병리 슬라이드(WSI) 영역 분할·세포 분열 분류·GAN 증강
기가바이트급 병리 슬라이드(WSI)를 패치로 나누어 미세혈관 증식 영역 분할, 세포 분열 분류, GAN 증강 실험을 수행했습니다. 패치별 예측을 원본 슬라이드 좌표로 병합해 슬라이드 전체에서 결과를 확인하도록 구현했습니다.
- 기간
- 2023.08 ~ 2023.12
- 담당
- WSI 전처리, 영역 분할·분류 모델 비교, GAN 증강 실험, 원본 좌표 병합 구현
- 결과
- 영역 분할·세포 분열 분류 F1 약 95%, GAN 증강으로 분류 정확도 94% → 95%
과제와 구현 범위
대용량 병리 슬라이드(WSI)를 작은 패치로 나누어 세 가지 과제를 수행했습니다. 미세혈관 증식 영역 분할, 세포 분열 분류, GAN 합성 이미지를 이용한 분류 데이터 증강입니다. 패치 단위 예측은 원본 슬라이드의 위치로 되돌려 슬라이드 전체에서 확인했습니다.
영역 분할: 패치 분할과 원본 좌표 병합
위치 정보를 유지하면서 WSI를 이미지 패치와 정답 마스크로 나눴습니다. UNet++·DeepLabV3+·MANet에 ResNet·EfficientNet·MiT 백본을 조합하고, 예측 영역과 정답 영역의 겹침을 측정하는 mIoU·Dice로 비교했습니다.
패치별 예측은 원본 좌표에 병합했습니다. 패치 경계에서 생기는 아티팩트는 후처리해, 슬라이드 전체에서 결과를 확인할 수 있도록 했습니다.
영역 분할의 픽셀 단위 F1(Dice)은 약 95%였습니다.
세포 분열 분류: 패치 품질 검토와 모델 비교
서울성모병원 내부 WSI 약 1,000장을 256×256픽셀 패치로 나누고 품질을 검토했습니다. timm의 ResNet·DenseNet·EfficientNet에 전이학습, 데이터 증강, label smoothing, mixup을 적용해 비교했습니다. 패치별 예측은 저장한 위치 정보를 이용해 원본 슬라이드 좌표로 복원했습니다.
세포 분열 분류 F1은 약 95%였습니다.
GAN 증강: 합성 데이터 추가 전후 비교
합성 이미지를 추가했을 때 분류 결과가 어떻게 바뀌는지 확인했습니다. 원본 데이터만으로 학습한 모델과 GAN 합성 이미지를 추가해 학습한 모델을 동일한 내부 평가셋에서 비교했습니다.
StyleGAN-XL·MultiPathGAN·DCGAN으로 폐암 병리 이미지를 생성하고, timm 분류 모델에 전이학습을 적용했습니다.
동일한 내부 평가셋에서 분류 정확도는 합성 데이터 추가 전 94%, 추가 후 95%로 1%p 높아졌습니다. 정확도와 함께 혼동행렬을 확인했습니다.
