SONNET: 대규모 다중 조직 복합 히스토로지 이미지에서 세포핵의 세그멘테이션 및 분류를 위한 자기 지도 순서 회귀 신경망

세포핵의 자동 분할 및 분류는 세포의 특성과 기능을 분석하고 이해하는 데 핵심적인 요소이며, 질병 진단을 위한 컴퓨터 지원 디지털 병리학을 뒷받침한다. 그러나 다양한 종류의 핵이 가지는 크기, 강도, 형태 측면에서 내재적인 변이로 인해 이 작업은 여전히 도전 과제로 남아 있다. 본 연구에서는 핵의 내재적 특성을 효과적으로 활용하고 학습 과정에서 불확실성이 높은 영역에 집중할 수 있도록 설계된, 동시에 핵 분할과 분류를 수행하는 자기주도 순서 회귀 신경망을 제안한다. 제안된 네트워크는 거리 감소 이산화 전략을 도입하여 핵 분할을 순서 회귀 학습 문제로 재정의한다. 이 방법은 핵의 내부 영역(정규적인 형태를 형성)과 외부 영역(비정규적인 형태를 형성)을 계층적으로 구분함으로써, 핵의 구조적 특성을 더 잘 반영할 수 있도록 한다. 또한, 네트워크 자체가 각 픽셀의 학습 난이도를 평가하여, 해당 픽셀의 가중치를 적응적으로 조정하는 자기주도 학습 전략을 채택한다. 제안된 네트워크의 성능을 평가하기 위해, 총 276,349개의 핵이 철저하게 레이블링된 대규모 다조직 데이터셋을 활용하였다. 실험 결과, 최근 개발된 분할 및/또는 분류를 위한 여러 기법들과 비교하여, 본 연구에서 제안한 네트워크는 핵 분할 및 분류 두 가지 측면에서 최신 기술 수준의 성능을 달성함을 입증하였다.