DTFD-MIL: 이중계층 특징 증류 다중 인스턴스 학습을 통한 조직병리학 전면 슬라이드 이미지 분류

다중 예제 학습(Multiple Instance Learning, MIL)은 조직병리학 전면 슬라이드 이미지(Whole Slide Images, WSIs)의 분류에 점점 더 널리 활용되고 있다. 그러나 이와 같은 특정 분류 문제에 적용되는 MIL 접근법은 여전히 독특한 도전 과제에 직면해 있으며, 특히 소규모 샘플 코호트와 관련된 문제들이 주요 과제로 남아 있다. 이러한 경우, WSI 슬라이드(즉, 백의 수)가 제한적이지만, 단일 WSI의 해상도는 매우 높아 하나의 슬라이드에서 추출되는 패치(인스턴스)의 수가 막대하게 증가한다. 이 문제를 해결하기 위해, 우리는 가상의 '가짜 백(pseudo-bag)' 개념을 도입하여 백의 수를 가상으로 증가시키는 방안을 제안한다. 이를 바탕으로 이중 계층형 MIL 프레임워크를 구축하여 내재된 특징을 효과적으로 활용할 수 있도록 하였다. 또한, 주목력 기반 MIL 프레임워크 하에서 인스턴스 확률을 유도하는 기여도를 제공하며, 이 유도 결과를 활용하여 제안하는 프레임워크의 구조 설계 및 분석을 지원한다. 제안된 방법은 CAMELYON-16 데이터셋에서 다른 최신 기법들과 비교하여 상당한 성능 우위를 보이며, TCGA 폐암 데이터셋에서도 뛰어난 성능을 기록하였다. 제안하는 프레임워크는 더 넓은 MIL 응용 분야로 확장 가능한 구조를 갖추고 있다. 코드는 다음 링크에서 공개되어 있다: https://github.com/hrzhang1123/DTFD-MIL