오늘 발표는 immunostained slides(면역 염색한 이미지)를 분석하는 task에 대해 segmentation을 수행하여 면역력이 얼마나 떨어졌는지 판단하는 것에 대한 논문이다. 해당 task를 수행하기 위해 두 가지 방법을 제안하는데 기존 segmentation 방법이 아닌 GNN 기반 segmentation 방법이다. 두 가지 방법은 spectral based GCN 방식과, spatial based GCN 방식이다. spectral based GCN의 경우 node마다 갖고 있는 복잡한 signal 정보를 단순한 signal로 분해하여 해당 정보들을 기반으로 GCN 기반 segmentation 하는 것이다. spatial based GCN 방식은 공간상에서 이미지를 pixel 단위에 대해 node 정보로 취한 뒤 이웃 node들과의 관계성을 통해 node 정보를 업데이트 하는 방식으로 segmenation을 수행하는 것이다.
 spectral based GCN의 경우 이미지를 보는데 어떻게 signal을 생각할 수 있는지 궁금했는데 이미지에 대한 node edge 기반 graph에 대해 laplacian matrix를 통해 signal을 가질 수 있게 된다. 여기서 signal이란 node와 node간의 관계성을 의미하는 것이라 추정된다.
 그런데 이러한 spectral based GCN보다 spatial based GCN의 성능이 더 좋게 나왔다. 그 이유는 spectral based GCN의 경우 모든 node와의 상관관계를 다 봐야 하기 때문이라 생각된다. 그에 반면 spatial based GCN의 경우 이웃 node에 대한 제한을 두어 특정 범위 내의 node들과의 관계성을 반영하여 업데이트 하기 때문에 각 node에 대한 의미가 명확해진다고 생각된다.

민정이의 발표 논문은 GNN과 CNN 각각의 특성을 활용한 GCN이라는 기법에 대해서 중점적으로 소개하고 있다.
관련하여 두가지 기법을 제안하는데, 첫 번째로 spectral based GCN 방식은 이미지나 음성 그래프의 노드가 갖는 signal을 단순한 signal의 합으로 decomposition 하여 나타내는 윈리라고 하였다. 그리고 두 번째로 spatial based GCN 방식은 노드들의 가까운 이웃노드들에 한해서 conv연산을 수행해서 노드의 정보를 업데이트 하는 방식으로 진행된다고 하였다. 논문의 실험에서는 몸의 면역체계를 판단하기 위한 지표로 CD4와 CD8의 비율을 측정한다. 두 방법이 좋은 성능을 보이는 것을 확인할 수 있었다.
둘 다 기존 FCN에 비해 좋은 성능을 보이지만, spectral based GCN과 spatial based GCN이 성능 차이를 보이는 이유에 대한 성진이형의 댓글을 읽어보니, 앞으로 접하게 될 다양한 기법들에 대해서 깊은 관심을 갖고 탐구하는 자세가 필요할 것 같다는 생각이 들었다.