고품질 주석 데이터셋은 의료 영상 분석 분야의 머신러닝 발전에 매우 중요합니다. 그러나 중대한 간극이 존재합니다. 대부분의 데이터셋은 실제 전문가 간의 의견 불일치를 가리는 단일의 정제된 정답(ground truth)만을 제공하거나, 객관적인 평가를 위한 별도의 골드 스탠다드 없이 다중 주석만을 제공합니다. 이러한 간극을 해소하기 위해, 본 연구에서는 세포학 분석을 위한 새로운 공개 벤치마크인 CytoCrowd를 소개합니다. 이 데이터셋은 446장의 고해상도 이미지를 포함하며, 각 이미지는 두 가지 핵심 요소로 구성됩니다: (1) 독립적인 4명의 병리학자로부터 얻은 원시적인 상충 주석, (2) 상급 전문가가 구축한 별도의 고품질 골드 스탠다드 정답. 이러한 이중 구조 덕분에 CytoCrowd는 다목적 자원으로 활용될 수 있습니다. 정답을 활용하여 객체 검출(object detection) 및 분류(classification)와 같은 표준 컴퓨터 비전(CV) 태스크를 위한 벤치마크 역할을 합니다. 동시에 전문가 간 의견 불일치를 해결해야 하는 주석 통합 알고리즘을 평가하기 위한 현실적인 테스트베드를 제공합니다. 우리는 두 태스크 모두에 대해 종합적인 기준선(baseline) 결과를 제공합니다. 실험을 통해 CytoCrowd가 제시하는 과제들을 입증하고, 차세대 의료 영상 분석 모델 개발을 위한 자원으로서의 가치를 확립합니다. 이 데이터셋은 https://github.com/YHSI5358/CytoCrowd-Datasets 에서 공개적으로 이용할 수 있습니다.
정확한 자궁경부 세포학 이미지 분류(image classification)는 자동화된 자궁경부암 검진의 핵심 요소로, 팹 도말(Pap smear) 이미지에서 정상, 전암성 및 암 관련 세포 패턴을 신뢰성 있게 인식함으로써 검진 효율성과 진단 일관성을 향상시킬 수 있다. 그러나 자궁경부 세포는 복잡한 형태, 미묘한 클래스 내 변이, 강한 클래스 간 유사성을 보이기 때문에 이 과제는 여전히 어렵다. 기존 합성곱(convolution) 기반 모델은 지역적 텍스처를 잘 포착하지만 장거리 관계를 모델링하는 능력이 제한적이며, 어텐션(attention) 기반 모델은 더 넓은 문맥을 제공하지만 명시적인 구조적 가이던스가 부족한 경우가 많다. 이러한 한계를 해결하기 위해, 우리는 사전학습된 비전-언어(vision-language) 특징(feature)에서 학습된 의미론적 추상화와 구조적 사전 분포를 결합한, 자궁경부암 검진 지향 세포학 이미지 분석을 위한 기하학 인식 분류 프레임워크를 제안한다. 이 방법은 가우시안 전문가 모듈을 사용하여 전역 의미 정보로부터 축별 사전 분포를 생성하며, 핵 정렬 및 세포 공간 구성과 같은 구조적 규칙성을 포착한다. 이러한 사전 분포는 축방향 자기 어텐션 모듈에 임베딩되어 수평 및 수직 방향을 따라 유사도 계산을 조절하며, 장거리 의존성 모델링과 구조 민감한 특징 상호작용을 향상시킨다. Mendeley 액상 세포학 및 SIPaKMeD 데이터셋에 대한 실험에서 제안된 방법은 전자에서 99.48%, 후자에서 96.08%의 정확도를 달성하며, 재현율(recall), 정밀도(precision), 전반적인 분류 성능에서 균형 잡힌 향상을 보였다. 시각적 분석은 학습된 사전 분포가 진단적으로 관련 있는 세포 영역을 강조함을 추가로 보여주며, 제안된 프레임워크가 자궁경부 세포학을 위한 검진 지향 의사결정 지원 도구로서의 잠재력을 입증한다.