COPD 진행 시각화 위한 회귀 기반 적대적 학습

본 연구는 의료 영상에서 딥러닝 모델이 어떤 공간적 특징을 근거로 판단하는지를 설명하기 위한 시각화 기법이 주로 분류 문제에 초점을 맞추고 있다는 점을 지적한다. 연속적인 질병 중증도를 나타내는 회귀값을 가진 데이터에 대해서는 “이 이미지가 특정 회귀값을 가질 경우 어떻게 보일까”라는 질문이 더 적절하지만, 기존 방법은 이를 제공하지 못한다. 이를 해결하고자 저자들은 ‘VR‑GAN(Visualization for Regression with GAN)’이라는 새로운 프레임워크를 제안한다. VR‑GAN은 조건부 GAN 구조를 기반으로 하며, 생성기 G는 원본 흉부 X‑ray 이미지 x와 현재 회귀값 y, 목표 회귀값 y₀를 입력받아 Δx라는 ‘질병 효과 지도’를 출력한다. 이 지도는 원본 이미지에 더해져 변형 이미지 x′=x+Δx를 만든다. 회귀기 R은 원본 이미지와 변형 이미지 모두에 대해 회귀값을 예측하도록 학습된다. 손실 함수는 네 가지 주요 항목으로 구성된다. 첫째, R이 원본 이미지에서 y를 정확히 예측하도록 하는 L_R (L1 회귀 손실). 둘째, 변형 이미지에서도 원본 y를 유지하도록 강제하는 역전파 손실 L_R₀ (R이 x′에 대해 y를 예측하도록 함). 셋째, G가 변형 이미지에서 목표 y₀를 얻도록 하는 L_G₀ (R이 x′에 대해 y₀를 예측하도록 함). 넷째, Δx에 대한 L1 정규화 L_REG를 적용해 변화가 최소한의 영역에 국한되도록 한다. 이러한 손실 구조는 전통적인 GAN에서 판별기가 진위 여부를 판단하던 역할을 회귀기가 대신함으로써, “원래 회귀값을 유지하는가”라는 새로운 적대적 게임을 만든다. 모델 구현에서는 U‑Net을 기반으로 한 생성기와 ImageNet 사전학습된 ResNet‑18을 회귀기로 사용한다. 회귀기의 배치 정규화 파라미터는 고정하고, 학습 과정에서 y₀는 y와 동일한 분포에서 샘플링한다. 하이퍼파라미터 λ는 토이 데이터셋 실험을 통해 λ_G₀=0.3, λ_REG=0.03, λ_R=1.0, λ_R₀=0.3으로 설정했으며, 실제 X‑ray 데이터에서도 동일하게 적용하였다. 최적화는 Adam(learning rate = 1e‑4)으로 진행하고, 과적합 방지를 위해 early stopping을 사용한다. 먼저 토이 실험에서는 정사각형의 크기가 회귀값 y와 비례하도록 만든 이미지 10,000장을 사용했다. G는 다양한 y₀에 대해 정사각형을 확대·축소하는 Δx를 정확히 생성했으며, 정규화 교차상관(NCC) 점수는 기존 V A‑GAN(0.780 ± 0.007) 대비 0.853 ± 0.014로 향상되었다. V A‑GAN은 고정된 변형만을 생성해 크기 감소만 가능했지만, VR‑GAN은 양방향(증가·감소) 변형을 자유롭게 만들었다. 본격적인 임상 검증을 위해 2012‑2017년 사이 유타 대학병원에서 수집한 흉부 X‑ray와 폐기능 검사(PFT) 데이터를 사용했다. PFT는 FEV₁/FVC 비율을 회귀값 y로 정의했으며, y < 0.7이면 COPD로 진단한다. 동일 환자의 서로 다른 시점 X‑ray를 affine registration(pystackreg)으로 정합하고 차이를 Δx_ground truth로 만든다. 훈련 데이터는 3,414장, 검증 208쌍, 테스트 587쌍으로 구성했다. 이미지 전처리는 중앙 정사각형 크롭, 256×256 리사이즈, 무작위 224×224 크롭, 히스토그램 평탄화,