멀티스케일·대조 기반 약지도/증류 학습을 통한 병리 Whole Slide Image 분석

Multi-Scale and Contrastive Learning with Weak Supervision and Distillation for Whole Slide Image Analysis

연구 내용

다중 배율 맥락을 활용해 WSI 분석 성능을 높이기 위해, 약지도·스크리블 라벨·지식 증류·가상 염색을 통합하는 학습 프레임워크를 제안하는 연구

병리 Whole Slide Image는 라벨 비용과 멀티스케일 문맥 손실 문제가 핵심 제약입니다. 연구는 low-와 high-resolution 표현 간 간극을 프롬프트 유도 멀티스케일 증류로 연결하고, 복수 전문가 파운데이션 모델의 feature-level 전이를 통해 태스크 특이 미세튜닝 부담을 낮춥니다. 또한 scribble 또는 image-level 라벨만으로도 세포 영역을 학습할 수 있도록 pixel-level multiple instance learning과 대조 목적 정규화를 결합합니다. 더 나아가 H&E에서 marker-wise 조건 확산모델로 가상 멀티플렉스 염색 이미지를 생성하여, 기존 저장소의 모달리티 불일치를 완화하는 방향을 포함합니다. 이러한 축적 기술은 저비용 주석 학습과 멀티모달 병리 분석을 동시에 지원합니다.

관련 프로젝트

2건

연구 흐름

2023년에는 자유곡선 라벨과 멀티 스케일 대조 목적 손실을 결합한 세포 영상 분할 학습 구성을 특허로 확보하고, 라벨 효율을 높이는 방향을 먼저 정립했습니다. 이후 2025년에는 WSI용 멀티스케일·멀티익스퍼트 지식 증류 프레임워크로 글로벌 조직 구조와 미세 세포 디테일을 동시에 반영하도록 확장했습니다. 같은 해 scribble-supervised nuclei segmentation과 hidden class 기반 weakly supervised 아형 분류로 약지도 시나리오의 성능을 강화하고, 조건부 확산모델을 활용한 가상 멀티플렉스 염색으로 데이터 모달리티 확장까지 연결했습니다. 결과적으로 라벨 비용 감소, 멀티스케일 학습, 생성 기반 모달리티 보정의 궤적이 형성되었습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

WSI 분류
WSI 세그멘테이션
스크리블 기반 세포 분할
약지도 병리 아형 분류
멀티스케일 지식 증류
대조 정규화 학습전략
가상 멀티플렉스 염색 생성
H&E-다중 염색 모달리티 브리징
저비용 주석 학습
병리 멀티사이트 고속 분석