하이퍼스펙트럼 병리학 암 세포질의 이미지 세분화: 데이터 증강에 기초한 새로운 접근법

병리학적 진단에서 헤마톡실린-에오신(H&E) 염색은 조직 형태를 관찰하는 데 흔히 사용되는 방법입니다. 헤마톡실린은 세포 핵을 청자색으로 염색하고, 에오신은 세포질과 세포외 기질을 분홍색으로 염색합니다. 병리학자들은 현미경으로 이 염색된 절편을 관찰하여 세포가 암 변화를 겪었는지 판단합니다. 암 종류를 결정하는 과정에서 암 세포질 영역을 정확하게 식별하는 것은 핵심 단계입니다.

최근 몇 년 동안 초분광 영상 기술이 점차 병리학 연구 분야에 도입되었습니다. 기존 CMOS 카메라에 비해 초분광 카메라는 더 풍부한 세포 정보를 얻을 수 있습니다. 그러나 이 기술은 실제 응용에서 두 가지 현실적인 문제에 직면해 있습니다.

첫 번째 문제는 데이터 획득의 어려움입니다. 초분광 이미지의 획득 비용이 높고, 대규모 주석이 달린 데이터셋을 구축하는 것은 쉽지 않습니다. 하지만 딥러닝 모델은 효과적으로 작동하기 위해 정확히 많은 양의 데이터를 필요로 합니다. 두 번째 문제는 장비 노이즈입니다. 선형 푸시브룸 모드 기반의 초분광 카메라는 종종 영상 처리 과정에서 수직 또는 수평 줄무늬 노이즈, 픽셀 이동 등의 문제를 발생시킵니다. 이러한 노이즈는 장비 특성과 작동 환경에 따라 달라지므로 완전히 피하기 어렵습니다.

이러한 문제를 해결하기 위해 Informatics in Medicine Unlocked 저널에 연구가 발표되었습니다. 이 연구에서는 CMOS 이미지를 활용하여 실제 장비 노이즈를 시뮬레이션하는 의사 초분광 이미지를 생성하고, 이를 U-Net 분할 모델을 훈련하는 데 사용하는 데이터 증강 방법을 제안했습니다.

1. 증강을 위해 CMOS 이미지를 사용하는 이유는 무엇인가요?
직접적인 고려 사항은 주석 비용입니다. 초분광 이미지에서 암 세포질의 질감은 복잡하며, 흑백 이미지에서 수동으로 주석을 다는 것은 시간과 노력이 많이 소요됩니다. 반면에 CMOS 이미지는 시각적으로 선명하며 주석 효율성이 훨씬 높습니다. 연구팀의 아이디어는 다음과 같습니다. 쉽게 주석을 달 수 있는 CMOS 이미지를 사용하여 노이즈가 있는 의사 초분광 이미지를 생성하고, 이 이미지를 사용하여 모델을 훈련하는 것입니다.

구체적인 접근 방식은 세 단계로 나뉩니다:
첫 번째 단계는 색상 변환 및 밝기 조정입니다. CMOS RGB 이미지를 흑백 이미지로 변환하고, 감마 보정 및 히스토그램 평활화를 통해 밝기를 조정하여 특정 파장 대역(예: 580nm)의 초분광 이미지 시각 효과와 유사하게 만듭니다.

두 번째 단계는 장비 노이즈 추가입니다. 센서 감도 또는 신호 처리의 차이로 인해 실제 초분광 카메라에서 발생하는 줄무늬 노이즈를 시뮬레이션하기 위해 이미지에 무작위로 수직 및 수평 노이즈 선을 추가합니다. 수직 노이즈 선의 개수는 19개에서 29개 사이이며, 수평 노이즈 선의 위치와 너비도 무작위로 지정됩니다. 또한 정보 손실 및 픽셀 이동도 시뮬레이션됩니다.

세 번째 단계는 기하학적 변환입니다. 생성된 의사 이미지에 자르기, 뒤집기, 이동과 같은 작업을 수행하여 데이터셋을 더욱 확장합니다.

이 워크플로우를 통해 44개의 원본 CMOS 이미지에서 792개의 의사 초분광 이미지가 생성되었으며, 여기에 44개의 원본 초분광 이미지를 병합하여 훈련 세트를 836개의 이미지로 늘렸습니다.

2. 실험 효과는 어떠했나요?
연구팀은 5겹 교차 검증을 사용하여 모델 성능을 평가했으며, IoU(Intersection over Union)와 Dice 계수를 지표로 사용했습니다.

44개의 원본 초분광 이미지로만 훈련했을 때 IoU는 0.5786, Dice 계수는 0.7304였습니다. 의사 초분광 이미지를 추가한 후 IoU는 0.6458, Dice 계수는 0.7820으로 증가했습니다. 즉, IoU는 약 11.6%, Dice 계수는 약 7.1% 향상되었습니다.

연구팀은 또한 이미지 밝기와 세포 밀도가 분할 결과에 영향을 미친다는 사실을 발견했습니다. 더 어두운 이미지 유형과 세포 핵이 밀집된 이미지 유형은 상대적으로 낮은 분할 정확도를 보였습니다. 이는 모델이 이미지 품질에 어느 정도 의존하며, 향후 개선 방향을 제시한다는 것을 의미합니다.

3. 이 연구의 의의는 무엇인가요?
초분광 병리학 이미지 처리에 있어 데이터 부족과 장비 노이즈는 피할 수 없는 두 가지 장애물입니다. 이 연구는 실행 가능한 아이디어를 제공합니다. 즉, 노이즈를 힘들게 제거하는 대신, 훈련 단계에서 모델이 노이즈를 처리하도록 학습시키는 것이 더 낫다는 것입니다. CMOS 이미지에서 장비 노이즈가 있는 의사 초분광 이미지를 생성하는 것은 주석의 어려움을 해결할 뿐만 아니라 노이즈에 대한 모델의 강건성을 향상시킵니다.

물론 이 연구에도 한계가 있습니다. 실험 데이터는 개 유선종 샘플에서 나왔으며, 이미지 유형은 7가지에 불과했습니다. 더 복잡한 샘플 유형과 더 큰 데이터셋은 점진적으로 축적되어야 합니다.

그러나 방법론적 관점에서 볼 때, "주석이 쉬운 이미지를 사용하여 노이즈가 포함된 훈련 샘플을 생성하는" 개념은 병리학적 진단에서 초분광 현미경 이미징의 적용을 위한 귀중한 실용적인 경로를 제공합니다. 병리학과에서 초분광 영상 장비의 점진적인 보급과 함께, 유사한 데이터 증강 방법은 연구자들이 모델을 더 효율적으로 훈련하고 대규모 수동 주석에 대한 의존도를 줄이는 데 도움이 될 수 있습니다.

면책 조항
이 콘텐츠는 공개 학술 문헌(문헌 링크: https://www.sciencedirect.com/science/article/pii/S2352914826000213)을 기반으로 편집 및 컴파일되었습니다. 산업 기술 토론 및 과학 보급 학습 목적으로만 사용되며, 상업적 관련 약속을 하지 않으며 투자 참조 기준으로 사용할 수 없습니다. 텍스트에 나열된 다양한 실험 데이터 및 결론은 테스트 환경, 샘플의 개별 차이, 모델 구축 계획과 같은 여러 변수에 의해 영향을 받을 수 있습니다. 실제 시나리오에 적용될 경우, 관련 효과는 자체 시나리오와 결합된 독립적인 테스트를 통해 검증되어야 합니다.