[20250702 통합세미나] Diffusion based stain normalization
페이지 정보
본문
[일시]
2025.07.02
[세미나 주제]
Diffusion based stain normalization
[발표자]
고예진
[요약]
본 발표에서는 병리학 이미지의 stain normalization 문제를 해결하기 위한 diffusion 기반 방법론을 소개한다.
병리 이미지는 염색 방식과 스캐너 환경에 따라 색과 강도가 크게 달라지며, 이는 분석 신뢰성을 저해하는 중요한 원인이 된다. 기존의 stain normalization 기법은 단순히 스타일 변환에 초점을 맞춰 구조적 정보 손실이나 도메인 적응 한계가 있었다. 이를 극복하기 위해 diffusion 모델을 활용한 두 가지 접근법을 제안한다.
첫 번째 연구인 StainDiff는 Denoising Diffusion Probabilistic Model(DDPM)을 기반으로 한다. Forward 과정에서는 원본 이미지를 점진적으로 노이즈화하여 latent 공간으로 보내고, reverse 과정에서는 이를 복원하면서 stain 스타일을 바꾼다. 특히 StainDiff는 target 도메인으로의 매핑을 담당하는 auxiliary transform network를 포함하고 있어, paired 데이터가 없어도 다른 stain 도메인으로의 변환이 가능하다. 이를 통해 unpaired 데이터 상황에서도 효과적인 stain 스타일 전환이 가능하며, 결과적으로 다양한 stain 스타일 간 도메인 차이를 줄여 downstream 분석 정확도를 향상시킬 수 있다. 또한 self-ensemble 전략을 통해 복원 안정성을 높였으며, progressive transfer 과정을 시각화하여 모델의 해석 가능성을 강화하였다. 두 번째 연구인 SAStainDiff는 self-supervised 학습 방식을 기반으로 stain normalization을 수행한다. SAStainDiff는 StainDiff와 마찬가지로 paired 데이터 없이 target 도메인의 이미지들만을 활용해 학습하며, stain augmentation 기법을 통해 모델이 stain 스타일의 다양성에 적응하도록 설계되었다. 특히 rescheduled sampling 전략을 도입하여 샘플링 스텝을 조절하고, 학습 속도와 품질을 동시에 개선하였다. Condition-aware patch sampling과 patch merging 기법은 세부 구조를 보존하면서 stain 스타일을 자연스럽게 전환할 수 있도록 도와준다. 이러한 방식은 데이터 준비 부담을 크게 줄이면서도 강력한 일반화 성능을 확보할 수 있는 것이 큰 장점이다. 본 발표에서는 이러한 diffusion 기반 stain normalization 연구를 통해 병리학 이미지 분석의 정확도 및 활용도를 높이는 방법론을 소개하고 있으며, 향후 cross-domain classification 및 segmentation 성능 개선을 위한 확장 연구 방향성을 제시한다.
[Q&A]
- StainDiff에서 target 도메인으로의 매핑을 담당하는 auxiliary transform network가 어떻게 적용되는지 궁금합니다.
: Auxiliary transform network는 latent representation을 다른 도메인의 latent representation으로 매핑하는 네트워크이며, 네트워크의 실제 구조는 논문에 명확히 공개되어 있지 않아서 정확하게 알 수는 없으나, 작은 CNN 또는 MLP 형태의 네트워크로 예상됩니다.
[관련 논문]
- StainDiff: Transfer Stain Styles of Histology Images with Denoising Diffusion Probabilistic Models and Self-Ensemble
- SAStainDiff: Self-supervised stain normalization by stain augmentation using denoising diffusion probabilistic models
[녹화 영상 링크]
https://us06web.zoom.us/rec/share/3igBjEksZEgoSby6LF5WDYLh_s8_QB85SKCkDc5oQFC36Fa3D8HoKBFINgH0JORT.dg48uFcGWblHi9Jy
2025.07.02
[세미나 주제]
Diffusion based stain normalization
[발표자]
고예진
[요약]
본 발표에서는 병리학 이미지의 stain normalization 문제를 해결하기 위한 diffusion 기반 방법론을 소개한다.
