변형 가능한 컨볼루션과 웨이블릿 변환을 활용한 딥러닝 기반 병리 영상 압축 = Deep Learning-Based Pathological Image Compression using Deformable Convolution and Wavelet Transform

국문 초록 (Abstract)

디지털 병리학의 발전으로 전체 슬라이드 이미지(Whole Slide Image, WSI)의 활용이 보편화되었으나, 이로 인해 생성되는 대용량의 데이터는 막대한 스토리지 및 전송 비용으로 인한 경제적 부담과 데이터 로딩 지연으로 인한 병리사의 실시간 진단 비효율성을 증가시킨다. 따라서 이러한 실용적 문제들을 해결하고 디지털 병리 데이터의 장기적으로 효율적인 관리를 위해서는 고성능 이미지 압축 기술이 필요하다. 특히, 질병 진단에 결정적인 역할을 하는 세포의 미세한 형태학적 정보와 조직 패턴은 주로 영상의 고주파 성분에 집중되어있어 압축 과정에서의 해당 정보 손실을 최소화하는 것이 중요하다. 본 연구에서는 이러한 문제를 해결하기 위해 변형 가능한 컨볼루션(Deformable Convolution)과 웨이블릿 변환(Wavelet Transform)을 활용한 딥러닝 기반 디지털 병리 영상 압축 프레임워크를 제안한다. 제안 방법은 주파수 분해를 통해 이미지의 고주파 정보를 효과적으로 보존하며, 불규칙한 형태의 병리학적 특징에 유연하게 대응이 가능하다. 실험 결과 제안 방법은 기존 최신 학습 기반 압축 모델들과 비교하여 우수한 압축 성능을 보였으며, 특히 진단에 중요한 미세 구조를 효과적으로 보존함을 확인하였다. 또한, 압축된 이미지를 세포분할(Cell Segmentation)과 같은 후속 태스크에서도 경쟁력 있는 성능을 유지함을 확인했다.

다국어 초록 (Multilingual Abstract)

With the advancement of digital pathology, the use of Whole Slide Images (WSIs) has become widespread. However, their large data size incurs substantial storage and transmission costs and causes inefficiencies in real-time diagnosis due to loading delays. To address these challenges and ensure the long-term efficient management of digital pathology data, high-performance image compression is essential. Fine morphological details of cells and tissue patterns—crucial for diagnosis—are concentrated in high-frequency components, making their preservation during compression vital. We propose a deep learning–based digital pathology image compression framework that integrates Deformable Convolution and Wavelet Transform to effectively retain such diagnostic information. The proposed method preserves high-frequency details through frequency decomposition and adaptively models irregular pathological structures. Experimental results show that our approach outperforms state-of-the-art learning-based compression models and better maintains diagnostic microstructures. Moreover, when applied to downstream tasks such as cell segmentation, the compressed images exhibit less performance degradation than those from existing methods.

목차 (Table of Contents)

• 1. 서론 1
• 2. 이론적 배경 4
• 2.1. 전통적인 이미지 압축 방법론 4
• 2.2. 학습 기반 이미지 압축 (Learned Image Compression) 방법론 6
• 2.2.1. 학습 기반 이미지 압축의 기본 구조 7
• 2.2.2. Hyperprior 8
• 2.2.3. Context Model 10
• 2.3. 디지털 병리 영상에서의 이미지 압축 연구 12
• 2.4. 웨이블릿 변환 (Wavelet Transform) 14
• 2.5. 변형 가능한 컨볼루션 (Deformable Convolution) 15
• 3. 연구 방법 19
• 3.1. 딥러닝 네트워크 19
• 3.1.1. DCAE (Dictionary-based Cross Attention Entropy model) 19
• 3.1.2. MetaFormer 구조 21
• 3.2. 제안 방법 24
• 3.2.1. 개요 24
• 3.2.2. 웨이블릿 기반 고주파 어텐션 모듈 26
• 3.2.3. 변형 가능한 컨볼루션 기반 트랜스포머 블록 28
• 4. 연구 결과 30
• 4.1. 데이터 수집 및 전처리 30
• 4.2. 실험 환경 32
• 4.3. 평가 지표 32
• 4.3.1. BPP (Bit Per Pixel) 33
• 4.3.2. PSNR (Peak Signal-to-Noise Ratio) 33
• 4.3.3. MS-SSIM (Multi-Scale Structural Similarity Index Measure) 33
• 4.3.4. RD 곡선 (Rate-Distortion Curve) 34
• 4.3.5. BD-Rate (Bjøntegaard Delta Rate) 34
• 4.4. 실험 결과 평가 및 비교 35
• 4.4.1. 정량 평가 (Quantitative Evaluation) 35
• 4.4.2. 정성 평가 (Qualitative Evaluation) 38
• 4.4.3. 제거 연구 (Ablation Study) 44
• 4.4.4. 인코딩 및 디코딩 추론 시간 비교 46
• 4.5. 손실 압축이 다운스트림 태스크에 미치는 영향 분석 51
• 4.5.1. 실험 목적 및 설계 51
• 4.5.2. 실험 결과 52
• 5. 결론 및 논의 55
• 참고문헌 57