반지도 학습 기반 의료 영상 분할 (Semi-supervised medical image segmentation)은 레이블이 없는 데이터에 대한 일관성 정규화 (consistency regularization)를 활용하여 주석 부족 문제를 완화함으로써 의료 영상 분석 분야의 주요 연구 과제로 부상했습니다. 그러나 기존 방식들은 주로 시각적 패턴 매칭을 통해 작동하며, 픽셀 수준의 유사성에 크게 의존합니다. 이러한 시각 중심적 의존성은 시각적-의미적 불일치 (visual-semantic mismatch)가 특징인 임상 시나리오에서 종종 실패합니다. 즉, 시각적으로는 유사한 병변이라도 서로 다른 진단 결론을 내려야 하는 경우, 전문가들이 사용하는 근본적인 진단 논리를 포착하지 못합니다. 이를 해결하기 위해, 우리는 시각적 단서를 넘어 병리학적으로 구별되는 사례를 식별하기 위해 사고의 사슬 (Chain-of-Thought, CoT) 추론을 통합하는 프레임워크인 CERS (CoT-Enhanced Reasoning Segmentation)를 제안합니다. 구체적으로, 우리는 대규모 언어 모델 (LLMs)에 의해 생성된 언어적 추론 설명으로 풍부해진 지식 풀 (knowledge pool)을 구축합니다. 또한, 형태학 (morphology)을 통해 후보를 먼저 필터링한 다음, CoT 일관성을 통해 하드 네거티브 (hard negatives)를 제거함으로써 과거의 증거를 식별하는 의미 인식 참조 선택 (semantic-aware reference selection) 전략을 도입합니다. 나아가, 이러한 추론 유도 문맥 (reasoning-derived context)을 디코딩 과정에 효과적으로 융합하기 위해 다중 스케일 좌표 주의 집중 모듈 (multi-scale coordinate attention module, MCAM)을 설계했습니다. 광범위한 실험을 통해 CERS가 최신 기술 (state-of-the-art) 방식들에 비해 우수함을 입증하였으며, 특히 경계 모호성 (boundary ambiguities)과 의미적 불일치 (semantic inconsistencies)를 해결하는 데 탁월함을 보여주었습니다. 코드는 https://github.com/cymasuna/CERS 에서 확인할 수 있습니다.