Intensity and Landmark Based Registration Under Stain Normalization: A Comparative Study on Differently Stained Histopathology Images

병리 검사실의 조용하고 밝은 방 안에서, 암 진단은 종종 단순한 행위로부터 시작됩니다. 인체 조직의 단면을 유리 슬라이드 위에 놓고, 화학 염료로 처리한 뒤 현미경으로 관찰하는 것입니다. '염색(stains)'이라고 불리는 이 염료들은 보이지 않는 세포 구조를 가시적인 색상으로 바꾸어 의사들이 건강한 세포와 질병이 있는 세포의 차이를 볼 수 있게 해주는 필수적인 도구입니다. 하지만 이러한 슬라이드를 준비하는 과정은 완벽하게 균일하지 않습니다. 마치 화가가 이전 배치보다 약간 더 어둡거나 밝은 파란색 물감을 섞는 것처럼, 조직 슬의 화학적 염색은 샘서마다 다르게 나타납니다. 어떤 슬라이드는 핵이 짙은 보라색인 반면, 다른 슬라이드는 훨씬 연한 색조를 띨 수 있는데, 이는 밑에 깔린 조직이 동일하더라도 마찬가지입니다. 이러한 변이는 컴퓨터가 이미지를 분석하려고 할 때 상당한 장애물이 됩니다. 연구자들이 동일한 환자의 서로 다른 시점에 촬영된 여러 슬라이드를 비교하거나, 전체적인 그림을 얻기 위해 다양한 종류의 염색을 결합하고자 할 때, 그들은 이미지를 완벽하게 정렬해야 합니다. 이 과정을 '레지스트레이션(registration, 등록/정렬)'이라고 하는데, 이는 서로 다른 잉크 색상과 약간 다른 축척로 그려진 동일한 도시의 투명 지도 두 장을 겹쳐 놓으려는 것과 같습니다. 색상이 너무 다르면 컴퓨터는 혼란을 느껴 거리들을 제대로 맞추지 못하게 됩니다.

오울루 대학교와 헬싱키 대학교의 연구팀은 이처럼 서로 다른 방식으로 염색된 조직 이미지를 정렬하는 특정한 문제를 해결하기 위해 나섰습니다. 그들은 수십억 개의 픽셀을 포함하는 초고해상도 디지털 스캔본인 '전체 슬라이드 이미지(whole-slide images)'에 집중했습니다. 연구진은 어떤 방법이 이 불일치하는 이미지들을 가장 잘 정렬할 수 있는지 확인하기 위해 세 가지 다른 방법을 테스트했습니다. 두 가지 방법은 모든 개별 픽셀의 밝기와 색상에 의존했는데, 이는 본질적으로 분홍색과 보라색의 명도를 동일하게 보이도록 만들어 이미지를 맞추려는 시도였습니다. 세 번째 방법은 다른 접근 방식을 취했습니다. 이 방법은 색상을 완전히 무시하는 대신, 세포 군집이나 혈관과 같이 구별 가능하고 특징적인 해부학적 랜드마크(landmark)를 찾아내어 정렬을 유도했습니다. 테스트를 공정하고 엄격하게 수행하기 위해, 연구팀은 먼저 특수 컴퓨터 모델을 사용하여 이미지의 색상을 인위적으로 변화시켜 실제 실험실에서 발생하는 자연스러운 변이를 시뮬레이션했습니다. 그런 다음, 이들은 어떤 방법이 조직의 구조적 세부 사항을 잃지 않으면서 색상의 혼란을 처리할 수 있는지 확인하기 위해 정렬 기술을 적용했습니다.

연구 결과, 염색 변이가 발생하는 상황에서 명확한 승자가 드러났습니다. 특정 해부학적 랜드마크를 매칭하는 데 의존하는 방법이 가장 견고하고 정확하다는 것이 증명되었습니다. 색상이 아닌 조직 내 구조의 물리적 형태와 위치에 집중함으로써, 이 방식은 염색이 극단적으로 다르더라도 이미지를 성공적으로 정렬했습니다. 연구진은 이 랜드마크 기반 기술이 이미지가 원래의 다양한 색상을 띠고 있든 혹은 더 균일하게 보이도록 처리되었든 상관없이 높은 수준의 정밀도를 유지한다는 것을 발견했습니다. 반면, 픽셀 강도(intensity)에 의존하는 방법들은 색상이 변할 때 상당한 어려움을 겪었습니다. 원래 이미지에서는 꽤 괜찮은 성능을 보였던 하나의 강도 기반 도구는 색상이 표준화되자 정확도가 급격히 떨어져 조직 구조를 제대로 정렬하지 못했습니다. 다른 강도 기반 도구는 색상이 조정된 후 성능이 다소 개선되는 모습을 보였으나, 여전히 랜드마크 기반 방식의 일관성과 신뢰성을 따라잡지는 못했습니다.

또한 이 연구는 이미지의 색상을 표준화하기 위해 사용된 '스테인넷(StainNet)'이라는 딥러닝 모델의 효과를 강조했습니다. 이 모델은 마치 사진 편집기가 화이트 밸런스를 조정하여 일련의 사진들이 동일한 조명 아래서 찍힌 것처럼 보이게 만드는 것처럼, 다양한 염색을 일관된 외형으로 변환하는 데 성공했습니다. 이러한 색상 교정이 강도 기반 방법들의 성능을 약간 향상시키기는 했지만, 그것이 그들의 근본적인 약점까지 해결해주지는 못했습니다. 즉, 그들은 여전히 제대로 작동하기 위해 특정 색조에 지나치게 의존하고 있었습니다. 그러나 랜드마크 기반 방식은 전체 과정 동안 안정적이고 정밀한 상태를 유지했습니다. 연구진은 특정 지점이 있어야 할 위치와 컴퓨터가 정렬 후 배치한 위치 사이의 거리를 계산하여 각 방법의 정확도를 측정했습니다. 랜드마크 기반 방식은 오차가 종종 수십 배 더 크게 나타나는 강도 기반 방식들과 달리, 오차를 지속적으로 5픽셀 미만으로 낮게 유지하며 가장 작은 오류를 기록했습니다.

랜드마크 기반 방식의 명확한 성공에도 불구하고, 연구진은 여전히 남아있는 실질적인 과제를 언급했습니다. 컴퓨터가 랜드마크를 식별한 후에는 이미지를 완벽하게 정렬할 수 있지만, 조직에서 그 특정 지점들을 찾아 표시하는 데는 인간 전문가가 이미지를 보고 직접 지목해야 합니다. 이 수동 단계는 시간이 많이 소요되며 상당한 숙련도를 요구합니다. 이 연구는 이 분야의 미래가 컴퓨터가 이러한 랜드마크를 자동으로 식별하도록 가르치는 데 있다고 제안하며, 이를 통해 랜드마크 기반 방식의 신뢰성과 자동화의 속도를 결합할 수 있을 것이라고 봅니다. 그때까지는, 서로 다르게 염색된 조직 샘플을 정렬하는 복잡한 작업에 있어 조직의 물리적 구조에 의존하는 것이 색상을 맞추려 노력하는 것보다 훨씬 효과적이라는 사실이 이번 연구를 통해 확인되었습니다. 이러한 구분은 환자의 데이터를 시간에 따라 비교하고, 암 진단을 더욱 정밀하게 보조할 수 있는 자동화 도구를 개발하는 데 필수적인 디지털 병리학의 미래에 매우 중요합니다.