실제 환경의 레이블 노이즈를 고려한 연합 의료 영상 분할: 노이즈 레이블 학습 방법 선택을 위한 벤치마크 모음

Federated Medical Image Segmentation under Real-World Label Noise: A Benchmark Suite for Noisy Label Learning Method Selection

연합 학습(FL)은 민감한 데이터를 중앙 집중화하지 않고 협력적인 의료 영상 분할을 가능하게 하지만, 실제 적용 과정에서 윤곽선 불일치, 누락되거나 추가된 구조물, 혼동된 레이블 등 다양한 사이트 간의 레이블 불완전성이 발생합니다. 연합 노이즈 레이블 학습(FNLL)은 이러한 문제를 완화하는 것을 목표로 하지만, 기존 연구가 주로 합성 노이즈, 단순화된 설정 및 제한적인 실제 환경에서의 노이즈 평가에 기반했기 때문에 실질적으로 널리 사용되지 못하고 있습니다. 본 연구에서는 다양한 실제 환경의 노이즈 데이터셋, 배포 관련 클라이언트 노이즈 시나리오 및 노이즈 특성 맞춤형 평가를 결합한 벤치마크 모음을 소개하여 체계적인 FNLL 평가와 정보에 입각한 방법 선택을 지원합니다. 이 모음은 다양한 출처에서 수집된 실제 의료 영상 분할 데이터셋과, 다양한 클라이언트 노이즈 시나리오 및 노이즈 특성 맞춤형 평가 기능을 포함하는 포괄적인 연합 분할 프레임워크를 결합합니다. 제시된 벤치마크 모음은 의료 영상 분할 분야의 FNLL 평가를 위한 현실적이고 차별화된 기반을 제공하며, 공정한 벤치마킹, 데이터셋별 노이즈 특성 분석 및 실제 연합 환경에서의 향후 방법 개발을 위한 재사용 가능한 토대를 구축합니다. 관련 코드는 https://github.com/MIC-DKFZ/FedSegNoiseBench 에서 확인할 수 있습니다.

While federated learning (FL) enables collaborative medical image segmentation without centralizing sensitive data, real-world deployment is frequently complicated by cross-site label imperfections such as contour disagreement, missing or additional structures, and confused labels. Federated noisy label learning (FNLL) aims to mitigate these effects, yet remains underused in practice as existing evidence is largely based on synthetic noise, simplified settings, and limited real-world noisy evaluation. We address this gap by introducing a benchmark suite that combines diverse real-world noisy datasets, deployment-relevant client-noise scenarios, and label-noise-targeted evaluation to support systematic FNLL assessment and informed method selection. The suite combines curated real-world noisy medical image segmentation datasets from diverse sources with a comprehensive federated segmentation framework including various client-noise scenarios and noise-targeted evaluation. The presented suite provides a realistic and discriminative basis for FNLL evaluation in medical image segmentation and establishes a reusable foundation for fair benchmarking, dataset-specific label-noise characterization, and future method development under realistic federated settings. Code is available at https://github.com/MIC-DKFZ/FedSegNoiseBench.