Cluster-First Labelling: An Automated Pipeline for Segmentation and Morphological Clustering in Histology Whole Slide Images

이 논문은 조직 전체 슬라이드 이미지에서 개별 객체 수동 라벨링의 부담을 획기적으로 줄이기 위해, 세포 분할과 신경 임베딩 추출을 거쳐 형태학적 유사성에 따라 군집화한 후 대표 군집만 인간이 라벨링하는 '클러스터 우선' 자동화 파이프라인을 제안하고 다양한 조직 유형에서 96.8% 의 높은 정확도를 입증했습니다.

핵심

📚 비유: 거대한 도서관의 책 정리하기

상상해 보세요. 여러분은 수만 권의 책이 쌓여 있는 거대한 도서관 (조직 슬라이드) 을 맡았습니다. 하지만 이 책들은 모두 표지가 비슷비슷하고, 어떤 책은 '소설', 어떤 책은 '과학', 어떤 책은 '자서전'인지 알 수 없습니다.

기존 방식 (손으로 하는 일):
직원이 한 권 한 권 책을 꺼내서 표지를 보고, 내용을 읽어서 "이건 소설이야", "이건 과학이야"라고 분류하고 책장에 꽂아야 합니다. 책이 1 만 권이면 1 만 번을 반복해야 하므로, 이 작업은 수개월이 걸리고 엄청난 인건비가 듭니다.

이 논문이 제안한 새로운 방식 (클러스터 - 퍼스트 라벨링):
"일일이 책 한 권씩 분류할 필요 없어요! 비슷한 책들을 먼저 묶어두고, 묶음 (클러스터) 하나만 분류하면 돼요"라고 제안합니다.

1. 책 더미 만들기 (자동 분할): 도서관을 작은 구역 (타일) 으로 나누고, 책이 없는 빈 공간은 버립니다.
2. 책 모양 감지 (세포 분할): AI 가 모든 책의 모양을 스캔해서 책 한 권 한 권의 경계를 그립니다. (이때 책이 '소설'인지 '과학'인지는 아직 모릅니다. 그냥 '책 모양'으로만 봅니다.)
3. 비슷한 책 묶기 (클러스터링): AI 가 책들의 표지 색상, 두께, 글씨체 등을 분석해서 서로 매우 비슷한 책들끼리 묶어줍니다.
   • 예: "이 500 권은 표지가 빨간색이고 두꺼우니 'A 그룹'으로 묶자."
   • 예: "이 300 권은 표지가 파란색이고 얇으니 'B 그룹'으로 묶자."
4. 한 번만 분류하기 (인간 개입): 이제 인간은 1 만 권의 책을 일일이 볼 필요가 없습니다. 단 25 개의 '그룹'만 보면 됩니다.
   • "A 그룹은 모두 '소설'이야." -> 클릭 한 번으로 500 권이 모두 '소설'로 분류됨.
   • "B 그룹은 모두 '과학'이야." -> 클릭 한 번으로 300 권이 모두 '과학'으로 분류됨.

결과: 1 만 번의 작업을 25 번으로 줄인 것입니다. 작업 시간이 600 배나 빨라진 셈입니다!

---

🛠️ 이 시스템이 어떻게 작동하나요? (기술적 과정)

이 논문에서 개발한 시스템은 다음과 같은 4 단계로 이루어져 있습니다.

1. 사진 자르기 & 불필요한 것 제거:
   거대한 조직 사진을 작은 조각 (512x512 픽셀) 으로 잘라냅니다. 그리고 세포가 없는 빈 공간이나 흐릿한 부분은 아예 버려서 시간을 아낍니다.

2. 세포 찾기 (Cellpose-SAM):
   최신 AI 기술을 이용해 조직 사진 속의 '세포'나 '핵' 같은 모양을 자동으로 찾아내서 테두리를 그립니다. 이때 "이건 암세포야, 이건 정상세포야"라고 구분하지 않고, 그냥 **"세포 모양인 것"**으로 다 잡아냅니다.

3. 비슷한 것끼리 묶기 (클러스터링):
   찾아낸 세포들의 모양을 AI 가 분석합니다. (예: "이 세포는 둥글고 크고, 저 세포는 길쭉하고 작아.")

   • UMAP: 복잡한 모양 정보를 사람이 이해하기 쉬운 2 차원 지도로 줄여줍니다.
   • DBSCAN: 지도 위에서 서로 가까이 있는 세포들을 자동으로 묶어줍니다. 모양이 비슷한 세포들은 같은 '팀'을 이룹니다.

