Abstract
조직병리학 이미지에서 세포 검출은 임상 실무와 연구에서 큰 관심을 받고 있으며, CNN은 세포 검출에서 주목할 만한 성과를 달성해왔다. 일반적으로, CNN 기반 세포 검출 모델을 학습시키기 위해서는 훈련 이미지 내의 모든 positive 인스턴스를 주석 처리해야 하며, 양성으로 라벨링되지 않은 인스턴스는 negative 샘플로 간주된다. 그러나 세포는 수가 많고 형태가 다양하기 때문에 수작업으로 세포를 주석 처리하는 과정은 복잡하며, 모든 양성 인스턴스를 완벽하게 주석하기 어렵다.
많은 경우, 일부 양성 인스턴스만 주석된 불완전한 라벨만 사용할 수 있으며, 이때 일반적인 네트워크 학습에서 음성 샘플에 대한 분류 손실 항은 잘못 계산된다. 본 연구에서는 이러한 불완전한 주석 문제를 해결하기 위해, 검출 네트워크 학습을 PU 학습 문제로 재정의할 것을 제안한다.
주석이 없는 영역의 인스턴스는 양성일 수도, 음성일 수도 있으므로 이들은 미지의 라벨을 가진 것으로 간주된다. 미지의 라벨을 가진 샘플과 양성 라벨 샘플을 이용하여, 우리는 먼저 이진 세포 검출에서 음성 샘플에 해당하는 분류 손실 항을 근사하였으며, 이를 바탕으로 제안한 프레임워크를 다중 클래스 세포 검출로 확장하였다.
평가를 위해, 네 가지 공개 데이터셋에서 실험을 수행하였다. 실험 결과, 제안한 방법은 불완전한 주석을 기반으로 네트워크 학습을 진행할 경우에도 조직병리학 이미지에서 세포 검출 성능을 향상시킴을 보여주었다.
Introduction
생물학적 현미경 영상 기술의 지속적인 발전으로 인해 임상 실무와 연구를 지원하기 위해 대량의 조직병리학 이미지가 생성되고 있다. 조직병리학 이미지를 기반으로 한 정량적이고, 객관적이며, 효과적인 세포 분석은 중요한 연구 방향으로 자리 잡았다 . 병리학자들은 일반적으로 특정 영역 내의 세포 수, 밀도, 분포와 같은 정보를 이용하여 조직 손상의 정도를 평가하고 진단을 내린다. 이러한 분석은 관심 세포의 검출에 의존한다. 그러나 병리학자들이 직접 수행하는 수작업 세포 검출은 특히 세포 밀도가 높은 영역에서 시간이 많이 소요되고 오류가 발생하기 쉬우며, 따라서 자동화된 세포 검출 방법이 필요하다.
최근 몇 년간, 딥러닝 기법은 다양한 이미지 처리 작업에 성공적으로 적용되었으며, 조직병리학 이미지 분석에도 점차 널리 활용되고 있다. 특히 CNN은 조직병리학 이미지에서 자동 세포 검출을 수행하는 데 적용되어왔다. 예를 들어, Xu et al. (2016)은 유방암 고해상도 조직병리 이미지에서 효율적인 핵 검출을 위해 stacked sparse autoencoder를 제안하였고, Sirinukunwattana et al. (2016)은 대장암 조직병리 이미지에서 핵 검출을 수행하기 위해 spatially constrained CNN을 제안하였다. 이후에는 원래 일반 객체 검출을 위해 개발된 더 발전된 네트워크들이 세포 검출에 사용되거나 적응되었다. 이러한 방법에서는 관심 세포가 바운딩 박스로 국소화된다. 예를 들어, Cai et al. (2019)은 Faster R-CNN을 수정하여 유방 조직병리 이미지에서 자동 유사분열 검출을 수행하였으며, Sun et al. (2020)은 RPN, Faster R-CNN, RetinaNet 및 유사도 학습을 가능하게 하는 변형 버전을 활용하여 조직병리 이미지에서 반지세포를 검출하였다.
