[논문]정규 상호상관도 및 이진화 기법을 이용한 뇌종양 세포의 형광 현미경 영상 스티칭

서지현; 강미선; 김현정; 김명희

doi:10.9717/kmms.2017.20.7.979

Abstract ▼ AI-Helper

This paper, which covers a fluorescence microscopy image of brain tumor cells, looks at drug reactions by treating different types and concentrations of drugs on a plate of $24{\times}16$ wells. Due to the limitation of the field of view, a well was taken into 9 field images, and each has...

This paper, which covers a fluorescence microscopy image of brain tumor cells, looks at drug reactions by treating different types and concentrations of drugs on a plate of $24{\times}16$ wells. Due to the limitation of the field of view, a well was taken into 9 field images, and each has an overlapping area with its neighboring fields. To analyze more precisely, image stitching is needed. The basic method is finding a similar area using normalized cross-correlation (NCC). The problem is that some overlapping areas may not have any duplicated cells that help to find the matching point. In addition, the cell objects have similar sizes and shapes, which makes distinguishing them difficult. To avoid calculating similarity between blank areas and roughly distinguishing different cells, thresholding is added. The thresholding method classifies background and cell objects based on fixed thresholds and finds the location of the first seen cell. After getting its location, NCC is used to find the best correlation point. The results are compared with a simple boundary stitched image. Our proposed method stitches images that are connected in a grid form without collision, selecting the best correlation point among areas that contain overlapping cells and ones without it.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 기본적인 이진화를 사용하여 세포 유무 감지를 통해 이웃하는 필드영상 내 세포가 존재하여 서로 겹치는 경우에만 정규 상호상관도를 계산한 후 정합 하는 자동 스티칭 방법을 제시하였다. 협소한 중첩 범위, 대상의 유사한 형태, 그리고 중첩 범위 내에 중첩 되는 대상의 존재가 불확실한 상태의 영상들을 웰 단위로 스티칭하는 목적에 맞춰 제작된 이 프로그램은 초반에 이진화 과정에서 임계 값을 사용자가 직접 설정하여 주어야 하는 부분이 있어 영상에 대한 사전적인 이해를 필요로 하고 스티칭 작업시간이 다소 걸린다는 단점이 있으나 결과에서는 중첩되는 세포와 서로 다른 세포를 구분 지어 찾는 등 스티칭을 필요로 한 근본적인 요구를 만족시키고 있다.

제안 방법

SIFT와 해리스 코너 방법 모두 높은 정확성을 자랑하지만, 본 논문에서 사용하고자 하는 형광 영상은 크기, 회전과 같은 변화는 없는 관계로 해리스 코너와 SIFT만큼 복잡한 계산을 필요로 하지 않는다. 그리하여 효율성 높이고자 좀 더 적은 계산량을 지닌 밝기 값 기반 방법을 사용하게 되었다.
따라서 웰 내 필드 영상의 위치를 구할 때 이웃하는 필드 간 중첩 영역에서 구한 상관도 값을 비교하여 더 높은 상관도를 지닌 경로를 찾아 이를 이용하여 중앙 필드를 중심으로 웰 영상 내 필드영상들의 위치를 정하게 한다.
이를 해결하려면 계산 과정에서 비교 영역 내 객체가 없이 배경만 있어 상관도가 높게 나온 것인지, 중복되는 객체가 없는 상황에서 다른 세포핵을 동일한 객체로 인식하여 높은 수치를 얻은 것인지 구분할 수 있어야 한다. 본 논문에서는 이를 구분하기 위해 기본적인 이진화(thresholding) 방법을 적용하여 세포핵의 존재 유무 및 위치를 확인한 후 정규 상호상관도를 이용하여 가장 높은 유사도를 보이는 영역을 찾아내어 뇌종양 세포의 형광 현미경 영상을 자동으로 스티칭하는 방법을 제안한다.
이진 영상은 객체의 유무와 위치만 파악하고자 하는 목적으로 그 이후 정규 상호상관도를 계산할 때는 기존 원영상을 사용 한다. 일차적으로 광경로 및 빛 흡수율 등의 차이로 인해 나타나는 필드 영상 간의 균일하지 않은 밝기 차이를 좁히기 위해 영상 대비 정규화가 진행되며, 그 다음 전역 고정된 두 개의 임계값으로 각각 이진화 처리를 하여 세포핵이 최대 중첩 영역 범위 내에 존재하는지 확인한다. 발견되는 세포핵이 있다면 중첩 영역 비교 시 가장 첫 번째로 중첩될 세포핵의 위치정보를 계산하여 ③단계에 넘겨주게 된다.

