Core Concepts
제한된 레이블 데이터에서 내부 및 외부 불확실성을 활용하여 효과적으로 병리 조직 이미지를 분할하는 모델을 제안한다.
Abstract
이 논문은 병리 조직 이미지 분할을 위한 반자동 학습 프레임워크를 제안한다. 주요 내용은 다음과 같다:
두 단계 하위 네트워크, 가이드 특징 강화 모듈, 다중 스케일 및 다단계 특징 통합 모듈로 구성된 PG-FANet 모델을 제안한다. 이를 통해 기존 U-Net 기반 모델의 특징 불일치 문제를 해결한다.
학생 모델 내부의 계층적 예측 불확실성(내부 불확실성)과 이미지 예측 불확실성(외부 불확실성)을 모델링하고 측정하는 새로운 정규화 방법을 제안한다. 이를 통해 교사-학생 구조의 일관성을 향상시킨다.
두 데이터셋(MoNuSeg, CRAG)에 대한 실험 결과, 제안 모델이 완전 감독 및 반자동 학습 상황에서 최신 기술을 능가하는 성능을 보인다.
Stats
병리 조직 이미지에서 핵 및 선샘 구조물을 정확하게 분할하는 것이 중요하지만 수작업으로 수행하기 어렵다.
제한된 레이블 데이터에서 반자동 학습 기법을 활용하여 병리 조직 이미지를 효과적으로 분할할 수 있다.
Quotes
"Acquiring pixel-level annotations is often limited in applications such as histology studies that require domain exper-tise."
"However, hierarchical prediction uncertainty within the student model (intra-uncertainty) and image prediction uncertainty (inter-uncertainty) have not been fully utilized by existing meth-ods."