우리가 진행하게 될 병리학 프로젝트와 관련해서 의미가 큰 논문이었다고 생각한다. Image Segmentation은 필수적으로 거쳐야 하는 단계이지만 염색이나 슬라이스의 강도, 크기가 일관되지 않아 병리학자의 오진 발생 가능성이 높아진다는 문제가 존재한다. Train Dataset의 정확한 레이블링이 필수적이며 노이즈에 굉장히 민감하다는 기존 연구의 한계를 존재하였으나 본 논문에서는 이러한 노이즈에 강건하면서도 속도가 굉장히 빠른 Framework를 제안했다. Unet을 backbone으로 사용하여 segmentation을 진행하게 되며 Data augmentation을 통해 Noise에 강건할 수 있도록 하였다. 뿐만 아니라, 속도 측면에서 기존의 수렴 속도가 느린 Unet의 한계점을 보완하기 위해 모델 경량화를 진행하였다. 이렇게 Unet을 통해 Segmentation을 진행하고, Data augmentation을 통해 노이즈 문제를 해결한 후에 빠른 속도를 위해 경량화까지 적용한 전체적인 프레임워크가 앞으로 병리학 연구에 있어 참고할만하다는 생각이 들었다. 유진언니가 발표에서 해당 기법들을 사용하는 이유 및 기존의 한계점들을 명료하게 설명해주어 이해가 쉬웠다.

오늘은 유진이가 segmentation 모델인 UNET 기반의 새로운 모델인 ANT-UNet 을 제안했고 Noise에 강건하게 하기 위해 data augmentation을 수행한 논문에 대해 발표를 진행하였다. 병리 image의 경우 상당히 해석이 복잡하고 세포간 유기적인 관계성을 파악해야 하기 때문에 기존 단순 image들에 nosise는 학습했던 모델에 민감하게 반응하게 되는 문제가 존재한다. 그래서 이러한 noise에 강건하게 하기 위해 data augmentation 과정을 추가한다. 총 3가지 histogram equalization / Down Sampling&Random Cropping / Random Flipping*Color Jittering 이 있다. 이미지에 특화된 augmentation이며 section별로 자르는 측면 random cropping을 결합하여 의미있는 샘플을 만들는 측면 등 이미지 한 개를 통으로 학습하지 않고 다양한 작은 이미지를 만들어 샘플을 만들어 학습 성능을 올리게 된다. 성능 효과는 segmentation 결과를 통해 보여주고 있지만 augmentation한 이미지가 얼마나 의미 있는 데이터 샘플이 되는지 판정할 수 있는 지표가 있고 그것으로 보여주면 더 명확하게 보여줄 수 있을 것이라 생각된다. 여러모로 관심있는 분야에 대한 발표여서 의미 있는 시간이었다.