 측정되었다. 통계적 유의성은 이미지별 Dice 점수에 대한 Wilcoxon 부호 순위 검정(Wilcoxon signed-rank tests)을 통해 평가되었다. 이미지당 실패 분석은 Dice < 0.4인 이미지를 "치명적 실패(catastrophic failures)"로 정의하였다.

주요 기여

1. 누출 스크리닝이 적용된 최초의 교차 데이터셋 벤치마크: 본 연구는 DFU 세그멘테이션을 위해 독립적인 데이터셋 전반에서 CNN과 트랜스포머 아키텍처를 비교하는 데 누출 스크리닝 프로토콜을 적용한 첫 번째 연구이다.
2. 아키텍처 계열 vs 복잡도 분석: 본 연구는 DeepLabV3+(복잡한 CNN)와 U-Net(단순한 CNN)을 SegFormer-B2에 대한 베이스라인으로 사용하여, 아키텍처 계열의 영향과 모델 복잡도의 영향을 분리하였다.
3. 포괄적인 실패 분석: 집계된 메트릭을 넘어, 본 연구는 2,160개의 테스트 이미지에 대한 이미지당 실패 분석을 제공하며, 실패를 분류하고 성능 저하의 심각성을 분석하였다.

결과

• 인도메인 성능: 모든 모델은 홀드아웃(held-out) FUSeg 검증 세트에서 강력한 성능(Dice 0.802–0.834)을 달성하였으며, SegFormer-B2가 약간 더 우수한 성능을 보였다. 편차가 좁았는데, 이는 단일 데이터 분포 내에서는 아키텍처 선택이 미미한 영향을 미침을 시사한다.
• 교차 데이터셋 일반화: 모든 모델은 외부 데이터셋에서 테스트되었을 때 상당한 성능 저하를 경험했다.
  • DFUC2022: SegFormer-B2는 Dice 0.557을 달성하여 U-Net(0.501)과 DeepLabV3+(0.489)를 앞질렀다. SegFormer-B2는 또한 U-Net(±0.029)보다 한 자릿수 낮은 표준 편차(±0.003)를 보이며 탁월한 안정성을 입증했다.
  • Medetec: SegFormer-B2는 다시 한번 Dice 0.786을 기록하며, U-Net(0.737) 및 DeepLabV3+(0.730)를 능가했다.
• 실패율: DFUC2022에서 SegFormer-B2는 가장 적은 치명적 실패(Dice < 0.4인 이미지의 31.1%)를 생성하였으며, 이는 U-Net(38.5%) 및 DeepLabV3+(43.0%)보다 낮았다.
• 통계적 유의성: Wilcoxon 부호 순위 검정은 SegFormer-B2가 두 외부 데이터셋 모두에서 두 CNN 베이스라인보다 유의미하게 우수함을 확인하였다 (p < 0.001). 두 CNN 모델 간의 차이는 Medetec에서 통계적으로 유의하지 않았다.
• 실패 심각도: Medetec에서 SegFormer-B2는 U-Net보다 약간 더 많은 실패 횟수를 기록했으나, 그 실패는 덜 심각했다(0.4 임계값 바로 아래에 군집됨). 반면 CNN의 실패는 더 무거운 "치명적 꼬리(catastrophic tail)"(Dice ≈ 0)를 포함했다.

의의 및 주장
본 논문은 아키텍처 계열이 모델 복잡도보다 병원 간 일반화에 더 결정적인 요소라고 결론짓는다. 구체적으로, 트랜스포머 기반의 SegFormer-B2는 더 단순한 U-Net과 더 복잡한 DeepLabV3+보다 더 잘 일반화된다. 저자들은 이를 트랜스포머의 글로벌 셀프 어텐션(global self-attention) 메커니즘 덕분으로 돌리며, 이 메커니즘이 병원 간에도 안정적으로 유지되는 광범위한 문맥적 단서(예: 피부 질감, 조명 그래디언트)를 포착할 수 있는 반면, 로컬 수용 영역(local receptive fields)을 가진 CNN은 데이터셋 특유의 공간적 통계에 과적합될 수 있다고 설명한다.

강조된 중요한 실무적 함의는 높은 인도돔 Dice 점수가 배포 준비 완료를 의미하지 않는다는 것이다. 인도돔에서 >0.80 Dice를 달성한 모델들이 병원 간 배포 시 약 28~33 퍼센트 포인트의 성능 저하를 겪었다. SegFormer-B2가 측정 가능한 수준으로 더 나은 일반화 성능을 제공하긴 하지만, 저자들은 최상의 모델조차 데이터셋 간에 상당한 정확도 손실을 보인다는 점을 언급하며, 이는 도메인 적응(domain adaptation) 및 테스트 시간 적응(test-time adaptation) 분야에서 추가적인 작업이 필요한 미해결 과제로써 병원 간 강건성(cross-hospital robustness)의 중요성을 강조한다.