Research on Techniques to Improve Polyp Segmentation Performance through SAM-based Semi-supervised Learning

본 논문에서는 라벨 데이터를 구하기 어려운 상황에서 대장내시경 영상의 용종 영역을 안정적으로 분할하기 위한 반지도 학습 기반 방법에 대하여 연구를 하였다. 기존 대규모 foundation 모델인 Segment Anything Model(SAM)은 자연영상에서 우수한 성능을 보이나 의료영상에서는 이미지 특성 차이로 인해 성능 저하가 발생하는 문제점이 있었다. 이러한 문제점을 해결하기 위해 본 연구에서는 어댑터 기반으로 파인튜닝된 SAM을 교사 모델로 활용하는 반지도 학습 방법을 제안하였다. 학생 모델은 U-Net과 V-Net으로 구성하였으며, 학생 모델의 예측 결과를 SAM의 마스크 프롬프트로 활용하여 의사 라벨을 생성하도록 설계하였다. 소프트 라벨 기반 지식 증류 기법과 Mix 기반 증강 기법을 적용하여, 이를 통해 학습 안정성과 데이터 다양성을 향상시키도록 하였다. Kvasir-SEG 데이터셋을 이용하여 실험한 결과, 제안한 방법은 최신 의료영상 분할 및 반지도 학습 방법들과 비교하여 경쟁력 있는 성능을 보였으며, 구성요소별 제외실험을 통해 소프트 라벨 기반 지식 증류 기법과 Mix 기반 증강 기법이 분할 성능 향상에 효과적으로 기여함을 확인하였다. 이를 통해 제안한 SAM 기반 반지도 학습 구조가 제한된 라벨 환경에서 용종 분할 성능 향상에 효과적임을 확인하였다.