KR20200068238A - 단일 세포의 운동성 분석 방법 및 장치 - Google Patents

단일 세포의 운동성 분석 방법 및 장치 Download PDF

Info

Publication number
KR20200068238A
KR20200068238A KR1020180154965A KR20180154965A KR20200068238A KR 20200068238 A KR20200068238 A KR 20200068238A KR 1020180154965 A KR1020180154965 A KR 1020180154965A KR 20180154965 A KR20180154965 A KR 20180154965A KR 20200068238 A KR20200068238 A KR 20200068238A
Authority
KR
South Korea
Prior art keywords
single cell
marker
motility
image
analyzing
Prior art date
Application number
KR1020180154965A
Other languages
English (en)
Other versions
KR102209721B1 (ko
Inventor
문인규
자퍼자데 케이반
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020180154965A priority Critical patent/KR102209721B1/ko
Publication of KR20200068238A publication Critical patent/KR20200068238A/ko
Application granted granted Critical
Publication of KR102209721B1 publication Critical patent/KR102209721B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

단일 세포의 운동성 분석 방법 및 장치가 개시된다. 일실시예에 따른 단일 세포의 운동성 분석 방법은 하나 이상의 세포에 대한 입력 영상을 수신하는 단계, k-평균 알고리즘에 기초하여, 입력 영상에서 대상 영상을 추출하는 단계, 대상 영상에 기초하여, 제1 마커를 결정하는 단계, 제1 마커에 기초하여, 제2 마커를 결정하는 단계, 제1 마커와 제2 마커에 기초하여, 대상 영상을 수정하는 단계, 및 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 입력 영상에 포함된 단일 세포에 대응되는 출력 영상을 획득하는 단계를 포함한다.

