PyTorchKR Papers

최신 논문

총 10편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.22410v1cs.AI

2D 이미지와 세포 집단 통계로부터 3D 생물물리적 세포 특성 학습

Learning 3D biophysical cell properties from 2D images and cell-population statistics

기준 장비가 개별 세포 라벨이 아니라 집단 통계만 보고할 때, 2D 현미경 영상으로부터 3D 세포 특성을 추론하기는 어렵다. 본 연구에서는 단일 2D 적혈구 이미지를 잠재 생물물리량에 매핑하고 이를 평균적혈구용적(MCV), 적혈구 분포 폭(RDW), 평균적혈구헤모글로빈(MCH)으로 집계하는 집단 감독(population-supervised) 프레임워크를 제안한다. 모델은 공유 국소 추론(inference), 부피와 헤모글로빈을 위한 생물물리적으로 구조화된 디코더, 학습된 인스턴스 가중치, 장치별 보정을 결합한다. 집계 관측이 제한된 인스턴스 예측기를 식별하는 조건을 형식화하고, 집단 수준의 일치만으로는 단일 세포 특성이나 3D 기하를 식별할 수 없음을 보이며, 부분집합 평균 매칭(subset mean matching)에 의해 유도되는 분산 페널티를 유도한다. 개발 데이터셋(dataset)은 6대 장치에 걸친 390개 시검체와 1,105회 촬영으로 구성되며, Sysmex 분석기 대비 Pearson 상관계수 0.86–0.98이 보고되었다. 이 프레임워크는 명시적 3D 재구성을 주장하지 않으면서, 2D 이미지와 집단 감독으로부터 3D 세포 생물물리학에 이르는 검증 가능한 경로를 제공한다.

arXiv:2607.22712v2cs.CV

scMIR: 단일 세포 광학 현미경 이미지 표현을 위한 비전-언어 파운데이션 모델

scMIR: a vision-language foundation model for single-cell light microscopy image representation

단일 세포 광학 현미경 이미지는 세포 표현형(phenotype)을 특성화하는 데 중요한 데이터 원천이 되었지만, 그 복잡성과 이질성(heterogeneity)은 고속 자동 분석에 어려움을 제기한다. 기존 표현 학습(representation learning) 방법은 대부분 과제 지향(task-oriented) 모델링에 의존하며, 이는 특정 데이터셋과 사전 정의된 과제에 제한되어 서로 다른 세포 유형, 현미경 방식(modality), 실험 조건에 걸쳐 일반화하기 어렵다. 최근 범용(general-purpose) 방법이 이미지 표현의 일반화 능력을 향상시켰지만, 실험 배경과 생물학적 문맥 정보의 제한적 활용은 여전히 복잡한 표현형 분석에서 과제를 남긴다. 본 연구에서는 단일 세포 광학 현미경 이미지 표현을 위한 비전-언어 파운데이션 모델인 scMIR을 제안한다. 자기지도(self-supervised) 이미지 재구성과 텍스트 유도 교차 모달 정렬(cross-modal alignment)을 시너지적으로 결합함으로써, scMIR은 형태학적 정보와 생물학적 의미 정보를 통합 표현 공간에서 동시에 인코딩할 수 있다. scMIR은 다양한 세포 유형, 현미경 방식, 교란(perturbation) 조건을 아우르는 207,957개의 이미지-텍스트 쌍으로 사전학습(pre-training)되었다. scMIR은 16개 벤치마크 데이터셋을 사용한 다양한 복잡 과제에 대한 체계적 평가에서 세포 분류, 클러스터링, 표현형 추론, 배치 효과 보정 과제를 포함하여 기존 범용 모델과 과제 지향 방법을 능가한다. 또한 scMIR은 과제별 미세조정 없이도 다양한 과제에 걸쳐 강한 일반화 능력을 보인다. 고유한 장점을 바탕으로, scMIR은 다양한 하류(downstream) 분석 과제를 지원함으로써 고속 표현형 분석(phenotyping) 워크플로의 표준화와 자동화를 촉진할 수 있을 것으로 기대한다.

