SSMamba: A Self-Supervised Hybrid State Space Model for Pathological Image Classification

Created by

Haebom

저자

Enhui Chai, Sicheng Chen, Tianyi Zhang, Xingyu Li, Tianxiang Cui

💡 개요

본 연구는 병리 진단에서 ROI(관심 영역) 분석의 세 가지 주요 한계점(배율 변화에 따른 도메인 이동, 국소-전역 관계 모델링의 비효율성, 미세 감도 부족)을 해결하기 위해 SSMamba라는 하이브리드 자기 지도 학습(SSL) 프레임워크를 제안합니다. SSMamba는 Mamba Masked Image Modeling(MAMIM), Directional Multi-scale(DMS) 모듈, Local Perception Residual(LPR) 모듈을 통합하여 강력한 미세 특징 학습 능력을 제공합니다.

🔑 시사점 및 한계

•

병리 이미지 분석에서 ROI 수준의 고정 스케일 사전 학습의 한계를 극복하고 다양한 임상 환경에 적응할 수 있는 도메인 적응형 모델 설계의 중요성을 보여줍니다.

•

Mamba 기반 아키텍처와 기존 Vision Transformer 기반 모델의 강점을 결합한 하이브리드 접근 방식이 국소 및 전역 특징을 효과적으로 통합하고 미세한 진단 단서를 포착하는 데 유리함을 입증했습니다.

•

제안된 SSMamba는 여러 공개 ROI 및 WSI 데이터셋에서 기존 최신 기술(SOTA) 모델들을 능가하는 성능을 달성하여, 병리 이미지 분석을 위한 작업별 아키텍처 설계의 우수성을 검증했습니다.

•

본 연구는 대규모 외부 데이터셋 없이도 효과적인 미세 특징 학습을 가능하게 하지만, 실제 임상 환경에서의 통합 및 추가적인 검증이 필요할 수 있습니다.

PDF 보기

Made with Slashpage