Description

단일 세포의 운동성 분석 방법 및 장치{METHODS AND APPARATUS FOR ANALYZING SINGLE CELL MOTILITY}
아래 실시예들은 단일 세포의 운동성 분석 방법 및 장치에 관한 것이다. 구체적으로, 단일 세포 레벨의 심장근육세포 박동 프로파일 및 박동률의 정량적 분석 방법 및 장치가 개시된다.
인간의 다능성 줄기 세포(pluripotent stem cell)에서 유래된 심장근육세포(Cardiomyocytes)는 질병 모델링 및 약물 화합물 검사를 위한 유망한 도구를 제공하며, 이는 심혈 관계 시스템에 대한 부작용을 조사하고 대량 약물 생산 전에 화합물의 독성을 결정하는 데 유용할 수 있다. 심장 세포의 정량화(Quantification)는 심장 부전의 평가 및 부작용에 대한 약물 테스트에 매우 중요한 정보일 수 있다. 예를 들어, 심장근육세포의 박동 프로파일(beating profile)이나 박동률(beating rate) 등을 측정하여 심장 근육 세포의 운동성 분석등을 할 수 있고, 이를 통해 심장근육세포에 가해지는 다양한 약물에 대한 반응이나, 성장, 및 심장근육세포 관련 질병 분석에 효과적으로 활용할 수 있다.
심장근육세포의 박동 프로파일 및 박동률을 측정하기 위하여 심장근육세포 영상에서의 ROI(Region of Interest)내의 Ca2+의 흐름을 생물학적 방법을 통하여 심장근육세포의 박동 프로파일 값 등을 정량적으로 분석할 수 있다.
또한, 디지털 홀로그래픽 이미징(Digital Holographic Imaging) 기술과 영상처리 알고리즘을 결합하여, 심장근육세포의 박동 프로파일을 측정할 수 있다. 정보 처리와 결합 된 3차원 디지털 홀로그래피 이미징 기술은 체외에서 살아있는 세포에 대한 정량 위상 정보(quantitative phase information)를 제공할 수 있다.
기존의 생물학적 기법과 디지털 홀로그래픽 이미징 기반 기법들은 심장근육세포의 박동 프로파일 값을 측정하기 위하여 여러 개의 심장근육세포들을 갖는 영상을 분석하여 평균적인 값으로 심장근육세포의 박동 프로파일 등을 계산하기 때문에 단일 세포단위로 심장근육세포의 박동 프로파일을 측정할 수 없는 근본적인 한계가 존재할 수 있다. 예를 들어, 3차원 디지털 홀로그래피 이미징 기술을 이용하여 얻은 심장 근육 세포 이미지에 대한 기존의 표준 영상 분할 기법(standard image segmentation techniques)에 따를 경우, 단일 셀 수준의 셀 분석에 있어서 노이즈, 성능 저하 및 낮은 대조도의 문제가 있을 수 있다. 심장 세포 분석에서 셀 텍스쳐(cell texture)는 배경과 매우 유사하고, 이미지에는 불량한 엣지 및 영역 정보가 포함되어 있어 세그멘테이션 프로세스에 추가적인 어려움이 있을 수 있다. 홀로그램 이미지에서 불필요한 배경의 심장 세포는 단일 세포 수준에서 분석 정확도에 부정적인 영향을 줄 수 있기 때문에, 원하지 않는 배경을 유익한 영역과 분리하기 위해 몇 가지 전처리 단계가 필요할 수 있다. 심장 근육 세포 분석을 통해 정확한 결과를 얻기 위해서는 영역 및 가장자리 정보 모두를 고려한 이미지 세분화 기술이 필요할 수 있다.
실시예들은 여러 개의 세포에 대한 입력 영상으로부터 단일 세포 영역을 추출하고자 한다.
실시예들은 추출한 단일 세포로부터 박동률 등과 같은 여러 종류의 세포 운동성 정보를 단일 세포 단위로 정량적으로 계산하고자 한다.
실시예들은 단일 세포 단위로 운동성 정보를 계산할 수 있기 때문에, 세포에 가해지는 다양한 약물에 대한 반응이나, 성장, 및 심장근육세포 관련 질병 분석에 효과적으로 활용하고자 한다.
일 실시예에 따른 단일 세포의 운동성 분석 방법은 하나 이상의 세포에 대한 입력 영상을 수신하는 단계; k-평균 알고리즘에 기초하여, 상기 입력 영상에서 대상 영상을 추출하는 단계; 상기 대상 영상에 기초하여, 제1 마커를 결정하는 단계;
상기 제1 마커에 기초하여, 제2 마커를 결정하는 단계; 상기 제1 마커와 상기 제2 마커에 기초하여, 상기 대상 영상을 수정하는 단계; 및 상기 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 상기 입력 영상에 포함된 단일 세포에 대응되는 출력 영상을 획득하는 단계를 포함한다.
일 실시예에 따른 단일 세포의 운동성 분석 방법은 상기 출력 영상에 기초하여 상기 단일 세포의 운동성 정보를 획득하는 단계를 더 포함할 수 있다.
상기 단일 세포의 운동성 정보를 획득하는 단계는 상기 단일 세포에 대응되는 박동 프로파일(beating profile)을 획득하는 단계; 및 상기 박동 프로파일에 기초하여 상기 단일 세포의 동적 파라미터를 획득하는 단계를 포함할 수 있다.
상기 동적 파라미터는 상기 단일 세포의 박동률(beating rate), 박동 주기(beating period), 박동 주파수(beating frequency) 중 적어도 하나를 포함할 수 있다.
상기 박동 프로파일을 획득하는 단계는 상기 단일 세포에 대응되는 출력 영상의 평균 픽셀 값의 변화량(variance)을 획득하는 단계; 및 상기 평균 픽셀 값의 변화량에 기초하여 상기 박동 프로파일을 획득하는 단계를 포함할 수 있다.
상기 평균 픽셀 값의 변화량은 상기 단일 세포의 움직임 정보를 포함할 수 있다.
상기 대상 영상은 상기 하나 이상의 세포의 핵 부분만을 추출한 영상을 포함할 수 있다.
상기 하나 이상의 세포에 대한 입력 영상을 수신하는 단계는 디지털 홀로그래픽 이미징 기법에 기초하여 생성된 위상 영상(phase image)을 수신하는 단계를 포함할 수 있다.
상기 입력 영상은 상기 하나 이상의 세포의 두께 정보, 굴절률 정보 중 적어도 하나를 포함할 수 있다.
상기 굴절률 정보는 상기 하나 이상의 세포의 단백질과 물의 함량 정보를 포함할 수 있다.
일 실시예에 따른 단일 세포의 운동성 분석 방법은 상기 입력 영상에 대조 강조 프로세스(Contrast enhancement process)를 적용하는 단계를 더 포함할 수 있다.
상기 제1 마커를 결정하는 단계는 상기 대상 영상에 모폴로지 연산(morphological operations)을 적용하여 상기 제1 마커를 결정하는 단계를 포함할 수 있다.
상기 제1 마커에 기초하여, 제2 마커를 결정하는 단계는 상기 제1 마커에 거리 변환(distance transform) 알고리즘을 적용하여 상기 제2 마커를 결정하는 단계를 포함할 수 있다.
상기 제1 마커와 상기 제2 마커에 기초하여, 상기 대상 영상을 수정하는 단계는 상기 제1 마커와 상기 제 2마커에 국부 극솟값이 오도록 상기 대상 영상을 수정하는 단계를 포함할 수 있다.
일 실시예에 따른 단일 세포의 운동성 분석 장치는 하나 이상의 세포에 대한 입력 영상을 저장하는 메모리; 및 프로세서를 포함하고, 상기 프로세서는 k-평균 알고리즘에 기초하여, 상기 입력 영상에서 대상 영상을 추출하고, 상기 대상 영상에 기초하여, 제1 마커를 결정하고, 상기 제1 마커에 기초하여, 제2 마커를 결정하고, 상기 제1 마커와 상기 제2 마커에 기초하여, 상기 대상 영상을 수정하고, 상기 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 상기 입력 영상에 포함된 단일 세포에 대응되는 출력 영상을 획득한다.