arXiv:2607.24729v1cs.CV

MicroZoom: 극한 스케일에서 구조를 보존하는 세부 합성

MicroZoom: Structure-Preserving Detail Synthesis at Extreme Scale

본 논문은 미시적 스케일에서 기가픽셀(gigapixel) 이미지 합성을 위한 생성 프레임워크인 MicroZoom을 소개한다. 일반 사진과 소수의 소비자급 현미경 근접 촬영이 주어지면, MicroZoom은 실제 참조의 재질 특성에 그라운딩(grounding)된 매끄러운 기가픽셀 해상도 이미지를 합성하여, 객체 전체 공간 범위에 걸친 미시적 질감의 탐색적 시각화를 가능하게 한다. 우리의 목표는 정확한 재구성이 아니라 그럴듯한 합성이다. 최대 350배 배율의 전체 이미지, 참조 기반, 극한 스케일 초해상도(super-resolution)에 집중하며, 이 설정은 두 가지 주요 과제를 제기한다: (1) 모호한 재질 경계 근처의 고손실 입력으로부터 질감 특화 세부 정보를 복원하는 것, (2) 직물 직조와 같은 반복 기하학과 같은 올바른 대규모 패턴 구조를 수백만 개의 지역 예측에 걸쳐 보존하는 것. 이를 2단계 캐스케이드(cascaded) 설계로 해결한다. 첫 단계에서는 전역 패턴 일관성을 복원하고, 두 번째 단계에서는 지역 질감 세부를 정제하며, 모호한 경계에서 합성을 안내하기 위해 분할(segmentation) 마스크를 보조적으로 사용한다. 자체 촬영한 일상 사물 모음에서 접근법을 검증하고, 전역적으로 일관되고 재질적으로 그라운딩된 기가픽셀 영상을 입증한다.

arXiv:2607.21190v1cs.CV

형광 현미경 교차 모달리티 초해상화를 위한 물리 정보 기반 심층 학습 모델

Physics-Informed Deep Learning Model for Cross-Modality Super-Resolution in Fluorescence Microscopy

교차 모달리티 이미지 변환(image translation)은 저해상도 이미지로부터 형광 현미경 초해상화에 이르는 경로를 제공하며, 광독성(phototoxicity)과 장비 요구사항을 줄일 수 있다. 그러나 순수 데이터 기반 모델은 시각적으로 그럴듯한 출력을 생성할 수 있지만, 광학적 이미지 형성(optical image formation)과 일치하지 않을 수 있다. 본 연구에서는 학습 목표에 현미경 특이적 점 확산 함수(PSF, point spread function) 정보를 통합한, 공초점(confocal)-STED 이미지 변환을 위한 물리 정보 기반 생성적 적대 신경망(GAN, generative adversarial network)을 제안한다. 시뮬레이션 및 실험적으로 측정된 PSF는 서로 다른 실험일에 취득한 인간 원발성 M2 대식세포(human primary M2 macrophages) 내 TOM20 표지 미토콘드리아의 제한된 쌍을 이룬 공초점-STED 데이터셋을 사용하여 평가되었다. 성능은 참조 기반 및 비참조 기반 이미지 품질 지표와 함께 보완적인 주파수 및 분포 민감 분석을 통해 평가되었다. 비참조 지표는 공간 주파수 성분, 대비, 신호 대 잡음(signal-to-noise) 특성 등 물리학적으로 관련 있는 이미지 속성을 탐색했다. PSF 유도 모델은 구조적 충실도를 향상시키고 국소 편차를 줄였으며, 특히 주파수 영역 분석에서 PSF 비사용 기준선보다 STED 참조와 더 가까운 일치를 달성했다. 이 결과는 광학적 사전 지식(optical priors)이 교차 모달리티 초해상화 영상의 생성적 현미경 모델에서 구조적 충실도와 물리적 타당성을 개선할 수 있음을 보여준다.

arXiv:2607.13601v1eess.IV

자동 현미경 요검사를 위한 영상 기반 전초점 이미지 재구성 알고리즘

Video to All-in-focus Image Reconstruction Algorithm for Automated Microscopic Urinalysis

현미경 요검사는 병원에서 시행하는 일상적인 진단 검사이다. 최근 연구들은 현미경 요검사 자동화를 위한 심층 학습 방법의 효과를 입증하였다. 이러한 방법들은 각 세포를 명확히 식별할 수 있는 고품질 소변 샘플 이미지에 의존한다. 그러나 실제로는 유리 슬라이드 위의 소변 샘플이 다층 구조를 가지므로, 특정 초점면에 맞춘 렌즈의 피사계 깊이 내에서 모든 세포가 명확히 보이지 않는다. 따라서 주어진 소변 샘플에서 각 세포를 올바르게 식별하려면 서로 다른 초점면에서 여러 장의 이미지를 촬영해야 하며, 이는 시간이 많이 소요되는 작업이다. 본 논문에서는 여러 장의 이미지를 촬영하는 대신, 렌즈의 초점을 손으로 수동으로 서서히 변경하면서 영상을 녹화함으로써 이 작업을 단순화하는 방법을 제안한다. 영상의 일반적인 길이는 2~14초이다. 녹화된 영상 프레임으로부터 전초점(all-in-focus) 이미지를 재구성하고, 심층 학습 모델을 적용하여 요침사를 검출 및 분류한다. 개념 증명으로, 일반적인 진단 실험실 환경에서 훈련된 검사실 기술자가 촬영한 14개의 영상에 대해 실험을 수행하고, 새로운 재구성 알고리즘을 갖춘 제안된 자동 요검사 파이프라인의 효과를 보였다.

