[2026-05-15 | Data Frontier] 한눈에 보는 AI x 비즈니스 분야 연구 동향

📖 Dual Student Discrepancy Correction for Semi‐Supervised Medical Image Segmentation

• 저널: Expert Systems
• 저자: Zhenfu Sang, Rui Zhang, Chong Fu, Lin Cao 외 1명
• 출판일자: 2026-05-14
• 키워드: 의료 영상 분할, 준지도 학습, 교사-학생 모델, 확인 편향, 데이터 증강

의료 영상 분할은 제한된 레이블 데이터와 풍부한 비레이블 데이터를 활용하여 준지도 학습으로 효율성을 높인다. 이를 통해 수작업 주석에 드는 노동력과 비용을 크게 줄일 수 있다. 하지만 기존의 많은 교사-학생 프레임워크는 훈련 과정에서 확인 편향에 취약하여 성능 저하를 유발한다.

이 문제를 해결하기 위해 본 연구는 Mean Teacher (MT) 프레임워크를 확장한 Dual Student Discrepancy Correction (DSDC) 프레임워크를 제안한다. DSDC는 동일한 구조지만 독립적으로 업데이트되는 파라미터를 가진 추가적인 학생 모델을 포함한다. 이 설계는 일반적인 단일 학생 모델 패러다임에서 지수 이동 평균(Exponential Moving Average, EMA)을 통해 교사 모델을 업데이트할 때 발생할 수 있는 파라미터 결합 문제를 완화한다.

또한, 두 학생 모델 간의 예측 불일치를 오류 감지 및 수정에 활용하여 네트워크가 스스로의 인지 편향을 식별하고 바로잡도록 한다. 이를 통해 분할 정확도를 향상시킨다. LA(MRI 데이터셋)와 Pancreas-NIH(CT 데이터셋)라는 두 공개 벤치마크에 대한 포괄적인 실험은 DSDC 프레임워크가 모든 평가 지표에서 현재 최첨단(State-of-the-Art, SOTA) 접근 방식을 능가함을 보여주었다. 이는 준지도 학습 의료 영상 분할 작업에서 프레임워크의 효과를 뒷받침한다.

논문 원문 바로가기