Medical AI diagnosis including histopathology segmentation has derived benefits from the recent development of deep learning technology. However, deep learning itself requires a large amount of training data and the medical image segmentation masking, in particular, requires an extremely high cost due to the shortage of medical specialists. To mitigate this issue, we propose a new data augmentation method built upon the conventional Copy and Paste (CP) augmentation technique, called CP-Dilatation, and apply it to histopathology image segmentation. To the well-known traditional CP technique, the proposed method adds a dilation operation that can preserve the boundary context information of the malignancy, which is important in histopathological image diagnosis, as the boundary between the malignancy and its margin is mostly unclear and a significant context exists in the margin. To the best of our knowledge, this is the first attempt to treat ground truth masks through Copy-and-Paste augmentation while it is also the first CP-based augmentation study for histopathological image analysis. In our experiments using histopathology benchmark datasets, the proposed method was found superior to the other state-of-the-art baselines chosen for comparison.
최근 딥러닝 기술의 비약적인 발전으로인해 인공지능에 기반한 의료 진단 시스템은 현미경 조직 병변 세분화와같은 전문적인 영역까지 확장되었다. 그러나 딥러닝은 태생적으로 대량의 학습 데이터를 필요로 하며, 특히 의료 이미지 세분화 데이터는 이것을 생성할 수 있는 의료 전문가의 수 부족으로 인해 극도로 높은 비용이 요구된다. 이러한 의료 데이터 부족 분제를 해결하고자 데이터를 증강하려는 시도가 이루어지고 있다. 조직병리학의 병변과 그 경계에는 중요한 맥락이 존재하며 이 정보를 보존하는 것은 조직학적 이미지 진단에서 중요하지만 이것을 반영한 연구는 아직 부족한 상태이다. 이 문제를 해결하고자 위해 우리는 이미지 세분화 데이터 증강에 쓰이는 복사 및 붙임(Copy and Paste, CP) 기술에 기반한 새로운 이미지 증강 방법론인 CP-Dilatation을 제안한다. 제안된 방법은 잘 알려진 전통적인 CP 기술에 새로운 팽창 확장 연산을 추가하여 악성종양의 경계 맥락 정보를 보존할 수 있다. 우리의 연구는 복사 및 붙임 증강 기술을 사용하는 연구 중 Ground truth 마스크를 다루는 최초의 시도이며, 또한 조직병리학 이미지의 특성에 맞게 설계된 최초의 CP 기반 증강 연구이다. 조직병리학 공개 데이터 세트를 사용한 실험에서 우리의 제안 방법이 비교를 위해 선택된 다른 최신 방법론들보다 우수한 성능을 보였다.
