가짜 라벨 분리 및 합성 지원 학습을 이용한 중첩된 오가노이드 인스턴스 분할 성능 향상

Boosting Overlapping Organoid Instance Segmentation Using Pseudo-Label Unmixing and Synthesis-Assisted Learning

오가노이드는 인간 조직의 정교한 시험관 모델로서, 장기 기능을 모방하고 약물 반응을 정확하게 평가할 수 있기 때문에 의학 연구에 매우 중요합니다. 정확한 오가노이드 인스턴스 분할은 이들의 동적 행동을 정량화하는 데 중요하지만, 고품질의 어노테이션 데이터 부족과 현미경 이미징에서 흔히 발생하는 중첩 현상으로 인해 심각한 제약을 받고 있습니다. 반지도 학습(SSL)은 제한적인 레이블 데이터에 대한 의존성을 줄이는 데 도움이 될 수 있지만, 기존의 SSL 프레임워크는 특히 중첩된 영역에서 noisy한 가짜 라벨로 인해 발생하는 편향에 시달립니다. 합성 지원 SSL(SA-SSL)은 반지도 의미 분할에서 훈련 편향을 완화하기 위해 제안되었습니다. 본 연구에서는 SA-SSL을 오가노이드 인스턴스 분할에 처음으로 적용하고, SA-SSL이 얽힌 오가노이드를 분리하는 데 어려움을 겪으며, 종종 중첩된 인스턴스를 단일 개체로 잘못 표현하는 것을 확인했습니다. 이를 극복하기 위해, 우리는 가짜 라벨 분리(PLU)를 제안합니다. PLU는 중첩된 인스턴스에 대한 오류가 있는 가짜 라벨을 식별하고, 인스턴스 분해를 통해 오가노이드 라벨을 재생성합니다. 이미지 합성을 위해, 우리는 오가노이드 인스턴스를 효율적으로 합성하기 위해 윤곽 기반 접근 방식을 적용하며, 특히 중첩된 경우에 효과적입니다. 이미지 합성을 하기 전에 가짜 라벨에 대한 인스턴스 레벨 증강(IA)은 합성 데이터의 효과를 더욱 향상시킵니다. 두 개의 오가노이드 데이터 세트에 대한 엄격한 실험은 본 방법의 효과를 입증했으며, 전체적으로 레이블링된 데이터의 10%만 사용했을 때도 완전 지도 학습 모델과 유사한 성능을 달성하고, 최첨단 결과를 얻었습니다. Ablation 연구는 PLU, 윤곽 기반 합성, 그리고 증강 인식 훈련의 기여도를 검증합니다. 본 연구는 가짜 라벨과 합성 수준 모두에서 중첩 문제를 해결함으로써, 확장 가능하고 레이블 효율적인 오가노이드 분석을 발전시키고, 정밀 의료 분야의 고처리량 응용에 새로운 가능성을 열어줍니다.

Organoids, sophisticated in vitro models of human tissues, are crucial for medical research due to their ability to simulate organ functions and assess drug responses accurately. Accurate organoid instance segmentation is critical for quantifying their dynamic behaviors, yet remains profoundly limited by high-quality annotated datasets and pervasive overlap in microscopy imaging. While semi-supervised learning (SSL) offers a solution to alleviate reliance on scarce labeled data, conventional SSL frameworks suffer from biases induced by noisy pseudo-labels, particularly in overlapping regions. Synthesis-assisted SSL (SA-SSL) has been proposed for mitigating training biases in semi-supervised semantic segmentation. We present the first adaptation of SA-SSL to organoid instance segmentation and reveal that SA-SSL struggles to disentangle intertwined organoids, often misrepresenting overlapping instances as a single entity. To overcome this, we propose Pseudo-Label Unmixing (PLU), which identifies erroneous pseudo-labels for overlapping instances and then regenerates organoid labels through instance decomposition. For image synthesis, we apply a contour-based approach to synthesize organoid instances efficiently, particularly for overlapping cases. Instance-level augmentations (IA) on pseudo-labels before image synthesis further enhances the effect of synthetic data (SD). Rigorous experiments on two organoid datasets demonstrate our method's effectiveness, achieving performance comparable to fully supervised models using only 10% labeled data, and state-of-the-art results. Ablation studies validate the contributions of PLU, contour-based synthesis, and augmentation-aware training. By addressing overlap at both pseudo-label and synthesis levels, our work advances scalable, label-efficient organoid analysis, unlocking new potential for high-throughput applications in precision medicine.