고도화된 CNN 기반 세포 검출 모델을 학습시키려면 일반적으로 훈련 이미지 내의 모든 관심 세포가 주석 처리되어야 한다. 주석이 없는 영역의 인스턴스들은 음성 학습 샘플로 간주된다. 그러나 조직병리학 이미지에서 세포의 복잡성과 수가 방대하기 때문에 훈련 이미지의 모든 관심 세포를 완전하게 주석 처리하는 것은 어려운 과제이다. 따라서 실제로는 일부 관심 세포만 주석 처리하는 불완전한 주석이 이루어지는 경우가 많으며, 이때 주석이 없는 영역에도 양성 인스턴스가 포함될 수 있다. 또한, 주석 작업의 부담을 줄이기 위해 훈련 이미지에서 소수의 세포만 주석 처리하는 경우도 있다. 주석이 불완전한 경우, 주석이 없는 영역의 인스턴스들은 반드시 음성 샘플이라고 할 수 없으므로, 완전한 주석을 전제로 설계된 일반적인 네트워크 학습 절차는 문제를 일으켜 성능을 저하시킬 수 있다.
Li et al. (2020)은 네트워크 학습 과정에서 손실 함수를 보정하는 방식으로 불완전한 주석 문제를 해결할 것을 제안하였다. 구체적으로, 양성 인스턴스와 관련된 검출 박스의 밀도는 음성 인스턴스와 관련된 박스 밀도보다 훨씬 크다는 점에 착안하였다. 따라서 주석되지 않은 영역의 훈련 샘플에서 손실 항을 보정하기 위해 Boxes Density Energy (BDE)를 개발하였으며, 박스 밀도가 높은 샘플은 진정한 음성일 가능성이 낮으므로 더 작은 가중치를 부여하였다. 주석이 불완전할 때 BDE 손실 보정을 적용하면 모든 비주석 영역을 음성으로 처리하는 기존 학습 전략보다 검출 성능이 개선됨이 입증되었다. 현재까지 알려진 바로는, BDE 접근법이 조직병리학 이미지의 불완전 주석 문제를 다룬 유일한 연구이며, 이 문제를 보다 효과적으로 해결할 수 있는 방법 개발이 여전히 요구된다.
본 연구에서는 CNN 기반 조직병리학 세포 검출에서 불완전한 주석 문제를 계속 탐구한다. 불완전한 주석의 비주석 영역은 양성 샘플과 음성 샘플을 모두 포함할 수 있으므로, 이 영역 내 인스턴스의 라벨은 미지 상태이다. 반면, 주석된 샘플은 모두 양성이다. 이에 우리는 Positive-Unlabeled(PU) 학습 프레임워크를 활용하여 불완전 주석 문제를 해결할 것을 제안한다. 본 연구에서는 고급 객체 검출기와 PU 학습을 통합하였으며, 분류 손실과 박스 회귀 손실을 결합하여 네트워크 학습을 수행한다. 특히, 음성 샘플과 관련된 분류 손실 항을 수정하여 양성 라벨 샘플과 미지 라벨 샘플을 이용해 근사할 수 있도록 하였다. 먼저 이진 세포 검출의 경우에 대해 손실 항 근사식을 유도하고, 이후 이를 다중 클래스 세포 검출로 확장하였다. 제안한 방법을 평가하기 위해, 네 가지 공개 조직병리학 데이터셋에서 실험을 수행하였다. 또한, 본 연구에서는 기존에 우수한 세포 검출 성능을 보여준 Faster R-CNN을 기본 검출 네트워크로 사용하였다. 네 가지 데이터셋에서의 실험 결과, 제안한 방법은 불완전한 주석을 기반으로 학습을 진행할 때도 세포 검출 성능을 향상시킴을 보여주었다.
