Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
DualGate-Net은 조직병리 이미지 내 세포 검출 성능을 높이기 위해 ConvNeXtV2와 SegFormer를 결합한 이중 인코더 프레임워크입니다. 학습 가능한 사전 정보 게이트 메커니즘을 통해 조직 맥락 정보를 적응적으로 통합하여 노이즈 문제를 해결합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기조직병리 (Histopathology) 이미지에서의 세포 검출 (Cell detection)은 주변 조직의 맥락 (Context)에 크게 의존하며, 시각적으로 유사한 세포라도 서로 다른 미세환경 (Microenvironments) 하에서는 서로 다른 클래스에 속할 수 있습니다. 최근의 조직 인지 (Tissue-aware) 방식들은 맥락적 사전 정보 (Contextual priors)를 통합하고 있으나, 노이즈가 섞인 정보가 전파될 수 있는 정적 융합 (Static fusion) 전략에 의존하는 경우가 많습니다. 본 연구에서는 ConvNeXtV2 기반의 로컬 인코더 (Local encoder)와 SegFormer 기반의 글로벌 인코더 (Global encoder)를 학습 가능한 사전 정보 게이트 융합 (Prior-gated fusion) 메커니즘을 통해 결합하는 사전 정보 인지형 이중 인코더 프레임워크인 DualGate-Net을 제안합니다. 제안된 모듈은 공간적 위치에 따라 조직 사전 정보 (Tissue priors)의 영향을 적응적으로 조절하며, 보조적인 전경 재구성 (Foreground reconstruction) 브랜치는 학습 과정에서 고주파 세포 구조 (High-frequency cellular structures)를 보존합니다. 또한, 위치 추정의 강건성 (Localization robustness)을 더욱 향상시키기 위해 보조적인 세포성 가이드 큐 (Cellness-guided cues)가 통합되었습니다. OCELOT 벤치마크를 통한 실험 결과, 검증 세트 (Validation set)에서 0.7722, 테스트 세트 (Test set)에서 0.7345의 Macro F1-score를 달성하며 지속적인 성능 향상을 입증하였고, 이는 강건한 조직병리 세포 검출을 위한 적응형 사전 정보 통합 (Adaptive prior integration)의 효과를 강조합니다.