PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13780v1cs.CV

형광 현미경 이미지에서 극히 희귀한 사멸 세포의 검출

Detection of extremely rare dead cells in fluorescence microscopy images

형광 현미경 관찰에서 사멸 세포 검출은 표현형 스크리닝과 약물 효능 평가에 필수적입니다. 그러나 신호 가변성, 광학 인공물(optical artifact), 여러 채널 간 공국재화(colocalization) 모호성으로 인해 자동 식별은 여전히 어렵습니다. 세포핵 경계를 정의하는 마커는 세포사멸(apoptotic) 마커와 공간적 또는 시간적으로 깔끔하게 일치하지 않습니다. 더욱이 마커 축적 동역학은 개별 세포 및 세포사멸 단계마다 다르므로 범용 임계값을 신뢰하기 어렵습니다. 본 논문에서는 핵 염색 검체에서 세포사멸 세포를 검출하기 위한 여러 전산적 접근 방식에 대한 체계적인 비교를 제시합니다: (1) 강도 임계값, 분포, 상관관계 및 도메인 지침을 사용하는 휴리스틱 방법; (2) 수치적 특징(로지스틱 회귀, 랜덤 포레스트, XGBoost 및 LightGBM)과 이미지 특징(ResNet-18 및 EfficientNet-B0)을 사용하는 분류; (3) 마찬가지로 수치적 특징(격리 포레스트, 원클래스 SVM 및 PCA 재구성)과 이미지 특징(합성곱 오토인코더 및 Deep SVDD)을 사용하는 이상 탐지. 수작업으로 주석이 달린 243개의 실측값(ground truth) 사멸 세포를 포함하여 여러 장면에 걸쳐 65,527개의 세포/핵이 포함된 258개 이미지 데이터셋을 사용하여, PR-AUC, 정밀도, 재현율, F1-score 및 macro-F1과 같은 지표로 각 방법을 평가합니다. 연구 결과에 따르면 이미지 특징을 사용하는 분류(심층 학습)와 수치적 특징을 사용하는 분류(전통적 방식)가 가장 우수한 성능을 달성했으며, ResNet-18과 XGBoost가 수작업으로 설계된 휴리스틱 및 이상 탐지 방법보다 크게 우수한 성과를 보였습니다. 이러한 연구 결과는 최첨단 전산 및 학습 기법으로도 이러한 생의학 문제를 해결하는 것이 여전히 매우 까다롭다는 점을 보여줍니다. 우리는 도메인 과학자를 돕는 보조 도구로서 완전 자동 방식이나 인간 참여형(human-in-the-loop) 설정 모두에서 연구자들에게 효과적인 의사결정 지원 도구를 제공하는 것을 목표로 합니다.

arXiv:2610.00860v1eess.IV

MorphoBranch: 분지형 세포 구조의 형태학적 분석을 위한 미세 구조 보존 워크벤치

MorphoBranch: A Fine-Structure-Preserving Workbench for Morphometric Analysis of Branched Cellular Structures

배경 및 목적: 형광 표지된 세포 수지상 분지는 신경 세포 및 미세아교세포(microglia)의 형태에 대한 판독 정보를 제공하지만, 미세하고 약하게 표지된 돌기는 단편화 및 잘못된 연결이 발생하기 쉬워 스켈레톤 기반 측정에 바이어스를 유발합니다. 본 논문에서는 분지형 세포 구조의 형태계측을 위해 미세 구조를 보존하고 사람이 검토 가능한 워크벤치인 MorphoBranch를 제안합니다. 방법: MorphoBranch는 결정론적 형태계측 엔진(Morphometry Engine)과 LLM 보조 정제 엔진(Refinement Engine)을 결합합니다. 형태계측 엔진은 다중 스케일 구조 증거 추출, 히스테리시스 분할, 증거 제약 스켈레톤 정제 및 그래프 기반 형태계측을 통합하는 이미지-투-그래프(image-to-graph) 워크플로우를 구현합니다. 정제 엔진은 자연어 요청을 매개변수 조정, 미리보기 실행, 지표 보고 및 지원되지 않는 요청 처리를 위한 등록된 동작에 매핑하는 한편, 이미지 처리 및 정량적 계산은 결정론적이며 검토 가능한 상태로 유지됩니다. 결과: MorphoBranch는 두 개의 공개 신경 세포 축삭 데이터셋인 AxonMIP 및 AxonStack과 자체 구축한 미세아교세포 형광 이미지 데이터셋인 Cell-Morph에서 평가되었습니다. 세 데이터셋 모두에서 평가된 방법 중 가장 높은 Skeleton F1 및 clDice, 그리고 가장 낮은 길이 추정 오차를 달성했으며, AxonMIP 및 AxonStack에서는 가장 높은 Dice 및 IoU도 기록했습니다. 150개의 자연어 작업 전반에서 정제 엔진은 94.0%의 엔드투엔드 성공률을 달성했습니다. 결론: 이러한 결과는 MorphoBranch가 분지형 세포 구조의 형태학적 분석을 위한 재현 가능하고 사람이 검토할 수 있는 워크플로우를 제공함을 입증합니다. 또한 검사 가능하고 재현 가능한 분석 워크플로우를 유지하면서 신경 세포 축삭 및 미세아교세포 형광 이미지 전반에서 미세 구조를 보존하는 정량화를 지원합니다.

