클래스 불균형 CT 체구성 세그먼트에서 샘플링과 학습 예산의 구분

의료 영상 세그먼테이션에서 클래스 불균형은 작은 근육·지방 구조의 정확도에 큰 영향을 준다. 기존의 손실 가중치나 이미지 샘플링은 배치 내 클래스 구성을 명시적으로 제어하지 못한다. 본 연구는 episodic sampling을 도입해 배치 구성에서 클래스 균형을 확보하고 학습 예산과의 연관성(반복 횟수)에 따른 confound를 분리함으로써 샘플링 전략의 효과를 재평가한다.

1. 시작점은 Segmentation의 일반적 클래스 불균형 문제다. Dense prediction에서 배치의 다수 클래스가 손실 기여를 지배하고, 희귀 클래스의 피험 노출이 부족해 학습 편향이 생긴다. 2) 기존의 loss 기반 재가중이나 이미지 수준 샘플링은 배치 내 클래스 구성을 체계적으로 제어하지 못한다. 3) episodic sampling은 few-shot 학습의 배치 구성 원리를 활용해 에피소드 단위로 NC개의 foreground 클래스를 대상으로 NS의 Support와 NQ의 Query 샘플을 통해 클래스 노출을 균형 있게 유지한다. 4) 학습 예산(Iteration Budget)과 epoch 기반 스케줄 간 결합을 분리하면, 샘플링 전략의 효과가 실제로 얼마나 반복 학습량에 좌우되는지 명확해진다. 5) 고정된 에폭/반복 수에서의 비교와, 동일 반복수로 보정한 비교를 통해 Episodic이 희귀 클래스의 표현을 개선하고, 과적합를 늦추는 부가 효과를 보인다.

전체 접근: three sampling strategies(Random, Weighted, Episodic)로 동일 네트워크/손실 구성을 사용한다. 데이터는 SAROS에서 210스캔, 9개 tissue로 구성하고, 2D U‑Net으로 학습한다. Loss는 Cross‑Entropy + Dice를 동등 가중치로 사용하며, AdamW 최적화 및 MultiStepLR로 LR를 감소시킨다. Episodic의 배치 구성은 NC개의 foreground 클래스를 샘플링하고 각 클래스마다 NS의 support 샷과 NQ의 query 샷을 할당한다. 학습은 최대 200 에폭이며, mean foreground Dice를 기준으로 조기 중단한다. 2.4장 실험 설계: Full‑data(100%), Low‑data(10%) 두 데이터 regime, epoch‑based Schedule vs Iteration‑calibrated Schedule 비교. 2.4.1은 3,000 iterations의 고정된 학습, 2.4.2는 episodic의 500 iterations per epoch를 기준으로 다른 샘플링의 스케줄을 iteration적으로 보정한다.

주요 벤치마크는 Dice와 HD95로 제시된다. Full‑Data에서 Dice 평균은 Episodic 0.882 ±0.13, Random 0.878 ±0.14, Weighted 0.878 ±0.14이고 HD95는 6.77 ±14.07, 7.98 ±22.75, 7.80 ±18.77이다. Low‑Data에서 Dice 평균은 Episodic 0.787 ±0.17, Random 0.758 ±0.18, Weighted 0.762 ±0.18이며 HD95는 16.05 ±27.56, 15.89 ±20.52, 17.02 ±26.35이다. 3,000 iterations 고정 실험에서 Dice은 Episodic 0.778 ±0.17, Random 0.773 ±0.17, Weighted 0.773 ±0.17이고 HD95는 15.70 ±26.50, 15.55 ±20.80, 15.09 ±19.12이다. Iteration‑calibrated Schedule에서는 Random 0.777 ±0.17, Weighted 0.778 ±0.17, Episodic 0.787 ±0.17로 나타났고 HD95는 16.05 ±27.56, 15.95 ±24.38, 16.23 ±23.64로 보고된다. 전체적으로, full‑data 구간에서는 샘플링 전략 간 차이가 작고, low‑data 구간에서 Episodic가 우수하다. Budget를 맞추면 Episodic의 이점은 감소하지만 여전히 작은 차이가 남는다.

네트워크 아키텍처는 2D U‑Net(nnU‑Net 구현)이며, 인코더는 6개 레벨, 시작 채널 32에서 최대 480까지 증가한다. 손실은 cross‑entropy와 Dice Loss를 동등 가중치로 합친다. 최적화기는 AdamW, lr=1e-4, weight_decay=1e‑2이며, LR은 epoch 30과 45에서 0.1로 감소한다. 배치 크기는 Random/Weighted에서 16, Episodic에서는 500 episodes per epoch이다. Episodic 설정은 NC=2, NS=3, NQ=3으로 구성되며, 학습은 최대 200 epochs, mean foreground validation Dice를 기준으로 조기 종료(patience=20 epochs)한다. 데이터는 85% 개발/15% 테스트로 분할되고, 5‑fold 교차검증을 환자 단위로 수행한다.

한계로 SAROS 데이터의 정밀 주석에 따른 라벨 품질 이슈를 지적하고 있다. 또한 분석은 단일 태스크, 단일 모델 구성, 단일 손실 설정에 한정되며, Budget 분해의 일반화 가능성은 추가 연구가 필요하다. 500 episodes per epoch의 calibrated schedule에 의존하며, 다른 예산 구성이나 커리큘럼과의 상호작용은 추가 평가가 필요하다.