4. 사람이 한 번만 확인하기:
   웹 애플리케이션을 통해 사람이 각 '팀' (클러스터) 을 대표하는 몇 개의 세포만 보고 "이 팀은 '간세포'야"라고 이름을 붙이면, 그 팀에 속한 수천 개의 세포는 자동으로 그 이름을 갖게 됩니다.

---

🌟 이 시스템의 성과는 어떨까요?

연구진은 사람, 쥐, 토끼의 **13 가지 다른 장기 (간, 폐, 뼈 등)**에서 총 3,696 개의 세포를 테스트했습니다.

• 정확도: AI 가 묶은 그룹과 사람이 직접 분류한 결과가 **96.8%**나 일치했습니다.
• 완벽한 일치: 13 가지 장기 중 7 가지는 100% 완벽하게 맞았습니다. (예: 폐, 전립선, 자궁경부 등)
• 어려운 경우: 뼈나 근육처럼 세포가 빽빽하게 들어차거나 모양이 너무 다양한 곳은 정확도가 조금 떨어졌지만 (84%), 여전히 매우 훌륭한 성과입니다.

💡 왜 이것이 중요한가요?

이 시스템은 **"일일이 다 할 필요 없다"**는 철학을 보여줍니다.
과거에는 수천 개의 세포를 하나하나 손으로 그리는 데 며칠이 걸렸다면, 이제는 수십 개의 그룹만 확인하는 데 몇 분이면 됩니다.

이는 의료 학생들의 교육 자료 만들기를 훨씬 쉽게 만들고, 미래에는 새로운 질병을 발견하거나 신약을 개발할 때 조직 분석 속도를 획기적으로 높여줄 것입니다.

한 줄 요약:

"수천 개의 세포를 일일이 분류하는 대신, 비슷한 세포들을 AI 가 먼저 묶어주고, 인간은 묶음 (그룹) 하나만 분류하면 끝!"이라는 혁신적인 자동화 시스템입니다.

기술 요약

1. 문제 정의 (Problem)

조직학 전체 슬라이드 이미지 (WSI, Whole Slide Images) 에서 조직 구성 요소 (세포, 핵, 기타 형태학적 구조물) 를 라벨링하는 작업은 지나치게 노동 집약적입니다.

• 규모의 문제: 단일 슬라이드 (40 배 확대) 는 100,000 x 100,000 픽셀에 달하며 수만 개의 세포를 포함할 수 있습니다.
• 비용: 각 세포의 경계를 수동으로 추적하고 분류하는 데 전문가의 시간이 수 일씩 소요됩니다.
• 기존 접근법의 한계: 기존 방법들은 개별 객체를 하나씩 라벨링하는 방식에 의존하여 확장성이 부족합니다.

2. 제안된 방법론 (Methodology)

이 논문은 개별 객체 라벨링 대신 클러스터 우선 (Cluster-First) 패러다임을 도입한 클라우드 네이티브 엔드 - 투 - 엔드 파이프라인을 제시합니다. 주요 단계는 다음과 같습니다.

A. 파이프라인 아키텍처

1. WSI 타일링 및 품질 필터링:
   • 원본 WSI 를 512x512 픽셀의 타일로 분할합니다.
   • 엣지 밀도, 밝기/어두운 픽셀 비율, 강도 표준 편차, 라플라시안 분산 (초점 품질), 채널 간 색상 분산 등 6 가지 이미지 품질 지표를 사용하여 정보 가치가 낮은 타일 (배경, 초점 불량 영역) 을 제거합니다.
2. 세포 분할 (Segmentation):
   • Cellpose-SAM 모델을 사용하여 세포와 유사한 모든 형태학적 구조 (개별 세포, 핵, 밀집된 세포 군집 등) 의 경계를 자동으로 분할합니다.
   • 도메인 특화 휴리스틱 없이도 다양한 조직 유형에 대해 강력한 일반화 성능을 보입니다.
3. 신경 임베딩 추출 (Neural Embedding):
   • 분할된 각 객체를 ImageNet 으로 사전 학습된 ResNet-50을 통과시켜 2,048 차원의 특징 벡터를 추출합니다.
   • 절대적인 특징 품질보다는 상대적인 형태학적 유사성에 기반하므로, 범용 백본 (ResNet-50) 이 충분합니다.
4. 차원 축소 및 클러스터링:
   • UMAP을 사용하여 2,048 차원 임베딩을 50 차원으로 축소하여 형태학적 구조를 보존합니다.
   • DBSCAN 알고리즘을 사용하여 밀도 기반 클러스터링을 수행합니다. (클래스 수를 미리 정의할 필요 없음).
   • k-최근접 이웃 거리 곡선의 무릎점 (knee-point) 을 통해 반경 ($\epsilon$) 을 자동으로 추정하며, 밀도 기준을 충족하지 못하는 객체는 노이즈로 처리합니다.

