KR20230004610A - 3차원 생물학적 샘플들의 ｚ-스택형 이미지들의 세트의 이미지 프로세싱 및 세그멘테이션 - Google Patents
3차원 생물학적 샘플들의 ｚ-스택형 이미지들의 세트의 이미지 프로세싱 및 세그멘테이션 Download PDFInfo
- Publication number
- KR20230004610A KR20230004610A KR1020227039606A KR20227039606A KR20230004610A KR 20230004610 A KR20230004610 A KR 20230004610A KR 1020227039606 A KR1020227039606 A KR 1020227039606A KR 20227039606 A KR20227039606 A KR 20227039606A KR 20230004610 A KR20230004610 A KR 20230004610A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- sample
- depth
- pixel
- images
- Prior art date
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 77
- 239000012472 biological sample Substances 0.000 title description 11
- 238000012545 processing Methods 0.000 title description 10
- 238000000034 method Methods 0.000 claims abstract description 120
- 210000002220 organoid Anatomy 0.000 claims description 34
- 206010028980 Neoplasm Diseases 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002073 fluorescence micrograph Methods 0.000 claims description 4
- 210000005229 liver cell Anatomy 0.000 claims description 2
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 claims 4
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 claims 4
- 210000002744 extracellular matrix Anatomy 0.000 claims 4
- 238000001914 filtration Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 228
- 238000003384 imaging method Methods 0.000 description 107
- 210000004027 cell Anatomy 0.000 description 35
- 230000006870 function Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 14
- 239000002609 medium Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 239000003814 drug Substances 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000003556 assay Methods 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 239000007850 fluorescent dye Substances 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000799 fluorescence microscopy Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 239000001963 growth medium Substances 0.000 description 3
- 210000004263 induced pluripotent stem cell Anatomy 0.000 description 3
- 231100000419 toxicity Toxicity 0.000 description 3
- 230000001988 toxicity Effects 0.000 description 3
- 102000004121 Annexin A5 Human genes 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 2
- 108010043121 Green Fluorescent Proteins Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 239000002246 antineoplastic agent Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000339 bright-field microscopy Methods 0.000 description 2
- 230000030833 cell death Effects 0.000 description 2
- 230000004663 cell proliferation Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 229940044683 chemotherapy drug Drugs 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007876 drug discovery Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 108091006047 fluorescent proteins Proteins 0.000 description 2
- 102000034287 fluorescent proteins Human genes 0.000 description 2
- 210000005260 human cell Anatomy 0.000 description 2
- 238000011534 incubation Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 108010082117 matrigel Proteins 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 238000002659 cell therapy Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000003271 compound fluorescence assay Methods 0.000 description 1
- 238000010226 confocal imaging Methods 0.000 description 1
- 238000004624 confocal microscopy Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012632 fluorescent imaging Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000012239 gene modification Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005017 genetic modification Effects 0.000 description 1
- 235000013617 genetically modified food Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000005305 organ development Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 231100000027 toxicology Toxicity 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/571—Depth or shape recovery from multiple images from focus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/001—Image restoration
- G06T5/003—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/529—Depth or shape recovery from texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30072—Microarray; Biochip, DNA array; Well plate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
이미지의 3차원 내용물에 관한 초점이 맞춰진 이미지 정보를 제공할 수 있는 샘플의 제한된 피사계 심도 이미지들의 깊이-스패닝 스택들을 샘플의 단일 이미지로 투영하는 방법들이 제공된다. 이들 방법들은 초점이 맞춰져 캡처된 각각의 이미지 내의 픽셀들을 식별하기 위해 이미지들의 스택들에 필터들을 적용하는 단계를 포함한다. 이들 초점이 맞춰진 픽셀들은 그런 다음 샘플의 단일 이미지를 제공하도록 조합된다. 그러한 이미지 스택들의 필터링은 또한, 샘플의 내용물들에 관한 깊이 맵들 또는 다른 기하학적 정보의 결정을 허용할 수 있다. 이러한 깊이 정보는 또한, 예를 들어, 다수의 상이한 깊이들에서 샘플의 내용물들에 대응하는 식별된 영역들을 추가로 분할함으로써, 샘플의 이미지들의 세그멘테이션을 통지하는데 사용될 수 있다.
Description
다양한 생물학적 실험은 매우 많은 샘플의 분석을 포함하고, 이들 각각은 샘플의 측정 또는 평가를 통해 생성된 다수의 파라미터 또는 다른 정보와 연관될 수 있다. 이러한 샘플은 세포 또는 다른 생물학적 내용물을 포함할 수 있으며, 각각의 샘플은 성장 배지(예를 들어, 성장 배지 내의 호르몬, 사이토카인, 제약, 또는 다른 물질(substance)), 소스(예를 들어, 배양되거나, 생체검사되거나(biopsied) 또는 그렇지 않으면 천연 조직으로부터 외식(explant)됨), 인큐베이션(incubation) 조건(예를 들어, 온도, pH, 광 레벨 또는 스펙트럼, 이온화 방사선), 또는 적용된 조건에 대한 세포 또는 다른 생물학적 내용물의 반응을 관찰하기 위한 일부 다른 제어된 조건에 대해 상이하다. 이는, 예를 들어, 추정 요법(putative therapy)에 대한 샘플의 반응을 평가하기 위해, 일부 생물학적 프로세스를 설명하기 위해, 또는 일부 다른 관심 질문을 조사하기 위해 수행될 수 있다.
이러한 샘플을 평가하는 것은 현미경, 형광 이미저(imager), 또는 샘플을 현미경으로 이미징하기 위한 다른 수단을 사용하는 것을 포함할 수 있다. 실제로, 큰 피사계 심도(depth of field)에 걸친 샘플들의 이미징은 샘플들을 이미징하는데 사용되는 광학기기 또는 다른 장치의 제한 사항들에 의해 방해될 수 있다. 예를 들어, 샘플을 이미징하기 위해 사용되는 대물렌즈 또는 다른 엘리먼트들은 초점 깊이에 대해 제한될 수 있어서, 샘플을 이미징하기 위해 사용되는 디바이스의 광축(optical axis)을 따라, 이미징 장치의 초점 깊이(depth of focus)보다 더 큰 체적에 걸쳐 있는 샘플 전체를 동시에 초점에 맞게(in focus) 이미징하는 것을 어렵게 하거나 불가능하게 한다. 그러한 "3차원(three-dimensional)" 샘플은, 이미징 장치의 피사계 심도 내에 들어 맞을 수 있는 체적에 걸쳐 있도록 유리 슬라이드를 가로질러 펼쳐지고 및/또는 슬라이스로 구획된 샘플과 대조되어, 다양한 관심 구조, 예를 들어, 오가노이드(organoid), 종양 스페로이드(tumor spheroids), 또는 다른 3차원 다세포 구조를 함유할 수 있다.
