[논문]구조적 특징 정보를 이용한 복잡한 세포영상 분할

김성곤

doi:10.9708/jksci/2012.17.10.035

초록
AI-Helper

본 논문에서는 과분할 방지와 복잡한 현미경 세포영상의 자동 분할을 위한 새로운 마커 기반의 워터쉐드 알고리즘을 제안한다. 워터쉐드 방식은 접촉 또는 겹침으로 인한 복잡한 대상들을 분할하기 위해 효과적이며 보다 성공적인 적용을 위해 정확한 마커 추출이 선행되어야 한다. 세포 영상의 정확한 마커 추출을 위해 본 논문에서는 방사형 대칭성을 이용한 반복 보팅 알고리즘을 이용하였다. 합성 영상과 실제 영상에서도 기존의 다른 방식들에 비해 양호한 분할 결과를 보였다.

Abstract ▼ AI-Helper

We propose a new marker driven Watershed algorithm for automated segmentation of clustered cell from microscopy image with less over segmentation. The Watershed Transform is able to segment extremely complex objects which are highly touched and overlapped each other. The success of the Watershed Tra...

We propose a new marker driven Watershed algorithm for automated segmentation of clustered cell from microscopy image with less over segmentation. The Watershed Transform is able to segment extremely complex objects which are highly touched and overlapped each other. The success of the Watershed Transform depends essentially on the finding markers for each of the objects of interest. For extracting of markers positioning around center of each cell we used radial symmetry and iterative voting algorithms. With synthetic and real images, we quantitatively demonstrate the performance of our method and achieved better results than the other compared methods.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

가설 설정

침수 모의실험이란 그림 1(b)와 같이 고도가 가장 낮은 지역적 최소 영역들 즉, 마커를 기점으로 하여 침수가 시작되어 점점 침수가 진행되면서 최고 수위까지 진행된다고 가정한다. 우선 지역적 최소점을 기점으로 담수지역이 형성되어 확장되다가 언젠가는 인접한 담수지역 끼리 합해질 시점에 두 담수지역의 경계 부분에 댐 즉, 워터쉐드를 구축하여 담수지역을 구분해준다.

제안 방법

S는 보팅 적용점이며, {r_min,r_max}는 방사 방향으로의 보팅 범위(radial range), ∆는 보팅각 범위(angular range)이다. A(x,y;r_min,r_max,∆)는 보팅영역이며 보다 중심부분에 집중적인 부드러운 보팅값을 얻기 위해 가우시안 마스킹을 적용하였다.
본 논문에서 제안하는 알고리즘의 구현과 객관적인 세포 분할 성능을 비교하기 위해 Tampere University of Technology에서 제공하는 벤치마크 데이터베이스의 영상을 이용하였다. 동일한 영상에 대해 서로 다른 분할 방식의 성능을 객관적으로 비교한다는 것은 어렵기 때문에 우선 벤치마크용으로 제공되는 다양한 실험 영상에 대해 추출 성능을 비교해보았다. 전체 실험영상 중 세포 간 접촉이나 겹침 정도가 15% 수준 영상(그림 8(a)), 그리고 좀 더 겹침 정도가 심한 45% 수준의 영상(그림 9(a))을 이용하여 성능 평가를 수행하였다.
보통 세포들의 크기가 다양할 경우엔 최소반지름과 최대반지름 값을 이용하여 rmin과 rmax 값을 정하지만, 본 논문에서는 세포영상에서 세포들의 크기가 유사할 경우엔 평균세포 반지름 길이 ± 편차값을 rmin과 rmax값으로 함으로써 보다 효율적으로 보팅이 수행되도록 하였다.
본 논문에서는 세포영상내의 개별 세포영역을 구분하기 위해 각 세포들의 중심을 추정하며 이를 위해 세포들의 구조적 특징 즉 방사형 대칭성을 이용한 반복 보팅 방법을 사용한다.
제안 방식의 추출 결과가 CellProfiler 보다 시각적으로 양호하다는 것을 알 수 있으나 보다 객관적이고 정량적인 비교를 위해 식 (2)를 사용하여 추출 성능을 나타내었다. 분할 기준치를 GT로 두고 분할된 결과를 SR로 하여 기준치와 분할결과의 일치 정도를 성능으로 표시하였다. 표 1에 두 방식의 분할 결과와 추출 성능을 나타내었다.
이와 같은 문제점을 해결하기 위해 분할 작업을 수행하기 전에 영상의 다양한 특징 정보들을 이용하여 분할 대상 영역들의 일부로 간주할 수 있는 지역적 최소점들 즉 마커들을 먼저 설정해 준다.