B. 인간 평가 프레임워크 (Human Evaluation)

• 웹 애플리케이션: 생성된 클러스터의 대표 타일을 표시하고, 인간 annotator 가 클러스터 단위로 라벨을 할당할 수 있는 인터페이스를 제공합니다.
• 정확도 측정:
  • 모델이 생성한 클러스터 ID 와 인간이 할당한 라벨은 임의적이므로 직접 비교할 수 없습니다.
  • **할당 알고리즘 (Hungarian Algorithm)**을 사용하여 각 타일 내에서 모델 클러스터와 인간 라벨 간의 최적 1:1 매핑을 찾습니다.
  • 매핑된 라벨이 일치하는 세포의 비율을 **할당 정렬 정확도 (Hungarian-aligned accuracy)**로 계산합니다.

3. 주요 기여 (Key Contributions)

1. 자동화 엔드 - 투 - 엔드 파이프라인: 원본 WSI 파일에서 개별 세포별 클러스터 할당까지 인간 개입 없이 수행하는 클라우드 네이티브 시스템 구축.
2. 확장성: Azure ML 을 활용하여 슬라이드 단위 (per-slide) 로 노드를 분산시키는 병렬 처리 아키텍처 구현.
3. 오픈 소스 도구: 인간 검증을 위한 웹 애플리케이션 및 평가 코드 전체를 MIT 라이선스로 공개.
4. 실증적 검증: 3 종 (인간, 쥐, 토끼) 의 13 가지 조직 유형에서 3,696 개의 조직 구성 요소를 대상으로 한 대규모 평가 수행.

4. 실험 결과 (Results)

• 전체 정확도: 3,696 개의 조직 구성 요소 (13 종의 조직, 29 개 타일) 를 대상으로 **가중 평균 정확도 96.8%**를 달성했습니다.
• 조직별 성능:
  • 13 개 조직 중 **7 개 (폐, 전립선, 자궁경부 등)**는 100% 완벽 일치를 보였습니다.
  • 잘 분리된 균질한 세포 집단 (예: 폐, 전립선) 에서 성능이 가장 높았습니다.
• 오류 분석:
  • **compact bone (84.0%)**과 **skeletal muscle (84.0%)**에서 정확도가 상대적으로 낮았습니다.
  • 원인:
    • Compact bone: 타일당 세포 수가 매우 적어 DBSCAN 의 밀도 추정이 불안정함.
    • Skeletal muscle: 인간은 공간적 맥락 (근섬유, 핵, 결합 조직 등) 을 구분하지만, 모델은 잘린 단일 객체의 외관만 보고 유사한 형태를 같은 클러스터로 묶는 경향이 있음.
• 효율성 향상: 15,000 개의 개별 객체를 라벨링하는 대신 25 개의 클러스터만 검토하면 되므로, 약 600 배의 라벨링 노력 절감 효과가 예상됩니다.

5. 의의 및 결론 (Significance & Conclusion)

• 패러다임의 전환: $O(N)$ (개별 세포 수) 에 비례하던 라벨링 노력을 $O(K)$ (클러스터 수) 수준으로 대폭 축소하여 대규모 조직학 주석 작업을 실용화했습니다.
• 범용성: 조직 특이적인 파라미터 튜닝 없이 단일 고정 구성으로 다양한 종과 조직 유형에 높은 정확도를 보였습니다.
• 확장성: 분할된 객체가 개별 세포뿐만 아니라 핵이나 세포 군집 등 다양한 조직 구성 요소를 포함할 수 있어, 클러스터 단위로 전체 카테고리를 라벨링하거나 제외할 수 있는 유연성을 제공합니다.
• 향후 과제: 공간적 맥락 (Spatial Context) 을 통합하거나 특정 조직 (골격근, 뼈 등) 에 대한 파라미터 조정을 통해 어려운 조직에서의 성능을 개선할 수 있을 것으로 기대됩니다.

이 연구는 의료 교육 및 연구 분야에서 대규모 조직학 데이터의 자동화 및 표준화를 위한 강력한 기반을 마련했다는 점에서 의의가 큽니다.