Automated Classification and Quantification of Fungal Spores in Aerobiological Sampling Using Deep Learning

문제 정의

곰팡이 포자의 정기적인 에어로바이올로지(aerobiological) 모니터링은 환경 감시 및 공중 보건, 특히 천식 및 알레르기 비염과 같은 호흡기 질환과 관련된 공기 중 포자의 연관성을 고려할 때 매우 중요하다. 그러나 현재의 평가 방법은 수동 현미경 계수에 의존하고 있으며, 이 과정은 시간이 많이 소요되고 관찰자 간 변동성이 크며 데이터 가용성을 지연시키는 결과를 초래한다. 기존의 자동화 시도들은 고전적인 컴퓨터 비전을 활용하거나 단일 속(genus) 검출(예: Alternaria)에 집중했으나, 이러한 접근 방식은 입자 중첩 문제에 취약하고, 수동 특징 공학(feature engineering)이 필요하며, 실제 대기 샘플에서 발견되는 높은 분류학적 다양성을 처리할 수 있는 견고함이 부족하다. 따라서 다양한 곰팡이 분류군 전반에 걸쳐 탐지 및 정량화를 자동화할 수 있는 확장 가능한 다중 속 딥러닝 프레임워크에 대한 명확한 요구가 존재한다.

연구 방법론

본 연구는 콜롬비아 산타마르타의 Hirst형 체적 샘플링에서 채취한 현미경 이미지를 사용하여 8가지 곰팡이 속(Cladosporium, Coprinus, Curvularia, Didymella, Ganoderma, Leptosphaeria, Nigrospora, Xylaria)을 자동으로 탐지하고 계수하기 위한 딥러닝 기반 워크플로우를 개발하고 검증하였다.

1. 데이터셋 구축 및 전처리:

• 출처: 325장의 원본 이미지(400배 배율)를 1,281개의 구역(quadrants, 1296 × 972 픽셀)으로 세분화하였다.
• 어노테이션(Annotation): Roboflow를 사용하여 수행되었으며, 8개 클래스에 걸쳐 2,252개의 포자 인스턴스에 바운딩 박스를 할당하였다.
• 불균형 완화: 원본 데이터셋은 클래스 불균형(예: Coprinus 20.1% 대 Nigrospora 9.1%)을 보였다. 이를 해결하기 위해 저자들은 다음을 구현하였다:
  • 층화 분할(Stratified Splitting): 주요 포자 유형을 기준으로 이미지를 70% 훈련, 20% 검증, 10% 테스트 세트로 재분할하였다.
  • 오프라인 증강(Offline Augmentation): Albumentations 라이브러리를 사용하여 기하학적, 광학적, 열화 변환을 통해 과소 대표된 클래스에 대한 합성 샘플을 생성하여 각 클래스당 약 320개의 인스턴스를 목표로 하였다.
  • 온라인 증강(Online Augmentation): 훈련 중에 객체 밀도를 높이기 위한 Mosaic와 정규화를 위한 Mixup을 적용하였다.
• 최종 데이터셋: 훈련 세트는 1,574장의 이미지(2,963개 인스턴스)로 확장되었으나, 편향되지 않은 평가를 보장하기 위해 검증 및 테스트 세트는 증강되지 않은 원본 이미지로 구성되었다.

2. 모델 아키텍처:
세 가지 탐지 전략을 비교하였다:

• YOLO26: Medium(YOLO26m) 및 Large(YOLO26l) 변형 모델을 평가하였다. 형태학적 세부 사항을 보존하기 위해 입력 해상도는 1280 × 1280 픽셀로 설정하였다.
• ViT-B/16 + Faster R-CNN: 특징 추출을 위해 비전 트랜스포머(첫 6개 레이어 동결)를 사용하고, 영역 제안 및 분류를 위해 Faster R-CNN을 결합한 하이브리드 접근 방식이다.
• AlexNet + Faster R-CNN: 배치 정규화가 적용된 수정된 AlexNet을 Faster R-CNN과 결합하였으며, 640 × 640 픽셀의 입력 해상도를 사용하였다.

3. 훈련 및 평가:
모델은 특정 하이퍼파라미터(예: YOLO 변형은 MuSGD 사용, ViT/AlexNet은 AdamW/SGD 사용)와 함께 훈련되었다. 성능은 정밀도(Precision), 재현율(Recall), F1-score, 그리고 평균 정밀도(mAP@0.5 및 mAP@0.5:0.95)를 사용하여 평가되었다. 적용 분야의 특성을 고려하여, 엄격한 위치 결정 지표보다 재현율과 정밀도를 우선시하였다.

