WSI-INR: Implicit Neural Representations for Lesion Segmentation in Whole-Slide Images

이 논문은 전체 슬라이드 이미지 (WSI) 의 공간적 연속성을 유지하고 해상도 변화에 강인한 병변 분할을 위해 패치 기반 방식을 배제하고 다중 해상도 해시 그리드 인코딩과 공유 INR 디코더를 활용한 새로운 패치 없는 프레임워크인 WSI-INR 을 제안합니다.

핵심

1. 문제점: "퍼즐 조각을 따로따로 맞추는 방식" (기존 기술)

지금까지 병변을 찾는 AI 는 거대한 조직 이미지를 작은 조각 (패치) 으로 잘라내어 하나씩 분석했습니다.

• 비유: 거대한 벽화 (전체 조직) 를 보려고 할 때, 벽화를 작은 포스트잇 조각으로 잘라내어 각 조각을 따로따로 보고 다시 붙이는 것과 같습니다.
  • 문제 1 (연결성 끊김): 조각을 떼어내면 벽화의 전체적인 흐름이나 연결 고리가 끊깁니다. "여기서 병이 시작되어 저기로 이어진다"는 맥락을 놓치기 쉽습니다.
  • 문제 2 (확대/축소 실수): 병리학자는 같은 곳을 볼 때도 확대 (고해상도) 하거나 축소 (저해상도) 하여 봅니다. 기존 AI 는 확대된 사진과 축소된 사진을 서로 다른 이미지로 인식합니다. 그래서 확대했을 때는 잘 찾다가, 축소했을 때는 "아, 이건 다른 그림이네?"라고 혼동하여 병변을 놓치거나 조각조각 나게 예측합니다.

2. 해결책: "무한히 부드러운 지도 그리기" (WSI-INR)

이 논문이 제안한 WSI-INR은 이미지를 조각으로 자르지 않습니다. 대신, 이미지 전체를 하나의 '연속적인 함수 (수식)'로 모델링합니다.

• 비유: 벽화를 조각으로 자르는 대신, 거대한 지도를 그려놓고 "어떤 좌표 (x, y) 에 가든 그곳이 정상 조직인지 암 조직인지"를 바로 알려주는 스마트 내비게이션을 만드는 것과 같습니다.
  • 조각 없음: 이미지를 자르지 않고, 좌표만 입력하면 AI 가 "여기는 암입니다"라고 바로 대답합니다. 그래서 조직의 연결성이 끊어지지 않습니다.
  • 확대/축소 자유: 지도를 확대하거나 축소해도 지도 자체는 변하지 않습니다. 단지 우리가 보는 '세부 정보의 밀도'만 달라질 뿐입니다. AI 는 이를 같은 조직의 다른 관점으로 인식하므로, 확대/축소해도 예측이 일관됩니다.

3. 핵심 기술: "다양한 해상도를 위한 '해시 그리드'"

이 기술의 핵심은 **'멀티-레졸루션 해시 그리드 (Multi-resolution Hash Grid)'**라는 장치입니다.

• 비유: imagine you have a smart notebook that can change its page density.
  • 고해상도 (확대): 세포 하나하나의 디테일을 보려면 페이지를 아주 촘촘하게 (밀도 높게) 채웁니다.
  • 저해상도 (축소): 전체적인 구조를 보려면 페이지를 조금 더 넓게 (밀도 낮게) 채웁니다.
  • 핵심: 이 두 가지는 같은 조직을 보는 다른 밀도의 샘플링일 뿐입니다. WSI-INR 은 이 두 가지를 같은 '연속된 함수'의 다른 표현으로 이해하기 때문에, 해상도가 바뀌어도 혼란을 겪지 않습니다.

4. 학습 과정: "먼저 그림을 보고, 그다음 병을 찾는다"

이 AI 는 두 단계로 학습합니다.

1. 1 단계 (그림 복원): 먼저 조직 이미지의 모양과 색을 완벽하게 재현하는 법을 배웁니다. (비유: 화가가 먼저 캔버스에 정확한 그림을 그리는 법을 익힘)
2. 2 단계 (병변 찾기): 그림을 잘 그릴 수 있게 된 후, 그 위에 "어디가 암인지"를 표시하는 법을 배웁니다.
   • 이렇게 하면 AI 가 조직의 구조를 제대로 이해한 상태에서 병변을 찾게 되어, 엉뚱한 곳을 병변으로 오인하는 실수가 줄어듭니다.

5. 실험 결과: "저해상도에서도 강한 성능"

실험 결과, 기존 방식 (U-Net 등) 은 해상도가 낮아지면 성능이 반토막이 나거나 더 나빠졌습니다. (비유: 지도를 너무 멀리서 보면 길 찾기를 못 함)
하지만 WSI-INR은 해상도가 낮아져도 성능이 거의 떨어지지 않았고, 오히려 특정 조건에서는 기존 기술보다 26% 이상 더 좋은 결과를 냈습니다.

