PRISM: Perinuclear Ring-based Image Segmentation Method for Acute Lymphoblastic Leukemia Classification

기술 요약: 급성 림프구성 백혈병 분류를 위한 PRISM

문제 제기
말초 혈액 도말 분석을 통한 급성 림프구성 백혈병 (ALL) 의 자동 진단은 상당한 장애물에 직면해 있습니다. 전통적인 컴퓨터 지원 진단 (CAD) 파이프라인은 형태학적 생체 표지자 (예: 핵의 비대, 세포질의 축소) 를 추출하기 위해 정밀한 세포막 분할에 크게 의존합니다. 그러나 이 단계는 중첩된 적혈구, 낮은 핵-세포질 대비도, 그리고 염색 불일치로 인해 일상적인 실험실 조건에서 자주 실패합니다. 반면, 딥러닝 (DL) 접근법 (CNN, 비전 트랜스포머) 은 높은 정확도를 달성했지만, 종종 해석 가능성이 부족한 "블랙박스"로 기능하며, 소규모 의료 데이터셋에서 과적합되기 쉽고, 자원 제약이 있거나 분산된 의료 환경에서의 배포를 제한하는 상당한 컴퓨팅 자원 (GPU) 을 요구합니다.

방법론: PRISM 프레임워크
저자들은 명시적인 전체 세포막 경계 설정의 필요성을 우회하는 경량화 및 GPU 비의존적 접근법인 **핵주위 링 기반 이미지 분할 방법 (PRISM)**을 제안합니다. 방법론은 네 가지 통합된 단계로 구성됩니다:

1. 전처리 및 핵 분할:

   • 입력 이미지 (256 × 256) 는 표준화되어 CIELAB 및 HSV 색상 공간으로 매핑됩니다.
   • 청색 - 노란색 대립 채널과 채도에 가중치를 두어 핵 - 세포질 대비도를 극대화하는 맞춤형 색조 점수 맵 ($S_{chroma}$) 이 생성됩니다.
   • 핵은 밝기 채널에 대한 Otsu 임계값을 사용하여 분할되며, 경계 사례를 위해 K-Means 클러스터링이 백업으로 사용됩니다. 위상학적 휴리스틱이 아티팩트를 필터링하여 기하학적 앵커 역할을 하는 견고한 핵 마스크 ($M_n$) 를 생성합니다.

2. PRISM 기반 공간 매핑 (영역 추출):

   • 전체 세포를 분할하는 대신, PRISM 은 핵 ($M_n$) 주위에 적응형 동심 영역을 구성합니다.
   • 적응형 팽창 전략은 핵 면적을 기반으로 확장 반경 ($\delta^*$) 을 계산하여 영역을 동적으로 제한함으로써 과도한 확장을 방지합니다.
   • 두 개의 상호 배타적인 공간 영역이 정의됩니다:
     • $Z_1$ (근접 인터페이스): 핵주위의 즉각적인 영역 ($D_{\delta^*_1}(M_n) \setminus M_n$).
     • $Z_2$ (원위 세포질): 핵에서 더 먼 영역 ($D_{\delta^*_2}(M_n) \setminus D_{\delta^*_1}(M_n)$).
   • 이러한 영역은 핵 및 전체 세포 경계와 함께 특징 추출을 위한 독립적인 기초로 작용합니다.

3. 다중 도메인 특징 추출:

   • 형태학/위상학적: 기하학적 속성 (면적, 원형도, 고체도) 및 핵 - 세포질 (N:C) 비율.
   • 색조 통계: RGB 및 회색조 채널의 1 차 모멘트 (평균, 표준 편차). 특히, 이 방법은 핵에서 말초로 향하는 색상 및 질감의 감쇠를 나타내는 공간 강도 기울기 ($\Delta$) 를 계산합니다 ($\mu(M_n) - \mu(Z_i)$).
   • 질감 분석: 회색조 공발생 행렬 (GLCM) 에서 유도된 매크로 질감 특징 (대비, 동질성, 에너지, 상관관계) 및 로컬 바이너리 패턴 (LBP) 을 통해 포착된 마이크로 질감 이질성 (32 개 빈으로 다운샘플링하여 차원 축소).

4. 메타 분류 (앙상블 스태킹):

   • 이질적 앙상블 스태킹 아키텍처가 사용됩니다.
   • 레벨 0: 다양한 기본 분류기 풀 (랜덤 포레스트, 엑스트라 트리, XGBoost, SVM, KNN, 로지스틱 회귀).
   • 보정: 기본 모델 출력에 플랫 스케일링 (Platt Scaling) 을 적용하여 실제 사후 확률을 나타내도록 보장합니다.
   • 레벨 1: 데이터 누출을 방지하기 위해 Out-Of-Fold (OOF) 확률로 훈련된 RBF 커널을 가진 서포트 벡터 머신 (SVM) 이 메타 분류기로 작용합니다.

