MRI로 뇌종양 경계를 자르는 AI, 라벨 적게 줘도 된다?

MRI 영상에서 뇌종양을 찾아내고 경계를 정확히 그리는 건 의사에게도 쉽지 않다. 특히 악성 뇌종양인 교모세포종(GBM) 같은 경우, 경계가 불분명해 수술 범위를 정하는 데 큰 영향을 준다.

그래서 요즘은 딥러닝이 뇌종양을 대신 찾아내는 컴퓨터 보조 진단(CAD) 기술이 발전하고 있다. 문제는 좋은 모델을 만들려면 수천 장의 MRI 사진에 정확한 라벨(정답)을 붙여야 한다는 것. 이 작업은 시간과 돈이 많이 들고, 전문 인력이 꼭 필요하다.

라벨 조금만 줘도 되는 준지도 학습

이런 문제를 해결하기 위해 연구자들은 준지도 학습(SSL)에 주목했다. 준지도 학습은 일부에만 라벨을 붙이고, 나머지는 AI가 스스로 학습하게 하는 방식이다. 이번 논문은 MRI 뇌종양 분할에 쓰이는 다양한 준지도 학습 방법들을 총정리했다.

핵심은 3가지다.
1️⃣ 의사 라벨(Pseudo-Labeling) : AI가 자기가 본 데이터를 기반으로 가짜 라벨을 만들고 다시 학습한다.
2️⃣ 일관성 규제(Consistency Regularization) : 같은 이미지에 노이즈를 줘도 예측이 비슷해야 한다고 학습시킨다.
3️⃣ 적대적 학습(GAN) : 가짜 이미지와 진짜 이미지를 구별하면서 모델의 분할 성능을 높인다.

의사 라벨, 믿을 만할까?

의사 라벨링은 단순하지만 문제도 있다. AI가 잘못된 라벨을 만들어버리면 오히려 학습이 꼬인다. 이를 해결하기 위해 최근엔 신뢰도 높은 부분만 선별하거나 불확실한 영역은 따로 처리하는 방법들이 쓰이고 있다.

예를 들어, 두 개의 네트워크가 서로 결과를 비교해 신뢰도가 낮은 라벨은 버리는 코트레이닝(Co-Training), 세 개의 모델을 쓰는 트라이 트레이닝(Tri-Training) 같은 방식이 대표적이다.

일관성 규제와 대조 학습

일관성 규제는 동일한 입력에 조금씩 다른 변형을 주고, 예측이 비슷해야 한다고 학습한다. 노이즈나 회전, 왜곡 같은 변형에도 흔들리지 않는 강인한 모델을 만든다.

최근에는 이미지 전체뿐 아니라 픽셀 단위까지 대조 학습을 결합하는 픽셀 대조 학습(Pixel-Level Contrastive Learning)도 주목받는다. MRI는 해상도가 높고 경계가 복잡하기 때문에 이 방법이 특히 유용하다.

GAN과 다중 모듈 전략

적대적 학습(GAN)은 가짜 데이터를 만들어 모델을 속여보면서 성능을 높이는 방식이다. 예컨대, 뇌종양 경계를 조금 더 정확히 그리도록 shape-aware adversarial loss를 쓰는 것이다.

또 최근엔 여러 기법을 결합한 하이브리드 전략도 늘고 있다. 일관성 규제와 의사 라벨링, GAN을 섞어 모델이 스스로 오류를 줄이고 학습 데이터를 최대한 활용하도록 돕는다.

인간의 눈과 AI의 손, 둘 다 필요하다

MRI 뇌종양 분할에서 준지도 학습은 라벨링 비용은 줄이고, 성능은 높인다는 점에서 큰 의미가 있다. 하지만 여전히 의료 데이터는 기관마다 다르고, 모달리티(촬영 방식)가 달라지면 성능이 달라질 수 있다.

또한 AI가 내린 결과를 의사가 해석할 수 있도록 설명 가능한 AI(XAI) 기술이 함께 연구되고 있다. 사람과 AI가 함께 진단하는 시대, 이제 더 가까워지고 있다.

출처 논문
Jin, C.; Ng, T.F.; Ibrahim, H. (2025). Advancements in Semi-Supervised Deep Learning for Brain Tumor Segmentation in MRI: A Literature Review. AI 2025, 6, 153. https://doi.org/10.3390/ai6070153