ㅁ 의미론적 분할/증강

ㅇ 정의:
의료 영상 데이터의 의미론적 분할(Semantic Segmentation) 작업에서 데이터 다양성을 높이기 위해 이미지를 무작위 각도로 회전시키는 데이터 증강 기법.

ㅇ 특징:
– 회전 각도 범위를 설정(예: -30° ~ +30°)하여 학습 시마다 무작위로 적용.
– 원본 이미지와 레이블(마스크)을 동일하게 회전시켜야 함.
– 영상의 방향성이 중요한 경우(예: CT, MRI의 해부학적 방향) 주의 필요.

ㅇ 적합한 경우:
– 병변 위치가 방향에 크게 영향을 받지 않는 경우.
– 데이터셋 크기가 작아 다양한 시각적 변형이 필요한 경우.

ㅇ 시험 함정:
– 회전 시 마스크와 이미지가 불일치하면 학습 성능 급감.
– 의료 영상에서 방향성이 중요한 경우 무분별한 회전은 오히려 정확도 저하.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Random Rotation은 데이터 다양성을 위해 이미지와 마스크를 동일 각도로 회전시킨다.”
X: “Random Rotation은 마스크 회전이 필요 없다.”

ㅁ 추가 학습 내용

회전 시 발생하는 이미지 외곽의 빈 영역은 zero padding, reflection padding 등으로 처리할 수 있으며, 이러한 방식은 모델의 경계 인식 성능에 영향을 줄 수 있다. 3D 의료 영상에서는 단순한 2D 회전이 아니라 축별 회전(axis-specific rotation)의 개념이 중요하며, DICOM 메타데이터의 방향 정보(Image Orientation Patient)를 고려하지 않으면 해부학적 의미가 왜곡될 수 있다. 시험에서는 ‘Random Rotation은 항상 성능을 향상시킨다’와 같은 절대적 표현이 오답일 가능성이 높다.