PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.26157v1cs.IR

확장 가능한 색인화 및 검색을 위한 전체 슬라이드 이미지 패칭의 중복성 감소

Reducing Redundancy in Whole-Slide Image Patching for Scalable Indexing and Retrieval

전체 슬라이드 이미지(WSI) 색인화·검색의 높은 저장 비용 문제를 해결하기 위해 ARReST(Antithetical Redundancy Reduction Strategy)가 클래스 내 중복뿐 아니라 상이한 조직 클래스 간 유사 패치를 대립적(antithetical) 중복으로 식별해 제거한다. TCGA 21개 장기 데이터에서 검색 성능을 유지한 채 인덱스를 3–60%(평균 14%±13%) 압축했다.

arXiv:2606.06864v1cs.CV

LRMIL: 전체 슬라이드 이미지 분류를 위한 고해상도 지식 증류 기반 효율적인 저해상도 다중 인스턴스 학습

LRMIL: Efficient Low-Resolution Multiple Instance Learning via High-Resolution Knowledge Distillation for Whole Slide Image Classification

다중 인스턴스 학습(MIL)은 밀집 주석 없이 슬라이드 수준 예측을 가능하게 하므로 디지털 병리학에서 전체 슬라이드 이미지(WSI) 분석을 위한 표준 패러다임이 되었습니다. 기존 MIL 방법들은 일반적으로 고해상도 패치의 전수 추출 및 인코딩에 의존합니다. 그러나 이 방식은 실제 임상 환경에서 두 가지 치명적인 제한 사항이 있습니다. 저배율에서 전역적 시각적 단서를 포착하는 데 어려움을 겪으며, 슬라이드당 고해상도 패치의 수가 방대하여 상당한 계산 오버헤드를 유발합니다. 이러한 제한 사항을 해결하기 위해, 우리는 고해상도 지식을 저해상도 표현으로 전이하는 효율적인 저해상도 다중 인스턴스 학습(LRMIL) 프레임워크를 제안합니다. LRMIL은 2단계 증류 전략을 채택합니다. 첫째, 패치 수준 교차 해상도 증류는 저해상도 패치 임베딩을 고해상도 표현과 정렬합니다. 둘째, 슬라이드 수준 지식 증류는 슬라이드 수준 감독과 교사 지도 모두 하에서 저해상도 학생 MIL 모델을 학습시킵니다. 추론 시 LRMIL은 저해상도 패치에서만 작동하여 데이터 전처리 및 계산 비용을 크게 줄입니다. 여러 WSI 벤치마크에 대한 광범위한 실험을 통해 LRMIL이 더 효율적인 추론을 달성하면서도 최첨단 MIL 방법들을 일관되게 능가함을 입증했습니다. 이러한 결과는 LRMIL이 임상 병리학의 WSI 분석을 위한 실용적이고 확장 가능한 솔루션임을 강조합니다.

arXiv:2606.06224v2cs.CV

Symb-xMIL: 디지털 병리학에서 다중 인스턴스 학습(MIL)을 위한 기호적 설명

Symb-xMIL: Symbolic Explanations for Multiple Instance Learning in Digital Pathology

다중 인스턴스 학습(MIL) 모델에 대한 설명은 디지털 조직병리학에서 검증과 발견을 위해 널리 사용된다. 기존 방법은 주로 영향력 있는 영역을 강조하는 히트맵에 의존하지만, 서로 다른 조직 영역의 증거가 어떻게 결합되어 예측을 생성하는지는 설명하지 않는다. 이는 특히 결정이 조직 특징 간 상호작용에 의존할 때 해석 가능성을 제한한다. 우리는 Symb-xMIL(Symbolic explainable MIL)을 제안한다. 이는 입력 특징 간의 논리적 관계(예: AND, OR, NOT)로 표현되는 사람이 읽을 수 있는 의사결정 규칙과 MIL 모델의 동작이 얼마나 일치하는지를 정량화하는 사후 설명 프레임워크이다. 이러한 일치 점수는 모델 예측의 기반이 되는 의미적 패턴을 드러낸다. 합성 및 실제 조직병리학 데이터셋에서 Symb-xMIL을 평가한다. 합성 MIL 데이터에서 Symb-xMIL은 ground-truth 논리 규칙을 안정적으로 복원한다. 임상 종양 검출 과제에서 가장 잘 일치하는 규칙은 이질적인 의사결정 패턴을 드러내고 숨겨진 모델 오류를 노출한다. 두경부암 환자 코호트인 TCGA-HNSCC에서의 HPV 예측 과제에서, 우리 프레임워크는 HPV 상태를 넘어 환자 생존 계층화를 정교화하며 잠재적 임상적 관련성을 보인다. 전반적으로 Symb-xMIL은 MIL 설명 가능성을 시각적 귀속을 넘어 구조화된 규칙 기반 추론으로 확장하여, 더 투명하고 의미적으로 그라운딩(grounding)된 모델 예측 해석을 가능하게 한다.