arXiv:2606.18523v1 q-bio.QM

DART: 실시간 생세포 이미지 분석을 위한 설계 인식 마이크로유동 칩 패러다임

DART: A design-aware microfluidic chip paradigm for real-time live-cell image analysis

Johannes Seiffarth, Matthias Pesch, Lukas Scholtes, Dietrich Kohlheyer, Hanno Scharr, Katharina Nöh

제출 2026-06-16

한국어 초록

고처리량 마이크로유동 생세포 이미징은 풍부한 단일 세포 데이터를 생성합니다. 그러나 각각 하나의 세포 집단을 포함하는 관심 영역(RoI)을 찾고 기록된 이미지에서 주변 마이크로유동 구조를 제거하는 반자동 절차는 RoI의 수에 비례하여 증가합니다. 이는 실시간 이미지 분석을 방해하며 인사이트 도출 시간(time-to-insight)을 수시간에서 며칠까지 지연시킵니다. 우리는 CAD 청사진을 실제 칩과 정렬하여 모든 RoI의 처리량에 독립적인 위치 추정과 다양한 RoI 형상 및 칩 레이아웃에 걸친 완전 자동화된 이미지 처리를 가능하게 하는 마이크로유동 배양 칩을 위한 설계 인식 및 실시간 처리 가능(DART) 패러다임을 소개합니다. DART는 내장된 피듀셜 마커(fiducial marker)와 딥러닝 기반 마커 검출을 통해 이 정렬을 수립합니다. 우리는 1164개의 RoI 위치에 걸쳐 8가지 구조적으로 뚜렷한 RoI 설계를 결합한 스위스 아미 나이프 칩을 사용하여 DART를 검증했습니다. DART는 5분 안에 모든 RoI를 위치 추정하고, 원본 현미경 이미지에서 마이크로유동 구조를 40ms 만에 제거하며, 세포 분할을 포함한 완전 자동화된 이미지 분석을 이미지당 1.1초 미만으로 수행합니다. 이러한 기능들을 종합하여 볼 때, DART는 실시간 분석이 가능한 엔드-투-엔드 하드웨어-소프트웨어 패러다임으로 자리 잡았으며, 이는 폐루프 및 결과 중심 스마트 현미경 검사로 가는 길을 열어줍니다.

원문 초록

High-throughput microfluidic live-cell imaging generates rich single-cell data. Yet semi-automated procedures for locating regions of interest (RoIs), each containing one cell population, and removing surrounding microfluidic structures from recorded images, scale with the number of RoIs. This prevents real-time image analysis and delays time-to-insight by hours to days. We introduce the Design-Aware and Real-Time capable (DART) paradigm for microfluidic cultivation chips, which aligns the CAD blueprint with the physical chip and thereby enables throughput-independent localization of all RoIs and fully automated image processing across diverse RoI geometries and chip layouts. DART establishes this alignment through embedded fiducial markers and deep-learning-based marker detection. We validate DART using the Swiss Army Knife chip, which combines eight structurally distinct RoI designs across 1164 RoI locations. DART localizes all RoIs in five minutes, removes microfluidic structures from raw microscopy images in 40 ms, and performs fully automated image analysis, including cell segmentation, in under 1.1 s per image. Together, these capabilities establish DART as an end-to-end hardware-software paradigm with real-time-capable analysis that paves the way toward closed-loop and outcome-driven smart microscopy.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.18523v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.11732v1cs.CV공통 태그 Image Segmentation, Object Detection

GFR-SAM: 교차 이미지 프롬프팅을 통한 학습 없는 참조 기반 위장 객체 분할

GFR-SAM: Training-Free Referring Camouflaged Object Segmentation via Cross-Image Prompting

참조 기반 위장 객체 검출(Ref-COD)은 참조 단서에 따라 숨겨진 대상을 분할하는 작업이다. 지도 학습 방법은 어노테이션 비용이 크고, 희소 포인트 프롬프팅 기반의 학습 불필요 접근법은 위치 추정 오류에 민감하다는 한계가 있다. 이를 극복하기 위해 우리는 강건한 3단계 학습 없는 프레임워크인 GFR-SAM을 제안한다. GFR-SAM은 취약한 포인트 매칭 패러다임에서 벗어나 "생성-필터링-정제(Generate-Filter-Refine)" 파이프라인으로 전환한다. 첫째, 컨텍스트 내 예시 기반 분할(In-Context Exemplar-guided Segmentation)을 도입하여 SAM3에 교차 이미지 추론 능력을 부여하고, 전체적인 시각적 예시를 통해 후보 마스크를 생성함으로써 SAM3 본래의 이미지 내부 제약을 우회한다. 둘째, 영역-전역 대조 필터링(Region-Global Contrastive Filtering) 모듈이 DINOv3 기반 프로토타입 정렬을 통해 후보를 순위화하여 배경 방해 요소를 효과적으로 억제한다. 마지막으로, 기하학적-의미론적 정제(Geometric-Semantic Refinement) 모듈이 경계 상자와 텍스트 프롬프트를 결합하여 세밀한 경계를 복원하고 인스턴스 재현율을 향상시킨다. R2C7K 벤치마크에서 GFR-SAM은 기존 학습 불필요 방법 대비 가중 F-척도($F_β^w$)에서 8.7% 높은 성능을 달성하며, 지도 학습 기반 최신 방법들과도 경쟁력 있는 성능을 보인다. 본 연구는 교차 이미지 컨텍스트 내 프롬프팅을 위한 SAM3의 잠재 능력을 활성화할 가능성을 제시하며, 과제별 미세조정 없이 범용 기반 모델과 특화된 레이블 집약적 인식 과제 간의 간극을 효과적으로 메우는 강건한 학습 없는 패러다임을 확립한다.

