밀도 높은 조정 가능한 필터 CNN을 이용한 조직학 이미지에서의 회전 대칭성 활용

조직학 이미지는 회전에 대해 본질적으로 대칭적이며, 각 방향이 동일한 확률로 나타날 수 있습니다. 그러나 이러한 회전 대칭성은 현대 컨벌루션 신경망(CNNs)에서 사전 지식으로 널리 활용되지 않아, 방향마다 독립적인 특징을 학습하는 데이터 기반 모델이 생성됩니다. CNNs가 회전 등변성을 가지도록 하면 데이터에서 이러한 변환 집합을 학습할 필요성이 제거되고, 대신 모델의 용량이 자유롭게 사용되어 더 구별력 있는 특징을 학습할 수 있게 됩니다. 필요한 매개변수의 수를 줄임으로써 과적합 위험도 감소시킬 수 있습니다. 이 논문에서는 그룹 컨벌루션과 각 필터의 여러 회전 복사본을 밀집 연결 프레임워크에서 사용하는 Dense Steerable Filter CNNs(DSF-CNNs)를 제안합니다. 각 필터는 조정 가능한 기초 필터들의 선형 결합으로 정의되며, 이는 정확한 회전을 가능하게 하고 표준 필터보다 훈련 가능한 매개변수의 수를 줄입니다. 또한 우리는 조직학 이미지 분석을 위한 다양한 회전 등변성 CNNs 간의 첫 번째 심층 비교를 제공하며, 현대 아키텍처에 회전 대칭성을 인코딩하는 것이 유리함을 보여줍니다. 우리는 DSF-CNNs가 유방 종양 분류, 대장선 세분화 및 다중 조직 핵 세분화라는 산업병리학 영역의 세 가지 다른 작업에 적용될 때, 훨씬 적은 매개변수로 최고 성능을 달성함을 입증하였습니다.