본 개시의 일 양태는 3차원 샘플의 투영 이미지를 생성하는 방법에 관한 것이며, 상기 방법은 : (i)
샘플의 이미지들의 세트를 획득하는 단계로서, 이미지들의 세트의 각각의 이미지는 샘플 내의 개개의 초점면에 대응하는, 상기 획득하는 단계; (ii) 샘플의 출력 이미지의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계로서, 주어진 깊이 값은 샘플 내에서, 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 나타내는, 상기 필터를 적용하는 단계; 및 (iii) 출력 이미지의 픽셀의 깊이 값에 기초하여 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함한다. 출력 이미지의 특정 픽셀에 대한 이미지 값을 결정하는 단계는: (1) 특정 픽셀의 깊이 값에 대응하는 이미지들의 세트의 이미지를 식별하는 단계; 및 (2) 특정 픽셀에 대응하는 식별된 이미지 내의 위치를 갖는 식별된 이미지의 픽셀에 기초하여 특정 픽셀에 대한 이미지 값을 결정하는 단계를 포함한다.
본 개시의 다른 양태는 3차원 샘플의 투영 이미지를 생성하기 위한 방법에 관한 것이며, 상기 방법은, (i) 샘플의 이미지들의 세트를 획득하는 단계로서, 상기 이미지들의 세트의 각각의 이미지는 샘플 내의 개개의 초점면에 대응하는, 상기 획득하는 단계; (ii) 깊이 맵의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계로서, 상기 깊이 값은 샘플 내에서, 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 나타내는, 상기 적용하는 단계; 및 (iii) 깊이 맵의 대응하는 픽셀의 깊이 값에 기초하여 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함한다.
본 개시의 또 다른 양태는 샘플의 이미지를 세그멘테이션하는 방법에 관한 것이며, 상기 방법은 : (i) 샘플의 이미지를 획득하는 단계; (ii) 샘플의 내용물의 깊이 맵을 획득하는 단계; (iii) 이미지에 기초하여 샘플의 제1 세그멘테이션 맵을 생성하는 단계; 및 (iv) 깊이 맵에 기초하여, 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 샘플의 제2 세그멘테이션 맵을 생성하는 단계를 포함한다.
본 개시의 또 다른 양태는 컴퓨팅 디바이스의 하나 이상의 프로세서들에 의해 실행될 때, 컴퓨팅 디바이스로 하여금 본 명세서에 설명된 방법들 중 하나 이상을 수행하는 컴퓨터 동작들을 수행하게 하는 적어도 컴퓨터 판독가능 명령어들을 저장하도록 구성된 컴퓨터 판독가능 매체에 관한 것이다. 이러한 컴퓨터 판독가능 매체는 비일시적 컴퓨터 판독가능 매체일 수 있다.
본 개시의 또 다른 양태는 시스템에 관한 것이며, 상기 시스템은 : (i) 하나 이상의 프로세서들; 및 (ii) 하나 이상의 프로세서들에 의해 실행될 때, 시스템으로 하여금 본 명세서에서 설명된 방법들 중 하나 이상을 수행하게 하는 적어도 컴퓨터 판독가능 명령어들을 저장하도록 구성된 비일시적 컴퓨터 판독가능 매체를 포함하는 시스템에 관한 것이다.
이들 뿐만 아니라 다른 양태들, 이점들 및 대안들은 첨부된 도면들에 적절한 경우를 참조하여 이하의 상세한 설명을 판독함으로써 당업자에게 명백해질 것이다. 또한, 이 요약 섹션 및 본 문서의 다른 곳에 제공된 설명은 청구된 주제를 제한으로서가 아니라 예시로서 예시하기 위한 것으로 이해되어야 한다.
도 1은 이미징 시스템에 의해 이미지화되는 샘플의 단면 개략도이다.
도 2a는 샘플의 예시적인 이미지들의 세트를 도시한다.
도 2b는 도 2a의 예시적인 이미지들의 세트에 기초하여 생성된 투영 이미지(projection image)를 도시한다.
도 3a는 샘플의 예시적인 투영 이미지 및 예시적인 깊이 맵을 도시한다.
도 3b는 도 3a의 깊이 맵을 생성하는 데 사용되는 샘플의 예시적인 이미지들의 세트를 도시한다.
도 3c는 샘플에 대한 깊이들의 범위에 걸쳐 결정된 텍스처(texture) 값들의 예시적인 세트이다.
도 4는 샘플의 투영 이미지를 생성하는 데 사용되는 샘플의 예시적인 이미지 세트를 도시한다.
도 5a는 샘플의 예시적인 이미지이다.
도 5b는 도 5a의 이미지로 표시된 샘플의 예시적인 제1 세그멘테이션 맵(segmentation ma)이다.
도 5c는 예시적인 깊이 맵 상에 오버레이(overlay)된 도 5b의 제1 세그멘테이션 맵의 특정 세그먼트들을 예시한다.
도 5d는 도 5b의 제1 세그멘테이션 맵으로부터 결정된 예시적인 제2 세그멘테이션 맵이다.
도 6은 예시적인 시스템의 엘리먼트들을 사시도로 도시한다.
도 7은 예시적인 시스템의 엘리먼트를 개략적으로 도시한 것이다.
도 8은 예시적인 방법의 흐름도이다.
도 9는 예시적인 방법의 흐름도이다.
도 10은 예시적인 방법의 흐름도이다.
도 2a는 샘플의 예시적인 이미지들의 세트를 도시한다.
도 2b는 도 2a의 예시적인 이미지들의 세트에 기초하여 생성된 투영 이미지(projection image)를 도시한다.
도 3a는 샘플의 예시적인 투영 이미지 및 예시적인 깊이 맵을 도시한다.
도 3b는 도 3a의 깊이 맵을 생성하는 데 사용되는 샘플의 예시적인 이미지들의 세트를 도시한다.
도 3c는 샘플에 대한 깊이들의 범위에 걸쳐 결정된 텍스처(texture) 값들의 예시적인 세트이다.
도 4는 샘플의 투영 이미지를 생성하는 데 사용되는 샘플의 예시적인 이미지 세트를 도시한다.
도 5a는 샘플의 예시적인 이미지이다.
도 5b는 도 5a의 이미지로 표시된 샘플의 예시적인 제1 세그멘테이션 맵(segmentation ma)이다.
도 5c는 예시적인 깊이 맵 상에 오버레이(overlay)된 도 5b의 제1 세그멘테이션 맵의 특정 세그먼트들을 예시한다.
도 5d는 도 5b의 제1 세그멘테이션 맵으로부터 결정된 예시적인 제2 세그멘테이션 맵이다.
도 6은 예시적인 시스템의 엘리먼트들을 사시도로 도시한다.
도 7은 예시적인 시스템의 엘리먼트를 개략적으로 도시한 것이다.
도 8은 예시적인 방법의 흐름도이다.
도 9는 예시적인 방법의 흐름도이다.
도 10은 예시적인 방법의 흐름도이다.
방법들 및 시스템들의 예들이 본 명세서에 설명된다. "대표적인", "예제" 및 "예시적인"이라는 단어들이 본 명세서에서 "예제, 인스턴스 또는 예시로서 역할을 하는"을 의미하는 것으로 이해되어야 한다. 본 명세서에서 "대표적인", "예제" 또는 "예시적인"으로 설명된 임의의 실시예 또는 피처는 다른 실시예들 또는 피처들에 비해 바람직하거나 유리한 것으로 반드시 해석되어야 하는 것은 아니다. 또한, 본 명세서에 기술된 예시적인 실시예들은 제한적인 것으로 의도되지 않는다. 개시된 시스템들 및 방법들의 특정 양태들은 매우 다양한 상이한 구성들로 배열되고 조합될 수 있다는 것이 쉽게 이해될 것이다.