주요 기여

• 적응형 수학적 방법론: PRISM 은 전체 세포 분할이라는 오류가 발생하기 쉬운 작업을 핵이라는 생물학적으로 안정적인 앵커에 기반한 다중 스케일 동심 영역 접근법으로 대체합니다.
• 해석 가능성: 불투명한 DL 모델과 달리 PRISM 은 핵 - 세포질 인터페이스에서의 명시적이고 임상적으로 검증 가능한 형태학적 및 색조 기울기에 예측을 근거로 합니다.
• 컴퓨팅 효율성: 이 프레임워크는 고차원 컴퓨터 비전 작업을 경량화된 표 형식 머신 러닝 문제로 변환하여 GPU 의존성 없이 CPU 만이 있는 자원 제약 장치에서도 고성능 추론을 가능하게 합니다.
• 최첨단 성능: 실험적 검증은 PRISM 기반 앙상블이 ALL-IDB2 데이터셋에서 최첨단 엔드 - 투 - 엔드 DL 아키텍처보다 우수한 성능을 발휘하거나 이를 능가함을 보여줍니다.

실험 결과
ALL-IDB2 데이터셋 (130 개의 백혈병 세포, 130 개의 건강한 세포로 구성된 260 개의 분리된 세포) 에서 5 계층 교차 검증을 사용하여 평가:

• 성능: 최적의 앙상블 구성 (엑스트라 트리 + SVM + 로지스틱 회귀) 은 98.46% 의 정확도, 0.9937 의 정밀도 - 재현율 AUC, 그리고 **0.9698 의 매튜스 상관 계수 (MCC)**를 달성했습니다.
• 절제 연구: 연구 결과, 두 개의 모델 (RF + SVM) 로 구성된 최소 앙상블로도 최대 정확도 (98.46%) 에 도달할 수 있었으며, 세 개 이상의 모델로 복잡성을 높이는 것은 유의미한 이점을 제공하지 않았으며 때로는 메타 분류기의 과적합으로 인해 성능이 저하되기도 했습니다.
• DL 과의 비교: PRISM 은 다섯 가지 DL 베이스라인 (ResNet-18, VGG16, DenseNet-121, EfficientNet-B0, Swin Transformer) 보다 우수한 성능을 발휘했습니다. 특히, EfficientNet-B0 은 98.08% 의 정확도를 달성한 반면, PRISM 은 사전 훈련된 가중치, 광범위한 전이 학습, 또는 GPU 가속 없이 98.46% 의 정확도를 달성했습니다.
• 문헌과의 비교: PRISM 은 최근의 복잡한 DL 앙상블 (예: [Rodrigues et al. 2022], [Das et al. 2025]) 의 성능과 일치하며, 전통적인 수동 제작 방법을 크게 능가하면서 저비용 및 GPU 없는 실행 파이프라인을 유지합니다.

의의 및 주장
이 논문은 PRISM 이 정확도, 해석 가능성, 효율성을 균형 있게 유지함으로써 자동 림프구 스크리닝의 새로운 기준을 수립한다고 주장합니다. 그 주요 의의는 다음과 같습니다:

1. 생물학적 초점: 기하학적으로 분석을 핵과 핵주위 링으로 제한함으로써, 종종 엔드 - 투 - 엔드 CNN 을 괴롭히는 혼란 배경 아티팩트 (예: 염색 변이, 적혈구 밀도) 를 학습하는 것을 방지합니다.
2. 임상적 타당성: 이 프레임워크는 검증 가능한 생물학적 표지자에 기반한 투명한 의사 결정 과정을 제공하여 의료 환경에서 DL 의 "블랙박스" 한계를 해결합니다.
3. 접근성: 고성능 GPU 와 복잡한 훈련 파이프라인의 필요성을 제거함으로써, PRISM 은 자원 제약이 있거나 분산된 환경의 진료소 진단에 적합한 확장 가능한 솔루션을 제공합니다.

저자들은 분할이 경량화된 해석 가능한 표현이 실용적인 효율성으로 높은 정확도의 ALL 스크리닝을 제공할 수 있다고 결론지으며, 향후 연구로 PRISM 을 휴대용 현미경 파이프라인에 통합하고 다양한 실험실의 실제 임상 데이터에서 검증할 것을 제안합니다.