주요 결과

1. 모델 성능 비교:

• YOLO26l이 테스트 세트에서 가장 높은 재현율(0.812), 정밀도(0.823), mAP@0.5(0.846), F1-score(0.817)를 달성하며 가장 우수한 모델로 나타났다.
• YOLO26m은 약간 낮은 지표를 보이며 그 뒤를 이었다.
• ViT-B/16 + Faster R-CNN은 중간 정도의 성능을 보였으나 정밀도가 크게 하락(0.502)하는 문제를 겪었다.
• AlexNet + Faster R-CNN은 모든 지표에서 가장 낮은 성능(재현율 0.548, 정밀도 0.377)을 기록했다.
• 속(Genus)별 성능: YOLO26l은 Curvularia, Didymella, Ganoderma, Nigrospora, Xylaria에 대해 견고함을 보였다. Cladosporium은 가장 까다로운 클래스로 남았으며, 가장 낮은 재현율(테스트 시 0.429)과 가장 높은 미검출률(54%의 인스턴스 누락)을 기록했다.

2. 운영 검증 (자동 vs. 수동):

• 외부의 미학습 이미지 516장을 분석한 결과, YOLO26l은 0.803의 정밀도와 0.659의 재현율을 유지하였다.
• 상관관계: 자동 계수와 수동 계수는 모든 속에 대해 양의 유의미한 상관관계를 보였다(Spearman's ρ = 0.387–0.852; p < 0.001). 상관관계는 Curvularia(0.852)에서 가장 강했고, Cladosporium(0.387)에서 가장 약했다.
• 효율성: 자동화 시스템은 516장의 이미지를 1분 39초(이미지당 0.19초) 만에 처리한 반면, 수동 계수에는 2.8시간(이미지당 19.5초)이 소요되었다. 이는 처리 속도가 102배 증가했음을 의미한다.

3. 오류 분석:
주요 오류 원인은 속 간의 오분류보다는 미검출(false negatives)이었다. 모델은 일단 포자를 탐지하면 일반적으로 올바른 속을 할당하였다. Cladosporium 탐지의 어려움은 높은 형태학적 가변성과 배경 구조와의 시각적 유사성 때문인 것으로 분석되었다.

주요 기여

• 다중 속 프레임워크: 본 연구는 단일 속 검출을 넘어, 에어로바이올로지 샘플링의 분류학적 다양성을 해결할 수 있는 8가지 서로 다른 곰팡이 속을 동시에 식별할 수 있는 시스템을 검증함으로써 범위를 확장하였다.
• 데이터셋 큐레이션: 클래스 불균형과 현미경 시야 내 낮은 객체 밀도를 처리하기 위한 전략을 포함하여, 곰팡이 포리에 특화된 데이터셋 구축 및 증강을 수행하였다.
• 아키텍처 벤치마킹: 단일 단계 탐지기(YOLO26)가 하이브리드 및 영역 제안 기반 모델(Faster R-CNN 변형)보다 이 특정 작업(특히 계산 효율성과 탐지 정확도의 균형 측면)에서 더 우수함을 보여주는 비교 분석을 수행하였다.
• 운영 확장성: 분석 시간을 두 자릿수 감소시켜 실시간 또는 준실시간 바이오에어로졸 감시를 가능하게 하는 워크플로우를 입증하였다.

의의 및 주장

저자들은 본 연구가 규모 있는 에어로바이올로지 모니터링을 위한 참조 프레임워크를 제공한다고 주장한다. 현미경 계수라는 가장 노동 집약적인 단계를 자동화함으로써, 본 시스템은 현재의 모니터링 프로그램의 지리적 및 시간적 범위를 제한하는 병목 현상을 해결한다.

본 논문은 성능이 속마다 차이가 있음에도 불구하고, 시스템이 수동 계수에서 관찰된 일반적인 풍부도 패턴을 성공적으로 재현한다고 완곡하게 주장한다. 또한, 딥러닝을 단순한 분류 도구가 아니라 환경 감시 및 공중 보건 위험 평가를 위한 운영 도구로 위치시킨다. 저자들은 Cladosporium과 같이 어려운 클래스에 대해서는 추가적인 개선이 필요함을 인정하면서도, 제안된 접근 방식이 정기적이고 적시적이며 재현 가능한 곰팡이 포자 모니터링 역량을 크게 강화한다고 결론짓는다.