적대적 CAC-UNet을 이용한 다중 수준 대장내시경 악성 조직 탐지

자동화되고 객관적인 의료 진단 모델은 조기 암 검출을 가능하게 하여 사망률을 감소시키는 데 있어 귀중한 역할을 할 수 있다. 본 논문에서는 설계된 적대적 CAC-UNet를 통해 다수준 악성 조직 탐지의 고효율성을 달성하는 방법을 제안한다. 음성 WSIs(Whole Slide Images)를 제거하기 위해, 사전 예측 전략을 적용한 패치 수준 모델과 악성 영역을 기반으로 한 레이블 스무딩 기법을 도입하여 오진 탐지 위험을 낮춘다. 다중 모델 앙상블을 통해 선별된 핵심 패치에 대해, 적대적 맥락 인지 및 외형 일관성을 갖춘 UNet(CAC-UNet)을 설계하여 강력한 세그멘테이션 성능을 달성한다. CAC-UNet에서는 미러 구조를 갖춘 디스커리미네이터가 기술적으로 설계된 강력한 백본 네트워크의 전체 특징 맵을 정보 손실 없이 원활하게 융합할 수 있다. 또한, 추가적인 마스크 도메인 디스커리미네이터를 통해 마스크 사전 지식을 도입하여 정확한 세그멘테이션 마스크 예측을 유도한다. 제안된 방법은 대장내시경 조직 세그멘테이션 및 분류 과제에서 MICCAI DigestPath2019 챌린지에서 최고 성능을 기록하였다. 전체 구현 세부 사항 및 훈련된 모델은 https://github.com/Raykoooo/CAC-UNet 에서 제공된다.