배아 분절 정도는 체외 수정(IVF) 임상 결정에서 배아 발달 잠재력을 평가하는 중요한 형태학적 지표이다. 수동 채점 방식은 시간 소모적이며, 관찰자 간의 상당한 변동성 및 효율성 병목 현상으로 제한된다. 본 연구는 최첨단 시맨틱 분할(DeepLabV3+)과 다중 스케일 회귀 헤드를 통합한 이중 분기 다중 작업 학습(MTL) 프레임워크인 RegDeepLab을 제안한다. 다중 작업 학습에서 흔히 발생하는 "경사도 충돌" 및 "부정적 전이" 문제를 해결하기 위해 "2단계 분리 훈련 전략"을 제안했다. 실험 결과, 설계된 "Feature Injection" 메커니즘을 통해 표준 종단 간 MTL 훈련이 채점 오류를 최소화(MAE=0.046)할 수 있지만, 분할 경계의 무결성을 손상시키는 것으로 나타났다. 반면, 분리 전략은 SOTA 수준의 분할 정확도(Dice=0.729)를 유지하면서 강력하고 고정밀 채점 예측을 성공적으로 제공했다. 또한, 대규모 이산 채점 데이터를 반지도 학습에 효과적으로 활용하기 위해 "Range Loss"를 도입했다. 이 연구는 궁극적으로 높은 정확도와 시각적 설명 가능성을 결합한 이중 모듈 임상 보조 솔루션을 제시한다.
