CNN 기반 거리 예측과 그래프 기반 매칭 전략을 활용한 세포 세그멘테이션 및 추적

현미경 영상 시퀀스에서 세포의 정확한 세분화 및 추적은 조직, 기관 또는 전체 생물체의 발달을 연구하는 데 있어 중요한 과제이다. 그러나 신호 대 잡음 비율(signal-to-noise ratio)이 낮은 영상에서 서로 접촉하는 세포를 세분화하는 것은 여전히 도전적인 문제로 남아 있다. 본 논문에서는 현미경 영상에서 접촉하는 세포의 세분화를 위한 새로운 방법을 제안한다. 거리 맵(distance maps)에 영감을 받은 세포 경계의 새로운 표현 방식을 사용함으로써, 본 방법은 훈련 과정에서 접촉하는 세포뿐만 아니라 서로 가까이 있는 세포도 효과적으로 활용할 수 있다. 또한 이 표현 방식은 레이블링 오류에 매우 강건하며, 훈련 데이터에 부족하게 포함되거나 포함되지 않은 세포 유형을 포함한 현미경 영상에 대한 세분화에서도 유망한 성능을 보여준다. 제안된 이웃 거리 예측을 위해, 두 개의 디코더 경로를 가진 적응형 U-Net 형 convolutional neural network(CNN)이 사용된다. 또한, 제안된 방법의 세포 추적 성능을 평가하기 위해 그래프 기반 세포 추적 알고리즘을 적응시켰다. 적응된 추적 알고리즘은 비디오 프레임 시퀀스에서 일부 프레임의 세분화 마스크가 누락된 경우에도 추적 경로를 재연결할 수 있도록 비용 함수에 운동 추정(movement estimation)을 포함하고 있다. 본 연구에서 제안하는 탐지 기반 추적(combined tracking by detection) 방법은 IEEE ISBI 2020 세포 추적 챌린지(http://celltrackingchallenge.net/)에서 팀 KIT-Sch-GE로써 다수의 상위 3위 성적을 기록하였으며, 다양한 데이터셋에 대해 단일 세분화 모델만을 사용하여 두 번의 최고 성과를 달성함으로써 그 잠재력을 입증하였다.