상기 프로세서는 상기 출력 영상에 기초하여 상기 단일 세포의 운동성 정보를 획득할 수 있다.
상기 프로세서는 상기 단일 세포에 대응되는 박동 프로파일(beating profile)을 획득하고, 상기 박동 프로파일에 기초하여 상기 단일 세포의 동적 파라미터를 획득할 수 있다.
일 실시예에 따른 단일 세포의 운동성 분석 장치는 상기 박동 프로파일, 상기 동적 파라미터 중 적어도 하나를 표시하는 디스플레이를 더 포함할 수 있다.
상기 동적 파라미터는 상기 단일 세포의 박동률(beating rate), 박동 주기(beating period), 박동 주파수(beating frequency) 중 적어도 하나를 포함할 수 있다.
상기 프로세서는, 상기 단일 세포에 대응되는 출력 영상의 평균 픽셀 값의 변화량(variance)을 획득하고, 상기 평균 픽셀 값의 변화량에 기초하여 상기 박동 프로파일을 획득할 수 있다.
상기 평균 픽셀 값의 변화량은 상기 단일 세포의 움직임 정보를 포함할 수 있다.
상기 대상 영상은 상기 하나 이상의 세포의 핵 부분만을 추출한 영상을 포함할 수 있다.
상기 프로세서는 디지털 홀로그래픽 이미징 기법에 기초하여 생성된 위상 영상(phase image)을 수신할 수 있다.
상기 입력 영상은 상기 하나 이상의 세포의 두께 정보, 굴절률 정보 중 적어도 하나를 포함할 수 있다.
상기 굴절률 정보는 상기 하나 이상의 세포의 단백질과 물의 함량 정보를 포함할 수 있다.
상기 프로세서는 상기 입력 영상에 대조 강조 프로세스(Contrast enhancement process)를 적용할 수 있다.
상기 프로세서는 상기 대상 영상에 모폴로지 연산(morphological operations)을 적용하여 상기 제1 마커를 결정할 수 있다.
상기 프로세서는 상기 제1 마커에 거리 변환(distance transform) 알고리즘을 적용하여 상기 제2 마커를 결정할 수 있다.
상기 프로세서는 상기 제1 마커와 상기 제2 마커에 국부 극솟값이 오도록 상기 대상 영상을 수정할 수 있다.
실시예들은 여러 개의 세포에 대한 입력 영상으로부터 단일 세포 영역을 추출할 수 있다.
실시예들은 추출한 단일 세포로부터 박동률 등과 같은 여러 종류의 세포 운동성 정보를 단일 세포 단위로 정량적으로 계산할 수 있다.
실시예들은 단일 세포 단위로 운동성 정보를 계산할 수 있기 때문에, 세포에 가해지는 다양한 약물에 대한 반응이나, 성장, 및 심장근육세포 관련 질병 분석에 효과적으로 활용할 수 있다.
도 1과 도 2는 일 실시예에 따른 디지털 홀로그래픽 이미징 기법에 기초하여 위상 영상을 생성하는 방법을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 입력 영상에서 단일 세포에 대응되는 출력 영상을 획득하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 출력 영상에 기초하여 단일 세포의 박동 프로파일을 생성하는 방법을 설명하기 위한 그래프이다.
도 5는 다른 실시예에 따른 출력 영상에 기초하여 단일 세포의 박동 프로파일을 생성하는 방법을 설명하기 위한 그래프이다.
도 6은 일 실시예에 따른 방법에 따라 내부 마커와 외부 마커를 결정하지 않고 워터쉐드 알고리즘을 수행하여 얻은 출력 영상을 도시한 도면이다.
도 7은 일 실시예에 따른 입력 영상에 k-평균 알고리즘을 적용하여 대상 영상을 획득하는 방법을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 단일 세포의 운동성 분석 방법에 따라 출력 영상을 획득하기 위한 각 단계에 대응하는 영상들을 도시한 도면이다.
도 9와 도 10은 일 실시예에 따른 단일 세포에 대응되는 출력 영상과, 출력 영상에 기초하여 획득한 단일 세포의 박동 프로파일을 도시한 도면이다.
도 11은 일실시예에 따른 단일 세포의 운동성 분석 장치의 구성의 예시도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 “직접 연결되어” 있다거나 “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 “~사이에”와 “바로~사이에” 또는 “~에 직접 이웃하는” 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1과 도 2는 일 실시예에 따른 디지털 홀로그래픽 이미징 기법에 기초하여 위상 영상을 생성하는 방법을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 디지털 홀로그래픽 이미징 기술은 세포에 대한 위상 정보(phase information)를 제공할 수 있다. 예를 들어 디지털 홀로그래픽 이미징 기술을 통해 체외에서 살아있는 세포에 대한 정량 위상 정보를 제공할 수 있다. 일 실시예에 따른 단일 세포의 운동성 분석 방법 및 장치는 디지털 홀로그래픽 이미징 기술에 의해 하나 이상의 세포에 대한 위상 영상으로부터 단일 세포로 분할된 출력 영상을 획득할 수 있다.
디지털 홀로그래픽 이미징 기술은 디지털 홀로그래픽 장치에 의해 수행될 수 있고, 디지털 홀로그래픽 장치는 마하 젠더 간섭계(Mach- Zender Interferometer)를 기반으로 동작될 수 있다. 디지털 홀로그래픽 장치의 간섭성 레이저 소스는 두 개의 빔 사이의 작은 경사각을 가진 빔 스플리터(beam splitter)를 사용하여 라이트 소스를 대상 빔(object beam)과 기준 빔(reference beam)으로 분할될 수 있다. 대상 빔은 표본(specimen)을 조명하고 대상 파면(object wave front)을 만들 수 있다. 현미경 대물 렌즈(MO)는 대상 파면을 확대하고, 대상 및 기준 파면은 빔 콜렉터에 의해 결합되어 홀로그램을 생성할 수 있다.
도 2를 참조하면, 디지털 홀로그래픽 장치는 간섭광 강도의 변화에 따라 생기는 명암의 간섭 도형을 기록한 사진인 인터페로그램(interferograms)(210)을 생성할 수 있다. 인터페로그램(210) 은 수치 재구성을 위해 개인용 컴퓨터(PC)로 전송되는 전하 결합 소자(CCD) 카메라로 기록될 수 있다.
도면(220)은 인터페로그램(210)을 푸리에 변환(Fourier transform)하여 얻은 영상일 수 있다. 기준 암(reference arm)과 대상 암(object arm) 사이의 경사각은 0 차 노이즈(zero order noise), 실제 영상 및 트윈 영상을 분리 할 수 있다. 또한, 수치 재구성 알고리즘에 의해 진폭 영상(230) 및 위상 영상(240)을 획득할 수 있다.
디지털 홀로그래픽 이미징 기술은 체외에서 살아있는 세포에 대한 정량 위상 영상을 획득할 수 있고, 정량 위상 영상은 수학식 1과 같은 물리적 특성으로 표현된 광 경로차(OPD)와 관련이 있을 수 있다.
Figure pat00001
Figure pat00002
는 간섭 성 레이저 소스의 파장이고,
Figure pat00003
