DGMIL: 전체 슬라이드 이미지 분류를 위한 분포 지도형 다중 예제 학습

다중 예제 학습(Multiple Instance Learning, MIL)은 조직병리학적 전체 슬라이드 이미지(Whole Slide Images, WSIs) 분석에 널리 사용된다. 그러나 기존의 MIL 방법들은 데이터 분포를 명시적으로 모델링하지 않고, 분류기 학습을 통해 단지 배그 수준 또는 인스턴스 수준의 결정 경계를 탐지하는 방식에 그친다. 본 논문에서는 WSI 분류 및 긍정적인 패치 탐지 작업을 위한 특성 분포 지도형 깊은 다중 예제 학습(DGMIL) 프레임워크를 제안한다. 복잡한 판별적 네트워크 아키텍처를 설계하는 대신, 우리는 조직병리학 이미지 데이터의 내재된 특성 분포가 인스턴스 분류에 매우 효과적인 가이드가 될 수 있음을 밝힌다. 이를 위해 클러스터 조건부 특성 분포 모델링 방법과 의사 레이블 기반 반복적 특성 공간 개선 전략을 제안하여, 최종 특성 공간에서 긍정적 인스턴스와 부정적 인스턴스를 쉽게 구분할 수 있도록 한다. CAMELYON16 데이터셋과 TCGA 폐암 데이터셋에서 수행한 실험 결과, 본 방법은 전역 분류 및 긍정적 패치 탐지 모두에서 기존 최고 성능(SOTA)을 초과하는 새로운 최고 성능을 달성함을 입증하였다.