병리 이미지 분석을 위한 엔드 투 엔드 셀 R-CNN을 활용한 패노픽 세그멘테이션

다양한 암세포의 형태학적 특징은 병리학자가 암의 진행 단계를 판단하는 데 있어 필수적인 정보를 제공한다. 형태학적 정보를 정량적으로 얻기 위해 본 연구에서는 병리 영상에 대한 팬옵틱 세그멘테이션을 위한 엔드투엔드 네트워크를 제안한다. 최근에는 세분적 수준 또는 인스턴스 수준의 세포 세그멘테이션에 초점을 맞춘 여러 방법들이 제안되어 왔다. 기존의 세포 세그멘테이션 기법들과 달리, 제안하는 네트워크는 배경과 같이 겹침이 큰 영역에서도 객체 탐지, 위치 추정, 그리고 픽셀 수준의 클래스 정보 할당을 통합적으로 수행한다. 이 통합 구조는 특정 클래스에 의존하지 않고, 새로운 형태의 세분적 손실(semantic loss), 영역 제안 네트워크(RPN)의 경계 상자 손실(bounding box loss), RPN의 분류기 손실(classifier loss), 세그멘테이션 헤드의 배경-전경 분류 손실(background-foreground classifier loss), 제안된 세포 객체에 대한 경계 상자 손실, 그리고 세포 객체의 마스크 손실(mask loss)을 함께 최적화함으로써 달성된다. 실험 결과, 제안된 방법은 2017년 MICCAI 디지털 병리학 챌린지 데이터셋에서 최신 기술을 능가하는 성능을 보였으며, 팬옵틱 세그멘테이션 문제에 대해 효과적이고 엔드투엔드적인 해결책을 제시함으로써 의미 있는 기여를 한다.