Shape-supervised network for cross-domain nuclei instance segmentation

인체의 조용하고 미세한 세계에서, 건강과 질병의 이야기는 종종 세포의 모양과 배열 속에 기록됩니다. 현미경으로 조직 샘플을 검사하는 의사인 병리학자들은 거의 모든 세포에서 발견되는 어둡고 중심적인 명령 센터인 세포핵을 세고 분석하는 데 크게 의존합니다. 이 핵들이 서로 빽빽하게 붙어 있거나, 암 또는 감염으로 인해 특이한 모양으로 보일 때, 각각의 핵을 개별적으로 식별하는 작업은 매우 어려워집니다. 수십 년 동안 과학자들은 컴퓨터가 이 작업을 자동으로 수행하도록 가르쳐 진단의 속도를 높이고 수동 작업의 부담을 줄이기를 희망해 왔습니다. 그러나 표준 컴퓨터 프로그램은 한 종류의 조직 샘플에서 다른 종류로 이동하거나, 세포들이 너무 밀접하게 모여 있어 그 경계가 하나의 불분명한 덩어리로 흐릿해질 때 종종 어려움을 겪습니다. 과제는 단순히 세포를 보는 것뿐만 아니라, 이미지가 지저분하거나 다른 실험실에서 온 것이라 할지라도 각 세포가 예측 가능한 형태를 가진 별개의 뚜렷한 객체라는 것을 이해하는 데 있습니다.

연구팀은 이 문제를 해결하기 위해 새로운 접근 방식을 개발하여, 컴퓨터가 예상되는 모양을 바탕으로 세포를 인식하도록 가르치는 시스템을 만들었습니다. 단순히 컴퓨터에게 보이는 모든 어두운 점 주위에 선을 그리라고 요청하는 대신, 새로운 방법인 SSNet은 건강한 세포핵이 어떻게 보여야 하는지에 대한 정신적 모델에 비추어 끊임없이 작업을 확인하는 가이드처럼 작동합니다. 연구진은 개별 세포가 다양할 수는 있지만, 일반적으로 공통적인 타원형 구조를 공유한다는 점을 깨달았습니다. 이러한 지식을 규칙으로 사용하는 시스템을 구축함으로써, 그들은 컴퓨터가 이전 방식보다 더 정확하게 밀집된 세포들을 분리할 수 있도록 훈련할 수 있었으며, 이는 서로 다른 병원에서 제작되었거나 준비 방식이 다른 이미지를 볼 때도 마찬가지였습니다.

이 새로운 시스템의 핵심은 하나의 응집된 단위처럼 함께 작동하는 3단계 과정입니다. 첫째, 컴퓨터 네트워크는 이미지를 스캔하여 세포핵이 존재하는 모든 영역을 찾아내어 전경(foreground)의 대략적인 지도를 만듭니다. 다음으로, 수학적 도구가 이 영역들을 개별 후보군으로 그룹화하여 어디서 하나의 세포가 끝나고 다른 세포가 시작되는지를 파악하려고 시도합니다. 마지막으로, 시스템은 각 후보의 모양을 확인합니다. 만약 후보가 매끄러운 타원형이라면 수용됩니다. 만약 후보가 울퉁불퉁하거나, 늘어지거나, 이상한 모양이라면 시스템은 무언가 잘못되었다는 것을 알게 됩니다. 이 "모양 확인"은 단순한 최종 검토가 아닙니다. 이는 학습 신호로 사용됩니다. 시스템은 이 정보를 첫 번째 단계로 다시 전달하여, 컴퓨터에게 "여기 경계선을 놓쳤다"라거나 "두 개의 세포를 하나로 합쳤다"라고 알려주고, 그에 따라 향후의 추측을 조정합니다. 이를 통해 컴퓨터가 찾고자 하는 세포의 자연스러운 타원형을 끊임없이 상기받음으로써, 더 깨끗하고 정확한 경계를 그리는 법을 배우는 피드백 루프가 생성됩니다.

