arXiv:2610.00860v1 eess.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

Song Zhiying, Ling Hanyi, Wu Junyi, Jiang Yangbo

제출 2026-10-01

저자 비고

arXiv Comments

12 pages, 9 figures

한국어 초록

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.

원문 초록

Background and Objectives: Fluorescence-labeled cellular arbors provide readouts of neuronal and microglial morphology, but fine and weakly labeled processes are prone to fragmentation and false connections that bias skeleton-based measurements. We present MorphoBranch, a fine-structure-preserving, human-reviewable workbench for morphometry of branched cellular structures. Methods: MorphoBranch combines a deterministic Morphometry Engine with an LLM-assisted Refinement Engine. The Mor- phometry Engine implements an image-to-graph workflow integrating multiscale structural evidence extraction, hysteresis segmen- tation, evidence-constrained skeleton refinement, and graph-based morphometry. The Refinement Engine maps natural-language requests to registered actions for parameter adjustment, preview execution, metric reporting, and unsupported-request handling, while image processing and quantitative computation remain deterministic and reviewable. Results: MorphoBranch was evaluated on two public neuronal axon datasets, AxonMIP and AxonStack, and the in-house Cell- Morph dataset of microglial fluorescence images. It achieved the highest Skeleton F1 and clDice and the lowest length-estimation error among the evaluated methods on all three datasets, while also achieving the highest Dice and IoU on AxonMIP and Axon- Stack. Across 150 natural-language tasks, the Refinement Engine achieved a 94.0% end-to-end success rate. Conclusions: These results demonstrate that MorphoBranch provides a reproducible, human-reviewable workflow for mor- phometric analysis of branched cellular structures. It supports fine-structure-preserving quantification across neuronal axon and microglial fluorescence images while maintaining inspectable and reproducible analysis workflows.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.00860v1

함께 살펴볼 논문

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

arXiv:2610.13780v1cs.CV공통 태그 Medical Image Analysis, fluorescence microscopy

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:2609.24470v1cs.CV공통 태그 Image Segmentation, Medical Image Analysis

Spatial Action Review: 전자현미경에서의 언어-행동 전환(Language-to-Action Hand-off) 감사를 위한 시각적 분석 대시보드

Spatial Action Review: A Visual Analytics Dashboard for Auditing Language-to-Action Hand-offs in Electron Microscopy

멀티모달 대규모 언어 모델(MLLM)은 과학적 이미지 분석을 위한 인터페이스로 점점 더 많이 탐구되고 있으며, 여기서 시각 질의응답(VQA) 응답은 후속 단계를 안내하는 공간적 출력과 함께 제공될 수 있다. 감독자(supervisor)는 언어 답변을 읽는 반면, 분할(segmentation)이나 영역 검토와 같은 후속 워크플로우는 점 집합(point-set) 출력을 소비한다. 우리는 답변을 검토하는 것에서 그 점 행동(point action)에 의존하는 것으로의 이러한 전환을 언어-행동 전환(language-to-action hand-off)이라 부른다. 답변은 정확하지만 짝을 이루는 행동이 후속 단계에 필요한 주석 처리된 객체를 놓칠 때 침묵 실패(silent failure)가 발생하며, 이 경우 답변 기반 감독은 행동이 신뢰할 수 없는 영역을 통과시켜 버린다. 우리는 전자현미경(EM) 미토콘드리아 분석에서 이러한 실패 양상을 감사하기 위한 시각적 분석 대시보드인 Spatial Action Review를 소개한다. 이는 답변-행동 원장(answer-action ledger), 작업별-데이터셋별 위험 지도, 이미지-영역 감사 뷰를 통해 짝을 이루는 답변-행동 기록을 연결하여 집계 패턴을 이미지 증거와 연결하며, 조정 가능한 행동 신뢰성 게이트(action-reliability gate)가 재감사를 지원한다. 검토는 인간-AI 전환(human-AI hand-off)으로 마무리되며, 여기서 감독자는 행동이 수용되었는지, 상위로 보고(escalated)되었는지, 더 엄격한 게이트 하에 보류되었는지, 또는 모델 수정을 위해 표시되었는지를 기록한다. EM에 적응된 Qwen3-VL 사례 연구 실행에서 얻은 541개의 이미지 영역 전반에서, 점 행동은 VQA 응답이 정확한 기록의 54.4%에서 게이트를 통과하지 못했으며, 전체 기록의 27.4%가 침묵 실패였다. 정확한 답변은 신뢰할 수 있는 행동일 확률을 겨우 5.8퍼센트포인트 높이는 데 그쳤으며, 부트스트랩 구간(bootstrap interval)은 0을 포함했다. 답변 정확성과 객체 커버리지 간의 점-이연 상관계수(point-biserial correlation)는 0.061이었다. 이러한 약한 결합(weak coupling)은 753개의 일치된 이미지 영역에 대한 다섯 가지 모델 조건 전반에서 지속되었다. Spatial Action Review는 답변-행동 불일치를 가시화하고, MLLM 출력이 자율적인 과학 워크플로우에 투입되기 전에 이를 이미지 증거 및 기록된 결정과 연결한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.