H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation

거대한, 어지러운 동굴 안에 숨겨진 아주 작은 보물을 찾아내는 법을 컴퓨터에게 가르친다고 상상해 보세요. 의료 영상의 세계에서 그 '보물'은 작은 장기나 특정 조직이며, '동굴'은 인체의 3D 스캔 데이터입니다. 문제는 컴퓨터에게 보물이 정확히 어디에 있는지 알려줄 지도(라벨링된 이미지)가 충분하지 않다는 점입니다. 그래서 과학자들은 '레지스트레이션(registration)'이라는 영리한 기술을 사용합니다. 이것은 마치 명확하게 라벨링된 동굴 지도를 가져와서, 라벨이 없는 새로운 동굴과 완벽하게 일치할 때까지 늘리고 구기는 것과 같습니다. 지도가 새로운 동굴에 딱 들어맞으면, 컴퓨터는 그것을 가이드 삼아 새 동굴 속의 보물을 찾을 수 있습니다. 이것이 바로 '퓨샷 의료 영상 분할(few-shot medical image segmentation)'—즉, 아주 적은 사례만으로 무언가를 찾는 법을 배우는 과정의 핵심입니다. 하지만 여기에는 함정이 있습니다. 크고 뚜렷한 랜드마크는 맞추기 쉽지만, 아주 작고 모호한 세부 사항들은 지도를 늘리고 구기는 과정에서 종종 사라지거나 혼동되곤 합니다. 컴퓨터는 어떤 것들이 다른 것들의 '부모'인지(예를 들어 나무 줄기가 가지의 부모인 것처럼) 이해하는 더 나은 방법이 필요하며, 그래야만 미세한 디테일들이 뒤섞이는 것을 방지할 수 있습니다.

여기서 Jia Wang과 그 팀의 새로운 논문이 H2AL이라 불리는 해결책을 들고 등장합니다. 그들은 컴퓨터가 보통 이 지도들을 다루는 방식이 너무 '평면적'이라는 점을 깨달았습니다. 이는 마치 거대한 도서관을 정리할 때 모든 책을 바닥에 한 줄로 길게 늘어놓는 것과 같습니다. 큰 더미를 정리할 때는 괜찮을지 몰지라도, 특정 작은 팸플릿을 찾는 것은 악몽과도 같죠. 저자들은 의료 구조가 사실 나무나 가계도처럼 큰 가지가 작은 잔가지들을 떠받치고 있는 형태라고 제안합니다. 이를 해결하기 위해 그들은 '쌍곡 기하학(hyperbolic geometry)'이라는 특별한 수학을 사용하는 시스템을 구축했습니다. 이것은 중심에서 멀어질수록 사물을 분리할 수 있는 공간이 더 많아지는 '마법의 확장되는 방'이라고 생각하면 됩니다. 이를 통해 컴퓨터는 '큰 그림'(줄기)과 '미세한 디테일'(잎사귀)을 평면적인 수학으로는 할 수 없는 방식으로 체계적으로 유지할 수 있습니다.

팀의 주요 발견은 이 '마법의 방'(쌍곡 공간)과 컴퓨터의 일반적인 '평면 방'(유클리드 공간)을 결합함으로써 훨씬 더 나은 지도를 만들 수 있다는 것입니다. 그들은 마법의 방으로부터 얻은 체계적인 트리 구조의 지식을 평면 지도로 옮겨 담아 컴퓨터가 미세한 구조를 더 명확하게 볼 수 있도록 돕는 번역기 역할을 하는 H2I(Hyperbolic Hierarchy-aware Infusion)라는 모듈을 만들었습니다. 또한 그들은 **그래디언트 집합(Gradient Aggregation)**이라는 새로운 학습 방식을 발명했습니다. 두 명의 코치가 학생을 가르치려 한다고 상상해 보세요. 만약 두 코치가 동시에 서로 다른 지시를 외친다면 학생은 혼란에 빠질 것입니다. 대신, 이 방법은 코치들이 학생에게 명령을 내리기 전에 그들의 지시를 하나의 명확하고 통일된 명령으로 결합하도록 합니다. 이는 학습 과정을 매끄럽고 빠르게 유지해 줍니다.

이 방법을 뇌와 심장 스캔에 테스트했을 때, 결과는 유망했습니다. 논문에 따르면 그들의 방식은 기존의 최고 방법들과 비교했을 때 레지스트레이션(지도 제작) 부분에서 약 1.47%, 최종 세그멘테이션(보물 찾기) 부분에서 1.84% 더 높은 정확도를 개선했습니다. 그들은 큰 구조는 이미 찾기 쉽지만, 자신들의 새로운 시스템이 특히 컴퓨터가 놓치기 쉬운 작고 모호한 부분들 때문에 혼동을 겪는 것을 막는 데 탁월하다는 것을 발견했습니다. 저자들은 인체의 자연스러운 '가계도'를 존중함으로써, 시작 단계에서 라벨링된 사례가 매우 적더라도 의료용 AI를 더욱 신뢰할 수 있게 만들 수 있다고 제안합니다. 그들은 단순히 추측한 것이 아니라, 실제 뇌와 심장 데이터를 사용하여 광범위한 실험을 수행했으며, 자신들의 접근 방식이 지도 제작과 미세한 디테일을 찾는 과정 모두에서 다른 최상위 방법들을 지속적으로 능가했음을 보여주었습니다.