arXiv:2603.19802v2cs.CV

현미경에서 픽셀 및 객체 분류를 위한 비전 기반 모델 평가

Evaluating Vision Foundation Models for Pixel and Object Classification in Microscopy

심층 학습은 생체 의학 영상을 포함한 컴퓨터 비전의 대부분 현대적 접근법과 도구의 기반이 된다. 그러나 대화형 의미 분할(이 맥락에서는 흔히 픽셀 분류라고 불림)과 대화형 객체 수준 분류(객체 분류)에서는 특징 기반 얕은 학습이 여전히 널리 사용된다. 이는 이 영역 데이터의 다양성, 대규모 사전학습 데이터셋의 부족, 그리고 계산 및 레이블 효율성의 필요성 때문이다. 반면 현미경의 많은 다른 비전 작업—특히 세포 인스턴스 분할—을 위한 최신 도구들은 이미 심층 학습에 의존하며, 최근 비전 기반 모델(VFM), 특히 SAM으로부터 상당한 이점을 얻었다. 여기서 우리는 VFM이 현재 접근법과 비교하여 픽셀 분류와 객체 분류도 개선할 수 있는지 조사한다. 이를 위해 우리는 범용 모델(SAM, SAM2, SAM3, DINOv3)과 도메인 특화 모델($μ$SAM, PathoSAM, KRONOS)을 포함한 여러 VFM을 얕은 학습 및 어텐티브 프로빙(attentive probing)과 결합하여 다섯 개의 다양하고 도전적인 데이터셋에서 평가한다. 우리 결과는 수작업 특징 대비 일관된 개선을 보여주며 실용적 개선을 향한 명확한 경로를 제공한다. 또한 본 연구는 현미경에서 VFM을 위한 벤치마크를 수립하고 이 영역의 향후 발전에 정보를 제공한다.

arXiv:2607.12076v1cs.CV

NEEDL-Bench: 현미경 이미지에서 스위스 니들 캐스트와 기공 검출을 위한 데이터셋

NEEDL-Bench: Dataset for Swiss Needle Cast and Stomata Detection in Microscopy Images

우리는 더글러스전나무의 진균병인 스위스 니들 캐스트(SNC)를 위한 현미경 검출 벤치마크인 NEEDL-Bench를 소개한다. 더글러스전나무는 연목 목재 자원으로서 생태학적·경제적으로 중요한 핵심종이며, SNC는 잎의 기공(stomata)을 통해 돌출되는 유성 생식 구조(유두자낭, pseudothecia)를 형성함으로써 생산성에 영향을 미치고, 이를 통해 기체 교환을 차단하여 잎의 기능을 손상시킨다. 지금까지 컴퓨터 비전(CV)이 심각도 측정을 표준화하고 실질적으로 확장하는 데 매우 적합함에도 불구하고, 이러한 구조의 자동 검출을 위한 데이터셋은 존재하지 않았다. 이를 해결하기 위해, 우리는 1082개의 더글러스전나무 잎에서 수집한 3250장의 주석 이미지로 구성된 데이터셋인 NEEDL-Bench를 제시한다. 이 데이터셋은 키포인트 및 경계 상자 검출기 모두를 위한 주석이 달려 있다. 이 데이터셋은 흐림, 낮은 객체 대비, 작은 관심 객체, 가림 등 도전적인 특성들을 포함한다. 데이터의 명목적 분포와 희귀 구조의 전체 범위를 모두 더 잘 포착하기 위해, 수집된 이미지에서의 무작위 샘플링 또는 구조적 다양성을 극대화하는 순차 샘플링 중 하나를 사용하는 두 가지 평가 분할을 제시한다. 우리는 이 데이터셋에서 검출을 위해 여러 인기 있는 키포인트 및 경계 상자 방법을 기준선으로 평가하고, 최대 F1 점수 0.8479를 관찰하였으며, 이는 이 문제에 대한 향후 개발을 통한 상당한 성능 향상 잠재력을 시사한다. 또한, 더 큰 모델이 일반적으로 이 데이터셋에서 성능의 상응하는 향상을 보이지 않음을 발견하였으며, 이는 이 문제에서의 개선이 스케일링 법칙(scaling laws)이 아니라 도메인 특화 귀납 편향(domain-specific inductive biases)에서 비롯될 것임을 나타낸다.

