연합 학습 (Federated Learning, FL)은 민감한 데이터를 중앙 집중화하지 않고도 협력적인 의료 영상 분할 (Medical Image Segmentation)을 가능하게 하지만, 실제 배포 환경은 윤곽 불일치, 누락되거나 추가된 구조, 혼동된 라벨과 같은 사이트 간 라벨 불완전성으로 인해 빈번하게 복잡해집니다. 연합 노이즈 라벨 학습 (Federated Noisy Label Learning, FNLL)은 이러한 영향을 완화하는 것을 목표로 하지만, 기존의 증거가 주로 합성된 노이즈 (Synthetic Noise), 단순화된 설정, 그리고 제한적인 실제 노이즈 평가에 기반하고 있어 실제 적용에는 여전히 미흡한 실정입니다. 본 연구에서는 체계적인 FNLL 평가와 정보에 기반한 방법 선택을 지원하기 위해, 다양한 실제 노이즈 데이터셋, 배포 관련 클라이언트-노이즈 시나리오, 그리고 라벨 노이즈 타겟 평가를 결합한 벤치마크 스위트 (Benchmark Suite)를 도입함으로써 이러한 격차를 해소합니다. 이 스위트는 다양한 출처에서 선별된 실제 노이즈 의료 영상 분할 데이터셋을 다양한 클라이언트-노이즈 시나리오 및 노이즈 타겟 평가를 포함하는 포괄적인 연합 분할 프레임워크와 결합합니다. 제시된 스위트는 의료 영상 분할 분야의 FNLL 평가를 위한 현실적이고 차별화된 기반을 제공하며, 공정한 벤치마킹, 데이터셋별 라벨 노이즈 특성 분석, 그리고 현실적인 연합 설정 하에서의 향후 방법론 개발을 위한 재사용 가능한 토대를 구축합니다. 코드는 https://github.com/MIC-DKFZ/FedSegNoiseBench 에서 확인할 수 있습니다.