대상 데이터

본 논문에서 제안된 방식은 Intel Xeon X5482 3.20Ghz CPU, 4GB 메모리 컴퓨터 환경에서 실험되었으며 프로그램은 MATLAB R2013A가 사용되었다. 1개의 웰(필드영상 9장)을 처리하는데 걸리는 시간은 평균적으로 34.
실험에 사용한 영상은 삼성서울병원에서 제공받은 것으로 Operetta High-Content Imaging System을 통해 환자유래 뇌종양 세포에 약물을 처리하고 형광 염색을 한 세포핵을 10배율로 촬영한 것이다. 1개의 웰은 9개의 필드로 나누어 촬영되었으며 Fig.
약물 및 농도 별 반응을 살펴보기 위해 환자에게서 추출·배양된 뇌종양 세포들은 384개의 웰(well)로 구성된 플레이트(plate)에서 각기 다른 종류 및 농도로 처리되어 형광 현미경 영상으로 획득되었다.

이론/모형

그러나 이 두 개의 방법은 영상의 전체 밝기가 균일하지 못한 경우에 적용하기 어렵기 때문에 이 방법을 사용하기 위해서는 사전에 비교 영역의 밝기 값을 정규화 시켜 밝기에 상관 없이 패턴을 비교할 수 있게 만들어야 한다. 이를 위해 본 논문에서는 정규화와 영상간 밝기차를 비교하는 과정을 동시에 처리할 수 있는 방법인 정규 상호상관도(Normalized Cross Correlation: NCC)를 사용한다. 정규 상호상관도는 영상간 가장 유사한 영역을 찾아내기 위해 사용하는 대표적인 방법 중 하나로, 3차원 다중 치과 CT[5], 전신의 디지털 X-ray영상[6] 또는 혈관을 촬영한 광학 현미경[7] 등 다양한 의료영상들을 스티칭하는 데 적용되기도 하였다.

성능/효과

2를 비교함으로써 기존에 중복되어 보여지던 세포들이 제대로 처리되어 하나의 세포로 나타남을 확인할 수 있다. Fig.
6에서 나온 영상을 전체적으로 보여주고 있다. 경계면만을 스티칭한 영상과 달리 제안한 알고리즘을 적용하여 스티칭한 웰 영상에서는 동일한 세포만 중첩 처리하고 서로 다른 세포는 그대로 유지된 것을 볼수 있다. 그러나 많은 영상에 적용해 보았을 때 세포핵 탐지는 설정한 임계 값을 기준으로 배경과 세포를 구분하고 있기 때문에 간혹 측정된 배경과 세포의 평균 밝기 값을 벗어나는 영상의 경우 제대로 세포 유무를 감지를 못하는 문제가 발견되기도 하였다.