는 수치 재구성 알고리즘에 의해 얻어진 픽셀(x, y)에서의 위상 값을 나타낼 수 있다. 또한, 광 경로차(OPD)는 세포 두께와 세포 내 굴절률의 두 가지 인자, 즉 단백질과 물의 함량과 관련된 특성일 수 있다. 구체적으로, 광 경로차는 수학식2와 같이 나타낼 수 있다.
Figure pat00004
d(x, y)는 세포의 두께, nc(x, y)는 픽셀(x, y) 위치에서 광학 축을 따라 적분 된 평균 세포 내 굴절률이고, nm은 주위 배양 배지의 굴절률일 수 있다. 또한, 굴절률 정보는 하나 이상의 세포의 단백질과 물의 함량 정보를 포함할 수 있다.
디지털 홀로그래픽 장치에 의해 획득한 위상 영상은 수학식 1에 따라 광 경로차와 비례하고, 광 경로차는 수학식 2에 따라 세포 두께와 세포 내 굴절률 정보를 포함하기 때문에, 위상 영상은 수학식 1과 수학식 2에 의해 세포 두께 정보 및 세포 내 굴절률 정보를 포함할 수 있다.
세포에 같은 위상을 갖는 평면파(plane wave)를 입력하고, 평면파가 세포를 통과하는데, 이 때 세포의 두께 또는 굴절률에 따라 각기 다른 위상을 갖는 출력파를 출력하고, 입력 평면파의 위상 대비 출력파의 위상 변화량을 값으로 갖는 영상을 위상 영상이라 할 수 있다.
해당 분야에서 통상의 지식을 가진 자라면 디지털 홀로그래픽 이미징 기법을 명확하게 이해할 수 있는 바, 보다 상세한 설명은 생략한다.
도 3은 일 실시예에 따른 입력 영상에서 단일 세포에 대응되는 출력 영상을 획득하는 방법을 설명하기 위한 도면이다.
영상에서 특정 영역 또는 관심 영상만을 추출하는 기술이 다양하게 제기되고 있다. 그 중에서 워터쉐드 알고리즘(watershed algorithm)은 산과 웅덩이로 이루어진 지형이 있을 때, 웅덩이 부분에 구멍을 뚫은 뒤 물속에 그 지형을 담그면 자연스럽게 물의 분기선(watershed line)이 생기면서 구역이 구분되는 원리를 응용하여 영상을 분할할 수 있다. 워터쉐드 알고리즘은 형태학적 연산(morphological operation)으로서 영상 분할 시간이 매우 짧은 장점을 갖고 있지만, 영상 내의 노이즈에 의해 영상이 지나치게 작은 부분들로 분할되는 현상(over-segmentation)을 종종 초래할 수 있다.
마커 기반 워터쉐드 알고리즘을 통해 이와 같은 문제점을 해결할 수 있다. 마커 기반 워터쉐드 알고리즘은 영상 분할 시간을 단축시키기 위하여 영상의 각 부분에 해당하는 마커들에 의해 워터쉐드 분할의 각 부분이 조종될 수 있다. 예를 들어, 마커 기반 워터쉐드 알고리즘에 따르면, 내부 마커(internal marker)와 외부 마커(external marker)를 지정하고, 지정된 내부 마커와 외부 마커 사이에서 분할의 경계를 결정할 수 있다. 신뢰할 수 있는 내부 마커와 외부 마커를 결정하는 방법이 마커 기반 워터쉐드 알고리즘에 의한 세분화의 정밀도에 큰 영향을 미칠 수 있다. 아래 단계들(310 내지 360)에서 내부 마커와 외부 마커를 결정하는 방법과, 결정된 마커에 기초하여 입력 영상에서 단일 세포에 대응되는 출력 영상을 획득하는 방법을 설명한다.
단계들(310 내지 360)은 단일 세포의 운동성 분석 장치에 의해 수행될 수 있다. 단일 세포의 운동성 분석 장치는 하나 또는 그 이상의 하드웨어 모듈, 하나 또는 그 이상의 소프트웨어 모듈, 또는 이들의 다양한 조합에 의하여 구현될 수 있다.
단계(310)에서, 단일 세포의 운동성 분석 장치는 하나 이상의 세포에 대한 입력 영상을 수신한다. 입력 영상에는 하나 이상의 세포가 포함될 수 있다. 예를 들어, 입력 영상은 인간의 다능성 줄기 세포에서 유래된 복수개의 심장근육세포를 포함할 수 있다. 이하에서, 설명되는 입력 영상에서 단일 세포에 대응되는 출력 영상을 획득하는 방법은 심장근육세포에 대하여 설명될 수 있다. 다만, 실시예들은 심장근육세포에 국한되어 적용될 필요는 없고, 다양한 유형의 생물학적 조직에 적용될 수 있다.
입력 영상은 도 1과 도 2에서 설명한 디지털 홀로그래픽 이미징 기법에 의해 생성된 하나 이상의 세포에 대한 위상 영상일 수 있다. 입력 영상은 하나 이상의 세포의 두께 정보, 굴절률 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, 위상 영상이 입력 영상일 경우, 위상 영상은 수학식 1과 수학식 2에 의해 세포 두께 정보 및 세포 내 굴절률 정보를 포함할 수 있다.
단계(320)에서, 단일 세포의 운동성 분석 장치는 k-평균 알고리즘에 기초하여, 입력 영상에서 대상 영상을 추출한다. k-평균 알고리즘은 주어진 데이터를 k개의 클러스터로 묶는 알고리즘으로, 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작할 수 있다. k-평균 알고리즘은 n개의 d-차원 데이터 오브젝트(x1, x2,??, xn) 집합이 주어졌을 때, k-평균 알고리즘은 n개의 데이터 오브젝트들을 각 집합 내 오브젝트 간 응집도를 최대로 하는 k (≤n)개의 집합 S = {S1, S2,??, Sk}으로 분할할 수 있다. 예를 들어, μi가 집합 Si의 중심점이라 할 때, 각 집합 별 중심점~집합 내 오브젝트간 거리의 제곱합을 최소로 하는 집합 S를 찾는 것이 이 알고리즘의 목표일 수 있다. 목적 함수의 전역 최솟값(global minimum) 을 찾는 것은 NP-난해 문제이므로, 언덕 오르기 (hill climbing) 방식으로 목적 함수의 오차를 줄여 나가며 지역 최솟값(local minimum)을 발견했을 때 알고리즘을 종료함으로써 근사 최적해를 구할 수 있다.
도 7은 일 실시예에 따른 입력 영상에 k-평균 알고리즘을 적용하여 대상 영상을 획득하는 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 입력 영상(710)에 대해 k-평균 알고리즘을 적용하면 하나 이상의 세포의 핵 부분만을 추출한 대상 영상(750)을 획득할 수 있다. 대상 영상은 입력 영상에 k-평균 알고리즘을 적용하여 획득한 영상들 중, 제1 마커의 기초가 되는 영상일 수 있다. 예를 들어, 입력 영상(710)을 4개의 클러스터로 묶는 4-평균 알고리즘을 적용하여 4 개의 영상(720 내지 750)을 얻을 수 있고, 영상(750)이 제1 마커의 기초가 되는 대상 영상일 수 있다.
입력 영상(710)은 히스토그램 등화 기술(histogram equalization technique)에 따라 대조 강조된 영상을 포함할 수 있다. 대조 강조를 통해 k-평균 알고리즘의 정확도를 향상시킬 수 있다.
k-평균 알고리즘에 따르면, 입력 영상의 위상 강도 값(intensity value)을 기반으로 복수 개의 영상을 획득할 수 있다. 세포핵의 위상 강도 값이 주위의 세포질과 막 부분보다 높기 때문에 입력 영상에서 영상(750)을 분류할 수 있다. 예를 들어 영상(720 내지 750)은 복수 개의 세포를 포함하는 입력 위상 영상을 위상 강도 값에 따라 분류한 영상일 수 있고, 영상(750)은 세포의 핵 부분만이 추출된 영상일 수 있다. 세포의 핵 부분만이 추출된 영상을 대상 영상(750)으로 사용할 수 있다.