본 논문은 MICCAI 2021에서 발표된 학회 논문을 확장한 버전이다. 이번 논문에서는 방법론과 평가 측면에서 크게 확장된 연구 결과를 제시한다. 구체적으로, Zhao et al. (2021)에서 다룬 이진 세포 검출 문제에서 제안한 프레임워크를 다중 클래스 세포 검출 문제로 확장하였으며, 이에 따른 손실 항 근사식과 하이퍼파라미터 선택 전략을 제시하였다. 또한, 세 가지 추가 공개 데이터셋을 활용해 다양한 실험 환경에서 본 방법을 보다 포괄적으로 평가하였다.
Methods
이 절에서는 먼저 완전한 주석이 주어진 경우 CNN 기반 세포 검출 방법이 어떻게 학습되는지를 소개한다. 이후에, 불완전한 주석 문제를 해결하기 위해 PU 학습을 적용한 제안 방법을 설명한다. 마지막으로, 구현 세부사항을 제시한다.
ⓐ Background: cell detection with complete annotations for training
CNN 기반 방법은 객체 검출의 성능을 크게 향상시켰으며, 세포 검출에도 적용되어 유망한 결과를 보여주었다. 대표적인 현대 CNN 기반 객체 검출기인 Faster R-CNN의 경우, 합성곱 계층을 통해 입력 이미지로부터 특징 맵을 추출하고, 이를 후속 계층에 전달하여 관심 객체의 위치와 클래스를 예측한다.
일반적으로, 바운딩 박스 x는 관심 객체의 위치를 나타내며, 이는 검출기의 회귀 헤드에 의해 생성된다. 편의상, 바운딩 박스 x의 예측 위치는 v = (X, Y, W, H)로 표기하며, 여기서 X와 Y는 가로·세로 좌표, W는 너비, H는 높이를 의미한다. 동시에, 객체의 클래스는 분류 헤드에 의해 예측되며, 인스턴스가 특정 카테고리에 속할 확률을 출력한다.
단순화를 위해 여기서는 이진 세포 검출 문제만 논의한다. 즉, 특정 유형의 세포만 검출하는 경우이다. 다중 클래스 세포 검출은 이 개념을 확장하면 된다. 이진 세포 검출에서 바운딩 박스 x의 정답 라벨 z는 이진 값이다: z ∈ {0, 1}, z = 1이면 해당 바운딩 박스가 관심 세포를 포함함을 의미한다. 검출기가 예측한 양성일 확률은 c로 나타낸다.
전통적으로, CNN 기반 세포 검출기를 학습시키기 위해서는 훈련 이미지 내의 모든 양성 인스턴스가 주석 처리되어야 한다. 이렇게 주어진 훈련 데이터를 활용하여 네트워크는 위치와 분류 오류를 합한 손실 함수를 최소화하는 방식으로 학습된다.
① 위치 손실 Lloc은 예측된 위치 v와 양성 훈련 샘플의 정답 위치 b = (Xb, Yb, Wb, Hb) 간의 차이를 측정한다. 일반적으로 smooth L1 손실 함수가 사용된다.
② 분류 손실 Lcls는 예측된 분류 확률과 정답 라벨 간의 차이를 기반으로 계산된다.
i: 양성 훈련 샘플의 인덱스
Np: 양성 훈련 샘플의 총 개수
j: 음성 훈련 샘플의 인덱스
Nn: 음성 훈련 샘플의 총 개수
cip: 양성 샘플 xip에 대한 예측 분류 확률
cjn: 음성 샘플 xjn에 대한 예측 분류 확률
H(): 일반적으로 교차 엔트로피 손실
훈련 이미지에서 모든 양성 인스턴스가 완전하게 주석 처리된 경우, Lloc와 Lcls의 합을 최소화하여 네트워크의 가중치를 학습한다.
