[논문]자동 세포 추적을 위한 클러스터 세포 분리 알고리즘

조미경; 심재술

doi:10.3795/ksme-b.2013.37.3.259

자동 세포 추적을 위한 클러스터 세포 분리 알고리즘
Cluster Cell Separation Algorithm for Automated Cell Tracking 원문보기

大韓機械學會論文集. Transactions of the Korean Society of Mechanical Engineers. B. B, v.37 no.3 = no.330, 2013년, pp.259 - 266

초록
AI-Helper

광학 현미경을 통해 일정한 시간 간격으로 얻은 세포 이미지로부터 세포 변화를 자동적으로 추적 및 분석하는 것이 세포 트래킹이라고 한다. 세포 변화 과정에서 이웃에 있는 세포들이 겹쳐져 있는 상태를 클러스터라고 하며 세포트래킹에서 클러스터를 다시 세포로 분리하는 작업은 매우 중요하다. 본 논문에서는 타원 근사법을 기반으로 클러스터를 분리하기 위한 알고리즘을 제안한다. 클러스터의 외곽선을 추출한 후 외곽선의 오목정점을 이용하여 클러스터를 라인 세그먼트들로 분리한 다음 휴리스틱을 이용하여 라인 세그먼트들을 결합해 가며 근사 타원을 생성한다. 실험 결과 두 개의 세포가 겹쳐진 클러스터의 경우 평균적으로 91%, 세 개의 세포가 겹쳐진 경우 평균적으로 84% 그리고 겹쳐진 세포의 개수가 네 개 이상인 경우 약 73%의 정확도로 클러스터를 분리해 주었다.

Abstract ▼ AI-Helper

An automated cell tracking system is used to automatically analyze and track the changes in cell behavior in time-lapse cell images acquired using a microscope with a cell culture. Clustering is the partial overlapping of neighboring cells in the process of cell change. Separating clusters into individual cells is very important for cell tracking. In this study, we proposed an algorithm for separating clusters by using ellipse fitting based on a direct least square method. We extracted the contours of clusters, divided them into line segments, and then produced their fitted ellipses using a direct least square method for each line segment. All of the fitted ellipses could be used to separate their corresponding clusters. In experiments, our algorithm separated clusters with average precisions of 91% for two overlapping cells, 84% for three overlapping cells, and about 73% for four overlapping cells.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 Fig. 2에서 보는 것처럼 이미지상에 있는 세포와 클러스터의 크기가 매우 작아서 제대로 된 타원 모양이 드러나지 않은 경우에도 클러스터 분리 작업이 가능한 타원 근사 기반 클러스터 분리 알고리즘을 제안하였다. 세포와 클러스터의 크기가 매우 작게 나타나는 데이터는 수백 개 혹은 수천 개의 세포를 하나의 이미지에 포함하여 관찰해야 되는 경우에 나타난다.
본 연구에서는 다른 논문에서 제시한 방법으로 해결하기 어려운 크기가 매우 작은 세포 이미지를 위한 클러스터 분리 알고리즘을 제안하였다. 제안된 알고리즘은 최소자승법을 적용한 타원 근사법과 휴리스틱을 기반으로 한다.
기존의 클러스터 분리 알고리즘에서 발생하는 문제점들은 모두 클러스터의 크기가 매우 작은 경우에 발생하는 현상들이다. 본 연구에서는 클러스터의 크기가 매우 작은 데이터에 대해, 최소자승법에 의한 타원 근사를 이용하되 앞에서 언급한 오류들이 최소한으로 발생하도록 하는 클러스터 분리 알고리즘을 제안한다.

가설 설정

클러스터 C은 한개 이상의 라인 세그먼트 l_i로 구성되며 l_i는 여러 개의 점 p_ij로 구성된다. C는 m개의 라인 세그먼트로 구성되고 l_i는 s개의 점들로 구성된다고 가정한다.

