본 논문은 조직병리 이미지에서 선(gland) 분할을 정확하게 수행하는 새로운 준지도 학습 기반의 방법인 Color-Structure Dual-Student (CSDS)를 제안합니다. H&E 염색 및 조직 형태의 변이와 제한된 주석 데이터로 인한 어려움을 해결하기 위해, 염색 외양과 조직 구조의 분리된 표현을 학습하는 CSDS를 제안합니다. CSDS는 염색 증강 입력으로 색상 변화를 모델링하는 학생 네트워크와 구조 증강 입력으로 형태학적 단서를 포착하는 학생 네트워크의 두 가지 특수화된 학생 네트워크로 구성됩니다. 지수 이동 평균(EMA)을 통해 업데이트되는 공유 교사 네트워크는 의사 레이블을 통해 두 학생 네트워크를 감독합니다. 또한, 염색 인식 및 구조 인식 불확실성 추정 모듈을 도입하여 학습 중 각 학생의 기여를 적응적으로 조절함으로써 레이블 신뢰도를 향상시킵니다. GlaS 및 CRAG 데이터셋에 대한 실험 결과, CSDS는 저 레이블 설정에서 최첨단 성능을 달성하며, 5%의 레이블 데이터에서 GlaS는 최대 1.2%, CRAG는 0.7%의 Dice score 향상을, 10%의 레이블 데이터에서는 GlaS는 0.7%, CRAG는 1.4%의 향상을 보였습니다. 코드와 사전 훈련된 모델은 GitHub에서 공개됩니다.
