Deep learning-based image segmentation is one of the significant tasks in the field of histopathology analysis. Since pixel-wise label generation is essential for training segmentation networks, segmentation learning requires time and resources. Therefore, Weakly Supervised Learning (WSL) methods using only image labels, which are relatively less burdensome to generate labels, have been actively studied. In particular, the importance of WSL is increasing in the medical field, where label annotation costs are high. However, pathological images with ambiguous boundaries between tumors and backgrounds make it difficult to apply existing WSL methods targeting natural images effectively. We propose a new approach to effectively segment tumors from pathology images only using image labels by combining Camouflaged Object Detection networks (COD networks) feature generation modules to an FCN for classification. We apply the Receive Field Block , Feature Aggregation, and Attention module, the components that make up the COD, to the FCN for advanced Class Activation Map (CAM). In addition, our model remarkably outperformed the previous WSL methods in microscopic histopathology.
딥러닝 기반의 이미지 세그멘테이션은 조직 병리 이미지 연구 분야에서 중요한 과제 중 하나이다. 일반적으로 세그멘테이션의 학습은 픽셀 단위의 라벨 생성이 필수적이므로, 세그멘테이션 네크워크의 학습에 많은 시간과 자원이 요구된다. 따라서, 상대적으로 라벨 생성의 부담이 적은 이미지 라벨만을 활용하는 약한 지도 학습 방법이 활발하게 연구되고 있다. 특히 라벨 생성의 비용이 큰 의료 분야에서 약한 지도 학습의 중요성이 커지고 있다. 그러나, 종양과 배경의 경계가 불분명한 조직 병리 이미지의 특성으로 인해, 사물 풍경 등 일반 이미지를 대상으로 한 기존의 약한 지도 학습 방법이 효과적으로 적용되기 어렵다. 따라서, 본 논문은 경계가 불분명한 타겟을 탐지하는 위장 물체 탐지(Camouflaged Object Detection, COD) 네트워크 의 특징 벡터 구성 방식을 분류 네트워크에 결합함으로써 이미지 단위의 라벨만으로 조직 병리 이미지로부터 효과적으로 종양을 세그멘트하고자 한다. COD를 구성하는 요소인 Receptive Field Block과 Feature Aggregation, Attention module을 분류 네트워크 FCN에 적용하여 고도화된 클래스 활성화 맵(Class Activation Map, CAM)을 생성한다. 또한 제안 모델은 기존 약한 지도 방식 세그멘테이션 모델들보다 현미경 조직병리 이미지에 유의미한 차이로 좋은 성능을 보였다.
