조직병리 영상에서 세포 핵을 분할하는 일은 계산 병리학에서 매우 중요한 과정이며, 질병 진단의 정확성뿐 아니라 바이오마커 분석 및 대규모로 수행되는 세포 평가에도 영향을 미친다. 많은 딥러닝 모델이 전역 및 국소 특징을 추출할 수 있음에도 불구하고, 특히 핵이 서로 겹치거나 형태가 변형된 경우에는 의미적 문맥과 정밀한 경계 정확성 사이의 균형을 잘 맞추는 것이 여전히 어렵다. 본 논문에서는 Dual-Stream HyperFusionNet (DS-HFN)이라 명명한 새로운 딥러닝 모델을 제안하며, 이를 통해 먼저 두 특징을 분리한 다음 융합함으로써 견고한 핵 분할 과제를 위해 전역 문맥 및 경계에 민감한 특징을 명시적으로 표현할 수 있다. DS-HFN의 이중 스트림 인코더는 의미론적 특징과 에지 중심의 특징을 동시에 획득할 수 있으며, 이후 attention-driven HyperFeature Embedding Module (HFEM)의 도움을 받아 결합될 수 있다. 또한 이중 디코더 개념과 Gradient-Aligned Loss Function은, 예측된 분할 그라디언트가 정답 윤곽(ground-truth contours)과 일치하도록 하여 구조적 정밀도를 향상시킨다. TNBC 및 MoNuSeg와 같은 다양한 벤치마크 데이터셋에서 DS-HFN은 모든 평가 지표에서 다른 30개의 최신(state-of-the-art) 모델보다 더 나은 성능을 달성할 뿐 아니라 계산 비용도 더 낮다. 이러한 결과는 DS-HFN이 디지털 병리에서 다양한 조직 전반에 걸쳐 임상 진단 및 바이오마커 분석에 필수적인 정확한 핵 분할의 역량을 제공함을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.