이 아이디어가 효과가 있는지 테스트하기 위해, 연구진은 공공 데이터베이스의 방대한 이미지 컬렉션으로 시스템을 훈련시킨 후, 본 적 없는 새로운 데이터로 도전했습니다. 그들은 9가지 다른 유형의 장기 이미지를 사용했을 뿐만 아니라, 수천 개의 밀집된 자궁경부 세포를 포함하고 있는 중국 병원의 개인 샘젝트들도 사용했습니다. 결과는 놀라웠습니다. 시스템이 본 적 없는 이미지에 대해 테스트했을 때, 개별 핵을 높은 정확도로 성공적으로 식별하고 분리해 냈습니다. 전체 조직 슬라이드에서 수천 개의 세포를 포함하는 한 테스트 세트에서, 이 새로운 방법은 거의 99%의 세포를 정확하게 식별했으며 레이블링의 정밀도는 약 97%에 달했습니다. 이는 작은 세포를 빽빽한 집단 속에 숨겨진 채 놓치거나, 두 개의 별개 세포를 하나의 덩어리로 잘못 합쳐버리는 경향이 있는 여러 선도적인 컴퓨터 프로그램들을 능가하는 성과였습니다.

이 접근 방식의 진정한 강점은 연구진이 이미지 스타일의 차이를 처리하는 능력을 테스트했을 때 분명하게 드러났습니다. 현실 세계에서 조직 샘플은 염색 방식이나 사용된 현미경에 따라 매우 다르게 보일 수 있습니다. 한 유형의 이미지로 훈련된 컴퓨터는 다른 유형의 이미지를 보여주면 실패하곤 합니다. 그러나 새로운 시스템은 이미지의 특정 색상이나 질감보다는 세포의 근본적인 모양에 의존하기 때문에 견고함을 유지했습니다. 연구진이 한 병원의 데이터로 시스템을 훈련시킨 후, 완전히 다른 이미지 스타일을 가진 세 곳의 다른 병원 데이터로 테스트했을 때, 성능은 거의 동일하게 유지되었습니다. 개별 세포를 식별하는 오류율은 2% 미만으로 유지되었으며, 이는 시스템이 단순히 특정 사진들을 암기한 것이 아니라 세포 모양에 대한 보편적인 규칙을 학습했음을 입క 증명했습니다.

연구진은 또한 모양 가이드를 사용하지 않는 시스템과 비교함으로써 왜 이 방법이 잘 작동하는지 탐구했습니다. 모양 확인이 없으면 컴퓨터는 종종 울퉁불퉁하고 불규칙한 윤곽선을 만들어내어 하나의 세포가 어디서 끝나고 다른 세포가 시작되는지 구분하기 어렵게 만듭니다. 이러한 지저분한 경계는 컴퓨터가 단일 세포를 두 개로 나누거나 두 개의 별개 세포를 하나로 붙여버리는 오류를 초래했습니다. 세포가 일반적으로 타원형이어야 한다는 규칙을 강제함으로써, 시스템은 이러한 오류를 매끄럽게 다듬어 실제 정답(ground truth)과 훨씬 더 가깝게 일치하는 깨끗하고 뚜렷한 모양을 만들어냈습니다. 이 연구는 세포가 질병에 의해 변형될 수는 있지만, 기본적인 타원형 구조를 완전히 잃어버리는 경우는 드물며, 이 단순한 기하학적 진리를 가이드로 사용하는 것이 컴퓨터 비전의 의학적 활용도를 높이는 강력한 방법임을 시사합니다.

이 연구가 세포 분석의 모든 문제를 해결한다고 주장하는 것은 아닙니다. 연구진은 자신들의 방법이 극도로 불규칙하거나 형체를 알아볼 수 없을 정도로 손상된 세포의 경우 어려움을 겪을 수 있다고 인정하는데, 이는 시스템이 세포가 대략 타원형이라는 가정 위에 구축되었기 때문입니다. 또한 현재의 네트워크 구조가 상대적으로 단순하며 더 개선될 수 있다고 언급했습니다. 그러나 이번 연구 결과는 명확한 방향을 제시합니다. 즉, 보는 능력과 무엇을 기대할지에 대한 지식을 결합함으로써, 컴퓨터는 의사들에게 훨씬 더 신뢰할 수 있는 파트너가 될 수 있다는 것입니다. 이 연구에서 개발된 코드와 모델은 다른 사람들이 사용할 수 있도록 공개되어 있으며, 잠재적으로 다양한 실험실과 지역에서 암 진단 및 기타 병리학적 평가의 정확도를 표준화하고 개선하는 데 도움을 줄 수 있습니다.