MedXplore: 의료 영상에서 신뢰성과 편향성을 갖춘 일반화된 범주 발견을 향하여

MedXplore: Towards Reliable and Unbiased Generalized Category Discovery in Medical Imaging

딥러닝은 의료 영상 분석 분야에서 강력한 잠재력을 보여주고 있지만, 대부분의 기존 방법은 대규모 어노테이션과 실제 임상 환경에서는 잘 맞지 않는 폐쇄형 세계 가정을 기반으로 합니다. 일반화된 범주 발견(Generalized Category Discovery, GCD)은 자연 이미지 분야에서 빠르게 발전했지만, 의료 영상 분야에서는 아직 연구가 부족합니다. 이러한 문제를 해결하기 위해, 우리는 신뢰성과 편향성을 갖춘 의료 GCD를 위한 통합 프레임워크인 MedXplore를 제안합니다. MedXplore는 인식 및 의사 결정 수준 모두에서 최적화를 수행합니다. 구체적으로, 인식 수준에서는 주파수 영역 관점에서 Frequency-SNR Adaptive Attention and Consistency (FAAC) 모듈을 사용하여 학습 가능한 전체 스펙트럼 필터링과 전역-지역 에너지 대비 활성화를 통해, 전반적인 맥락에 대한 국소적인 이상 신호를 강조할 뿐만 아니라 패치 일관성 학습을 위한 신뢰할 수 있는 의미론적 앵커를 제공합니다. 의사 결정 수준에서는 Adaptive Cosine-Angular Margin (ACAM) 모듈을 사용하여 의미론적 난이도와 특징 신뢰도를 기반으로 각도 마진을 조정하여, 클래스 내 응집력과 클래스 간 분리력을 균형 있게 유지합니다. 이 두 가지 모듈은 함께 병변 감지 능력이 뛰어난 표현 학습을 개선하고 기존 클래스에 대한 편향을 완화합니다. 여러 벤치마크 실험 결과, MedXplore는 가장 강력한 경쟁 모델 대비 평균적으로 8.5%의 *All* 정확도 향상을 보였습니다. Kvasir 데이터셋에서 MedXplore는 false-old 오류를 14.50%에서 0.80%로 줄여, 심각한 구-신(old-new) 모호성 상황에서도 강력한 견고성을 보여줍니다.

Deep learning has shown strong potential in medical image analysis, but most existing methods rely on large-scale annotations and a closed-world assumption that rarely holds in clinical practice. Although Generalized Category Discovery (GCD) has advanced rapidly on natural images, it remains underexplored in medical imaging. To address this issue, we propose MedXplore, a unified framework for reliable and unbiased medical GCD, optimizing from both perceptual and decision levels. Specifically, at the perceptual level, taking a frequency domain perspective, Frequency-SNR Adaptive Attention and Consistency (FAAC) performs learnable full-spectrum filtering and global-local energy contrast activation to not only highlight local abnormal signals relative to the global context, but also provide reliable semantic anchors for patch consistency learning. At the decision level, Adaptive Cosine-Angular Margin (ACAM) adjusts angular margins using semantic difficulty and feature confidence to balance intra-class compactness and inter-class separability. Together, the two modules improve lesion-sensitive representation learning and mitigate old-class bias. Experiments on multiple benchmarks show an average \textbf{8.5\%} gain in \textit{All} accuracy over the strongest competing methods. On Kvasir, MedXplore reduces false-old errors from 14.50\% to 0.80\%, demonstrating strong robustness under severe old-new ambiguity.