제안 방법

세포 이미지에서 클러스터만을 분류하기 위한 방법은 참고문헌을 보기 바란다. ^(11~13) 본 논문에서 제안한 전처리 작업과 클러스터 분리 알고리즘은 C++과 매트랩으로 구현하였다.
이진화작업은 촬영할 때 발생할 수 있는 불균일한 조명으로 인해 단일 임계 값을 사용할 경우 원치 않는 결과가 나올 수 있다. 따라서 본 연구에서는 영상 히스토그램을 이용하여 세포 이미지들에 대해 적응적 (Adaptive) 임계 값을 자동 계산하여 이진화작업을 수행하였다.
마지막 전처리 작업으로 외곽선에 대한 다각형 대략화(Polygon approximation) 작업을 수행한다. 이 작업은 세포나 클러스터의 외곽선 모양을 매끄럽게 만들어 준다.
본 논문에서는 근사 타원을 구해 주지 못하거나 Fig. 4와 같이 적절하지 못한 근사 타원을 생성한 라인 세그먼트에 대해, 동일 클러스터 내 다른 라인 세그먼트와 결합하는 방식을 사용하여 근사 타원을 다시 구해 주도록 하는 클러스터 분리 알고리즘을 제안한다.
적절하지 못한 근사 타원은 라인 세그먼트를 구성하는 대부분의 점들의 x좌표나 y 좌표가 동일하여 수직선이나 수평선에 가까운 경우에 생성되었다. 본 연구에서는 근사 타원의 장축의 길이를 LongAxis, 단축의 길이를 ShortAxis라고 정의하고 식 (11)의 AxisRatio 가 0.2보다 작으면, 부적절한 근사 타원으로 판단 하였다.
광학 현미경으로부터 얻은 이미지는 얼룩과 분 비물(Glands), 세포질(Cytoplasm) 등을 포함함으로 전처리 작업이 필수적이다. 본 연구에서는 다섯 단계의 전처리 작업을 수행하여 세포 이미지에서 클러스터 모양 정보를 추출하였다. 첫째, 이미지의 잡음을 제거하고 컬러이미지를 이진 이미지로 변환하는 이진화과정을 거친다.
퇴화된 세포는 처리 대상이 아니므로 이러한 것들은 제거해 주어야 한다. 이를 위해 모폴로지(Morphology) 열림 연산을 수행 하였다. 열림 연산의 경우 가는 선들을 제거하여 퇴화된 세포들을 제거하는 작업도 수행해 줄 뿐아니라 세포 가장자리의 매끄럽지 못한 모양들을 다듬어 주는 역할도 수행한다.
2는 촬영한 이미지의 한 부분이며 하나의 이미지 안에 수백 개의 세포들과 클러스터들이 나타난다. 전처리 과정을 거친 후 두 개 이상의 세포가 겹쳐진 클러스터만을 분류하여 본 논문에서 제안한 클러스터 분리 알고리즘을 적용하였다. 세포 이미지에서 클러스터만을 분류하기 위한 방법은 참고문헌을 보기 바란다.
세포와 클러스터의 크기가 매우 작게 나타나는 데이터는 수백 개 혹은 수천 개의 세포를 하나의 이미지에 포함하여 관찰해야 되는 경우에 나타난다. 제시한 알고리즘은 데이터의 특징으로 나타나는 타원 근사 과정에서의 오류가 발생할 경우 라인 세그먼트들을 결합해 가는 방식을 사용하여 오류를 해결하였다.
영상 처리 분야에서 서로 붙어있는 물체를 자동적으로 분리하기 위한 다양한 알고리즘이 제안되었는데 그 중 몇 개는 세포 이미지에서 클러스터를 분리하기 위한 것이다. 제안된 알고리즘들은 모양정보를 기반으로 하는 알고리즘, Watershed 기반 알고리즘, 모폴로지 기반 알고리즘, 타원 근사를 이용한 알고리즘 등이 있다.^(2~12)모양정보 기반 알고리즘은 세포 모양에 대한 다양한 사전 지식과 수학적 툴을 기반으로 하며 주로 클러스터 경계선(Contour)에 나타나는 오목한 부분을 분석함으로 클러스터를 몇 개의 세포로 분리한다.

대상 데이터

제안된 알고리즘의 성능을 실험하기 위해 쥐의 3T3 세포 배양 과정에서 30분 간격으로 촬영한 광학현미경 이미지들을 사용하였다. Fig.