I.
예시적인 샘플 이미징
샘플을 현미경으로 이미징하는 것이 다양한 애플리케이션에서 유익할 수 있다. 예를 들어, 샘플은 배양된 인간 세포(예를 들어, 암 세포, 정상 세포)를 포함할 수 있고, 샘플을 이미징하는 것은 샘플 내의 세포를 제거하는 데 있어서의 약물의 유효성(예를 들어, 암 세포를 제거하는 데 있어서의 화학요법 약물의 유효성)을 결정하는 것, 물질의 독성(예를 들어, 비-암성 세포에 대한 화학요법 약물의 독성)을 결정하는 것, 또는 샘플의 함량에 대한 및/또는 샘플의 함량에 대한 물질의 효과에 대한 일부 다른 정보를 결정하는 것을 가능하게 할 수 있다. 샘플을 이미징하는 것은 샘플의 내용물에 대한 이미지 데이터를 생성하기 위해 명시야(bright field) 현미경, 형광 현미경, 구조화된 조명, 공초점(confocal) 현미경, 또는 일부 다른 이미징 기술을 사용하는 것을 포함할 수 있다.
명시야 현미경 검사는 샘플 내용물의 '자연적인' 거동을 변경할 수 있는 염료, 형광단 또는 다른 표지(label)을 첨가하지 않고(예를 들어, 표지의 첨가에 의해 및/또는 표지를 발현하기 위한 샘플 내용물의 형질주입(transfection)에 의해) 수행될 수 있는 이점을 갖는다(첨가된 표지가 없는 이러한 이미징은 "무표지(label-free)" 이미징으로 지칭될 수 있다). 대안적으로, 형광 염료 또는 다른 표지가 특정 조직 구조 및/또는 생리학적 과정의 이미징을 가능하게 하기 위해 첨가될 수 있다. 예를 들어, 아넥신(Annexin) V 녹색 형광 염료계 시약(fluorescent dye-based reagent)이 샘플에서 세포 사멸에 대한 위치, 속도, 또는 다른 정보를 이미지화하기 위해 첨가될 수 있다. 다른 예에서, NucLight Red 표시자(NucLight Red indicator)가 샘플의 세포 증식에 관한 이미지 정보에 첨가될 수 있다. 일부 예에서, 샘플 중의 세포는 관심 프로세스에 관련된 형광 단백질 또는 다른 표지를 발현하도록 유전적으로 수정될 수 있다. 예를 들어, 환자-유래 신경 유도 만능 줄기 세포 (iPSC)는 추정 알츠하이머 치료의 평가를 가능하게 하기 위해 알츠하이머 질환과 관련된 Aβ1-42-GFP 또는 일부 다른 형광 표지 단백질을 발현하도록 유전적으로 수정될 수 있다.
샘플들을 이미징하는 데 사용되는 이미징 장치의 많은 대물렌즈들 또는 다른 광학 엘리먼트들은 피사계 심도에 대해 제한될 수 있다. 즉, 광학 장치는 샘플의 비교적 작은 체적 및/또는 실질적으로 평면인 체적으로부터 수신된 광을 초점에 맞게(in focus) 이미징하는 것이 제한될 수 있다. 이 체적의 외부로부터 수신된 광은 (이미징 장치의 전하 결합 디바이스 또는 다른 감광성 엘리먼트에 의해) 초점이 맞지 않게(out of focus) 수신될 수 있다. 이 제한 사항은 이미징 장치의 비용 또는 전체적인 품질, 이미징 장치에서 색수차, 축방향, 구면, 또는 다른 수차를 감소시키고자 하는 요구, 이미징 장치의 체적, 크기, 중량, 또는 부품들의 수를 감소시키고자 하는 요구, 작은 체적 및/또는 실질적으로 평면인 체적들을 이미징하는 것에 대한 사용을 제한함으로써, 또는 일부 다른 인자(들)로 인해 일부 방식으로 장치의 성능을 향상시키고자 하는 요구에 관련될 수 있다. 이러한 이미징 장치의 피사계 심도 제한은 다양한 방식으로 보상될 수 있다.
일부 예들에서, 이미징될 샘플들은 본질적으로 작은-체적 및/또는 실질적으로 평면일 수 있거나, 그렇게 되도록 수정될 수 있다. 그러나, 관심 있는 많은 샘플들은 이미징 디바이스의 좁은 피사계 심도 내에 맞지 않는 체적에 걸쳐 있을 수 있는 개별 객체들을 포함할 수 있고 및/또는 이미징 디바이스의 좁은 피사계 심도를 초과하는 이미징 디바이스의 이미징 평면에 수직인 방향으로, 샘플 내의 거리를 가로질러 다수의 객체들의 분포, 상호연결, 또는 다른 공간 정보에 관한 유용한 정보를 포함할 수 있다. 이러한 '3차원' 샘플은 오가노이드, 종양 스페로이드, 또는 일부 다른 3차원, 다중-세포 관심 구조를 포함할 수 있다. 또한, 이러한 구조들은 이미징 디바이스의 좁은 피사계 심도 내에 맞지 않는 체적에 걸쳐있는 배지(예를 들어, 세포외(extracellular) 배지의 돔(dome) 또는 달리-형상화된 체적) 내에 배양되거나 달리 배치될 수 있다. 예를 들어, 샘플은 종양 스페로이드(또는 일부 다른 다양한 스페로이드)가 다량의 매트리겔(matrigel) 내에 층상 및 매립된 포맷으로 배열되는 다중-스페로이드 분석의 일부일 수 있다.
오가노이드(organoid)(예를 들어, 췌장-세포 오가노이드, 간-세포 오가노이드, 장-세포 오가노이드) 및 종양 스페로이드가 특히 관심인데, 그 이유는 그들의 3차원 구조가 배양되는 세포의 '천연' 3차원 환경을 더욱 밀접하게 모방하기 때문이다. 따라서, 약물 또는 다른 적용된 실험 조건에 대한 오가노이드, 종양 스페로이드, 또는 다른 이러한 3차원 다중-세포 구조의 반응은 인체 또는 다른 일부 관심 환경에서 대응하는 샘플에 대한 반응을 더 가깝게 모방할 가능성이 있다. 오가노이드는 다양한 상이한 가능한 치료에 대한 특정 환자의 반응을 예측하기 위해 환자 자신의 세포로부터 배양될 수 있다. 예를 들어, iPSC는 환자로부터 추출될 수 있고, 뉴런 오가노이드, 유방암 오가노이드, 또는 일부 다른 관심 건강한 또는 건강하지 않은(예를 들어, 암성) 조직에 가까운 오가노이드를 배양하여 가능한 치료에 대한 이러한 조직의 반응의 평가를 가능하게 하는데 사용될 수 있다.
