[연구의 필요성]

• 연합학습(Federated Learning)은 환자 데이터를 외부로 공유하지 않고 여러 병원이 협력하여 모델을 학습할 수 있게 해 준다. 그러나 의료영상 레이블링에는 전문 지식이 필요하고 많은 비용과 시간이 들기 때문에, 각 기관이 보유한 임상 데이터의 대부분은 레이블이 없는 상태로 남아 있다. 이를 해결하기 위해 레이블 데이터와 무라벨 데이터를 함께 활용하는 반지도 연합학습(Semi-Supervised Federated Learning)이 주목받고 있다.
• 특히 공개 의료 데이터셋이 늘어나면서, 레이블은 서버의 공개 데이터에만 존재하고 각 병원은 무라벨 데이터만 보유하는 환경이 현실적인 시나리오로 부상하고 있다. 기존 방법들은 이 환경에서 공개 데이터의 지식을 모델 파라미터나 예측 형태로 압축하여 전달한다. 이 과정에서 개별 공개 샘플이 가진 세밀한 의미 정보가 손실되며, 그 결과 기관 간 데이터 분포가 크게 다른 환경에서 성능이 저하된다.
• 따라서 공개 레이블 데이터를 개별 샘플 수준에서 직접 활용하여, 각 병원의 데이터 특성에 맞춘 분할을 수행할 수 있는 새로운 방법이 필요하다.

[포스텍이 가진 고유의 기술]

본 연구는 공개 레이블 데이터를 전역 지식의 원천이 아닌, 각 병원 데이터에 대한 맥락적 참조(reference)로 활용하는 검색 기반 반지도 연합 분할 프레임워크 R2S2Fed를 제안한다. 핵심 아이디어는 공개 데이터 안에 각 병원 데이터와 의미적으로 유사한 샘플이 존재하며, 이 샘플들이 정확한 분할을 위한 세밀한 가이드를 제공할 수 있다는 것이다.

이를 위해 먼저 Query-Adaptive Retrieval(QAR)을 고안하였다. QAR은 학습 중 변화하는 특징 공간을 반영하여 각 병원 영상과 의미적으로 가장 관련된 공개 데이터를 주기적으로 다시 검색한다. 이를 통해 참조와 병원 데이터 간의 의미적 정렬을 지속적으로 유지한다.

다음으로 검색된 참조의 전경·배경 정보를 바탕으로 분할 헤드의 파라미터를 생성하는 동적 분할 구조를 설계하였다. 이 구조는 영상마다 맞춤형 분할 파라미터를 만들어 내므로, 각 병원이 자신의 데이터 특성에 맞는 샘플 단위 적응형 분할을 수행할 수 있다.

학습 과정에서는 검색된 참조 영상에 대한 지도 학습과 병원 무라벨 영상에 대한 일관성 학습을 결합하여, 레이블이 없는 병원 데이터에도 명시적인 지도 신호를 제공한다.

[연구의 의미]

본 연구는 공개 레이블 데이터를 모델 파라미터로 압축해 전달하는 기존 방식에서 벗어나, 개별 공개 샘플의 의미 정보를 각 병원 데이터의 분할에 직접 활용하는 새로운 반지도 연합학습 방식을 제시하였다.

병원 간 데이터 분포가 동일한 피부 병변 분할 환경과 분포가 서로 다른 대장 용종 분할 환경 모두에서 기존 반지도 연합학습 기법보다 우수한 성능을 보였다. 특히 기관 간 데이터 이질성이 큰 환경에서 기존 기법들은 성능이 크게 저하된 반면, 제안 기법은 모든 병원에서 안정적으로 높은 성능을 유지하였다.

또한 의미적으로 관련된 참조를 검색하여 학습에 활용하는 것이 성능 향상의 핵심 요소임을 확인하였다. 이는 실제 다기관 의료 환경에서 개인정보를 보호하면서도 무라벨 데이터를 효과적으로 활용할 수 있음을 보였다는 점에서 의의가 있다.

[연구결과의 진행 상태 및 향후 계획]

본 연구는 의료영상 분야의 대표 국제학술대회인 International Conference on Medical Image Computing and Computer Assisted Intervention(MICCAI 2026)에 채택되었다.

향후에는 대규모 공개 데이터에도 효율적으로 적용할 수 있는 확장 가능한 검색 전략을 연구할 계획이다. 또한 제안한 프레임워크를 다양한 의료영상 분석 과제로 확장하여, 실제 다기관 의료 환경에서의 활용 가능성을 높이는 것을 목표로 한다.

• 
  [성과와 관련된 실적]

Heejung Park, Soopil Kim, Wafa Arsalane, Sion An†, Sang Hyun Park†, “Retrieval-Guided Semi-Supervised Federated Learning for Medical Image Segmentation,” MICCAI 2026 († co-corresponding authors)

• 
  [성과와 관련된 이미지]
• 그림1. 제안하는 기법의 개요