본 논문은 다양한 특징을 동시에 학습하고 데이터 프라이버시를 보장하는 새로운 연속 자가 지도 학습(CSSL) 프레임워크를 제안한다. 의료 영상 진단에서 강력하고 일반화된 모델을 구축하는 어려움, 특히 대규모의 정확하게 주석이 달린 데이터 부족 및 동적 의료 환경의 도메인 변화 문제를 해결하고자 한다. 흉부 CT 이미지의 윈도우 설정 차이로 인한 도메인 변화를 완화하기 위해 잠재적 리플레이 기반 메커니즘을 CSSL에 통합하여 데이터 프라이버시를 유지하면서 재앙적 망각을 완화한다. 또한, Wasserstein 거리 기반 지식 증류(WKD)와 배치 지식 앙상블(BKE)을 통합하는 특징 증류 기법을 도입하여 의미 있고 도메인 변화에 강건한 표현 학습 능력을 향상시켰다. 두 가지 다른 윈도우 설정을 사용하여 흉부 CT 이미지로 제안된 방법을 검증하여 다른 접근 방식보다 우수한 성능을 입증했다.
시사점, 한계점
•
시사점:
◦
흉부 CT 이미지의 도메인 변화 문제를 해결하는 새로운 CSSL 프레임워크 제안.
◦
데이터 프라이버시를 유지하면서 재앙적 망각을 완화하는 잠재적 리플레이 기반 메커니즘 활용.
