[논문 리뷰] Weakly Supervised Patch Annotation for Improved Screening of Diabetic Retinopathy

Shramana Dey, Abhirup Banerjee외 3명|arXiv (Cornell University)|2026. 03. 04.

Retinal Imaging and Analysis인용 수 0

한 줄 요약

SAFE: 약한 지도 학습과 패치 단위 임베딩을 활용해 망막사진의 희소 병변 주석을 확장하고 DR 분류 성능을 향상시키는 두 단계 프레임워크.

ABSTRACT

Diabetic Retinopathy (DR) requires timely screening to prevent irreversible vision loss. However, its early detection remains a significant challenge since often the subtle pathological manifestations (lesions) get overlooked due to insufficient annotation. Existing literature primarily focuses on image-level supervision, weakly-supervised localization, and clustering-based representation learning, which fail to systematically annotate unlabeled lesion region(s) for refining the dataset. Expert-driven lesion annotation is labor-intensive and often incomplete, limiting the performance of deep learning models. We introduce Similarity-based Annotation via Feature-space Ensemble (SAFE), a two-stage framework that unifies weak supervision, contrastive learning, and patch-wise embedding inference, to systematically expand sparse annotations in the pathology. SAFE preserves fine-grained details of the lesion(s) under partial clinical supervision. In the first stage, a dual-arm Patch Embedding Network learns semantically structured, class-discriminative embeddings from expert annotated patches. Next, an ensemble of independent embedding spaces extrapolates labels to the unannotated regions based on spatial and semantic proximity. An abstention mechanism ensures trade-off between highly reliable annotation and noisy coverage. Experimental results demonstrate reliable separation of healthy and diseased patches, achieving upto 0.9886 accuracy. The annotation generated from SAFE substantially improves downstream tasks such as DR classification, demonstrating a substantial increase in F1-score of the diseased class and a performance gain as high as 0.545 in Area Under the Precision-Recall Curve (AUPRC). Qualitative analysis, with explainability, confirms that SAFE focuses on clinically relevant lesion patterns; and is further validated by ophthalmologists.

연구 동기 및 목표

• 병변 주석이 희박하거나 불완전할 때 DR 선별의 개선을 촉진한다.
• 대량의 수작업 표기 없이 희소한 패치 수준 주석을 확장하는 원칙적인 자동 방법을 제안한다.
• 다운샘플링된 이미지 대신 128x128 패치에서 작동하여 병변 수준 해상도를 유지한다.
• 정제된 주석을 통해 DR 분류와 같은 다운스트림 작업의 정확도를 높인다.

제안 방법

• 약한 감독, 대조 학습 및 패치 단위 임베딩을 결합한 두 단계 프레임워크 SAFE를 도입한다.
• 1단계는 전문가 주석 패치로부터 클래스 구별성과 의미적으로 구조화된 임베딩을 학습하기 위해 이중 팔 Patch Embedding Network(PEN)를 훈련시킨다.
• 2단계는 코사인 유사도와 기권 포함 다수결을 사용하여 MT 독립적으로 훈련된 임베딩 공간 전반에 걸친 특징 공간 앙상블을 통해 라벨을 비주석 패치에 전파한다.
• 신뢰도 임계값을 사용하는 기권 메커니즘은 안정적인 주석과 노이즈가 있는 커버리지 사이의 균형을 맞춘다.
• 새로운 지표 Drate 및 확장 MR은 기권하에서 주석 커버리지와 신뢰성을 정량화한다.
• 실험은 네 개의 DR 데이터셋에서 패치 수준 평가를 사용하고 SAFE 추론 라벨을 사용할 때 DR 분류 지표의 향상을 보인다.

실험 결과

연구 질문

• RQ1 약한 지도 학습 패치 수준 임베딩을 사용하여 DR 이미지의 미주석 패치를 신뢰성 있게 주석 달 수 있는가?
• RQ2 부분 감독하에서 임베딩 공간의 앙상블이 라벨 전파 품질과 강건성에 어떤 영향을 미치는가?
• RQ3 SAFE 생성 주석이 DR 분류 성능에 미치는 다운스트림 영향은 무엇인가?
• RQ4 기권 및 신뢰도 임계값이 주석 품질과 커버리지에 어떤 영향을 미치는가?
• RQ5 추론된 주석이 안과의사에 의해 검증된 임상적으로 관련된 병변 패턴에 초점을 맞추는가?

주요 결과

• SAFE는 평가된 데이터셋에서 건강 패치와 병든 패치를 신뢰되게 구분하며 최대 0.9886의 정확도를 달성한다.
• SAFE가 생성한 주석은 다운스트림 DR 작업을 크게 개선하고, 질병 클래스의 F1 점수 증가 및 AUPRC에서 최대 0.545까지 상승을 보인다.
• 임베딩 공간의 앙상블을 갖춘 2단계 SAFE 프레임워크는 라벨 전파 편향을 줄이고 데이터셋에 걸친 지표를 개선한다.
• 기권은 불확실한 패치를 Undecided로 표기하여 노이즈 라벨을 효과적으로 피하고 Healthy와 Unhealthy 클래스의 정밀도를 유지한다.
• 설명 가능성 분석(활성화 맵, Grad-CAM)은 SAFE가 안과의사에 의해 검증된 임상적으로 관련된 병변 패턴에 집중함을 나타낸다.
• SAFE는 데이터가 드물고 불균형하거나 대규모 환경에서도 높은 주석 커버리지(Drate > 0.93)로 강한 성능을 유지한다.