이러한 샘플들의 내용물을 이미징하기 위해 제한된 피사계 심도 이미징 장치를 사용하기 위해, 다양한 기법들이 사용될 수 있다. 일부 예에서, 샘플의 일부 또는 전부는 샘플의 이미징을 가능하게 하기 위해 현미경 슬라이드 또는 다른 편평한 부재 상에 확산될 수 있다. 그러나, 제한된 피사계 심도 이미징 장치와 호환가능한 샘플을 만들기 위한 샘플-확산 또는 다른 샘플 전처리 방법들은 관심 샘플에 적용가능하지 않을 수 있거나, 샘플의 파괴, 샘플에 관한 정보의 손실 또는 왜곡(예를 들어, 마이크로톰(microtome)과의 상호작용, 동결, 고정(fixation), 샘플 용기로부터 제거, 확산 등으로 인한 샘플의 왜곡), 또는 다른 원치 않는 효과들을 초래할 수 있거나, 관심 샘플에 적용가능하지 않을 수 있다. 또한, 이러한 샘플 전처리 방법은, 예를 들어, 시간에 따른 약물의 장기 효과 또는 다른 실험 조건을 분석하기 위해 다수의 시점에서 동일한 샘플(예를 들어, 배양된 오가노이드 또는 종양 스페로이드의 동일한 샘플)을 이미징할 가능성을 배제한다.
추가적으로 또는 대안적으로, 더 얕은 피사계 심도를 갖는 이미징 장치는 더 깊은 피사계 심도를 갖는 이미징 장치로 대체될 수 있지만; 이러한 개선된 이미징 장치는 너무 고가일 수 있거나, 인큐베이터 또는 다른 관심 환경 내에 맞추기에 너무 클 수 있거나, 일부 다른 고려사항에 대해 바람직하지 않을 수 있다.
제한된 피사계 심도 이미징 장치의 상기 제한 사항들은 본 명세서에 설명된 방법들을 이용함으로써 완전히 또는 부분적으로 완화될 수 있다. 이러한 제한된 피사계 심도 이미징 장치의 동작에 이러한 방법들을 적용하면, 대안적으로 이미징 장치의 광축에 평행한 방향으로 샘플에 의해 걸쳐 있는 체적과 동일하거나 체적을 초과하는 피사계 심도를 갖는 이미징 장치로부터 획득될 수 있는 이미지 정보의 생성을 허용한다. 본 명세서에 설명된 이미지 프로세싱 방법은 '3차원' 샘플의 복수의 이미지를 생성하는 단계(이는 이미지들의 '스택(stack)'으로 지칭될 수 있고, 각각의 이미지는 샘플 내의 각각의 상이한 깊이에 대응한다)를 포함한다. 각각의 이미지는 샘플에 대한 이미징 장치의 위치를 제어하기 위해 모터 또는 다른 액추에이터를 사용함으로써 초점이 맞춰진 샘플 내의 각각의 상이한 깊이로 취해질 수 있다. 이는 카메라를 이동시키는 것, 샘플 용기를 이동시키는 것, 또는 샘플 용기와 카메라 둘 모두를 이동시키는 것을 포함할 수 있다.
도 1은 이러한 이미지 세트를 생성하는 데 사용될 수 있는 예시적인 시스템(100)을 도시한다. 시스템(100)은 샘플 용기(130)에 수용된 샘플을 이미징하는데 사용될 수 있는 광원(120) 및 이미징 장치(110)(예를 들어, 카메라, 대물 렌즈, 및/또는 다른 광학 또는 전기 엘리먼트)를 포함한다. 샘플 용기(130)는 다중-홈 인큐베이션 또는 배양판(culture plate)(예를 들어, 96-홈 배양판)의 홈(well)일 수 있다. 샘플 용기(130)는 샘플 배지(135)(예를 들어, 다량의 매트리겔 내에 종양 스페로이드의 층상 및 매립된 배열을 포함하는 다중-스페로이드 분석 또는 다양한 상이한 추정 처리 또는 다른 실험 조건의 적용 전에 96-홈 다중-홈 배양판 또는 일부 다른 다중-홈 배양판의 홈에 오가노이드를 전달하기 전에 오가노이드를 배양하는데 사용되는 세포외 배지의 돔(dome)) 내에 함유된 다수의 객체(105)(예를 들어, 오가노이드, 종양 스페로이드, 또는 다른 3차원 생물학적 객체)를 함유한다.
도 1의 엘리먼트들(예를 들어, 카메라(110) 및 광원(120))의 배열은 비제한적인 예로서 의도된다. 샘플을 조명하기 위해 사용되는 광원은 카메라 또는 다른 이미징 장치로부터 샘플의 반대편에, 이미징 장치와 동일한 샘플 측면 상에, 이미징 장치에 대한 샘플 측면에, 또는 샘플 및 이미징 장치에 대한 일부 다른 위치에 위치될 수 있다. 또한, 광원은 이미징 장치에 통합될 수 있고/있거나 이미징 장치와 하나 이상의 광학 엘리먼트 또는 광학 경로를 공유할 수 있다(예를 들어, 공초점 이미징 시스템의 목적은 샘플을 조명하는 데 사용되는 레이저 또는 다른 엘리먼트와 샘플로부터 수신된 광을 이미징하는 데 사용되는 전하 결합 디바이스 또는 다른 엘리먼트 사이에 공유될 수 있다). 일부 예들에서, 예를 들어, 상이한 모드들(예를 들어, 형광 이미징, 명시야 이미징, 반사/산란 가시 광 이미징, 구조화된 조명 이미징, 위상 콘트라스트 이미징(phase contrast imaging))에 따라 샘플을 이미징하도록 동작하는 것을 가능하게 하기 위해, 다수의 광원들이 다수의 위치들에 제공될 수 있다.
카메라(110) 및/또는 광원(120)은 카메라(110)가 샘플 용기(130) 내의 작고 실질적으로 편평한 체적으로부터 수신된 광을 이미징할 수 있도록 구성될 수 있다. 그러한 구성은 비용을 줄이고, 신뢰도를 증가시키고, 크기 또는 질량을 감소시키거나, 일부 다른 이점(들)을 제공하기 위해 큰 피사계 심도 구성 대신에 선택될 수 있다. 예를 들어, 이러한 구성은 다수의 상이한 시점에서 인큐베이터 내의 다수의 샘플의 장기 자동 이미징을 허용하기 위해 인큐베이터 내의 작동 갠트리(gantry) 상에 카메라(110), 광원(120) 및/또는 이미징 장치의 다른 엘리먼트를 장착하는 것을 가능하게 하기 위해 카메라의 크기 및/또는 중량을 감소시키도록 선택될 수 있다. 영역(140a)은 이러한 제한된 피사계 심도 이미징 장치에 의해 초점에 맞게 이미징될 수 있는 제1 예시적인 체적의 범위를 단면으로 나타낸다. 영역(140b)은 샘플 용기(130) 내의 깊이에 대해 제1 영역(140a)과 상이하지만 카메라(110)의 광축에 수직인 방향으로 실질적으로 동일한 영역에 걸쳐 있는 이러한 영역의 또 다른 예를 단면으로 나타낸다.
