형태학적 및 질감 표현 기반 통합 학습을 활용한 병리 이미지의 종양 이진 분류
- 주제(키워드) Digital pathology , Texture descriptor , Morphological operator , Deep learning , Feature fusion
- 주제(DDC) 570
- 발행기관 아주대학교 일반대학원
- 지도교수 우현구
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 일반대학원 의생명과학과
- 실제URI http://www.dcollection.net/handler/ajou/000000035159
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
디지털 병리학의 발전으로 병리 슬라이드 이미지(Whole-Slide Image, WSI)는 암 진단과 예후 예측을 위한 핵심 자료로 활용되고 있다. 그러나 병리 슬라이드 이미지의 고해상도 특성으로 인해 전체 이미지를 기반으로 한 딥러닝 모델 학습은 데이터 부족 및 과적합(overfitting) 문제에 직면하기 쉬우며, 다중 인스턴스 학습(Multiple Instance Learning) 기반 모델은 슬라이드 수준 (slide-level) 분류에는 효과적이지만 예측의 근거가 되는 핵심 인스턴스(key instance)를 정확히 포착하는 데에는 한계가 있다. 본 연구에서는 이러한 문제를 해결하기 위해 심층 특징(deep feature)에 전통적인 질감(texture) 및 형태학적(morphological) 특징을 통합한 새로운 융합 특징 표현(fused feature representation)을 제안한다. 전처리를 거친 병리 슬라이드 이미지는 256×256 픽셀 크기의 패치 단위로 구성되었으며, 각 패치에서 ResNet-50모델을 기반으로 한 심층 특징과 LBP, HOG, GLCM, Gabor, SIFT 등의 질감 기술자(texture descriptor)와 팽창(dilation) 연산 기반 형태학적 특징을 각각 결합하여 병렬로 추출한다. 이후 두 특징을 연결(concatenation)하여 융합 특징 행렬로 구성하고, 이를 CLAM(Clustering-constrained Attention Multiple Instance Learning) 기반 모델에 입력하여 핵심 인스턴스에 대한 어텐션(attention)을 정교화하고 이를 통해 최종 분류 정확도를 높이도록 설계하였다. 실험 결과, 제안된 모델은 기준(baseline) CLAM 모델 대비 슬라이드 수준의 분류 정확도 및 AUC(Area Under the Receiver Operating Characteristic Curve)에서 일관된 향상을 보였으며, 종양 경계 및 이질성을 보다 정밀하게 반영하여 진단적으로 중요한 핵심 인스턴스를 더 정확하게 포착함으로써 이러한 성능 개선이 이루어졌음을 확인하였다. 본 연구는 형태학적 및 질감 정보가 심층 특징을 보완하며 병리학적 정보 해석에 중요한 역할을 수행할 수 있음을 시사하며, 향후 다양한 암 종 및 융합 전략에 대한 확장 가능성을 제시한다.
more목차
1 서 론 1
2 재료 및 방법 5
2.1 병리 슬라이드 이미지 데이터셋 5
2.2 병리 슬라이드 이미지 전처리 과정 9
2.3 기준 모델 (Baseline Model: CLAM) 9
2.3.1 심층 특징 추출 (Deep Feature Extraction) 10
2.3.2 어텐션 기반 다중 인스턴스 학습 (Attention based Multiple Instance Learning) 10
2.4 형태학적 계층 (Morphological Layer) 12
2.4.1 형태학적 연산자 (Morphological Operators) 12
2.5 질감 기술자 (Texture Descriptor) 14
2.5.1 Gabor filter 14
2.5.2 Scale Invariant Feature Transform 16
2.5.3 Local Binary Pattern 17
2.5.4 Histogram of Oriented Gradients 18
2.5.5 Gray-Level Co-occurrence Matrix 19
2.6 제안 방법 (Proposed Method) 19
2.6.1 질감 및 형태학적 특징 추출 (Texture and Morphological Feature Extraction) 20
2.7 실험 설정 (Experimental Setting) 21
2.8 실험 환경 (Experimental Environment) 22
2.9 모델 성능 평가 (Evaluation) 22
3 실험 결과 24
3.1 실험 결과 24
3.2 Texture descriptor 비교 분석 25
3.3 Morphological operator 비교 분석 30
3.4 제안 모델 결과 비교 32
3.5 Instance-level Clustering 결과 분석 37
4 결론 및 고찰 39
참고문헌 42
영문요약 45