arXiv:2606.23964v2cs.LG

3D 마스크드 오토인코더는 현미경을 위한 체적 및 다중 모달 세포 표현의 강건한 학습기

3D Masked Autoencoders are Robust Learners of Volumetric and Multimodal Cellular Representations for Microscopy

형광 현미경에서의 자기지도 학습(self-supervised learning)은 세포의 본질적인 3차원 특성에도 불구하고 종종 2D 투영에 의존한다. 우리는 체적 현미경 데이터에 대한 2D 및 3D 마스크드 오토인코더(MAE-2D vs. MAE-3D)의 체계적인 비교를 제시한다. 동일한 아키텍처 및 학습 프로토콜 하에서, MAE-3D는 다운스트림 단일 세포 작업에서 2D 최대 투영(max-projection) 및 슬라이스 기반 변형에 비해 일관되게 우수한 성능을 보인다. 우리는 또한 시각적 표현을 사전학습된 단백질 언어 모델(ESM2)과 정렬하고, 교차 모달 지도(cross-modal supervision)가 체적 모델에서 더 큰 성능 향상을 가져옴을 보인다. 채널 교차 어텐션과 주파수 도메인 정규화는 3D 공간적 맥락을 활용하는 데 핵심적이다. 단백질-단백질 상호작용 예측에서 최고 모델은 ROC-AUC 0.86을 달성하였으며, 단백질 국소화(protein localization)에서는 AUC$_{\text{micro}}$ 0.95, F1$_{\text{micro}}$ 0.74를 기록하여 두 작업 모두에서 경쟁력 있는 성능을 입증한다. 전반적으로, 본 연구의 결과는 단일 세포 현미경에서의 표현 학습을 위한 체적 모델링 및 다중 모달 정렬의 잠재력을 부각한다.

arXiv:2606.28465v1q-bio.QM

SVC-Probe: A Framework for Evaluating Perturbation Generalization in Spatial Foundation-Model Embeddings

This work examines perturbation generalization in spatial foundation-model embeddings derived from fluorescence microscopy images. Although these models can discriminate drug conditions accurately, it remains unclear whether the learned representations reflect patterns consistent with expected perturbation axes that transfer across drugs. We introduce SVC-Probe, a perturbation-aware framework that combines Subcellular Embedding Atlas Stability, Mondrian Neighborhood Graphs, and a Foundation Model Perturbation Probe to assess embedding stability, neighborhood rewiring, and centroid prediction under drug treatment. Applied to the CM4AI MDA-MB-468 chemical-perturbation atlas comprising 462 antibody labels and SubCell 1536-dimensional embeddings, SVC-Probe demonstrates that 98.6% three-way condition accuracy does not correlate with reliable cross-drug prediction, with cosine similarity diminishing from 0.944 in-domain to 0.30 under leave-one-drug-out evaluation, constituting a two-drug stress test rather than a general benchmark. Null calibration indicates that raw residual-turnover coupling is largely influenced by generic embedding structure, whereas a drug-specific signal emerges under vorinostat and is consistent with chromatin-related reorganization. In contrast, the paclitaxel axis is not robustly reconstructed, likely due to sparse coverage of microtubule-associated proteins. Together, these results introduce and demonstrate a reusable diagnostic framework for stress-testing spatial virtual-cell representations and indicate that perturbation generalization may serve as a stricter and more informative benchmark than baseline condition discrimination.