샘플 용기(130)에 대한 카메라(110)의 위치는 상이한 시점에서, 샘플 용기(130) 내의 각각의 상이한 체적 또는 깊이를 이미징하는 것을 가능하게 하도록 설정될 수 있다. 이는 초점에 맞춰 이미징할 샘플 용기(130) 내의 편평한 영역을 선택하기 위해 (예를 들어, 카메라(110)를 이동시키고/시키거나 샘플 용기(130)를 이동시킴으로써) 샘플 용기(130)에 대해 카메라(110)를 이동시키기 위해 작동된 갠트리 또는 다른 수단을 사용하는 것을 포함할 수 있다. 예를 들어, 제1 시간 기간(예를 들어, 도 1에 도시된 시간 기간) 동안, 카메라(110)는 초점에 맞춰 제1 체적(140a)을 이미징하도록 동작할 수 있다. 카메라(110)는 그런 다음 샘플 용기(130)에 대해 하방으로 이동될 수 있고, 이어서 초점이 맞춰진 제2 체적(140b)을 이미징하도록 동작될 수 있다. 이러한 절차는 샘플 용기(130)의 내용물들을 나타내는 이미지들의 세트 또는 '스택(stack)'을 생성하기 위해 샘플 용기(130) 내의 복수의 상이한 체적들 및 대응하는 깊이들에 대해 반복될 수 있다. 이러한 절차는 카메라(110)의 피사계 심도보다 큰 특성 치수(characteristic dimension)를 갖고/갖거나 카메라(110)의 피사계 심도보다 큰 거리들에서 샘플 용기(130) 내의 수직 치수를 따라 레인징(ranging)하는 지점들에 위치되는 객체들(105)(예를 들어, 오가노이드들, 종양 스페로이드들, 또는 다른 3차원 생물학적 객체들)에 대한 초점이 맞춰진 이미지 정보의 생성을 가능하게 할 수 있다.
'적층된(stacked)' 이미지들의 세트들을 생성하기 위한 이러한 프로세스는 자동화된 방식으로 수행될 수 있다. 예를 들어, 카메라 및 연관된 액추에이터는 다수의 지정된 수의 시점에서 샘플의 이러한 이미지 세트를 생성하도록 동작할 수 있다(예를 들어, 시간에 따라 적용된 실험 조건에 대한 샘플 내용물의 응답의 분석을 가능하게 하기 위해 매 시간에 한 번, 24시간마다 한 번 등). 추가적으로 또는 대안적으로, 샘플은 다중 홈 샘플 용기 내에 위치될 수 있고, 이미지들의 세트는 특정 샘플을 선택하기 위해 2차원으로 그리고 특정 샘플 내의 상이한 깊이들을 이미징하기 위해 제3 차원으로 카메라를 작동시킴으로써(예를 들어, 카메라를 포함하는 갠트리의 액추에이터들을 작동시킴으로써) 용기 내의 샘플들 각각에 대해 생성될 수 있다.
도 2a는 샘플의 이미지들(200)의 예시적인 세트(또는 '스택(stack)')를 도시한다. 이미지들의 세트(200)의 각각의 이미지는 샘플 내의 개개의 초점면(focal plane)에 대응한다. 따라서, 각각의 이미지는 이미지에 대응하는 초점면에 대한 내용물의 위치에 따라 샘플의 각각의 상이한 내용물을 초점에 맞춰 표현할 수 있다. 제1 예에서, 이미지들의 세트(200) 중 최상부 이미지(210a)는 샘플 내용물들 중 어느 것도 위치되지 않는 제1 초점면에 대응한다. 따라서, 최상부 이미지(210a)의 이미지 정보는 모두 초점이 맞지 않는다(out-of-focus). 다른 예에서, 이미지들의 세트(200) 중 제2 이미지(210b)는 샘플 내용물들 중 일부가 위치되는 제2의 상이한 초점면에 대응한다. 따라서, 제2 이미지(210a)의 이미지 정보 중 일부(즉, 제2 이미지의 좌측 및 바닥에 3차원 객체)는 초점이 맞는 반면, 제2 이미지(210b)의 이미지 정보의 다른 부분들은 초점이 맞지 않는다.
이러한 이미지 세트(200)는 샘플 내의 내용물의 분포의 개선된 뷰를 제공하는 샘플의 투영 이미지를 생성하기에 충분한 초점이 맞춰진(in-focus) 이미지 정보를 포함할 수 있다. 예를 들어, 샘플의 내용물들의 일부 또는 전부는 투영 이미지에서 초점이 맞게 표현될 수 있다. 투영 이미지는 더 넓은 피사계 심도를 이용하여 생성된 것처럼 샘플의 이미지를 근사화할 수 있다. 도 2b는 도 2a에 도시된 이미지들의 세트(200)를 포함하는 이미지들의 세트로부터 생성된 이러한 투영 이미지(250)의 예를 도시한다. 이러한 투영 이미지는 샘플의 내용들의 개선된 이미징 및 분석을 가능하게 할 수 있다. 예를 들어, 투영 이미지는 이산 세포(discrete cells), 오가노이드(organoids), 종양 스페로이드(tumor spheroids), 또는 투영 이미지의 다른 3차원 내용물을 식별하기 위해 세그멘테이션될 수 있다. 그런 다음, 이러한 이미지 세그멘테이션(image segmentation)은 세포, 오가노이드, 종양 스페로이드, 또는 샘플의 내용물의 일부 다른 분석에 대한 수, 크기, 동일성(identity), 모폴로지(morphology), 또는 다른 정보를 자동으로 결정하는데 사용될 수 있다. 추가적으로 또는 대안적으로, 그러한 투영 이미지는 병리학자, 연구자, 유행병학자(epidemiologist), 또는 일부 다른 사람에 의한 샘플의 내용들의 주관적 분석을 가능하게 할 수 있다.
투영 이미지는 다양한 방식들로, 샘플 내의 각각의 상이한 초점면들에 대응하는 이미지들의 세트로부터, 샘플에 대해 생성될 수 있다. 일부 예들에서, 이것은 샘플의 내용물들이 위치되고/되거나 초점이 맞춰지는 깊이를 결정하기 위해 이미지들의 세트를 사용하는 것을 포함할 수 있다. 결정된 깊이에 대응하는, 이미지 또는 이미지들의 세트로부터의 픽셀들 또는 다른 이미지 정보는 그런 다음 투영 이미지의 대응하는 픽셀들을 생성하기 위해 사용(또는 '투영(projected)')될 수 있다. 이러한 깊이 정보는 추가적으로 또는 대안적으로 샘플의 내용물들에 대한 깊이 맵(depth map)을 생성하기 위해(예를 들어, 3차원 기하학적 구조의 분석 및/또는 샘플의 내용들의 배열을 가능하게 하기 위해) 및/또는 투영 이미지(또는 샘플의 일부 다른 이미지)의 세그멘테이션(segmentation)을 개선하기 위해 사용될 수 있다.
Ⅱ.
깊이 맵(Depth Maps)들의 예시적인 생성
샘플 내의 깊이들의 범위에 걸쳐 있는 각각의 상이한 깊이들에 대응하는, 샘플의 좁은 피사계 심도 이미지들 (예를 들어, 명시야 이미지들)의 세트들은 샘플의 내용물들의 깊이에 관한 정보를 결정하기에 충분한 정보를 포함할 수 있다. 이러한 '적층된(stacked)' 이미지들의 세트들은 또한, (예를 들어, 샘플의 일종의 시뮬레이션된 넓은 피사계 심도 이미지로서) 깊이들의 범위에 걸쳐 초점이 맞는 샘플의 내용물들을 표현하는 샘플의 투영 이미지를 생성하기 위해 깊이 정보와 조합될 수 있는 충분한 이미지 정보를 포함할 수 있다. 본 명세서에 설명된 방법들은 좁은 시야(field-of-view) 이미지들(예를 들어, 명시야 이미지들, 형광 이미지들)의 세트들로부터 그러한 깊이 정보(예를 들어, 깊이 맵들로서) 및 그러한 투영 이미지들을 생성하는 것을 가능하게 한다.