다시 도 3을 참조하면, 단계(330)에서, 단일 세포의 운동성 분석 장치는 대상 영상에 기초하여, 제1 마커를 결정 한다. 제1 마커는 마커 기반 워터쉐드 알고리즘의 내부 마커일 수 있다. 이하, 제1 마커는 내부 마커라고 지칭될 수 있다. k-평균 알고리즘에 따라 추출한 대상 영상에 기초하여 제1 마커를 결정할 수 있다. 대상 영상(750)에 모폴로지 연산(morphological operations)을 적용하여 제1 마커를 결정할 수 있다. 예를 들어, 대상 영상(750)에 다양한 모폴로지 연산, 침식, 팽창, 제거, 채움 등을 통하여 노이즈 및 갭이 제거된 제1 마커를 결정할 수 있다. 침식, 팽창을 통해 노이즈와 갭을 제거한 후, 대상 영상(750)에 이진화 연산을 적용하여 바이너리(binary) 데이터 형식의 제1 마커를 결정 할 수 있다. 예를 들어, 세포의 핵 부분에 해당하는 대상 영상(750) 영역은 '1'의 값을, 그 이외의 영역은 모두 '0'의 값을 갖도록 할 수 있다.
단계(340)에서, 단일 세포의 운동성 분석 장치는 제1 마커에 기초하여, 제2 마커를 결정한다. 제1 마커에 거리 변환(distance transform) 알고리즘을 적용하여 제2 마커를 결정할 수 있다. 제2 마커는 마커 기반 워터쉐드 알고리즘의 외부 마커일 수 있다. 이하, 제2 마커는 외부 마커라고 지칭될 수 있다.
제1 마커에 거리 변환(distance transform) 알고리즘을 적용하여 제1 마커의 경계를 형성할 수 있다. 예를 들어, 제1 마커의 경계는 각각의 제1 마커에서 가장 멀리 위치할 수 있도록 형성되는 경계일 수 있다. 거리 변환(distance transform) 알고리즘을 적용하여 생성된 제1 마커의 경계를 제2 마커로 결정할 수 있다.
거리 변환 알고리즘은 수학식 3과 같이 수행될 수 있다.
Figure pat00005
D(x, y)는 거리 변환 영상, O(x, y)는 바이너리(binary) 데이터 형식의 제1 마커일 수 있고, O(xj, yj)는 O(xi, yi)의 가장 가까운 '0'이 아닌 값을 갖는 픽셀일 수 있다.
단계(350)에서, 단일 세포의 운동성 분석 장치는 제1 마커와 제2 마커에 기초하여, 대상 영상을 수정한다. 마커 기반 워터쉐드 알고리즘에 따르면, 내부 마커(internal marker)와 외부 마커(external marker)를 결정하고, 결정된 내부 마커와 외부 마커 사이에서 분할의 경계를 결정할 수 있다. 내부 마커와 외부 마커 사이에서 분할의 경계를 결정할 수 있도록 단일 세포의 운동성 분석 장치는 제1 마커와 제 2마커에 국부 극솟값이 오도록 대상 영상의 그래디언트 크기(gradient magnitude)를 수정할 수 있다. 그래디언트 크기 영상은 소벨(sobel) 필터를 수평 및 수직으로 적용하여 얻을 수 있다.
단계(360)에서, 단일 세포의 운동성 분석 장치는 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 입력 영상에 포함된 단일 세포에 대응되는 출력 영상을 획득한다.
단일 세포의 운동성 분석 장치는 제1 마커와 제 2마커에 국부 극솟값이 오도록 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 입력 영상에 포함된 복수의 세포들을 각각의 단일 세포에 대응되도록 분할하여 추출할 수 있다. 단일 세포의 운동성 분석 장치는 워터쉐드 알고리즘을 통해 단일 세포 단위의 위상 영상을 획득할 수 있다.
일 실시예에 따른 단일 세포의 운동성 분석 방법에 따를 경우, 단일 세포 단위의 위상 영상을 획득할 수 있기 때문에, 세포에 대한 여러 종류의 세포 운동성 관련 파라미터 값들을 입력 영상에 포함된 세포들의 평균 값이 아닌 단일 세포 단위로 계산할 수 있다. 단일 세포의 운동성 분석 방법에 따를 경우, 입력 영상을 여러 셀로 분할 한 후 단일 셀과 관련된 여러 매개 변수를 계산할 수 있다.
도 4는 일 실시예에 따른 출력 영상에 기초하여 단일 세포의 박동 프로파일을 생성하는 방법을 설명하기 위한 그래프이다.
일 실시예에 따른 출력 영상은 단일 세포에 대응되는 위상 정보를 포함하고 있다. 출력 영상의 각 픽셀 값은 광 경로차 값(OPD value)일 수 있고, 일 실시예에 따라 획득한 출력 영상에 따르면, 입력 영상에 포함된 단일 세포에 대응되는 픽셀들의 광 경로차 값을 획득할 수 있다.
도 4를 참조하면, 출력 영상에 기초하여 단일 세포의 운동성 정보를 획득할 수 있다. 단일 세포에 대응되는 출력 영상의 평균 픽셀 값에 기초하여 단일 세포의 박동 프로파일을 획득할 수 있다. 단일 세포의 박동 프로파일은 시간의 흐름에 따른 단일 세포에 대응되는 출력 영상에 포함된 픽셀 값인 광 경로차 값의 평균으로 나타낼 수 있다.
도면(410)을 참조하면, 출력 영상에 영상 처리를 통해 양의 피크(positive peak)와 음의 피크(negative peak)를 추출할 수 있다. 도면(410)을 참조하면, 세포의 위상 정보를 포함하는 광 경로차 값이 시간에 따라 변하고, 일정 주기를 가짐을 알 수 있다.
도면(420)은 도면(410)의 한 주기에 해당하는 시점에 대한 박동 프로파일일 수 있다. 도면(420)을 참고하면, 박동 프로파일에 기초하여 단일 세포의 동적 파라미터를 획득할 수 있다. 동적 파라미터는 단일 세포의 박동률(beating rate), 박동 주기(beating period), 박동 주파수(beating frequency) 중 적어도 하나를 포함할 수 있다. 동적 파라미터는 크기(amplitude), 상승 시간(rising time), 하강 시간(falling time), IBD50, IBD10, 상승/하강 기울기를 더 포함할 수 있다.
크기(amplitude)는 양의 피크 값과 다음 음의 피크 값의 차이일 수 있다. 상승 시간은 Amp20 에서 Amp80까지 걸리는 시간일 수 있다. 하강 시간은 Amp80에서 Amp20까지 걸리는 시간일 수 있다. IBD50은 첫번째 Amp50에서 다음 Amp50까지 걸리는 시간일 수 있다. IBD10은 첫번째 Amp10에서 다음 Amp10까지 걸리는 시간일 수 있다. 상승/하강 기울기는 각각 Amp80의 값과 Amp20의 값사이의 기울기와 Amp20의 값과 Amp80의 값 사이의 기울기일 수 있다. 박동률은 1분동안 발생한 음의 피크 또는 양의 피크의 횟수일 수 있다. 박동 주기는 두 인접한 음의 피크 또는 양의 피크 사이의 시간일 수 있다. 박동 주파수는 박동 주기동안 발생한 박동 횟수일 수 있다.
도 5는 다른 실시예에 따른 출력 영상에 기초하여 단일 세포의 박동 프로파일을 생성하는 방법을 설명하기 위한 그래프이다.
일 실시예에 따르면, 단일 세포에 대응되는 출력 영상의 평균 픽셀 값의 변화량(variance)을 획득할 수 있고, 평균 픽셀 값의 변화량에 기초하여 박동 프로파일을 획득할 수 있다. 단일 세포의 위상 정보를 수치적으로 정량화 하기 위해 단일 세포에 포함된 픽셀들의 평균 광 경로차 값의 변화량을 사용할 수 있다. 광 경로차 값의 변화량은 수학식 4와 같이 얻을 수 있다.
Figure pat00006
opdi 및 opdi-1은 각각 i 번째 및 (i-1) 번째에 프레임에 해당하는 광 경로차 값일 수 있다. 수학식 4를 이용하여 세포의 운동성 정보를 획득할 수 있다. 예를 들어, 도면(510)을 참조하면, 심장 근육 세포 기능의 변화를 감별하기에 충분히 민감한 세포의 3D 형태 변화와 관련된 중간 사건을 포착 할 수 있다.