arXiv:2607.14445v2cs.CV공통 태그 Object Detection

Cotton-SF YOLO: 복잡한 밭 환경에서 초기 면화 봉오리 검출을 위한 구조 및 주파수 단서 학습

Cotton-SF YOLO: Learning Structural and Frequency Cues for Early Cotton Square Detection in Complex Field Environments

면화 봉오리는 면화의 초기 생식 성장을 나타내는 중요한 표현형 지표이며, 면화 봉오리의 자동 현장 검출은 면화 생육 모니터링 및 정밀 재배 관리에 중요한 근거를 제공한다. 그러나 복잡한 밭 환경에서의 초기 면화 봉오리 검출은 여전히 충분히 탐구되지 않았는데, 면화 봉오리는 크기가 작고, 자주 가려지며, 쉽게 흐려지고, 조명 변화의 영향을 받으며, 주변 면화 잎과의 대비가 낮기 때문이다. 이러한 과제를 해결하기 위해, 우리는 자연 현장 조건에서의 면화 봉오리 검출을 위해 YOLO26m 기반의 과제 지향형 프레임워크인 Cotton-SF YOLO를 제안한다. 작고 불규칙한 면화 봉오리 경계의 인식을 개선하기 위해, 검출기에 Dynamic Snake Convolution을 도입하여 변형 가능한 가장자리 특징의 적응적 추출을 가능하게 한다. 또한, C2f 구조에 스펙트럼 강화를 통합하여 주파수 영역 특징 변조 모듈을 설계하는데, 이는 주파수 영역 표현을 재조정하고 판별적인 가장자리 및 텍스처 단서를 강화하는 동시에 복잡한 면화 잎 배경으로부터의 간섭을 줄인다. 수동으로 주석이 달린 면화 봉오리를 포함하여 새롭게 구축하고 주석을 부여한 현장 데이터셋에서 학습 및 평가한 결과, 제안 모델은 mAP$_{50}$, mAP$_{50:95}$, 재현율 값으로 각각 0.8196, 0.4942, 0.7939를 달성하여 기준선 YOLO26m 대비 각각 1.25%, 3.45%, 2.96% 향상되었다. 소거(ablation) 실험 및 시각화는 구조 및 주파수 단서의 상보적 효과로 최상의 성능이 달성됨을 보여준다.

arXiv:2609.07780v3cs.CV공통 태그 Object Detection

DroneGround: 합성 데이터와 그라운디드 비전-언어 모델을 활용한 오픈 보캐블러리 드론 탑재체 특성 분석

DroneGround: Open-Vocabulary Drone Payload Characterization Using Synthetic Data and Grounded Vision-Language Models

자동화된 드론 감시는 공공 안전, 중요 인프라 보호 및 제한 공역 모니터링을 위해 점점 더 중요해지고 있습니다. 기존의 비전 기반 시스템은 드론 탐지 및 추적에서 뛰어난 성능을 달성하지만, 원거리 촬영 조건에서는 주석이 달린 실제 데이터셋의 부족과 배포 시 직면하는 상당한 분포 변화(distribution shift)로 인해 신뢰할 수 있는 탑재체(payload) 특성 분석이 여전히 매우 어려운 과제로 남아 있습니다. 기존 접근법들은 탑재체 특성 분석을 닫힌 집합(closed-set) 객체 검출 문제로 정식화하여, 이전에 보지 못한 탑재체를 인식하고 학습 분포를 넘어 일반화하는 능력을 제한합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 Unreal Engine 5와 Cosys-AirSim을 사용하여 사실적인(photorealistic) 합성 드론-탑재체 데이터셋을 생성하고, 강력한 오픈 보캐블러리(open-vocabulary) 탑재체 분석을 위한 2단계 프레임워크인 DroneGround(Grounded Vision-Language Payload Characterization)를 제안합니다. DroneGround는 먼저 YOLO26s 검출기를 사용하여 드론의 위치를 특정하고 드론 중심의 이미지 크롭을 추출한 다음, LoRA 파인튜닝된 PaliGemma 비전-언어 모델을 활용해 탐지된 드론 및 부착된 탑재체에 대한 시맨틱 설명을 생성함으로써 사전에 정의된 범주를 넘어서는 오픈 보캐블러리 탑재체 특성 분석을 가능하게 합니다. 또한 폐색 기반 그라운딩(grounding) 모듈은 생성된 설명에 기여하는 이미지 영역을 식별하여 해석 가능한 탑재체 위치 추정 기능을 제공합니다. 합성 및 실제 드론 영상 모두에 대한 광범위한 실험을 통해 DroneGround가 합성-실제(synthetic-to-real) 분포 변화 하에서 견고성을 크게 향상시켜 F1-점수를 82.5%에서 96.3%로 높여 기존의 닫힌 집합 탑재체 검출기를 능가하는 동시에, 이전에 보지 못한 탑재체 범주에 대해서도 훨씬 더 우수한 일반화 성능(F1 80.4% 대 42.7%)을 달성함을 입증합니다. 데이터셋과 코드는 요청 시 공개될 예정입니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.