EM를 위한 2D–3D 신경망 앙상블을 이용한 밀집 세포 세그멘테이션

전자현미경(EM) 이미지를 사용하여 세포 전체 및 그 세포소기관의 나노스케일 3D 모델을 구축하는 생물학자들은, 이미징 및 분석에 제약이 있었기 때문에 역사적으로 소수의 세포와 세포 내 구조물에 한정되어 왔다. 이는 세포 환경의 복잡한 변이성을 이해하는 데 중요한 장애 요인이 되어왔다. 현대의 전자현미경은 수많은 세포를 포함하는 기가보크셀(Gigavoxel) 규모의 이미지 볼륨을 생성할 수 있지만, 이미지 구조물에 대한 정확한 수작업 세그멘테이션은 매우 느리며, 세포 모델 생성을 제한한다. 컨볼루션 신경망 기반의 세그멘테이션 알고리즘은 대용량 이미지 볼륨을 빠르게 처리할 수는 있지만, EM 작업에서 요구하는 정확도에 도달하는 것은 여전히 현재 기술의 한계를 넘는 과제이다. 본 연구에서는 세포와 수많은 세포소기관을 모델링하기 위한 다중 클래스 세밀한 의미 세그멘테이션(multiclass semantic segmentation) 문제로서 '밀도 높은 세포 세그멘테이션(dense cellular segmentation)'을 정의하고, 인간 혈소판을 예시로 제시한다. 우리는 새로운 하이브리드 2D–3D 세그멘테이션 네트워크를 활용한 알고리즘을 제안하여, 기존의 기준 방법보다 뛰어난 정확도를 달성하고, 인간 전문가의 주관적 분류 수준에 근접하는 밀도 높은 세포 세그멘테이션을 실현한다. 저희의 지식에 따르면, 본 연구는 이러한 구조적 세부 수준의 세포 모델을 자동화하여 생성하는 데 있어 최초로 공개된 접근법이다.