유방 초음파에서의 병변 분할 (Lesion segmentation)은 두 가지 관련된 과제를 포함합니다. 병변이 있는 이미지의 경우, 스펙클 노이즈 (speckle noise), 낮은 조직 대비 (low tissue contrast), 그리고 후방 음향 음영 (posterior acoustic shadowing)이 경계 누출 (boundary leakage)과 불완전한 윤곽 묘사를 유발합니다. 병변이 없는 이미지의 경우, 동일한 아티팩트 (artifacts)들이 고형 병변 조직과 유사한 영역에서 위양성 (false-positive) 활성화를 생성합니다. 본 연구는 훈련 목적 함수 (training objective)에 대한 단일 수정을 통해 이 두 가지 실패 모드를 모두 해결합니다. 모든 경계 픽셀에 동일한 가중치를 부여하는 대신, 제안된 손실 함수 (loss)는 픽셀별 예측 엔트로피 (predictive entropy)와 정답 경계 맵 (ground-truth boundary map)에 따라 윤곽 페널티를 스케일링하여, 네트워크가 불확실성을 보이는 병변 가장자리 위치에 그래디언트 (gradient) 강조를 집중시킵니다. 이 손실 함수는 경계 감독이 없는 모델과 균일하게 가중치가 부여된 경계 이진 교차 엔트로피 (boundary binary cross-entropy) 모델이라는 두 가지 베이스라인 (baselines)에 대한 통제된 절제 연구 (ablation study)를 통해 BUSI 데이터셋에서 평가되었습니다. 병변이 포함된 97개의 테스트 이미지 전체에서, 제안된 방법과 경계 미사용 베이스라인 간의 평균 Dice 점수는 통계적으로 구별할 수 없었으며 (0.7624 대 0.7616, paired Wilcoxon p = 0.27), 이는 병변 분할 품질이 유지됨을 확인시켜 줍니다. 주요 효과는 특이도 (specificity)에서 나타납니다. 병변이 없는 20개의 테스트 이미지에서의 위양성 활성화는 두 베이스라인의 경우 20개 중 14개 및 19개였으나, 제안된 접근 방식에서는 20개 중 5개로 감소했습니다 (McNemar p = 0.012 및 0.0005). 겹치지 않는 Wilson 95% 신뢰 구간 (confidence intervals)은 이 차이가 통계적으로 유의미할 뿐만 아니라 실질적으로도 상당함을 확인해 줍니다. 사후 공간 온도 스케일링 (post-hoc spatial temperature scaling) 단계는 분할 마스크 (segmentation masks)를 변경하지 않고도 기대 보정 오차 (expected calibration error)를 0.0201에서 0.0095로 더욱 감소시켰습니다. 따라서 엔트로피 가이드 경계 감독과 공간 보정은 U-Net 프레임워크 내에서 특이도와 확률 신뢰도를 향상시키는 상호 보완적인 훈련 단계 및 추론 단계의 정밀화 기법으로 기능합니다.