이들 방법들은 이미지들의 세트의 각각의 이미지 내에서 에지들, 텍스처(texture)들, 또는 다른 고-공간-주파수 내용물(high-spatial-frequency content)을 검출하는 것을 포함한다. 특정 이미지 내의 특정 위치에서의 이러한 고-공간-주파수 내용물의 존재는 특정 위치에서의 샘플의 내용물들이 초점에 맞게(in-focus) 이미징되었음을 나타낼 수 있다. 따라서, 특정 위치에 있는 샘플의 내용들은 샘플 내에서 특정 이미지의 깊이에 대응하는 깊이에 위치된다고 가정할 수 있다. 따라서, 깊이 맵 또는 다른 깊이 정보는 샘플의 이미지들의 세트의 각각의 이미지 내의 '초점이 맞는(in-focus)' 영역들을 식별함으로써 샘플에 대해 생성될 수 있다. 이러한 식별된 영역들은 그런 다음 샘플의 단일 깊이 맵 및/또는 투영 이미지를 생성하기 위해 이미지들의 세트에 걸쳐 조합될 수 있다.
샘플의 이미지들의 세트의 각각의 이미지 내의 '초점이 맞는' 영역들을 식별하는 것은 이미지들 각각에 필터 또는 변환(transformation)을 적용하는 것을 포함할 수 있다. 예를 들어, Canny 에지 검출기 또는 다른 에지 검출 필터 또는 알고리즘은, 이미지들의 세트 내의 각각의 이미지에 대해, 에지들이 이미지들 각각에서 어디에 위치하는지를 나타내는 개개의 '에지 이미지(edge image)'를 생성하기 위해 적용될 수 있다. 다른 예에서, 텍스처 필터는, 각각의 이미지에서, 증가된 고-공간-주파수 정보(또는 '텍스처')의 영역들이 위치되는 곳을 표현하는 각각의 '텍스처 이미지들(texture images)'을 생성하기 위해 이미지들의 세트 내의 각각의 이미지에 적용될 수 있다.
"텍스처"는 다양한 방식으로 결정될 수 있다. 예를 들어, 이미지의 특정 픽셀에 대한 텍스처 값은 특정 픽셀의 이웃에 있는 픽셀들의 세트의 엔트로피, 수치 범위, 표준 편차, 분산, 계수 또는 변동, 또는 변동성의 일부 다른 측정치를 결정함으로써 결정될 수 있다. 이러한 이웃은 이웃하는 픽셀들의 정사각형 또는 다른 형상화된 영역, 예를 들어, 텍스처 값이 결정되고 있는 특정 픽셀에 중심을 둔 픽셀들의 5 x 5 정사각형일 수 있다. '이웃(neighbor)' 영역 내의 픽셀들은 텍스처 값을 결정하기 위해 동일하게 가중될 수 있거나, 또는 가중된 방식으로 사용될 수 있다(예를 들어, 엔트로피, 표준 편차 등을 결정할 때 더 멀리 떨어진 픽셀들보다 텍스처 값이 결정되고 있는 특정 픽셀에 더 가까운 픽셀들에 더 높은 가중치를 부여함으로써). 이러한 텍스처 값들은 이미지 내의 모든 픽셀에 대해, 이미지 내의 픽셀들의 서브세트(예를 들어, 모든 다른 픽셀에 대해), 또는 이미지 내의 위치들의 일부 다른 세트에 대해 결정될 수 있다.
위에서 언급된 바와 같이, 더 높은 텍스처 값들(또는 이미지의 고-공간-주파수 내용물들과 관련된 일부 다른 속성의 더 높은 값들)을 갖는 특정한 좁은 피사계 심도 이미지의 영역들은 초점이 맞게 이미징되었을 가능성이 더 높다. 따라서, 샘플의 특정 이미지의 특정 고-텍스처 위치에 대응하는 샘플의 내용물들은 특정 이미지의 초점면의 깊이에 대응하는 샘플 내의 깊이에 위치될 가능성이 있다. 이미지들의 세트 내의 특정 위치에 대한 텍스처 정보(예를 들어, 이미지들 각각 내의 특정 픽셀 인덱스의 위치에 대응함)는 특정 위치에 대한 단일 깊이 값을 결정하기 위해 모든 이미지들에 걸쳐 비교될 수 있다. 이러한 결정은 샘플에 대한 전체 깊이 맵을 생성하고 및/또는 샘플의 투영된 출력 이미지의 픽셀들을 생성하는데 사용될 수 있다 (예를 들어, 투영 이미지의 픽셀들을 생성하는데 사용하기 위해 결정된 깊이에 대응하는, 이미지들의 세트 중, 이미지의 픽셀(들)을 선택함으로써) .
이 프로세스를 예시하기 위해, 도 3a는 샘플의 이미지(301)(예를 들어, 본 명세서에 설명된 바와 같이 생성된 투영 이미지)를 도시한다. 이미지(301)는 샘플의 깊이 맵(300) 옆에 도시된다. 이미지(301) 내의 각각의 객체는 하나 이상의 오가노이드, 종양 스페로이드, 또는 다른 3차원 다중-세포 객체를 포함할 수 있다. 깊이 맵(300)은 이미지(301)에 묘사된 외관상 단일 객체들 중 일부가 어쩌면 샘플 내의 상이한 깊이들에서 다수의 중첩 객체들을 묘사하는 것을 보여준다.
도 3b는 샘플의 깊이 맵(300) 및 샘플 내의 각각의 상이한 깊이들에서의 각각의 상이한 초점면들에 대응하는 샘플의 좁은 피사계 심도 이미지들(310a, 310b, 310c, 310d)의 세트를 예시한다. 깊이 맵(300) 및 이미지들의 세트의 이미지들은 설명의 편의를 위해 동일한 해상도 및 픽셀 위치들을 갖는다. 본 명세서의 방법들은 이미지들의 세트의 깊이 맵, 투영 이미지, 및/또는 입력 이미지들이 상이한 해상도들 및/또는 픽셀 위치들을 갖는 상황들에 적응될 수 있다는 것이 당업자에 의해 인식될 것이다.
깊이 맵(300)의 특정 픽셀(305)에 대한 깊이 값은 이미지들의 세트(310a, 310b, 310c, 310d)의 각각의 이미지에서 대응하는 픽셀들(315a, 315b, 315c, 315d)의 텍스처 값들(또는 고-공간-주파수 이미지 내용물의 로컬 크기를 나타내는 다른 값들)에 기초하여 결정될 수 있다. 도 3b에 도시된 바와 같이, 이미지 세트 및 깊이 맵의 이미지는 동일한 크기 및 해상도를 가질 수 있으며, 이 경우 픽셀 대응은 일대일 대응할 수 있다. 이는 깊이 맵 내의 특정 픽셀의 위치에 대응하는, 입력 이미지들 내의 위치들에서의 입력 이미지들 각각으로부터의 텍스처 정보에 기초하여 깊이 맵의 특정 픽셀에 대한 깊이 값을 결정하는 비제한적인 예로서 의도된다.