대상 데이터

전체 실험영상 중 세포 간 접촉이나 겹침 정도가 15% 수준 영상(그림 8(a)), 그리고 좀 더 겹침 정도가 심한 45% 수준의 영상(그림 9(a))을 이용하여 성능 평가를 수행하였다. 각 영상의 실제 크기는 950 X 950 픽셀이며 영상 당 세포의 개수는 300개이다. 그림 8(a)에 원영상의 일부를 표시하였다.
본 논문에서 다루는 실험영상은 대장의 일부인 결장(colon) 암세포 조직의 형광현미경(fluorescent microscopy)세포영상이다. 논문의 구성은 다음과 같다.
본 논문에서 제안하는 알고리즘의 구현과 객관적인 세포 분할 성능을 비교하기 위해 Tampere University of Technology에서 제공하는 벤치마크 데이터베이스의 영상을 이용하였다. 동일한 영상에 대해 서로 다른 분할 방식의 성능을 객관적으로 비교한다는 것은 어렵기 때문에 우선 벤치마크용으로 제공되는 다양한 실험 영상에 대해 추출 성능을 비교해보았다.
그림 10(b)에 전문의의 수작업 분할 결과를 원영상에 표시하였으며 그림 10(c)에는 제안 모델로 추출한 결과를 나타내었다. 전문의 수작업 결과와 제안 방식의 성능을 비교하기 위해 유사한 5개 데이터 집합을 사용하여 실험하였으며 표 2에 실험 결과를 나타내었다.

데이터처리

표 2에 나타낸 추출 성능은 수작업 추출 결과를 식 (2)의 기준치 GT로 두고 제안모델의 분할 결과를 SR로 하여 백분율로 구하였다. 표 2에서 나타난 것처럼 실제 영상에서도 93.

이론/모형

일반적인 세포영상에서 개별 세포들은 볼록하거나 타원과 유사한 형태를 가진다. 각 세포들의 중심점에 근사한 후보 영역을 추출하기 위해 방사형 대칭(radial symmetry) 특징을 이용한다. 그림 5와 같이 물체의 경계점에서 일정한 크기와 범위를 가지는 커널을 반복적으로 크기와 범위를 줄여가면서 후보영역을 보팅을 해가면 세포의 중심에 근사화된 위치를 구할 수 있다.
본 논문에서는 복잡한 세포 영상을 분할하기 위해 마커 기반 워터쉐드 방식을 활용하였으며, 특히 정확한 마커를 추출하기 위해 분할 대상의 구조적 특징 정보를 이용한 반복 보팅(iterative voting)방법을 이용하였다[8].
본 논문에서는 정확한 마커 추출을 위해 영상의 구조적 특징을 이용하는 보팅(voting)방법을 이용하여 마커를 구한다[8]. 세포영상 중에서 각 세포들이 겹침이 심하거나 너무 밀집된 복잡한 세포영상에서 보다 정확한 마커추출이 가능하다.