광 경로차 값의 변화량은 단일 세포의 움직임 정보를 포함할 수 있다. 예를 들어, 광 경로차 값의 변화량은 세포의 수축과 이완에 대한 정보를 포함할 수 있다. 각 심장 세포를 정량화 하기 위해 양성 수축(positive contraction) 및 이완 피크(relaxation peaks)를 검출하고, 각 심장 세포의 수축 및 이완과 관련된 최종 박동률 및 박동 기간을 측정할 수 있다. 또한, 수축과 후속 이완 사이의 시간은 도면(520)과 같이 검출 된 피크를 사용하여 측정 할 수 있다.
동적 파라미터는 수축 박동률(contraction beating rate), 수축 박동 주기(contraction beating period), 수축 박동 주기 표준편차(contraction beating period STD), 수축 박동 주기 변동계수(contraction beating period CV), 이완 박동 주기(relaxation beating period), 이완 박동 주기 표준편차 relaxation beating period STD), 이완 박동 주기 변동계수(relaxation beating period CV)를 더 포함할 수 있다.
도면(520)를 참조하면, 박동 프로파일로부터 휴식 기간, 수축 기간, 이완 기간을 획득할 수 있다. 수축 박동률은 1분동안 발생한 수축 피크의 횟수일 수 있다. 수축 박동 주기는 두 인접한 수축 피크 사이의 시간일 수 있다. 수축 박동 주기 표준편차와 수축 박동 주기의 변동계수는 각각 수축 박동 주기의 표준편차와 변동계수일 수 있다. 변동계수는 표준편차의 크기를 평균치에 대한 비율일 수 있다. 이완 관련 파라미터도 수축 관련 파라미터와 동일한 방법으로 획득할 수 있다.
도 6은 일 실시예에 따른 방법에 따라 내부 마커와 외부 마커를 결정하지 않고 워터쉐드 알고리즘을 수행하여 얻은 출력 영상을 도시한 도면이다.
일 실시예에 따른 단일 세포의 운동성 분석 방법에 따른 출력 영상을 검토하기 전에, 기존의 방법에 따른 출력 영상을 도시한 도 6을 참조하면, 도면(510)은 입력 영상을 도시한 도면이고, 도면(520)은 입력 영상의 그래디언트 크기 영상을 도시한 도면이다. 도면(530)은 그래디언트 영상에 기초하여 워터쉐드 알고리즘을 수행하여 얻은 세분화 결과에 대한 출력 영상을 도시한 도면이다. 도면(520)에서 알 수 있듯이 입력 영상의 그래디언트 크기 영상에는 여러 가장 자리와 최소값이 포함되어 있고, 결과적으로 세분화 결과가 좋지 않을 수 있다.
도 8은 일 실시예에 따른 단일 세포의 운동성 분석 방법에 따라 출력 영상을 획득하기 위한 각 단계에 대응하는 영상들을 도시한 도면이다.
도면(810)은 k-평균 알고리즘(k = 4)을 통해 획득한 내부 마커를 도시한 도면이고, 내부 마커의 대응하는 수정 된 그래디언트 크기는 도면(820)에 도시된다.
도면(830)은 제1 마커에 기초하여 획득한 제2 마커를 도시한 도면이고, 도면 (840)은 입력 영상에 내부 및 외부 마커를 표시하고, 배경이 0으로 설정된 결과 영역을 도시한 도면이다.
도면(850)은 세포 영역 및 배경 영역을 도시한 도면이고, 도면(860)은 일 실시예에 따른 단일 세포의 운동성 분석 방법에 따라 얻은 출력 영상을 도시한 도면이다.
도 9와 도 10은 일 실시예에 따른 단일 세포에 대응되는 출력 영상과, 출력 영상에 기초하여 획득한 단일 세포의 박동 프로파일을 도시한 도면이다.
도 9를 참조하면, 일 실시예에 따른 도면(910 내지 960)은 일 실시예에 따른 단일 세포 수준에서 정량화를 위한 최종 세그먼트 이미지에서 추출 된 여러 단일 세포를 3 차원 표현한 도면이다. 도면(910 내지 960)은 단일 세포 수준에서 수축 및 이완 매개 변수를 정량적으로 조사하기 위해 여러 개의 세포를 포함하는 출력 영상에서 추출한 여러 개의 세포를 도시한 도면이다.
도 10을 참조하면, 시간이 지남에 따라 추출 된 개별 세포의 활동 박동을 알 수 있다. 도면(1010 내지 1060)은 각각 도면(910 내지 960)에 해당하는 단일 세포에 포함된 픽셀의 평균 광 경로차 값의 변화량에 따른 박동 프로파일을 도시한 도면이다. 표 1은 도 10의 박동 프로파일에 기초하여 획득한 세포들(910 내지 960)의 동적 파라미터를 정리한 표일 수 있다.
Figure pat00007
또한, 표 2는 세포들(910 내지 960)에서 얻은 동적 파라미터들의 평균을 정리한 표일 수 있다. 표 2의 동적 파라미터는 평균 셀 면적, 수축 박동률, 수축 박동 주기 및 이완 박동 주기가 포함될 수 있다.
Figure pat00008
도 11은 일실시예에 따른 단일 세포의 운동성 분석 장치의 구성의 예시도이다.
도 11을 참조하면, 단일 세포의 운동성 분석 장치(1101)는 프로세서(1102) 및 메모리(1103)를 포함한다. 프로세서(1102)는 도 1 내지 도 10을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 10을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(1103)는 번역 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1103)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 메모리(1103)는 하나 이상의 세포에 대한 입력 영상을 저장할 수 있다.
프로세서(1102)는 프로그램을 실행하고, 단일 세포의 운동성 분석 장치(1101)를 제어할 수 있다. 프로세서(1102)에 의하여 실행되는 프로그램의 코드는 메모리(1103)에 저장될 수 있다. 단일 세포의 운동성 분석 장치(1101)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
프로세서(1102)는 k-평균 알고리즘에 기초하여, 입력 영상에서 대상 영상을 추출하고, 대상 영상에 기초하여, 제1 마커를 결정하고, 제1 마커에 기초하여, 제2 마커를 결정하고, 제1 마커와 제2 마커에 기초하여, 대상 영상을 수정하고, 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 입력 영상에 포함된 단일 세포에 대응되는 출력 영상을 획득할 수 있다.
단일 세포의 운동성 분석 장치(1101)는 박동 프로파일, 상기 동적 파라미터 중 적어도 하나를 표시하는 디스플레이(도면 미 표시)를 더 포함할 수 있다. 디스플레이는 터치스크린, LCD(Liquid Cristal Display), TFT-LCD(Thin Film Transistor-Liquid Crystal Display), LED(Liquid Emitting Diode) 디스플레이, OLED(Organic LED) 디스플레이, AMOLED(Active Matrix OLED) 디스플레이 또는 플렉서블(flexible) 디스플레이로 구현될 수 있다. 디스플레이는 프로세서(1102)의 제어에 따라 사용자에게 박동 프로파일, 상기 동적 파라미터 중 적어도 하나를 디스플레이할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (30)

