결장직장암 병리 이미지 반감독 의미 분할 작업에서 존재하는 낮은 신뢰도의 의사 라벨 활용 부족, 높은 신뢰도의 의사 라벨 정확성 최적화 필요성 및 의사 라벨 클래스 불균형 등의 문제를 개선하기 위해, 본 논문에서는 결장직장암 병리 이미지의 고품질 다중 클래스 반감독 의미 분할을 실현하기 위한 의사 라벨 신뢰도 조절 방법을 제안한다. 먼저, 교사-학생 모델 기반의 반감독 의미 분할 프레임워크에서 일관성 정규화에 클래스 신뢰도 조절을 삽입하여, 훈련되지 않은 교사 모델이 생성한 낮은 신뢰도의 의사 라벨에서 혼동 클래스 제거를 통해 결정성을 향상시키고, 이로써 낮은 신뢰도의 의사 라벨 기여율을 높인다. 둘째, 훈련된 교사 모델이 생성한 의사 라벨에 대해 먼저 선별 후 정제하는 작업 패러다임을 제안하며, 선별된 높은 신뢰도의 의사 라벨에 조건부 랜덤 필드 기반 정제 작업을 수행하여, 높은 신뢰도의 의사 라벨에 존재하는 경계 흐림 및 의미 정보 부족 문제를 개선한다. 마지막으로, 의사 라벨 데이터 내 클래스 불균형 완화를 위해, 의사 라벨 클래스 수 판단 기반의 적응형 랜덤 연쇄 강력 데이터 증강 방법을 설계하였다. 자체 구축한 결장직장암 병리 이미지 데이터셋 및 공개된 다중 클래스 병리 이미지 데이터셋을 통해 실험 검증한 결과, 본 방법은 결장직장암 병리 이미지 4개 클래스 평균 분할 정확도 74.09%를 달성하였으며, 기준 네트워크 대비 6.43% 향상되어 결장직장암 병리 이미지 반감독 의미 분할에 강력한 알고리즘적 지원을 제공한다.

결장직장암 병리 이미지; 반감독 의미 분할; 교사-학생 모델; 일관성 정규화; 조건부 랜덤 필드; 데이터 증강