ⓑ PU learning for cell detection with incomplete annotations
조직병리학 이미지에는 보통 수많은 세포가 존재하고 그 형태도 다양하기 때문에, 모든 양성 인스턴스를 주석 처리하는 것은 매우 어렵다. 전문가들은 주석 처리된 세포가 진짜 양성임을 보장할 수 있지만, 주석된 세포의 수는 작업량을 줄이기 위해 이미지 내에서 드물게 나타날 수도 있다. 이런 경우, 주석된 훈련 세트는 불완전하며, 양성 인스턴스의 일부만 포함한다. 다시 말해, 불완전한 주석 데이터셋에서는 주석되지 않은 양성 인스턴스가 존재하며, 양성 라벨이 없는 영역이 반드시 진짜 음성 영역이라고 할 수 없다. 따라서 이러한 불완전한 주석 상황에서, 완전한 주석을 전제로 설계된 분류 손실을 그대로 사용하면 정확하지 않고, 오히려 검출 성능을 저하시킬 수 있다.
양성으로 라벨링되지 않은 영역은 양성과 음성 샘플을 모두 포함할 수 있기 때문에, 이러한 영역의 인스턴스들은 unlabeled 샘플로 간주할 수 있다. 즉, 불완전한 주석 데이터셋은 positive 라벨 샘플과 unlabeled 샘플로 구성된다. 따라서 우리는 조직병리학 이미지 세포 검출에서 불완전 주석 문제를 해결하기 위해 PU 학습을 활용할 것을 제안한다. 이를 통해, 원래는 완전한 주석을 기반으로 계산되던 분류 손실을 불완전한 주석을 통해 근사할 수 있도록 한다.
먼저, 단순한 경우인 이진 세포 검출을 대상으로 근사식을 유도하고, 이후 이를 다중 클래스 세포 검출로 확장하는 방법을 제시한다.
ⓑ-1 Binary cell detection
우리는 먼저 이진 세포 검출을 위한 분류 손실의 근사식을 유도한다. Lcls는 분류 확률 c가 정답 라벨 z와 얼마나 불일치하는지를 측정하는 기대값의 근사이며, 이를 다음과 같이 다시 쓸 수 있다.
p(): 확률 밀도 함수
π: 양성 클래스 사전확률 Pr(z=1)
불완전한 주석에서는 양성 샘플은 알 수 있지만, 음성 샘플은 확정할 수 없다. 따라서 식의 두 번째 항은 불완전한 주석으로 근사할 수 있지만, 첫 번째 항은 불가능하다. 그러나 PU 학습을 통해, 양성 샘플과 비라벨 샘플을 함께 사용하여 첫 번째 항을 근사할 수 있다.
여기서 두 번째 항과 세 번째 항은 양성 샘플로 근사할 수 있고, 첫 번째 항만 추가 근사가 필요하다.
기존 PU 학습에서는 비라벨 데이터 xu의 분포가 전체 x의 분포와 동일하다고 가정하여, Ex[H(c,0)] ≈ Exu[H(c,0)]로 근사한다. 그러나 검출 문제에서는 양성과 비라벨 샘플이 동일한 이미지에서 추출되므로, 이 가정은 불완전하다. 따라서 본 연구에서는 양성과 비라벨 샘플을 함께 사용하여 근사한다.
Np: 주석된 양성 샘플 수
Nu: 비라벨 샘플 수
cku: k번째 비라벨 샘플의 예측 확률
cip: i번째 양성 샘플의 예측 확률
또한 CNN의 과적합으로 인해 음성 리스크가 음수가 되는 문제를 방지하기 위해, 비음성 근사를 적용하여 최종 PU 분류 손실 Lpu_cls를 정의한다.