깊이 값은 다양한 방식들로, 텍스처(또는 다른 고-공간-주파수 이미지 내용물) 값들의 세트에 기초하여 선택될 수 있다. 예를 들어, 가장 큰 텍스처 값(또는 최저 값, 더 낮은 텍스처 값들이 더 많은 양의 고-공간-주파수 이미지 내용물에 대응하면)이 결정될 수 있고, 가장 큰 텍스처 값에 대응하는 입력 이미지의 깊이에 따라 깊이가 결정될 수 있다. 이는, 가장 큰 텍스처 값이, 특정 픽셀 위치에 대해, 해당 특정 위치에서 가장 초점이 맞는 이미지에 대응할 가능성이 있고 따라서 샘플의 내용물들이 샘플 내의 대응하는 깊이에 위치될 가능성이 있다는 가정에 기초하여 행해질 수 있다.
텍스처 값들의 세트에 기초하여 깊이 값을 결정하기 위해 추가적인 또는 대안적인 방법들이 적용될 수 있다. 예를 들어, 깊이는 텍스처 값들의 세트 내에서 검출된 피크 또는 다른 피처의 깊이에 기초하여 결정될 수 있다. 도 3c는 텍스처 값들을 생성하는데 사용되는 입력 이미지들의 깊이의 함수로서 출력 깊이 맵의 특정 픽셀에 대해 결정된 텍스처 값들(320)의 세트의 플롯을 예시한다. 텍스처 데이터에 피크(325)가 존재하며; 이 피크는 검출될 수 있고, 이로부터 깊이(도 3c의 'd1')가 결정된다. 피크 검출(peak detection)은, 깊이의 함수로서 텍스처 값들 내의 피크들이, 특정 픽셀 위치에 대해, 해당 특정 위치에서 초점이 맞는 샘플의 내용물들에 대응할 가능성이 있고 따라서 샘플의 내용물들이 샘플 내의 대응하는 깊이에 위치될 가능성이 있다는 가정에 기초하여 깊이 값을 결정하기 위해 채용될 수 있다.
전술한 바와 같이 결정된 깊이 값들은, 투영 이미지의 픽셀들을 생성하기 위해, 샘플의 하나 이상의 이미지들의 세그멘테이션을 개선하기 위해, 또는 일부 다른 애플리케이션을 가능하게 하기 위해, 깊이 맵의 픽셀들로서 그대로(as-is) 사용될 수 있다. 대안적으로, 일부 레벨의 공간 전처리는 이러한 애플리케이션들 이전에 결정된 깊이 값들에 적용될 수 있다(예를 들어, 공간 전처리는 깊이 맵을 생성하기 위해 전술한 바와 같이 결정된 깊이 값들의 세트에 적용될 수 있다). 예를 들어, 2차원 저역 통과 또는 다른 유형의 선형 필터가 애플리케이션에서 깊이 값들을 적용하기 전에 깊이 값들에 적용될 수 있다. 추가적으로 또는 대안적으로, 비선형 전처리 방법이 적용될 수 있다. 예를 들어, 에지 보존 저역 통과 공간 필터(edge-preserving low-pass spatial filter)가 적용될 수 있다. 다른 예로서, 이웃들에 대해 이상치(outlier)들인 (예를 들어, 이웃들의 표준 편차의 배수인, 지정된 양을 초과하여 이웃들에 대한 평균 값을 초과하는) 깊이 값들은 제거될 수 있거나, 특정 양(예를 들어, 이웃들의 평균, 중앙값(median), 또는 다른 중심 측정치)으로 설정될 수 있거나, 더 공격적인 필터 파라미터들을 사용하여 필터링될 수 있거나, 또는 후속 처리에 대한 그러한 이상치들의 영향을 감소시키기 위해 일부 다른 방식으로 전처리될 수 있다.
Ⅲ.
예시적인 이미지 형성
샘플에 대한 깊이 정보(예를 들어, 깊이 맵, 개별 깊이 값들)는 샘플의 이미지들의 세트로부터의 픽셀들 또는 다른 이미지 정보를 샘플의 단일 투영 이미지(예를 들어, 예시적인 투영 이미지들(250 및 301)에서와 같이)로 투영하는 데 사용될 수 있다. 깊이 정보는 투영 이미지의 각 픽셀에 대한 강도, 색상 또는 기타 이미지 정보를 설정할 때 이미지 세트의 어떤 이미지를 그릴지 결정하는 데 사용될 수 있다. 위에서 언급된 바와 같이, 입력 이미지들의 세트가 샘플 내의 초점면에 대해 변하는 경우, 깊이 정보는, 투영 이미지가 입력 이미지들의 세트에 대해 완전히 초점이 맞춰져 나타나거나 달리 개선되도록 투영 이미지의 픽셀들을 생성할 때 이미지들 중 어느 것을 투영할지를 선택하기 위해 사용될 수 있다.
도 4는 샘플의 투영 이미지(400) 및 샘플 내의 각각의 상이한 깊이들에서 각각의 상이한 초점면들에 대응하는 샘플의 좁은 피사계 심도 이미지들(410a, 410b, 410c, 410d)의 세트를 예시한다. 투영 이미지(400) 및 이미지들의 세트의 이미지들은 설명의 편의를 위해 동일한 해상도 및 픽셀 위치들을 갖는다. 본 명세서의 방법들은 이미지들의 세트의 깊이 맵, 투영 이미지, 및/또는 입력 이미지들이 상이한 해상도들 및/또는 픽셀 위치들을 갖는 상황들에 적응될 수 있다는 것이 당업자에 의해 인식될 것이다.
투영 이미지(400)의 특정 픽셀(405)에 대한 이미지 값(예를 들어, 휘도, 색차, 적색, 녹색, 및/또는 청색 채널 컬러 값 중 하나 이상)은 특정 픽셀(405)에 대해 결정된 깊이 값에 기초하여 결정될 수 있다. 이러한 깊이 값은 샘플의 깊이 맵으로부터 획득되거나 픽셀 단위로 결정될 수 있다. 깊이 값은 (예를 들어, 투영 이미지의 각각의 픽셀에 대응하는 위치에서 가장 높은 텍스처 값을 갖는 이미지들의 세트 중 이미지의 깊이를 식별함으로써) 전술된 바와 같이, 또는 일부 다른 방법을 사용하여, 예를 들어, 일부 다른 깊이 검출 수단의 위상 콘트라스트 이미지, 깊이 센서를 사용하여 결정될 수 있다.
특정 픽셀(405)에 대한 이미지 값을 결정하는 것은 특정 픽셀(405)에 대한 깊이 값과 매칭하는 이미지의 대응하는 픽셀의 이미지 값을 복사하는 것을 포함할 수 있다. 예를 들어, 도 4에서, 제2 이미지(410b)는 특정 픽셀(405)에 대해 결정된 깊이 값에 대응하는 깊이를 갖는다. 따라서, 제2 이미지(410b)의 대응하는 픽셀(415b)의 이미지 값(예를 들어, 휘도, 강도 등)은 특정 픽셀(405)에 대한 이미지 값으로 복사되거나 투영된다.
