MILD-Net: 대장 조직학 이미지에서 간 세포 분할을 위한 최소 정보 손실 희박화 네트워크

대장 조직병리학 이미지 내의 선 모양 분석은 대장암의 등급을 결정하는 데 중요한 단계입니다. 그러나 이 작업은 수작업 세그멘테이션이 노동 집약적이고 시간이 많이 소요되며 병리학자 간의 주관성으로 인해 문제가 될 수 있습니다. 컴퓨터 조직병리학의 발전으로 이러한 수작업 세그멘테이션의 어려움을 극복하기 위한 자동화된 선 세그멘테이션 방법들이 개발되었습니다. 그러나, 선의 다양한 형태와 특정 선과 비선 구조를 구분하는 어려움 때문에 이 작업은 쉽지 않습니다. 또한, 진단 결정 과정에서 불확실성을 측정하는 것이 필수적입니다. 이러한 도전 과제들을 해결하기 위해, 우리는 최대 풀링(max-pooling)으로 인한 정보 손실을 방지하기 위해 네트워크 내 여러 지점에서 원본 이미지를 재도입하는 완전 컨볼루셔널 신경망(Fully Convolutional Neural Network)을 제안합니다. 또한, 해상도 유지와 다중 수준 집합을 위해 다양한 확장률(dilation rates)을 사용하는 아트루스 공간 피라미드 풀링(Atrous Spatial Pyramid Pooling)을 활용합니다. 불확실성을 포함시키기 위해, 테스트 시에 임의 변환(random transformations)을 도입하여 세그멘테이션 결과를 개선하고 동시에 불확실성 맵(uncertainty map)을 생성하여 모호한 영역을 강조합니다. 우리는 이 맵이 높은 불확실성을 가진 예측들을 무시할 때 사용할 수 있는 지표를 정의하는 데 활용될 수 있음을 보여줍니다. 제안된 네트워크는 GlaS 챌린지 데이터셋과 두 번째 독립적인 대장직장 암 데이터셋에서 최고 성능을 달성하였습니다. 또한, 두 가지 추가 데이터셋에서 전체 슬라이드 이미지에 대한 선 인스턴스 세그멘테이션을 수행하여 우리의 방법론의 일반화 능력을 강조하였습니다. 확장을 통해, 우리는 선과 광腔的同时分割(simultaneous gland and lumen segmentation)을 증가시키기 위한 MILD-Net+를 소개합니다. 이를 통해 네트워크의 진단 능력(diagnostic power)을 향상시킬 수 있습니다.注：在最后一句中，“光腔的同时分割” (simultaneous gland and lumen segmentation) 为中文表述，正确的韩文翻译应为“선과 광강的同时分割”。不过，考虑到“광강” (lumen) 在医学领域中的使用频率较低，为了确保专业性和准确性，这里保留了英文术语。如果需要完全的韩文表达，请告知我进一步调整。