ㅁ 의미론적 분할/증강

ㅇ 정의:
의료 영상 데이터에서 경계나 세부 구조를 흐리게 하여 모델이 다양한 화질 및 노이즈 상황에 적응하도록 만드는 이미지 증강 기법.

ㅇ 특징:
– 영상의 고주파 성분(경계, 세부 텍스처)을 줄이고 저주파 성분을 강조.
– 커널 크기와 표준편차(sigma)에 따라 흐림 정도 조절 가능.
– 과적합 방지 및 일반화 성능 향상에 도움.

ㅇ 적합한 경우:
– MRI, CT 등에서 촬영 조건에 따른 화질 차이가 큰 경우.
– 경계가 불명확한 병변(예: 종양, 출혈)을 다양한 형태로 학습시키고자 할 때.

ㅇ 시험 함정:
– Gaussian Blur는 데이터 증강 기법이지, 잡음 제거 필터로만 사용하는 것이 아님.
– 모든 경우에 성능이 향상되는 것은 아니며, 과도한 블러는 중요한 특징 손실을 유발.

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) Gaussian Blur는 의료 영상에서 경계 불확실성에 대한 모델의 강건성을 높이는 데 활용될 수 있다.
– (X) Gaussian Blur는 항상 진단 정확도를 높인다.

================================

1. Gaussian Blur

ㅇ 정의:
영상의 각 픽셀 값을 주변 픽셀의 가중 평균으로 계산하여 부드럽게 만드는 필터링 기법으로, 가중치는 가우시안 분포를 따른다.

ㅇ 특징:
– 커널 크기와 sigma 값 조절로 흐림 정도를 제어.
– 노이즈 제거보다는 디테일 감소 및 패턴 다양화를 목적으로 사용 가능.
– 공간 도메인과 주파수 도메인 모두에서 설명 가능.

ㅇ 적합한 경우:
– 다양한 해상도, 노이즈 조건을 시뮬레이션해야 하는 데이터 증강.
– 경계 인식에 과도하게 의존하는 모델을 완화하고자 할 때.

ㅇ 시험 함정:
– Gaussian Blur는 항상 저주파 성분만 남기는 것이 아니다. 커널 크기에 따라 효과가 달라진다.
– 의료 영상에서 무조건 blur를 적용하면 병변 검출 성능이 떨어질 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) Gaussian Blur는 커널의 크기와 sigma 값에 따라 흐림 정도가 달라진다.
– (X) Gaussian Blur는 모든 주파수 성분을 동일하게 줄인다.

ㅁ 추가 학습 내용

Gaussian Blur 적용 시 sigma 값이 커질수록 블러 효과가 강해져 병변의 경계가 사라질 수 있으므로, 데이터 증강에서는 원본 이미지와 블러 처리된 이미지를 혼합하여 사용하는 것이 효과적이다. 시험에서는 Gaussian Blur, Average Blur, Median Blur의 차이를 묻는 문제가 자주 출제되므로, 각 필터의 가중치 계산 방식과 잡음 제거 특성을 비교할 수 있어야 한다. Gaussian Blur는 가우시안 분포 기반의 가중치를 사용하여 중심에 가까운 픽셀에 더 높은 비중을 부여하며, 이를 통해 영상의 흐림이 자연스럽게 구현되는 것이 특징이다.