요약

• 기존 방식: 거대한 이미지를 잘게 잘라 따로따로 분석 → 연결성이 깨지고 해상도 변화에 약함.
• 새로운 방식 (WSI-INR): 이미지를 잘지 않고 좌표로만 분석하는 '연속적인 지도'를 만듦 → 해상도가 바뀌어도 일관된 판단 가능.
• 의미: 이제 AI 가 병리학자가 확대/축소하며 보는 것처럼, 조직의 전체적인 맥락을 잃지 않고 정밀하게 병변을 찾을 수 있게 되었습니다.

이 기술은 단순히 암을 찾는 것을 넘어, 디지털 병리학의 새로운 패러다임을 제시합니다. 마치 "조각난 퍼즐"에서 "완벽한 지도"로 넘어가는 혁신과 같습니다.

기술 요약

논문 요약: WSI-INR (전 슬라이드 이미지의 병변 분할을 위한 암시적 신경 표현)

1. 문제 정의 (Problem Statement)

디지털 병리학에서 전 슬라이드 이미지 (WSI) 는 고해상도로 조직 전체를 스캔하여 얻어지며, 병변 분할 (Lesion Segmentation) 은 임상적 의사결정에 필수적입니다. 그러나 기존 방법론은 다음과 같은 근본적인 한계를 가지고 있습니다.

• 공간적 연속성 파괴: WSI 를 처리하기 위해 이미지 패치 (Patch) 단위로 분할하여 학습합니다. 이는 조직 구조의 공간적 연속성을 끊고, 각 패치를 독립적인 샘플로 취급하게 만들어 전역적 구조 정보를 왜곡합니다.
• 해상도 불일치 및 강건성 부족: 병리학자는 동일한 위치를 여러 해상도로 관찰하며, 다른 기관의 스캐너는 서로 다른 샘플링 밀도를 가집니다. 기존 패치 기반 방법은 서로 다른 해상도를 독립적인 데이터로 취급하거나 단순한 다중 스케일 피처 융합에 의존합니다. 이로 인해 해상도가 변경될 때 (예: 학습 시 고해상도, 추론 시 저해상도) 분할 결과가 조각나거나 (fragmented) 성능이 급격히 저하되는 문제가 발생합니다.
• 기존 INR 의 한계: 암시적 신경 표현 (INR) 은 기존에 해부학적 구조 (심장, 뇌 MRI 등) 와 같이 구조적 일관성이 높은 영역에서 성공적이었습니다. 그러나 병리 조직은 구조적 패턴이 명확하지 않고 이질적 (heterogeneous) 인 경우가 많아, 단순한 좌표 입력만으로는 복잡한 조직 패턴을 포착하기 어렵습니다.

2. 제안 방법론: WSI-INR (Methodology)

저자들은 패치 기반 방식을 버리고, WSI 를 **연속적인 암시적 함수 (Continuous Implicit Function)**로 모델링하는 WSI-INR 프레임워크를 제안합니다.

• 핵심 개념: WSI-INR 은 공간 좌표 $(x, y)$를 입력받아 조직의 의미론적 특징 (semantic features) 과 분할 확률을 직접 출력하는 함수를 학습합니다. 이는 슬라이드 전체의 공간 정보를 유지하면서 분할을 수행합니다.
• 다중 해상도 해시 그리드 인코딩 (Multi-resolution Hash Grid Encoding):
  • WSI 의 피라미드 구조와 자연스럽게 매칭되도록 설계되었습니다.
  • 서로 다른 해상도를 동일한 연속 조직의 '서로 다른 샘플링 밀도'로 간주합니다.
  • 학습 가능한 해시 테이블을 사용하여 구조적으로 복잡한 영역 (병변 등) 에는 높은 표현 용량을 할당하고, 균일한 배경 영역은 압축합니다. 이를 통해 해상도 간 일관된 특징 표현을 달성합니다.
• 이중 분기 디코더 (Dual-branch Decoder):
  • CNN 분기: 인코딩된 좌표 특징을 처리하여 국소적인 공간 연속성과 이웃 패턴 (세부 조직 구조) 을 명시적으로 모델링합니다.
  • MLP 분기: 점 단위 (point-wise) 로 작동하며 암시적 표현을 통해 전역적인 공간 관계를 포착합니다.
  • 두 분기의 출력을 융합하여 국소적 제약과 전역적 모델링 능력을 모두 갖춘 통합 표현을 생성합니다.
• 이단계 학습 전략 (Two-step Training Strategy):
  1. 재구성 단계 (Step 1): 분할 헤드를 고정하고, 재구성 손실 (Reconstruction Loss) 만으로 디코더와 해시 인코더를 학습합니다. 이를 통해 의미 있는 조직 표현을 먼저 학습합니다.
  2. 분할 단계 (Step 2): 학습된 인코더와 디코더를 고정 (Frozen) 하고, 분할 헤지만 분할 손실 (BCE + Dice) 로 학습합니다. 이는 모델이 단순한 클래스 간 차이만 학습하는 '단순화 학습 (shortcut learning)'을 방지하고, 구조화된 특징 공간 내에서 병변을 정확히 분할하도록 돕습니다.
• 추론 시 최적화 (Inference-Time Optimization, ITO):
  • 새로운 WSI 를 처리할 때, 전역 네트워크 파라미터는 고정된 채 해당 슬라이드 전용 해시 인코딩만 재구성 손실로 최적화합니다.
  • 이는 분할 레이블 없이도 새로운 슬라이드의 질감과 구조적 특성에 빠르게 적응하게 하여, 학습된 의미론적 사전 지식 (priors) 을 유지하면서 새로운 데이터에 맞춰 조정됩니다.