  1. 하나 이상의 세포에 대한 입력 영상을 수신하는 단계;
    k-평균 알고리즘에 기초하여, 상기 입력 영상에서 대상 영상을 추출하는 단계;
    상기 대상 영상에 기초하여, 제1 마커를 결정하는 단계;
    상기 제1 마커에 기초하여, 제2 마커를 결정하는 단계;
    상기 제1 마커와 상기 제2 마커에 기초하여, 상기 대상 영상을 수정하는 단계; 및
    상기 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 상기 입력 영상에 포함된 단일 세포에 대응되는 출력 영상을 획득하는 단계
    를 포함하는 단일 세포의 운동성 분석 방법.
  2. 제1항에 있어서,
    상기 출력 영상에 기초하여 상기 단일 세포의 운동성 정보를 획득하는 단계
    를 더 포함하는, 단일 세포의 운동성 분석 방법.
  3. 제2항에 있어서,
    상기 단일 세포의 운동성 정보를 획득하는 단계는
    상기 단일 세포에 대응되는 박동 프로파일(beating profile)을 획득하는 단계; 및
    상기 박동 프로파일에 기초하여 상기 단일 세포의 동적 파라미터를 획득하는 단계
    를 포함하는, 단일 세포의 운동성 분석 방법.
  4. 제3항에 있어서,
    상기 동적 파라미터는
    상기 단일 세포의 박동률(beating rate), 박동 주기(beating period), 박동 주파수(beating frequency) 중 적어도 하나를 포함하는, 단일 세포의 운동성 분석 방법.
  5. 제3항에 있어서,
    상기 박동 프로파일을 획득하는 단계는
    상기 단일 세포에 대응되는 출력 영상의 평균 픽셀 값의 변화량(variance)을 획득하는 단계; 및
    상기 평균 픽셀 값의 변화량에 기초하여 상기 박동 프로파일을 획득하는 단계
    를 포함하는, 단일 세포의 운동성 분석 방법.
  6. 제5항에 있어서,
    상기 평균 픽셀 값의 변화량은
    상기 단일 세포의 움직임 정보를 포함하는, 단일 세포의 운동성 분석 방법.
  7. 제1항에 있어서,
    상기 대상 영상은
    상기 하나 이상의 세포의 핵 부분만을 추출한 영상을 포함하는, 단일 세포의 운동성 분석 방법.
  8. 제1항에 있어서,
    상기 하나 이상의 세포에 대한 입력 영상을 수신하는 단계는
    디지털 홀로그래픽 이미징 기법에 기초하여 생성된 위상 영상(phase image)을 수신하는 단계
    를 포함하는, 단일 세포의 운동성 분석 방법.
  9. 제1항에 있어서,
    상기 입력 영상은
    상기 하나 이상의 세포의 두께 정보, 굴절률 정보 중 적어도 하나를 포함하는, 단일 세포의 운동성 분석 방법.
  10. 제9항에 있어서,
    상기 굴절률 정보는
    상기 하나 이상의 세포의 단백질과 물의 함량 정보를 포함하는, 단일 세포의 운동성 분석 방법.
  11. 제1항에 있어서,
    상기 입력 영상에 대조 강조 프로세스(Contrast enhancement process)를 적용하는 단계
    를 더 포함하는, 단일 세포의 운동성 분석 방법.
  12. 제1항에 있어서,
    상기 제1 마커를 결정하는 단계는
    상기 대상 영상에 모폴로지 연산(morphological operations)을 적용하여 상기 제1 마커를 결정하는 단계
    를 포함하는, 단일 세포의 운동성 분석 방법,
  13. 제1항에 있어서,
    상기 제1 마커에 기초하여, 제2 마커를 결정하는 단계는
    상기 제1 마커에 거리 변환(distance transform) 알고리즘을 적용하여 상기 제2 마커를 결정하는 단계
    를 포함하는, 단일 세포의 운동성 분석 방법.
  14. 제1항에 있어서,
    상기 제1 마커와 상기 제2 마커에 기초하여, 상기 대상 영상을 수정하는 단계는
    상기 제1 마커와 상기 제 2마커에 국부 극솟값이 오도록 상기 대상 영상을 수정하는 단계
    를 포함하는, 단일 세포의 운동성 분석 방법.
  15. 하드웨어와 결합되어 제1항 내지 제14항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  16. 하나 이상의 세포에 대한 입력 영상을 저장하는 메모리; 및
    프로세서를 포함하고,
    상기 프로세서는
    k-평균 알고리즘에 기초하여, 상기 입력 영상에서 대상 영상을 추출하고, 상기 대상 영상에 기초하여, 제1 마커를 결정하고, 상기 제1 마커에 기초하여, 제2 마커를 결정하고, 상기 제1 마커와 상기 제2 마커에 기초하여, 상기 대상 영상을 수정하고, 상기 수정된 대상 영상에 워터쉐드(watershed) 알고리즘을 적용하여 상기 입력 영상에 포함된 단일 세포에 대응되는 출력 영상을 획득하는 단일 세포의 운동성 분석 장치.
  17. 제16항에 있어서,
    상기 프로세서는
    상기 출력 영상에 기초하여 상기 단일 세포의 운동성 정보를 획득하는, 단일 세포의 운동성 분석 장치.
  18. 제17항에 있어서,
    상기 프로세서는
    상기 단일 세포에 대응되는 박동 프로파일(beating profile)을 획득하고, 상기 박동 프로파일에 기초하여 상기 단일 세포의 동적 파라미터를 획득하는, 단일 세포의 운동성 분석 장치.
  19. 제18항에 있어서,
    상기 박동 프로파일, 상기 동적 파라미터 중 적어도 하나를 표시하는 디스플레이
    를 더 포함하는, 단일 세포의 운동성 분석 장치.
  20. 제18항에 있어서,
    상기 동적 파라미터는
    상기 단일 세포의 박동률(beating rate), 박동 주기(beating period), 박동 주파수(beating frequency) 중 적어도 하나를 포함하는, 단일 세포의 운동성 분석 장치.
  21. 제18항에 있어서,
    상기 프로세서는,
    상기 단일 세포에 대응되는 출력 영상의 평균 픽셀 값의 변화량(variance)을 획득하고, 상기 평균 픽셀 값의 변화량에 기초하여 상기 박동 프로파일을 획득하는, 단일 세포의 운동성 분석 장치.
  22. 제21항에 있어서,
    상기 평균 픽셀 값의 변화량은
    상기 단일 세포의 움직임 정보를 포함하는, 단일 세포의 운동성 분석 장치.
  23. 제16항에 있어서,
    상기 대상 영상은
    상기 하나 이상의 세포의 핵 부분만을 추출한 영상을 포함하는, 단일 세포의 운동성 분석 장치.
  24. 제16항에 있어서,
    상기 프로세서는
    디지털 홀로그래픽 이미징 기법에 기초하여 생성된 위상 영상(phase image)을 수신하는, 단일 세포의 운동성 분석 장치.
  25. 제16항에 있어서,
    상기 입력 영상은
    상기 하나 이상의 세포의 두께 정보, 굴절률 정보 중 적어도 하나를 포함하는, 단일 세포의 운동성 분석 장치.
  26. 제25항에 있어서,
    상기 굴절률 정보는
    상기 하나 이상의 세포의 단백질과 물의 함량 정보를 포함하는, 단일 세포의 운동성 분석 장치.
  27. 제16항에 있어서,
    상기 프로세서는
    상기 입력 영상에 대조 강조 프로세스(Contrast enhancement process)를 적용하는, 단일 세포의 운동성 분석 장치.
  28. 제16항에 있어서,
    상기 프로세서는
    상기 대상 영상에 모폴로지 연산(morphological operations)을 적용하여 상기 제1 마커를 결정하는, 단일 세포의 운동성 분석 장치.
  29. 제16항에 있어서,
    상기 프로세서는
    상기 제1 마커에 거리 변환(distance transform) 알고리즘을 적용하여 상기 제2 마커를 결정하는, 단일 세포의 운동성 분석 장치.
  30. 제16항에 있어서,
    상기 프로세서는
    상기 제1 마커와 상기 제2 마커에 국부 극솟값이 오도록 상기 대상 영상을 수정하는, 단일 세포의 운동성 분석 장치.
KR1020180154965A 2018-12-05 2018-12-05 단일 세포의 운동성 분석 방법 및 장치 KR102209721B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180154965A KR102209721B1 (ko) 2018-12-05 2018-12-05 단일 세포의 운동성 분석 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180154965A KR102209721B1 (ko) 2018-12-05 2018-12-05 단일 세포의 운동성 분석 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200068238A true KR20200068238A (ko) 2020-06-15
KR102209721B1 KR102209721B1 (ko) 2021-01-29