ⓑ-2 Extension to multi-class cell detection
이전에 제시된 이진 세포 검출 손실 근사를 기반으로, 우리는 이를 다중 클래스 세포 검출로 확장한다. 이 경우, 각 양성 클래스에 대해 주석이 불완전하게 주어진다. 수학적으로, 총 M개의 클래스가 있다고 가정하자. 여기에는 M−1개의 양성 클래스와 하나의 배경 음성 클래스가 포함된다. 따라서 바운딩 박스 x의 정답 라벨 z는 z ∈ {0, …, M−1}이 되며, 여기서 z = 0은 여전히 음성 클래스를 나타내고, z ∈ {1, …, M−1}은 양성 클래스를 나타낸다. 이때, 분류 손실과 관련된 기대값은 다음과 같이 된다.
여기서 m ∈ {1, …, M−1}은 양성 클래스 인덱스이고, πm=Pr(z=m)은 m번째 양성 클래스의 사전확률이다(알려져 있다고 가정). 다중 클래스 검출에서는 c가 모든 클래스에 대한 예측 확률 벡터이며, H()는 범주형 교차 엔트로피를 계산한다. 그러나 불완전한 주석 때문에, 위 식의 첫 항은 직접 근사할 수 없다.
Npm: m번째 양성 클래스의 주석된 샘플 수
cpm,i: 해당 클래스에 속하는 i번째 양성 샘플의 예측 확률
이를 통해 E(x,z)[H(c,z)]를 불완전한 주석을 이용해 근사할 수 있다. 다시 말해, 과적합을 방지하기 위해 nonnegative 근사를 사용하며, 이는 다음과 같이 된다.
여기서 L_cls_mpu는 모든 양성 클래스를 고려하여 확장된 위치 손실과 함께 사용되며, 불완전한 주석 상황에서 다중 유형의 세포를 검출하기 위한 네트워크 학습에 적용된다.
ⓑ-3 Implementation details
탐지 문제에서는 불완전하게 주석된 훈련 샘플을 사용하여 클래스 사전확률(이진 검출의 경우 π, 다중 클래스 검출의 경우 πm들)을 직접 추정하기 어렵다. 따라서 우리는 네트워크 학습 중 일반적으로 사용할 수 있는 검증 세트를 활용하여 클래스 사전확률을 결정한다. 구체적인 절차는 이진 경우와 다중 클래스 경우로 나누어 설명한다.
이진 경우에서는 클래스 사전확률을 하나의 하이퍼파라미터로 간주하고, 특정 범위 내에서 그 값을 탐색한다. 불완전한 주석 상황에서는 모든 양성 샘플이 라벨링되지 않으므로, 검증 세트에서 계산된 precision 값은 더 이상 의미가 없다. 따라서 π의 값은 검증 세트에서 계산된 recall이 가장 높은 값으로 선택된다.
다중 클래스 세포 검출의 경우에는 여러 개의 클래스 사전확률 πm (m = 1, …, M−1)을 결정해야 한다. 하지만 모든 조합에 대해 그리드 탐색을 수행하는 것은 클래스 수가 많아질수록 비현실적이다. 따라서 우리는 보다 실용적인 방법을 제안한다. 일반성을 잃지 않고, 가장 많은 주석된 샘플을 가진 세포 유형에 대응하는 클래스 사전확률을 π1로 두고, π1을 하이퍼파라미터로 설정한다. 나머지 클래스 사전확률은 π1로부터 유도한다. 구체적으로, 네트워크 학습 중 각 배치를 현재 탐지기에 입력하여, 클래스 m별로 검출된 세포의 개수를 Nm이라 하자. 그러면 각 πm (m ≠ 1)은 고정된 π1로부터 다음과 같이 갱신된다.
그 후, 현재의 πm들을 사용하여 해당 배치에서 네트워크 가중치를 업데이트할 그래디언트를 계산한다. 이 절차는 학습이 끝날 때까지 각 배치마다 반복된다. 최종적으로, 검증 세트에서 가장 높은 평균 재현율을 달성하는 π1이 선택된다.
우리의 접근법은 위치 손실과 분류 손실을 결합하는 다양한 최신 탐지 네트워크와 통합될 수 있다. 시연을 위해, 본 연구에서는 객체 탐지 문제에 널리 사용되는 Faster R-CNN과 VGG16을 백본 네트워크로 선택하였다.
입력 영상은 Faster R-CNN의 기본 방식에 따라 정규화되었으며, 데이터 증강은 기본 설정대로 수평 뒤집기를 적용하였다. Faster R-CNN은 네트워크 가중치 초기화를 개선하기 위해 ImageNet으로 사전 학습되었다. 손실 함수를 최소화하기 위해 Adam 최적화기를 사용했으며, 초기 학습률은 10⁻³으로 설정하였다. 배치 크기는 Faster R-CNN의 기본 설정을 따라 8로 두었다. 학습 수렴을 보장하기 위해 총 25800번의 반복 학습을 수행했으며, 검증 세트 기반의 모델 선택이 본질적으로 큰 차이를 보이지 않았으므로 마지막 반복에서의 모델을 최종 선택하였다.
Faster R-CNN과 마찬가지로, 본 연구에서도 예측과 정답은 anchor와 정답 박스 간의 IoU를 기준으로 매칭되었다. 구체적으로, 앵커와 임의의 정답 박스 간의 최대 IoU가 0.7보다 크면 해당 앵커는 양성 샘플로, 0.3보다 작으면 비라벨 샘플로 간주하였다. 최대 IoU가 0.3과 0.7 사이인 경우, 해당 앵커는 네트워크 학습에 사용되지 않았다.
Results
이 절에서는 제안된 접근법의 평가를 제시한다. 다양한 실험 설정하에 여러 데이터셋에서 실험을 수행하였다. 먼저 데이터 설명과 실험 설정을 제시하고, 이어서 각 데이터셋에 대한 결과를 설명한다. 모든 실험은 NVIDIA GeForce GTX 1080 Ti GPU에서 수행되었다.
ⓐ Data description and experimental settings
조직병리학 이미지에서 세포 검출을 위해 개발된 네 가지 공개 데이터셋을 사용하여 제안된 방법을 평가하였다. 이 데이터셋은 MITOS-ATYPIA-14, CRCHistoPhenotypes, TUPAC, NuCLS 데이터셋이다.
ⓑ Competing methods and upper bound performance
실험에서 제안된 방법은 공정한 비교를 위해 동일한 백본 Faster R-CNN 검출 네트워크를 사용한 두 가지 경쟁 방법과 비교되었다. 첫 번째는 baseline Faster R-CNN 모델로, ImageNet 데이터셋으로 사전 학습되었으며, 불완전한 주석을 무시하고 단순히 주석되지 않은 영역을 negative으로 간주하였다. 표준 교차 엔트로피 손실로 학습되었다. 비록 가중치 교차 엔트로피 손실이나 Focal Loss와 같이 불균형 샘플을 다루는 다른 손실 함수들도 사용할 수 있으나, 경험적으로 더 나쁜 성능을 보였기 때문에 고려되지 않았다.
두 번째 방법은 BDE 방법으로, 손실 함수를 보정하여 세포 검출에서 불완전한 주석 문제를 다루는 방식이다. 이 방법은 ImageNet에서 초기화된 네트워크 가중치를 사용한 Faster R-CNN 아키텍처와 통합되었다.
이러한 경쟁 방법들 외에도, 학습에 완전 주석을 사용했을 때 달성 가능한 성능 상한도 계산하였다. 삭제되지 않은 원래의 완전 주석을 훈련 및 검증 세트에서 사용해서 PU 학습이 필요하지 않기 때문에 표준 학습 절차로 이 훈련 및 검증 세트로 학습되었다.
ⓒ Results on the MITOS-ATYPIA-14 dataset
우선, 무작위 삭제를 통해 불완전한 주석을 얻은 MITOS-ATYPIA-14 데이터셋에서 제안된 방법의 검출 결과를 제시한다. 클래스 사전확률은 검증 세트를 기반으로 결정되었다. 후보 값의 범위는 0.025에서 0.050까지였으며, 증가 단위는 0.005였다. 각 fold마다 독립적으로 값이 선택되었고, 선택된 값은 일관되게 0.035에서 0.045 사이였다.
정량적 평가를 위해, 각 방법과 각 fold의 테스트 세트에서의 검출 결과에 대해 average recall, average precision, average F1-score를 계산하였으며, 훈련에서 완전한 주석을 사용하여 달성된 상한 성능도 함께 계산하였다. 경쟁 방법들과 비교했을 때, 제안된 방법은 더 높은 재현율, 정밀도, F1-score를 달성했으며, 이는 제안된 방법이 더 나은 검출 정확도를 보임을 의미하며, 이러한 개선은 모든 fold에서 일관되게 나타났다. 또한, 제안된 방법의 F1-score는 경쟁 방법들보다 상한 성능에 더 가까웠다.
Discussion
BDE 방법과 비교했을 때, 본 연구에서 제안한 접근법은 병리학 이미지에서의 세포 검출에 있어 불완전한 주석 문제를 이론적으로 정립된 PU 학습 프레임워크로 다루며, 이 PU 학습 프레임워크는 향상된 검출 성능을 이끌어냈다. 주목할 점은, 제안된 방법과 BDE 방법이 상호 보완적일 수 있다는 것이다. 바운딩 박스의 밀도에 기반하여 Unlabeled 샘플 중 추가적인 Negative 샘플을 식별하는 것이 가능하며, 이는 검출기의 훈련에 더 큰 이익을 줄 수 있다. 향후 연구에서는 PU 학습과 BDE 방법의 통합 가능성을 탐구할 수 있을 것이다.
검출 문제에서 양성 라벨 샘플과 비라벨 샘플은 동일한 이미지에서 기원하기 때문에, 제안된 방법에서는 분류 문제의 PU 학습에서 사용되는 근사와는 다른 방식으로 분류 손실을 근사한다.
본 연구에서 제안한 PU 학습 전략은 실증을 위해 Faster R-CNN과 통합되었는데, 이는 세포 검출 문제에서 널리 사용되는 CNN 기반 객체 검출기이기 때문이다. 제안된 방법은 검출 네트워크의 아키텍처와 무관하기 때문에, 최근 개발된 더 진보된 검출 네트워크와도 통합될 수 있으며, 이러한 통합이 성능 향상으로 이어질 수 있는지는 향후 연구에서 흥미로운 주제가 될 것이다.
또한, 이 연구에서는 이진 세포 검출을 위한 PU 학습뿐만 아니라, 제안된 프레임워크를 다중 클래스 세포 검출로 확장하였다. 다중 클래스 PU 학습은 분류 문제에서는 연구된 바 있으나, 세포 검출 문제에서는 연구된 적이 없었다. NuCLS 데이터셋에서의 실험 결과는, 제안된 방법이 불완전한 주석 하에서도 다중 클래스 세포 검출을 개선함을 보여준다.
Conclusion
우리는 병리학 이미지에서 세포 검출을 위한 네트워크 학습 시 발생하는 불완전한 주석 문제를 해결하기 위해 PU 학습을 적용할 것을 제안하였다. 본 방법에서는 이진 세포 검출과 다중 클래스 세포 검출 모두에서, 네트워크 학습 과정 동안 불완전하게 주석된 데이터를 이용해 분류 손실을 보다 적절하게 계산하였다. 네 가지 공개 데이터셋에 대한 실험 결과는, 제안된 방법이 불완전한 주석이 주어진 상황에서도 병리학 이미지에서의 세포 검출 성능을 향상시킬 수 있음을 보여준다.