이론/모형

이러한 부분은 이진화작업 과정에서 구멍을 생성하는데 구멍을 메우지 않으면 클러스터 모양 정보를 올바르게 생성하지 못함으로 잘못된 분리 작업을 하게 된다. 구멍의 크기가 작기 때문에 본 논문에서는 flood fill 알고리즘을 적용하여 구멍을 메웠다.
분리된 라인 세그먼트들에 대해 타원 근사법을 적용하여 클러스터를 분리한다. 타원 근사를 위한 알고리즘들 중 가장 효율적인 알고리즘은 최소자승법 방법으로 알려져 있다.
네 번째 전처리 과정은 클러스터 분리를 위해 필요한 외곽선 모양(Shape)을 추출하는 작업이다. 외곽선 검출은 여덟 방향을 검사하는 터틀(Turtle) 알고리즘을 사용하였다. 검출된 외곽선은 세포나 클러스터를 나타내는 닫힌 다각형의 모양으로 나타난다.
본 연구에서는 다른 논문에서 제시한 방법으로 해결하기 어려운 크기가 매우 작은 세포 이미지를 위한 클러스터 분리 알고리즘을 제안하였다. 제안된 알고리즘은 최소자승법을 적용한 타원 근사법과 휴리스틱을 기반으로 한다. 제시한 알고리즘은 겹쳐진 세포의 개수가 세 개 이하인 경우는 평균적으로 약 89.

성능/효과

현존하는 세포 트래킹 알고리즘은 클러스터를 한 개 이상의 세포들로 분리하는 단계에서 정확한 세포 식별에 실패하므로 세포 배양의 초기 단계에서 다양한 세포의 운동성을 구별해 낼 수 없는 결과를 초래한다.⁽¹⁾ 따라서 세포 트래킹 시스템의 정확성은 클러스터를 얼마나 정확하게 분리하였는가에 의존적임을 알 수 있다.
(7~12) 하지만 본 연구에서 실험한 결과 이 방법들은 Fig. 1과 같이 광학현미경으로부터 촬영한 세포가 타원과 유사한 모양이될 때까지 충분히 확대한 이미지들에 대해서만 좋은 성능을 보여 주었다. 반면 촬영 시 충분히 확대하지 않으므로 Fig.
Table 1은 실험에 사용한 이미지들에 존재하는 세포와 클러스터의 수를 보여준다. 두 개 이상의 세포가 겹쳐서 형성된 클러스터의 비율이 전체 이미지에서 약 30% 이상이므로 클러스터의 정확한 분리가 세포 트래킹 시스템의 신뢰도에 매우큰 영향을 미칠 수 있음을 알 수 있다. Table 2는 클러스터의 종류별 비율과 본 논문에서 제시한 알고리즘과 Xiangzhi⁽⁹⁾이 제안한 알고리즘의 성능을 보여준다.
표에서 보는 것처럼 세 개 이하의 세포가 겹쳐서 형성된 클러스터가 전체 클러스터의 83%, 네 개 이상의 세포가 겹쳐서 형성된 클러스터는 전체의 17%를 차지하였다. 알고리즘의 성능은 클러스터의 종류별로 다르게 나타났지만본 논문에서 제시한 방법이 Xiangzhi⁽⁹⁾이 제안한 알고리즘보다 정확도가 10% 이상 높게 나타났다. 이것은 Xiangzhi의 알고리즘은 많은 라인 세그먼트에 대해 근사 타원을 구해주지 못하는 오류가 발생하였기 때문이다.
제안된 알고리즘은 최소자승법을 적용한 타원 근사법과 휴리스틱을 기반으로 한다. 제시한 알고리즘은 겹쳐진 세포의 개수가 세 개 이하인 경우는 평균적으로 약 89.5%의 정확도로 클러스터를 분리해 주었고 네 개 이상인 경우 정확도가 73%로 떨어졌다. 하지만 Xiangzhi등이 제안한 알고리즘에 비해 10% 이상의 높은 정확도를 보여 주었다.
제시한 알고리즘의 성능을 살펴보면 두 개의 세포가 겹쳐진 클러스터의 경우 평균적으로 91%의 정확도로, 세 개의 세포로 겹쳐진 클러스터의경우 평균적으로 84%의 정확도로, 서로 겹쳐진 세포의 개수가 네 개 이상으로 클러스터의 모양이 복잡해지면 약 73%의 정확도로 클러스터를 분리해 주었다. 네 개 이상의 세포가 겹치는 클러스터의 경우에 정확도가 떨어지는 이유는 제시한 알고리즘에 대해서도 근사 타원을 구해 주지 못하는 경우가 발생했기 때문이다.
Table 2는 클러스터의 종류별 비율과 본 논문에서 제시한 알고리즘과 Xiangzhi⁽⁹⁾이 제안한 알고리즘의 성능을 보여준다. 표에서 보는 것처럼 세 개 이하의 세포가 겹쳐서 형성된 클러스터가 전체 클러스터의 83%, 네 개 이상의 세포가 겹쳐서 형성된 클러스터는 전체의 17%를 차지하였다. 알고리즘의 성능은 클러스터의 종류별로 다르게 나타났지만본 논문에서 제시한 방법이 Xiangzhi⁽⁹⁾이 제안한 알고리즘보다 정확도가 10% 이상 높게 나타났다.

