AI를 아는 것에서, 풀 수 있는 것으로
이 레슨과 관련된 학습 키워드
U-Net은 2015년 Olaf Ronneberger 등이 의료 영상 분할(Medical Image Segmentation)을 위해 제안한 아키텍처입니다. 이름의 유래는 네트워크 구조가 알파벳 U 모양이기 때문이에요.
U-Net이 해결한 핵심 문제:
의료 영상 분야에서는 레이블된 데이터가 극히 부족합니다. 전문 의사가 직접 픽셀 단위로 표시해야 하므로 30장 정도의 학습 데이터로도 동작해야 했습니다. U-Net은 이 제약 조건에서 탄생했어요.
Semantic Segmentation이란?
U-Net의 3가지 핵심 특징:
1. 인코더-디코더 대칭 구조: 수축 후 확장하는 U자 경로
2. Skip Connection: 인코더의 고해상도 특징을 디코더에 직접 전달
3. 소량 데이터 학습: Data Augmentation + Overlap-tile 전략으로 30장으로도 학습
왜 지금도 중요한가?
왜 중요한가? 이미지 분류는 "이 이미지에 고양이가 있는가?"에 답하지만, 의료 영상에서는 "종양이 정확히 어디에, 어떤 모양으로 있는가?"에 답해야 합니다. 이것이 시맨틱 분할(semantic segmentation) — 모든 픽셀에 클래스를 할당하는 작업입니다.
U-Net은 인코더로 "무엇이 있는지"를 이해하고, 디코더로 "어디에 있는지"를 복원하는 U자 구조로, 적은 데이터로도 정밀한 분할을 달성합니다. 의료 영상에서 데이터가 극히 제한적인 현실에서, U-Net은 30장의 학습 이미지만으로 세포 분할 대회에서 우승하여 그 효율성을 증명했습니다.
U-Net은 Ronneberger 등이 의료 영상 세그멘테이션을 위해 설계한 인코더-디코더 구조이다 (Ronneberger et al., 2015).