새로운 그래프 노드 분류 벤치마크: 조직학적 세포 그래프로부터 구조 학습하기

우리는 태반 조직 학적 전체 슬라이드 이미지(whole slide images)에서 세포 그래프를 기반으로 미세 해부학적 조직 구조를 예측하는, 아직 탐색이 부족한 분야에서의 노드 분류를 위한 새로운 벤치마크 데이터셋인 Placenta를 소개한다. 이 문제는 그래프 학습 분야에서 몇 가지 이유로 독특한 도전 과제를 제시한다. 세포 그래프는 크기가 크며(이미지당 100만 개 이상의 노드), 노드 특징은 다양하다(11종류의 세포에 대한 64차원 특징), 클래스 레이블은 불균형하며(9개 클래스로, 데이터 중 0.21%에서 40.0%까지 분포), 세포 공동체는 크기가 매우 다양하고 비균일하게 분포된 조직 구조로 군집화된다(단일 구조의 노드 수는 11개에서 44,671개까지 다양하다). 본 연구에서는 두 개의 태반 조직 학적 이미지에서 추출한 두 개의 세포 그래프로 구성된 데이터셋을 공개하며, 총 2,395,747개의 노드를 포함하고, 그 중 799,745개는 정답 레이블이 존재한다. 또한, 7개의 확장 가능한 모델에 대한 인덕티브 벤치마크 결과를 제시하고, 세포 그래프의 고유한 특성이 새로운 그래프 신경망 아키텍처 개발을 촉진할 수 있는 방법을 설명한다.