후속연구

앞으로 클러스터에 대한 라인 세그먼트 분리 방법과 결합 방법 및 타원 모양 제한을 위한 형상비율 개선 등으로 알고리즘을 개선하여 클러스터 분리 정확도를 높일 뿐만 아니라 분리된 모양의 정확도도 개선하기 위한 연구를 계속 수행하고자 한다.
제시한 알고리즘은 기존 명암의 일관성 (Coherence)에 의한 미세 파티클에 대한 추적에 흔히 사용되는 PIV (Particle image velocimetry)에 비해서는 아주 빠른 분석을 기대할 수가 없지만, 보다 정확성이 요구되고, 다양하며, 미세한 세포 이미지 형상에서나, 두 개 이상의 서로 다른 세포의 기작을 연구하는 공생배양 (Co-culture)에서 형광물질을 이용한 세포 이미지에서도 유용하게 사용될 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자동화된 세포 트래킹에 대한 연구가 활발하게 진행 되고 있는 이유는 무엇인가?	일정한 시간 간격으로 광학현미경을 통해 촬영한 세포 이미지들로부터 세포의 변화 과정을 관찰하여 어떻게 변화되어 가는지자동적으로 추적하고 세포의 행동들을 분석하는 것을 세포 트래킹이라고 한다. (1) 최근 들어 자동화된 세포 트래킹에 대한 연구가 활발하게 진행 되고 있는데 이는 활용 분야가 다양하기 때문이다. 예를 들어, 줄기 세포의 경우 환경과 자극에 따라 특정한 기능을 지닌 세포로 분화하게 되는데 줄기 세포의 성장 인자의 작용 메커니즘이나 유도 과정을 자동화된 세포 트래킹 시스템으로 관찰할 수 있다.
	세포 트래킹이란 무엇인가?	세포(Cell)는 배양과정에서 시간이 경과함에 따라 변화 혹은 변형되는데 광학현미경을 통해 얻은 세포 이미지에서 이러한 세포의 행동들을 분석하는 것은 생물학이나 의학에서 중요한 연구 분야 중 하나이다. 일정한 시간 간격으로 광학현미경을 통해 촬영한 세포 이미지들로부터 세포의 변화 과정을 관찰하여 어떻게 변화되어 가는지자동적으로 추적하고 세포의 행동들을 분석하는 것을 세포 트래킹이라고 한다. (1) 최근 들어 자동화된 세포 트래킹에 대한 연구가 활발하게 진행 되고 있는데 이는 활용 분야가 다양하기 때문이다.
	영상 처리 분야에서 제안된 세포 이미지에서 클러스터를 분리하기 위한 알고리즘에는 무엇이 있는가?	영상 처리 분야에서 서로 붙어있는 물체를 자동적으로 분리하기 위한 다양한 알고리즘이 제안되었는데 그 중 몇 개는 세포 이미지에서 클러스터를 분리하기 위한 것이다. 제안된 알고리즘들은 모양정보를 기반으로 하는 알고리즘, Watershed 기반 알고리즘, 모폴로지 기반 알고리즘, 타원 근사를 이용한 알고리즘 등이 있다. (2~12)모양정보 기반 알고리즘은 세포 모양에 대한 다양한 사전 지식과 수학적 툴을 기반으로 하며 주로 클러스터 경계선(Contour)에 나타나는 오목한 부분을 분석함으로 클러스터를 몇 개의 세포로 분리한다.

