[paper review] Multi-class cell detection using Spatial Context Representation

Abstract

이번에 읽은 논문은 ICCV 2021에 관한 논문을 읽어보았다. 기존이 방법들에서 detection에 대해서는 YOLO나 mask-rcnn또는 Unet이나 segmentation의 방법으로 문제를 많이 접근한다. 하지만 기존의 방법들은 Spatial 한 정보를 주지 않는다. 그렇다 보니 cell에 관한 texture의 형태만 보고 판단하는 경우가 많은데 pathology에서는 FP의 문제가 많이 생기기도 한다. 이러한 문제를 해결하기위해서 spatial contextural information의 주게되는데 2가지의 방법으로 제시한다.
첫번째로는 spatial statisitical function를 제시하고 두번째로는 deep clustering,multi task learning을 제시한다.

Method

그림에서 보는바와 같이 여러 multi task learning으로 되어있다. 각 task에 대해서 설명은 밑과 같다

• Cellular spatial context

** 이 방법 같은 경우는 point pattern에 대해서 알수 있는 방법으로 많이 사용되고 있다. random 하게 point를 뽑은뒤에 radius를 점점 늘려가면서 주위에 soure point와 같은 class를 점차적으로 만들어가는 방법을 말한다. 이를 K-fuction이라고 예전부터 부르는 방법이다.
** 저자는 class가 모여있는 patch에서 K-fuction를 적용하였고 raius마다 cumulative distribution을 만들었다. 그후 GT와의 distribution을 L1-loss로 주었다.

• Deep clustering modeules

• • 이렇게 K-function으로 나오면 radius마다의 subcategories를 줄수 있게되어지고 이전에 feauter를 clustering한 정보와 같이 합하여 deep cluatering을 하여 5개의 subclass를 생성한다ㅏ.
• • 이를 pesudo label로 만들어서 softmax에서 나온 prediction map과 pixel wise loss를 제시한다.

• Deteciton, classification modules

• • 일반적은 detection에 사용하는 dice loss를 적용하였고 class 를 나눈 featuer map간의 loss를 같이 구하게된다.