후속연구

협소한 중첩 범위, 대상의 유사한 형태, 그리고 중첩 범위 내에 중첩 되는 대상의 존재가 불확실한 상태의 영상들을 웰 단위로 스티칭하는 목적에 맞춰 제작된 이 프로그램은 초반에 이진화 과정에서 임계 값을 사용자가 직접 설정하여 주어야 하는 부분이 있어 영상에 대한 사전적인 이해를 필요로 하고 스티칭 작업시간이 다소 걸린다는 단점이 있으나 결과에서는 중첩되는 세포와 서로 다른 세포를 구분 지어 찾는 등 스티칭을 필요로 한 근본적인 요구를 만족시키고 있다. 향후 현재 진행된 연구결과의 정확도를 향상시키고 작업시간을 개선하며, 영상에 대하여 사전적인 이해 없이 스티칭 할 수 있는 방안에 대하여 연구할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	영상 스티칭이란 무엇인가?	그러나 1개의 웰은 관측시야(FOV: Field of View)의 한계로 인해 9개의 필드(field)들로 나뉘어 촬영되었고, 각 필드는 인접하는 필드와 중복되는 영역을 지니고 있다. 보다 정확한 웰 단위의 분석을 위해 필드 영상들을 하나의 완전한 웰 영상으로 합치는 작업, 즉 영상 스티칭(image stitching)을 필요로 한다.
	영상 스티칭에서 특징 기반과 밝기 값 기반의 차이점은?	관련 연구들을 살펴보았을 때 영상 스티칭은 일반적으로 특징 기반(feature-based)과 밝기 값 기반(intensity-based)으로 분류 할 수 있다. 특징 기반 방법은 점, 선 및 등고선과 같은 특징들 간의 일치를 찾는 반면 밝기 값 기반은 영상에서 변화하는 강도의 크기를 비교하여 일치하는 부분을 찾는다[1]. 특징 기반은 영상의 특징점을 추출하여 유사도를 구하는 방식으로 영상의 각도, 회전, 크기 등에 좌우 받지 않으며 사용자가 직접 입력해야 하는 매개 변수가 없다.
	영상 스티칭은 어떻게 분류 할 수 있는가?	관련 연구들을 살펴보았을 때 영상 스티칭은 일반적으로 특징 기반(feature-based)과 밝기 값 기반(intensity-based)으로 분류 할 수 있다. 특징 기반 방법은 점, 선 및 등고선과 같은 특징들 간의 일치를 찾는 반면 밝기 값 기반은 영상에서 변화하는 강도의 크기를 비교하여 일치하는 부분을 찾는다[1].

참고문헌 (9)

A.A. Goshtasby, 2-D and 3-D Image Registration for Medical, Remote Sensing, and Industrial Applications, Wiley Press, Hoboken, New Jersey, 2005.
C. Sun, R. Beare, V. Hilsenstein, and P. Jackway, "Mosaicing of Microscope Images with Global Geometric and Radiometric Corrections," Journal of Microscopy, Vol. 224, pp. 158-165, 2006.

상세보기
B. Ma, T. Zimmermann, M. Rohde, S. Winkelbach, F. He, W. Lindenmaier, et al., "Use of Autostitch for Automatic Stitching of Microscope Images," Micron, Vol. 38, Issue 5, pp. 492-499, 2007.

상세보기
D.J. Kang and J.E. Ha, Digital Image Processing Using Visual C ++, SciTech Media, Gyeonggi-do, Korea, 2003.
S. Park, S. Park, J. Lee, J. Shin, and Y. Shin, “High-Quality Stitching Method of 3D Multiple Dental CT Images,” Journal of Korea Multimedia Society, Vol. 17, No. 10, pp. 1205-1212, 2014.

원문보기 상세보기
H. Cho, H. Kye, and J. Lee, “Rapid Stitching Method of Digital X-ray Images Using Template-based Registration,” Journal of Korea Multimedia Society, Vol. 18, No. 6, pp. 701-709, 2015.

원문보기 상세보기
V. Rankov, R.J. Locke, R.J. Edens, P.R. Barber, and B. Vojnovic, "An Algorithm for Image Stitching and Blending," Proceedings of SPIE, Vol. 5701, pp. 190-199, 2005.
P.M. Jain and V.K. Shandliya, "A Review Paper on Various Approaches for Image Mosaicing," International Journal of Computational Engineering Research, Vol. 3, Issue 4, pp. 106-109, 2013.
H. Kim, J.U. Lee, and H. Hong, “Automatic Stitching of Pathological Prostate Images Using Geometric Correction and Rigid Registration,” Journal of KISS : Software and Applications, Vol. 39, No. 12, pp. 955-964, 2012.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

정규 상호상관도 및 이진화 기법을 이용한 뇌종양 세포의 형광 현미경 영상 스티칭
Image Stitching Using Normalized Cross-Correlation and the Thresholding Method in a Fluorescence Microscopy Image of Brain Tumor Cells 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

정규 상호상관도 및 이진화 기법을 이용한 뇌종양 세포의 형광 현미경 영상 스티칭 Image Stitching Using Normalized Cross-Correlation and the Thresholding Method in a Fluorescence Microscopy Image of Brain Tumor Cells 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

강미선 (3) 김명희 (44)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

정규 상호상관도 및 이진화 기법을 이용한 뇌종양 세포의 형광 현미경 영상 스티칭
Image Stitching Using Normalized Cross-Correlation and the Thresholding Method in a Fluorescence Microscopy Image of Brain Tumor Cells 원문보기

AI 본문요약
AI-Helper