딥러닝 기반 홀로그래픽 혈액 영상에서의 암세포 추출 및 분류 알고리즘 설계 및 구현

From Course@DGIST
Jump to navigation Jump to search
딥러닝 기반 홀로그래픽 혈액 영상에서의 암세포 추출 및 분류 알고리즘 설계 및 구현
제안자 문인규, 김민석
자문교원 문인규, 김민석
연도 2020
타입 A형 과제
코스 장영실
매칭여부 Yes
참여학생수 4
소개동영상

제안 배경

  • 혈액에서 순환하는 종양 세포를 Circulating Tumor Cells (CTCs) 라고 명명하며, CTCs의 수는 질병 진행에 대한 종양의 반응을 나타내는 주요한 지표임
  • 초기 암 진단 및 치료 모니터링 과정에서 임상 혈액 샘플에서 CTCs의 검출은 중요한 의미를 가짐
   문인규1.png
   그림 1. CTCs의 형성 과정 및 혈액 구성
  • 연속촬영 디지털 홀로그래픽 이미징 시스템으로부터 획득한 여러 생물세포들의 시계열 홀로그래픽 혹은 위상 영상은 생물세포의 3차원 모폴로지 특성, 3차원 구조 기반 기능 특성, 세포질량, 밀도, 운동성 특성 및 세포막 변동률 값 등을 다양한 정보를 제공하므로, 디지털 홀로그래픽 현미경을 이용하여 혈액 속 적혈구 및 백혈구 등에 대한 홀로그래픽 영상과 암세포에 대한 홀로그래픽 영상의 실시간 획득 및 홀로그래픽 영상 기반의 중요한 임상 파라미터 측정이 가능해짐

과제 목표

  • 본 과제에서는 CTCs 홀로그래픽 영상 분석을 위하여 딥러닝 기반 분석 알고리즘 설계 및 구현을 통해 생물세포 영역만을 추출하고 분류를 하는 연구를 수행하며, 특별히 암세포의 유무에 대한 판단을 수행하는 딥러닝 모델 제안을 목표로 함

과제 내용

3.1 딥러닝 (Deep learning) 모델에 대한 학습

  • 관측되는 세포들의 영역만을 추출하고 분류하기 위한 딥러닝 기법 활용
  • 대표적인 딥러닝 기법 중 이미지에 대한 특징을 추출하는 측면으로 알려진 Convolutional neural network (CNN)를 중점적으로 사용함
  • 최근 영상 분석에서 많이 사용되고 있는 Generative adversarial network (GAN) 모델을 사용하여 세포 영역에 대한 추출과 분류에 대한 연구 수행
  • 본 연구에 필요한 다양한 알고리즘들은 Python에서 제공하는 라이브러리 (Tensorflow, Keras or pytorch)를 이용하여 구현할 것이며, 이미징 기법에 관련된 다양한 딥러닝 모델을 연구하고 테스트를 수행함
   문인규2.png
   그림 2. 딥러닝 기반 생물세포영상 분석 개념도

3.2 딥러닝 (Deep learning) 을 위한 데이터 수집

  • 디지털 홀로그래픽 현미경을 이용하여 CTCs의 실시간 위상영상 획득 및 딥러닝 기반 CTCs를 구성하는 다양한 세포들의 이미지 분석을 위한 획득한 홀로그래픽 영상으로부터 적절한 label 작업 수행
  • 영상 Segmentation을 위한 marker 이미지를 만들고 classification을 위한 적절한 label 입력 작업을 수행하며, 학습하고자 하는 모델에 따라 적합한 데이터 양과 사이즈를 조절함


3.3 CTCs 홀로그래픽 영상에 적합한 모델 적용

  • 위의 과정에서 만들어진 데이터와 이전에 학습했던 다양한 모델들을 활용하여 CTCs 위상영상에서 암세포를 추출하고 분류하는 딥러닝 모델 설계 및 구현
  • 최종 결과영상은 홀로그래픽 영상에서 적혈구, 백혈구, 암세포 각각의 영역에 대한 segmentation을 수행하고 segmentation된 영역이 어떤 종류의 세포인지를 자동으로 분류하는 영상이 될 것임 (그림 3참조)
   문인규3.3.png
   그림 3. 딥러닝 적용 결과 예시

참고자료

  1. . J. Long, E. Shelhamer, T. Darrell, Fully convolutional networks for semantic segmentation, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). (2015).
  2. . I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio, Generative adversarial nets, in: Advances in Neural Information Processing System, 2014, pp. 2672-2680.
  3. . O. Ronneberger, P. Fischer, T. Brox, U-Net: Convolutional Networks for Biomedical Image Segmentation, Lecture Notes in Computer Science Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. (2015) 234–241.
  4. . P. Isola, J.-Y. Zhu, T. Zhou, A.A. Efros, Image-to-Image Translation with Conditional Adversarial Networks, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). (2017).
  5. . Y. Mao, Z. Yin, J. Schober, A deep convolutional neural network trained on representative samples for circulating tumor cell detection, 2016 IEEE Winter Conference on Applications of Computer Vision (WACV). (2016).

희망학생