대장 조직병리 분류에서 합성곱, 트랜스포머, 하이브리드 심층 학습 모델의 성능 및 해석 가능성
Performance and Interpretability of Convolutional, Transformer, and Hybrid Deep Learning Models in Colorectal Histology Classification
한국어 초록
심층 학습(deep learning)은 계산 병리학에서 중요한 도구로 자리잡으며 조직병리학적 이미지의 자동화 분석을 가능하게 하고 있다. 합성곱 신경망(CNN)이 전통적으로 이 분야를 주도해 왔으나, 트랜스포머 기반 및 하이브리드 아키텍처도 최근 유망한 성능을 보이고 있다. 그러나 대장 조직병리에 대한 이러한 접근법의 포괄적인 비교 연구는 여전히 제한적이다. 본 연구는 8개 조직 클래스에서 5,000개의 이미지 타일로 구성된 Kather 대장 조직병리 데이터셋을 사용하여 ImageNet 사전학습된 CNN, 트랜스포머, 하이브리드 아키텍처 12종을 평가하였다. 모든 모델은 표준화된 전이학습 및 미세조정 프로토콜로 학습되었으며, 정확도, 정밀도, 민감도, 특이도, F1-score, ROC-AUC, Cohen's kappa, Matthews 상관계수 등 다양한 성능 지표로 평가되었다. 평가된 모든 모델은 93.2%에서 97.1% 범위의 정확도로 높은 분류 성능을 달성하였다. EVA-02가 97.1%의 정확도와 97.0%의 F1-score로 전체 최고 성능을 기록하였으며, ViT-B/16이 그 뒤를 바짝 따랐다. CNN 중에서는 ResNet34와 ConvNeXt-Tiny가 각각 96.4%와 96.3%의 정확도로 매우 경쟁력 있는 성능을 보였다. 트랜스포머 아키텍처는 전반적으로 평가 지표 전반에 걸쳐 가장 우수한 결과를 나타냈으나, 최고 성능의 트랜스포머 모델과 CNN 모델 간의 성능 격차는 비교적 작았다. 클래스별 분석에서는 모든 조직 범주에 걸쳐 일관되게 높은 분류 성능이 나타났으며, Complex Stroma가 가장 어려운 클래스로 확인되었다. 전반적으로 트랜스포머 기반 아키텍처가 가장 높은 예측 성능을 달성한 반면, 최신 CNN은 정확도와 모델 복잡도 간의 균형 면에서 유리한 특성을 보였다. 이러한 결과는 대장 조직병리 분류를 위한 주요 심층 학습 패러다임에 대한 포괄적인 벤치마크를 제공한다.
원문 초록
Deep learning has become an important tool in computational pathology, enabling automated analysis of histopathological images. While convolutional neural networks (CNNs) have traditionally dominated this field, transformer-based and hybrid architectures have recently demonstrated promising performance. However, comprehensive comparisons of these approaches for colorectal histopathology remain limited. This study evaluated twelve ImageNet-pretrained CNN, transformer, and hybrid architectures using the Kather colorectal histopathology dataset containing 5,000 image tiles from eight tissue classes. All models were trained using a standardized transfer-learning and fine-tuning protocol and assessed using multiple performance metrics, including accuracy, precision, sensitivity, specificity, F1-score, ROC-AUC, Cohen's kappa, and Matthews correlation coefficient. All evaluated models achieved high classification performance, with accuracies ranging from 93.2% to 97.1%. EVA-02 achieved the highest overall performance (97.1% accuracy, 97.0% F1-score), closely followed by ViT-B/16. Among CNNs, ResNet34 and ConvNeXt-Tiny demonstrated highly competitive performance, achieving accuracies of 96.4% and 96.3%, respectively. Transformer architectures generally produced the strongest results across evaluation metrics, although the performance gap between the best transformer and CNN models was relatively small. Per-class analysis showed consistently strong classification performance across all tissue categories, with Complex Stroma representing the most challenging class. Overall, transformer-based architectures achieved the highest predictive performance, whereas modern CNNs provided a favorable balance between accuracy and model complexity. These findings provide a comprehensive benchmark of major deep learning paradigms for colorectal histopathology classification.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.23744v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
멀티모달 의사결정 모델이 유방 초음파 이미지를 분류할 수 있는가? 프롬프트와 데이터셋 전반에 걸친 CLEF 및 CLEF-Flash 벤치마킹
Can Multimodal Decision Models Classify Breast Ultrasound Images? Benchmarking CLEF and CLEF-Flash Across Prompts and Datasets
멀티모달 의사결정 모델은 사전에 정의된 대안들에 대한 확률을 반환하여 이미지 분류를 위한 구조화된 인터페이스를 제공한다. 본 연구는 Dataset B, BUSI, BUS-BRA에서 수집한 2818개의 유방 초음파 이미지에 대해 CLEF 및 CLEF-Flash를 사용한 추론을 벤치마킹한다. Dataset B와 BUS-BRA는 이진 양성-악성 분류를 사용하는 반면, BUSI는 정상, 양성, 악성 범주를 포함한다. 모델 파라미터는 변경하지 않은 채 유지되며, 원본 이미지는 사용자 정의 전처리 없이 입력된다. 세 가지 프롬프트는 최소한의 라벨, 명시적인 분류 태스크, 또는 초음파 검사 기준을 제공한다. 본 연구에서는 정확도, 매크로 F1, 균형 정확도, 매크로 정밀도, 처리량, 지연 시간을 보고한다. 임상 프롬프트를 적용한 CLEF-Flash는 세 데이터셋 모두에서 가장 높은 정확도를 달성하여 Dataset B에서 74.85%, BUSI에서 66.28%, BUS-BRA에서 51.63%를 기록했다. 그러나 BUSI에서는 태스크 유도 프롬프트를 적용한 CLEF가 가장 높은 매크로 F1(64.51%)과 균형 정확도(68.72%)를 달성했다. CLEF-Flash는 일치 조건으로 비교한 모든 경우에서 더 낮은 지연 시간을 보였다. 임상 지침 프롬프트는 최소 프롬프트 대비 CLEF-Flash의 정확도를 향상시켰으나, 모든 데이터셋에서 CLEF의 정확도는 감소시켰다. 혼동 행렬을 통해 양성을 악성으로 오분류하는 오류가 빈번함을 확인했으며, 특히 BUS-BRA에서는 모든 구성이 다수 클래스 예측기의 정확도인 67.63%에 미치지 못했다. 이러한 결과는 성능이 데이터셋과 프롬프트에 따라 달라짐을 보여주며, 유방 초음파 분석에 멀티모달 의사결정 모델을 적용하기 전에 클래스별 평가가 선행되어야 함을 시사한다.
Chest X-Ray Images Classification with CNN
DocXClassifier: High Performance Explainable Deep Network for Document Image Classification
ThanosNet: A Novel Trash Classification Method Using Metadata
Transfer learning for automatic brain tumor classification Using MRI Images.
FrImCla: A Framework for Image Classification Using Traditional and Transfer Learning Techniques
토론
이 논문과 연결된 포럼 글이 아직 없습니다.