Family

ID=71081682

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180154965A KR102209721B1 (ko) 2018-12-05 2018-12-05 단일 세포의 운동성 분석 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102209721B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112205968A (zh) * 2020-09-30 2021-01-12 上海市东方医院（同济大学附属东方医院） 一种基于视频测量心肌细胞收缩能力的方法、装置及设备
KR20220007426A (ko) * 2020-07-10 2022-01-18 재단법인대구경북과학기술원 세포의 약물 반응을 측정하는 3차원 이미징 및 영상 처리 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011186750A (ja) * 2010-03-08 2011-09-22 Univ Of Tokyo 測定対象分子の定量的解析方法及び装置
KR20140058589A (ko) * 2011-08-02 2014-05-14 더 리전츠 오브 더 유니버시티 오브 캘리포니아 살아있는 세포의 간섭법을 통한 신속한, 대용량 병렬 단일-세포 약물 반응 측정방법
JP2016517115A (ja) * 2013-04-17 2016-06-09 ゼネラル・エレクトリック・カンパニイ 連続的に染色した組織における、１つの細胞の分割を使用する多重化バイオマーカー定量用のシステム及び方法
KR20180010589A (ko) * 2016-07-21 2018-01-31 주식회사 더웨이브톡 혼돈파 센서를 이용한 항생제 적합성 검사 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011186750A (ja) * 2010-03-08 2011-09-22 Univ Of Tokyo 測定対象分子の定量的解析方法及び装置
KR20140058589A (ko) * 2011-08-02 2014-05-14 더 리전츠 오브 더 유니버시티 오브 캘리포니아 살아있는 세포의 간섭법을 통한 신속한, 대용량 병렬 단일-세포 약물 반응 측정방법
JP2016517115A (ja) * 2013-04-17 2016-06-09 ゼネラル・エレクトリック・カンパニイ 連続的に染色した組織における、１つの細胞の分割を使用する多重化バイオマーカー定量用のシステム及び方法
KR20180010589A (ko) * 2016-07-21 2018-01-31 주식회사 더웨이브톡 혼돈파 센서를 이용한 항생제 적합성 검사 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220007426A (ko) * 2020-07-10 2022-01-18 재단법인대구경북과학기술원 세포의 약물 반응을 측정하는 3차원 이미징 및 영상 처리 장치 및 방법
CN112205968A (zh) * 2020-09-30 2021-01-12 上海市东方医院（同济大学附属东方医院） 一种基于视频测量心肌细胞收缩能力的方法、装置及设备
CN112205968B (zh) * 2020-09-30 2024-03-08 上海市东方医院（同济大学附属东方医院） 一种基于视频测量心肌细胞收缩能力的方法、装置及设备

Also Published As

Publication number Publication date
KR102209721B1 (ko) 2021-01-29

Similar Documents

Publication Publication Date Title
Kaliman et al. Limits of applicability of the voronoi tessellation determined by centers of cell nuclei to epithelium morphology
JP6916866B2 (ja) 画像再構成による加齢黄斑変性症を予測するための方法、実行可能プログラムを記憶するコンピュータ可読メモリ、および装置
Stegmaier et al. Real-time three-dimensional cell segmentation in large-scale microscopy data of developing embryos
US9836849B2 (en) Method for the autonomous image segmentation of flow systems
Qi et al. Robust segmentation of overlapping cells in histopathology specimens using parallel seed detection and repulsive level set
KR102209721B1 (ko) 단일 세포의 운동성 분석 방법 및 장치
Poudel et al. Active contours extension and similarity indicators for improved 3D segmentation of thyroid ultrasound images
Li et al. Brain-wide shape reconstruction of a traced neuron using the convex image segmentation method
Abbasi-Sureshjani et al. Boosted exudate segmentation in retinal images using residual nets
Moon et al. Automated quantitative analysis of multiple cardiomyocytes at the single‐cell level with three‐dimensional holographic imaging informatics
Zhang et al. Automatic segmentation and cardiac mechanics analysis of evolving zebrafish using deep learning
Tagliabue et al. Intra-operative update of boundary conditions for patient-specific surgical simulation
Sarhan et al. Utilizing transfer learning and a customized loss function for optic disc segmentation from retinal images
Prerana et al. Comparative study of GD, LM and SCG method of neural network for thyroid disease diagnosis
Oliver-Gelabert et al. Automatic quantification of cardiomyocyte dimensions and connexin 43 lateralization in fluorescence images
Rempfler et al. Cell lineage tracing in lens-free microscopy videos
Marin-Castrillon et al. Segmentation of the aorta in systolic phase from 4D flow MRI: Multi-atlas vs. deep learning
KR102225721B1 (ko) 세포간 동기화 분석 방법 및 장치
Varando et al. MultiMap: a tool to automatically extract and analyse spatial microscopic data from large stacks of confocal microscopy images
CN116402987A (zh) 基于扩散模型及3DTransformer的三维分割方法、系统、设备及介质
Wang et al. An ensemble of U-Net architecture variants for left atrial segmentation
US20140032180A1 (en) Method and apparatus for computing deformation of an object
Basu et al. Segmentation in diabetic retinopathy using deeply-supervised multiscalar attention
Jiang et al. DeepRayburst for automatic shape analysis of tree-like structures in biomedical images
Wang et al. Vessel tech: a high-accuracy pipeline for comprehensive mouse retinal vasculature characterization

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant