SegMix: 셔플 기반 피드백 학습을 통한 병리 이미지 의미 분할

SegMix:Shuffle-based Feedback Learning for Semantic Segmentation of Pathology Images

세분화(Segmentation)는 질병 또는 비정상적인 성장에 영향을 받은 영역을 식별하는 중요한 작업이며, 진단 및 치료에 필수적입니다. 그러나 고품질의 픽셀 단위 지도 학습 세분화 데이터를 확보하려면 경험이 풍부한 병리학자의 상당한 노력이 필요하며, 이는 딥 러닝의 적용을 제한합니다. 이러한 문제를 해결하기 위해, 레이블 조건을 이미지 수준의 분류 레이블로 완화하면 더 많은 데이터를 활용하고 더 많은 시나리오를 가능하게 할 수 있습니다. 한 가지 방법은 Class Activation Map (CAM)을 활용하여 이미지 수준의 레이블만으로 의미 분할을 위한 유사 픽셀 단위 주석을 생성하는 것입니다. 그러나 이 방법은 병리 이미지의 필수적인 특징을 충분히 탐색하지 못하여, 유사 마스크 생성을 위한 작은 영역만 식별하는 데 한계가 있습니다. 본 논문에서는, 교육 과정 학습에서 영감을 받은 새로운 셔플 기반 피드백 학습 방법을 제안하여 더 높은 품질의 유사 의미 분할 마스크를 생성합니다. 구체적으로, 우리는 병리 이미지의 패치 수준에서 셔플을 수행하며, 모델은 이전 학습으로부터 받은 피드백을 기반으로 셔플 전략을 적응적으로 조정합니다. 실험 결과는 제안된 방법이 세 가지 서로 다른 데이터 세트에서 최첨단 기술보다 우수한 성능을 보인다는 것을 보여줍니다.

Segmentation is a critical task in computational pathology, as it identifies areas affected by disease or abnormal growth and is essential for diagnosis and treatment. However, acquiring high-quality pixel-level supervised segmentation data requires significant workload demands from experienced pathologists, limiting the application of deep learning. To overcome this challenge, relaxing the label conditions to image-level classification labels allows for more data to be used and more scenarios to be enabled. One approach is to leverage Class Activation Map (CAM) to generate pseudo pixel-level annotations for semantic segmentation with only image-level labels. However, this method fails to thoroughly explore the essential characteristics of pathology images, thus identifying only small areas that are insufficient for pseudo masking. In this paper, we propose a novel shuffle-based feedback learning method inspired by curriculum learning to generate higher-quality pseudo-semantic segmentation masks. Specifically, we perform patch level shuffle of pathology images, with the model adaptively adjusting the shuffle strategy based on feedback from previous learning. Experimental results demonstrate that our proposed approach outperforms state-of-the-arts on three different datasets.