참고문헌 (15)

Bise, R., Li, K., Eom, S. and Kanade, T., 2009, "Reliable Tracking Partially Overlapping Neural Stemm Cells in DIC Microscopy Image Sequences," MICCAI Workshop on Optical Tissue Image Analysis in Microscopy, Histopathology and Endoscopy Imperial College London, pp. 67-77.
Wang, W., 1998, "Binary Image Segmentation of Aggregates Based on Polygonal Approximation and Classification of Concavities," Pattern Recognition, Vol. 31, pp. 1503-1524.

상세보기
Jin, Y.X.C., Jayasooriah, S.H.O. and Sinniah, R., 1994, "Clump Splitting Through Concavity Analysis," Pattern Recognition Letters, Vol.15, pp. 1013-1018.

상세보기
Kumar, S., Ong, S.H., Ranganath, S., Ong, T.C. and Chew, F.T., 2006, "A Rule-Based Approach for Robust Clump Splitting," Pattern Recognition, Vol. 39, pp. 1088-1098.

상세보기
Mao, K.Z., Zhao, P. and Tan, P., 2006, "Supervised Learning-Based Cell Image Segmentation for P53 Immunohistochemistry," IEEE Transactions on Biomedical Engineering, Vol. 53, No. 6, pp. 1153-1163.

상세보기
Ruberto, C.D., Dempster, A., Khan, S. and Jarra, B., 2002, "Analysis of Infected Blood Cell Images Using Morphological Operators," Image and Vision Computing, Vol. 20, pp. 133-146.

상세보기
Talbot, H. and Appleton, B.C., 2002, "Elliptical Distance Transforms and the Object Splitting Problem," Proceedings of International Symposium on Mathematical Morphology, Sydney, Australia, pp. 229-240.
Yu, D., Pham, T.D., Zhou, X. and Wong, S.T.C., 2007, "Segmentation, Recognition and Tracing Analysis for High-Content Cell-Cycle Screening," Proceedings of International Symposium on Computational Models for Life Sciences, Queensland, Australia, pp. 66-75.
Bai, X., Sun, C. and Zhou, F., 2009, "Splitting Touching Cells Based on Concave Points and Ellipse Fitting," Pattern Recognition, 42, pp. 2434-2446.

상세보기
Kothari, S., Chaudry, Q. and Wang, M. D., 2009, "Automated Cell Counting and Cluster Segmentation Using Concavity Detection and Ellipse Fitting Techniques," IEEE International Symposium on Biomedical Imaging: From Nano to Macro.
Cho, M., Shim, J., Kim, J. and Moon, S., 2011, "Classifying and Counting Cells and Clusters Using Concave Points," Korea Computer Congress 2011 Vol. C, pp. 184-187.
Cho, M. and Shim, J., 2012, "An Ellipse Fitting based Algorithm for Separating Overlapping Cells," Proceeding of The Korea Institute of Information and Communication Engineering 2012 Spring, pp. 912-915.
Cho, M., Kim, J. and Shim, J., 2011, "Optical Microscope Image Processing for Automated Cells Counting," Journal of The Korea Institute of Information and Communication Engineering, Vol. 15, No. 12, pp. 2494-2495.
Cho, M. and Shim, J., 2012, "Ellipse based Cell Separation Algorithm for Tens of Thousands of Overlapping Cells," The 2nd International conference on Convergence Technology 2012, pp. 205-208.
Fitzgibbon, A., Pilu, M. and Fisher, R. B., 1999, "Direct Least Square Fitting of Ellipses," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 21, No. 5, pp. 476-480.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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