3. 주요 기여 (Key Contributions)

1. 패치 없는 WSI 학습 프레임워크: WSI-INR 을 제안하여 WSI 를 이산적인 패치가 아닌 연속적인 암시적 표현으로 모델링합니다.
2. 해상도 불변성: 서로 다른 해상도를 단일 연속 함수의 다양한 샘플링 밀도로 모델링하여, 해상도 변화에 강건한 분할 성능을 달성합니다.
3. 병리학적 이질성 확장: 기존 INR 이 해부학적 구조에 국한되었던 것을 넘어, 구조적 일관성이 부족한 고도로 이질적인 병리 병변 분할에도 INR 이 효과적임을 입증했습니다.
4. 성능 입증: 다양한 해상도 조건에서 기존 패치 기반 방법 (U-Net, TransUNet) 보다 우수한 강건성을 보였습니다.

4. 실험 결과 (Experimental Results)

• 데이터셋: CAMELYON16 (유방암 림프절 전이 검출, H&E 염색 WSI).
• 평가 지표: Dice Score.
• 주요 결과 (Table 1):
  • 모든 모델은 기본 해상도 (Base) 에서 학습되었으나, Base/2 및 Base/4 와 같은 학습되지 않은 해상도에서 평가되었습니다.
  • 기존 방법 (U-Net, TransUNet): 해상도가 낮아질수록 성능이 급격히 저하되었습니다 (U-Net: Base/4 에서 -54.28% 감소, TransUNet: -36.18% 감소). 분할 결과가 공간적으로 조각나는 현상이 관찰되었습니다.
  • WSI-INR (해상도별 최적화 적용 시): Base/4 해상도에서 Dice 점수가 +26.11% 향상되었습니다. 이는 기존 방법들이 해상도 변화에 취약한 반면, WSI-INR 은 연속적인 표현을 통해 해상도 간 일관성을 유지함을 의미합니다.
• 분석 (Ablation Study):
  • 해시 그리드 인코딩이 없거나 고정된 위치 인코딩 (NeRF 등) 을 사용할 경우 WSI 의 높은 이질성을 처리하지 못해 성능이 0 에 수렴하거나 매우 낮았습니다.
  • 고해상도 해시 (세부 정보) 와 저해상도 해시 (전역 구조) 를 모두 포함한 'Full Hash Grid'가 가장 높은 재구성 및 분할 성능을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 계산 병리학 (Computational Pathology) 분야에서 연속적인 신경 표현 (Continuous Neural Representations) 의 새로운 패러다임을 제시합니다.

• 기술적 의의: WSI 의 다중 해상도 특성을 '서로 다른 샘플링 밀도'로 재해석함으로써, 저장 용량 제약이나 다른 기관의 스캐너 차이로 인한 해상도 불일치 문제를 해결할 수 있는 강력한 기반을 마련했습니다.
• 임상적 가치: 해상도 변화에 민감하지 않고 공간적 연속성을 유지하는 분할은 병리학자의 진단 정확도를 높이고, 자동화 시스템의 신뢰성을 제고할 수 있습니다.
• 미래 전망: 현재 미세 병변 모델링이나 다기관 일반화에는 한계가 있으나, WSI-INR 은 병리학적 분석을 위한 확장 가능한 프레임워크로, 향후 다양한 WSI 분석 작업으로 확장될 잠재력을 가지고 있습니다.

요약하자면, WSI-INR은 패치 기반 접근법의 공간적 단절과 해상도 민감성 문제를 해결하기 위해, WSI 를 연속 함수로 모델링하고 다중 해상도 해시 인코딩을 도입하여 강건하고 정밀한 병변 분할을 가능하게 한 획기적인 연구입니다.