병리 이미지는 염색 방식과 스캐너 환경에 따라 색과 강도가 크게 달라지며, 이는 분석 신뢰성을 저해하는 중요한 원인이 된다. 기존의 stain normalization 기법은 단순히 스타일 변환에 초점을 맞춰 구조적 정보 손실이나 도메인 적응 한계가 있었다. 이를 극복하기 위해 diffusion 모델을 활용한 두 가지 접근법을 제안한다.
첫 번째 연구인 StainDiff는 Denoising Diffusion Probabilistic Model(DDPM)을 기반으로 한다. Forward 과정에서는 원본 이미지를 점진적으로 노이즈화하여 latent 공간으로 보내고, reverse 과정에서는 이를 복원하면서 stain 스타일을 바꾼다. 특히 StainDiff는 target 도메인으로의 매핑을 담당하는 auxiliary transform network를 포함하고 있어, paired 데이터가 없어도 다른 stain 도메인으로의 변환이 가능하다. 이를 통해 unpaired 데이터 상황에서도 효과적인 stain 스타일 전환이 가능하며, 결과적으로 다양한 stain 스타일 간 도메인 차이를 줄여 downstream 분석 정확도를 향상시킬 수 있다. 또한 self-ensemble 전략을 통해 복원 안정성을 높였으며, progressive transfer 과정을 시각화하여 모델의 해석 가능성을 강화하였다. 두 번째 연구인 SAStainDiff는 self-supervised 학습 방식을 기반으로 stain normalization을 수행한다. SAStainDiff는 StainDiff와 마찬가지로 paired 데이터 없이 target 도메인의 이미지들만을 활용해 학습하며, stain augmentation 기법을 통해 모델이 stain 스타일의 다양성에 적응하도록 설계되었다. 특히 rescheduled sampling 전략을 도입하여 샘플링 스텝을 조절하고, 학습 속도와 품질을 동시에 개선하였다. Condition-aware patch sampling과 patch merging 기법은 세부 구조를 보존하면서 stain 스타일을 자연스럽게 전환할 수 있도록 도와준다. 이러한 방식은 데이터 준비 부담을 크게 줄이면서도 강력한 일반화 성능을 확보할 수 있는 것이 큰 장점이다. 본 발표에서는 이러한 diffusion 기반 stain normalization 연구를 통해 병리학 이미지 분석의 정확도 및 활용도를 높이는 방법론을 소개하고 있으며, 향후 cross-domain classification 및 segmentation 성능 개선을 위한 확장 연구 방향성을 제시한다.
[Q&A]
- StainDiff에서 target 도메인으로의 매핑을 담당하는 auxiliary transform network가 어떻게 적용되는지 궁금합니다.
: Auxiliary transform network는 latent representation을 다른 도메인의 latent representation으로 매핑하는 네트워크이며, 네트워크의 실제 구조는 논문에 명확히 공개되어 있지 않아서 정확하게 알 수는 없으나, 작은 CNN 또는 MLP 형태의 네트워크로 예상됩니다.
[관련 논문]
- StainDiff: Transfer Stain Styles of Histology Images with Denoising Diffusion Probabilistic Models and Self-Ensemble
- SAStainDiff: Self-supervised stain normalization by stain augmentation using denoising diffusion probabilistic models
[녹화 영상 링크]
https://us06web.zoom.us/rec/share/3igBjEksZEgoSby6LF5WDYLh_s8_QB85SKCkDc5oQFC36Fa3D8HoKBFINgH0JORT.dg48uFcGWblHi9Jy
첨부파일
-
Diffusion-Based_Stain_Normalization_고예진.pdf (3.0M)
DATE : 2025-07-06 19:10:33
댓글목록
등록된 댓글이 없습니다.