arXiv:2607.11754v1cs.CV

고차 세포 추적 트랜스포머

Higher-Order Cell Tracking Transformer

라이브 이미징 현미경에서 계통(lineage)을 재구성하려면 세포 분열을 포함하여 시간에 걸쳐 세포 검출 결과를 연결해야 합니다. 일반적인 접근 방식은 후보 그래프를 구성하고 프레임 간 세포 분할(노드)을 연결하는 것입니다. 그러나 이러한 기존 방법들은 후보 추적 그래프에 존재하는 두 가지 구조적 문제를 간과합니다: (i) 세포 분열이 노드 임베딩 공간에서 서로 다른 계통 경로를 얽히게 하고, (ii) 노드를 공유하는 에지들의 레이블 일치도가 거의 무작위에 가까워 후보 그래프 위상이 그래프 신경망이 집계할 유용한 정보를 제공하지 못합니다. 우리는 고차 세포 추적 트랜스포머(HOCT)를 제안합니다. 이는 에지 중심(edge-centric) 아키텍처로, 후보 세포 링크들이 3D 기하학적 사전(geometric prior) 하에서 서로 어텐션을 수행함으로써 두 가지 문제를 모두 해결합니다. Cell Tracking Challenge와 박테리아 분열 벤치마크에서 평가한 결과, HOCT는 심층 사전학습 이미지 인코더 없이 최첨단 성능을 달성합니다. 또한 제안된 방법은 미세조정이 더 용이하여, 휴먼-인-더-루프(human-in-the-loop) 환경에서 400개의 어노테이션만으로 추적 오류를 59% 빠르게 감소시키며, 경쟁 트랜스포머 기준선의 LoRA 미세조정 대비 6.75% 향상된 성능을 보입니다.

arXiv:2607.08297v1cs.CV

ARGUS: 가속화된, 강건한, 범용적, 비지도 세포 추적 솔루션

ARGUS: Accelerated, Robust, General, and Unsupervised Cell Tracking Solutions

타임랩스 현미경 영상에서 학습 데이터나 GPU 없이 세포를 추적하는 비지도 프레임워크 ARGUS를 제안하며, 적응형 세포 검출, Farneback 광학 흐름(optical flow) 기반 모션 추정, 프레임 간 선형 할당, 시퀀스 수준 트랙렛(tracklet) 정제를 결합하여 Cell Tracking Challenge 데이터셋에서 검출 정확도 0.905–0.971, 추적 정확도 0.897–0.964를 달성하였다.

arXiv:2606.12286v1cs.CV

CellNet -- 희소하고 노이즈가 섞인 점 주석을 이용한 세포 국소화

CellNet -- Localizing Cells using Sparse and Noisy Point Annotations

살아있는 세포를 계수하는 것은 많은 생물학 연구 워크플로우에서 중요한 단계입니다. Wellcome Sanger Institute의 협력자들은 대규모 포화 게놈 편집 스크리닝(saturation genome editing screening)을 통해 인간의 필수 유전자를 연구하며, 이는 세포를 매우 많은 횟수로 반복적으로 계수해야 합니다. 컴퓨터 비전(CV) 기반 자동화는 높은 처리량과 자원 효율성에 필수적입니다. 본 연구에서, 우리는 위상차 현미경 이미지에서 세포를 검출하고 계수하기 위한 회귀 기반 심층 학습(deep learning) 컴퓨터 비전 알고리즘을 개발합니다. 실무에서 종종 병목 현상이 되는 주석(annotation) 작업 노력을 줄이기 위해, 우리는 획득이 빠르고 쉬운 희소 점 주석(sparse point annotations)만을 사용하여 세포를 계수하는 데 초점을 맞춥니다. 최신(SOTA) 제로샷(0-shot) 방법들과의 비교를 통해, 우리는 회귀 기반 계수가 저데이터(low data) 환경에서 유망한 대안임을 보여줍니다. 현미경 이미지에서 살아있는 세포를 자동으로 계수하는 방법을 개발함으로써, 우리는 인간 게놈에 대한 가치 있는 연구에 기여합니다. 코드는 https://github.com/beijn/cellnet 에서 확인할 수 있습니다.