성능/효과

3개 정도의 추출 오차를 보였다. 그리고 제안 모델의 추출 성능은 겹침의 정도에 따라 다소 차이는 있지만 평균 0.971의 우수한 결과를 보였다.
이런 관점에서 영상처리 기술을 응용한 자동화 처리의 필요성이 높고 동시에 실시간 처리로 다양한 영상의 중요 정보들을 획득하여 진단이나 치료에 요긴하게 활용할 수 있다. 본 연구는 다양한 세포 영상 중에서 세포의 형태가 타원과 유사한 구조의 세포 영상에 국한되지만 세포 각각의 구조적인 특징들을 이용함으로써 워터쉐드 분할을 위한 정확한 마커를 추출할 수 있었기 때문에 세포간 겹침이나 접촉이 심한 경우에도 상당히 양호한 분할 성능을 보여 주었다.
전체 10개의 영상에 대해 실험한 결과 제안 모델이 CellProfiler의 평균 추출 오차 12.6보다 양호한 평균 7.3개 정도의 추출 오차를 보였다. 그리고 제안 모델의 추출 성능은 겹침의 정도에 따라 다소 차이는 있지만 평균 0.

질의응답

핵심어	질문	논문에서 추출한 답변
	세포분할에 많이 적용되는 대표적 방법은?	세포분할에 많이 적용되는 대표적 방법으로는 스네이크(snakes), 레벨세트(level set), 모폴로지(morphology) 그리고 워터쉐드(watershed) 방법 등이 있다.
	워터쉐드 방식은 어떤 문제점을 갖고 있는가?	워터쉐드 방식은 계산도 복잡하지 않고 전체 영상을 분할하는 경우 추출 성능도 양호하지만 대체적으로 잡음이나 영상 밝기 변화에 민감하여 과분할(over segmentation) 문제점을 항상 가지고 있다. 워터쉐드의 과분할 문제를 해결하기 위해 분할될 각 영역의 일부를 예측하여 마커(marker)를 지정하고 이를 기점으로 워터쉐드 분할을 수행하는 방법이 많이 이용되고 있다[5][6][7].
	인체 조직의 세포 영상을 분할하는 작업이 어려운 이유는?	인체 조직의 세포 영상을 분할하는 작업은 다음과 같은 이유로 상당히 어려움이 있다. 살아있는 세포를 과도하게 염색하여 대조(contrast)가 좋은 영상을 만들기도 어렵고, 주변 환경의 영향을 받아 세포의 형태가 변화기 쉽고, 특히 세포운동 등으로 인한 세포와 세포 사이의 경계나 세포와 배경과의 구분이 명확하지 않기 때문이다.

참고문헌 (8)

M. Kass, A. Witkin, and D.Terzopoulos, "Snakes: active contour models",Int. J. Computer Vision, vol. 1, pp. 321-331, 1987.
이승태, 한영준, 한헌수, "컬러 분산 에너지를 이용한 확장 스네이크 알고리즘", 한국컴퓨터정보학회 논문집, 제 14권 10호, pp. 83-92, 2009.
R. Malladi, J. A. Sethian, and B. C. Vemuri, "Shape modelling with front propagation", IEEE Trans. Pattern Anal. Machine Intell., 17, 1995.
J. A. Sethian, "Level Set Methods and Fast Marching Methods", Cambridge University Press, 1999.
L. Vincent and P. Soille, "Watersheds in digital spaces: an efficient algorithm based on immersion simulations", IEEE Transactions on Pattern Analysis and Machine Intelligence, 13(6):583-598, 1991.

상세보기
Jierong Cheng and Jagath C.Rajapakse, "Segmentation of Clustered Nuclei With Shape Markers and Marking Function", IEEE Transaction on Biomedical Engineering, 56(3), pp. 741-748, March 2009.

상세보기
Mohammad Ibrahim Khan, Muhammad Kamal Hossen and Md.Sabbir Ali, "Cell Segmentation from Cellular Image", Global Journal of Computer Science and Technology,10(13), pp. 55-60, October 2010.
Qing Yang, Bahram Parvin, "Perceptual Organization of Radial Symmetries," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 320-325, 2004.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

구조적 특징 정보를 이용한 복잡한 세포영상 분할
Complex Cell Image Segmentation via Structural Feature Information 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

구조적 특징 정보를 이용한 복잡한 세포영상 분할 Complex Cell Image Segmentation via Structural Feature Information 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

김성곤 (5)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

구조적 특징 정보를 이용한 복잡한 세포영상 분할
Complex Cell Image Segmentation via Structural Feature Information 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper