Cancer is one of the most serious and common disease in the world, and stomach cancer is one of the most common cancer type. Early detection is important to alleviate risk of cancer. With the improvement of technology, digital pathology based on deep learning plays a role in early detection. There are two things to consider in histopathological analysis : one thing is cancer lesion has unclear boundary and various magnification levels should be reflected on spatial features. However, current studies have focused on channel based features with attention mechanism to treat unclear boundary or various magnification levels have not been applied into spatial features. In this study, we introduce an attention module composed of channel attention module and spatial attention module, and spatial attention module adopted local pooling for treating magnification level. Attention module is applied to our base model, Faster R-CNN. Experimental result shows our method shows better accuracy in quantitative and qualitative manner. We hope our method can contribute to make more reliable and accurate cancer detection model.
암은 전 세계적으로 가장 많이 발생하는 심각한 질병 중 하나이며, 위암은 그중 주요 발병 암 종류 중 하나이다. 암의 위험성을 낮추기 위해서는 조기 진단이 중요한데 최근 기술의 발전으로 인해 딥러닝을 이용한 디지털 병리학이 그 역할을 하고 있다. 암을 진단하기 위해 사용되는 현미경 이미지는 두 가지 특징이 있는데 암 병변이 불확실한 경계선을 가지고 있고 다양한 확대율을 공간적 특징에 반영해야 한다는 것이다. 하지만 기존 연구는 경계선 탐지를 위해 어텐션 방법을 도입한 채널 특징만을 다루거나 다양한 확대율을 갖는 현미경 이미지의 특성이 공간적 특징에 반영되지 않고 있다. 본 연구에서는 채널 특징과 공간적 특징을 모두 고려한 어텐션 기반의 연구를 진행하였고 공간적 특징의 local pooling을 통해 다양한 배율을 해결하고자 하였다. 모듈을 적용하기 위한 기초 모델은 Faster R-CNN을 사용하였다. 연구 결과 어텐션 모듈을 적용하였을 때, 정성적, 정량적 평가에서 정확도를 향상할 수 있음을 확인할 수 있었다. 이를 통해 더욱 현미경 이미지의 특징을 반영한 모듈을 사용함으로써, 기존 방식보다 정확도와 신뢰성이 확보된 모델을 개발하는데 기여할 수 있을 거라 기대된다.