이미지 값들의 이러한 일대일 투영은 깊이 값 및 해당 깊이 값에 대응하는 하나 이상의 좁은 피사계 심도 이미지들에 기초하여 투영 이미지의 특정 픽셀에 대한 이미지 값을 결정하는 비제한적인 예로서 의도된다. 특정 픽셀(405)에 대한 이미지 값을 생성하기 위해 추가 픽셀들이 사용될 수 있다(예를 들어, 가중된 조합으로 조합될 수 있다). 일부 예들에서, 특정 픽셀(405) 및/또는 이웃 픽셀들의 이미지 값은, 전체적으로 또는 부분적으로, 제2 이미지(410b)의 대응하는 픽셀(415b)에 이웃하는 픽셀들의 수에 기초하여 결정될 수 있다. 추가적으로 또는 대안적으로, 특정 픽셀(405)의 깊이 값의 특정된 범위 내의 깊이 값들에 대응하는 다수의 이미지들로부터의 이미지 정보는 특정 픽셀(405)의 이미지 값을 생성하기 위해 사용될 수 있다. 예를 들어, 특정 픽셀(405)의 이미지 값은 제2 이미지(410b)의 대응하는 픽셀(415b) 및 제1 이미지(410a) 및 제3 이미지(410c)의 대응하는 픽셀들(415a, 415c)의 조합에 기초하여 결정될 수 있고, 제1 이미지(410a) 및 제3 이미지(410c)는 특정 픽셀(405)의 깊이 값의 이웃(예를 들어, 지정된 범위) 내의 깊이들에 대응한다.
Ⅳ.
예시적인 이미지 세그멘테이션
생물학적 샘플의 이미지 또는 다른 관심 환경 내에서 오가노이드들, 종양 스페로이드들, 세포들, 입자들, 또는 다른 3차원, 다중-세포 이산 내용물들에 관한 정도, 위치, 크기, 동일성, 및/또는 다른 정보를 자동화된 방식으로 식별하는 것은 다양한 맥락들에서 유익할 수 있다. 이러한 프로세스를 "이미지 세그멘테이션(image segmentation)"이라 한다. 이미지 세그멘테이션은 이미지의 내용물에 대한 다양한 분석을 자동으로 수행하기 위해, 예를 들어, 샘플 내의 세포, 오가노이드, 또는 종양 스페로이드의 수, 유형, 체적/크기, 공간 분포, 형상, 성장 속도, 또는 다른 속성을 결정하기 위해 사용될 수 있다.
생물학적 샘플의 현미경 이미지 상에서 세그멘테이션을 수행하기 위해 다양한 방법이 당업계에 이용가능하다. 이러한 방법들은 임계화(thresholding), 클러스터링(clustering), 에지 검출(edge detection), 영역 확장(region-growing), 인공 신경망 또는 다른 기계 학습 알고리즘, 또는 이미지 내에서 잠재적으로 상이한 인접 영역들을 식별하기 위한 일부 다른 기술 또는 기술들의 조합 중 하나 이상을 포함할 수 있다. 이러한 방법을 사용하여 확인된 각각의 영역은 각각의 오가노이드, 암 스페로이드, 세포, 또는 이의 성분 또는 부분에 대응할 수 있다. 이러한 방법은 샘플의 하나 이상의 좁은 피사계 심도 이미지에 적용될 수 있다. 이러한 투영 이미지는 투영 이미지를 생성하는데 사용되는 임의의 개별 좁은 피사계 심도 이미지보다 더 많은 초점이 맞춰진 샘플 내용물을 나타내기 때문에, 세그멘테이션은 전술한 바와 같이 결정된 샘플의 투영 이미지를 세그멘테이션함으로써 개선될 수 있다.
도 5a는 샘플의 예시적인 이미지(500)를 도시한다. 이미지는 본 명세서의 다른 곳에서 설명된 바와 같이 생성된 투영 이미지일 수 있거나 또는 일부 다른 방식으로 획득될 수 있다. 도 5b에 도시된 바와 같이, 이미지(500)는 샘플의 제1 세그멘테이션 맵(510)을 생성하도록 세그멘테이션될 수 있다. 영역들은 제1 예시적인 영역들(515a), 제2 예시적인 영역들(515b), 및 제3 예시적인 영역들(515c)을 포함한다. 각각의 영역은 샘플 내의 각각의 상이한 객체, 다수의 객체, 및/또는 객체의 일부(예를 들어, 오가노이드, 종양 스페로이드, 세포)를 나타낼 수 있다.
식별된 영역들의 정확도는 입력 이미지(500)에서 이용 가능한 이미지 정보에 의해 제한될 수 있다. 예를 들어, 입력 이미지 내에서, 별개의 중첩하거나 또는 인접한 객체들 사이의 경계들은 세그멘테이션 방법이 세그멘테이션 맵에서 별개의 객체들을 각각의 상이한 영역들로서 식별하는 것을 방지하는 방식으로 퍼지(fuzzy)되거나 그렇지 않으면 차선화될 수 있다. 도 5c는 입력 이미지(500)에 의해 표현되는 샘플의 깊이 맵(520)을 도시한다. 깊이 맵(520)은 본 명세서에 설명된 방법들을 사용하여 좁은 피사계 심도 이미지들의 세트에 기초하여(예를 들어, 이미지들의 세트에 존재하는 텍스처 정보에 기초하여) 생성될 수 있거나, 일부 다른 방법을 통해(예를 들어, 깊이 센서를 사용하여) 생성될 수 있다. 깊이 맵(520)은 제1 세그멘테이션 맵(510)의 적어도 제1 영역(515a) 및 제2 영역(515b)이 제1 영역(515a) 및 제2 영역(515b)에 각각 대응하는 깊이 맵(520)의 영역들(525a, 525b) 내의 상이한 인접 영역들 사이의 깊이 차이에 기초하여 다수의 구별가능한 객체들을 나타낼 가능성이 있음을 보여준다.
따라서, 깊이 맵(520)에 의해 또는 일부 다른 소스로부터 제공된 깊이 정보는 이미지의 세그멘테이션을 개선하기 위해 적용될 수 있다. 이것은 깊이 맵으로부터의 깊이 정보를 사용하여 제1 세그멘테이션 이미지의 하나 이상의 영역들을 추가로 분할하여 개선된 제2 세그멘테이션 이미지를 생성하는 것을 포함할 수 있다. 예를 들어, 제1 세그멘테이션 맵(510)의 특정 영역에 대응하는 깊이 정보는 그것이 깊이 값들의 하나보다 많은 잠재적으로 이산 모집단을 나타내는지 여부를 결정하기 위해 분석될 수 있다. 만약 그렇다면, 특정 영역은 이산 모집단들 각각 내의 깊이 값들의 위치들에 따라 추가로 분할될 수 있다.
일 예로서, 도면들 5c 및 5d는 개선된 제2 세그멘테이션 맵(530)을 생성할 때 이들 영역들을 추가로 분할할지 여부를 결정하기 위해 제1 세그멘테이션 맵(510)의 제1 영역(515a) 및 제2 영역(515b) 영역의 분석을 예시한다. 제1 영역(515a)에 대해, (깊이 값들의 제1 패치(patch)(525a)로서 도 5c에 표시된) 제1 영역(515a)의 위치 및 범위에 대응하는 깊이 값들(예를 들어, 깊이 맵(520)의 픽셀들)은 제1 영역(515a)이 추가로 분할될 수 있는 영역들을 식별하기 위해 분석될 수 있다.
이는 제1 패치(525a) 내의 2개 이상의 영역들을 식별하기 위해 제1 패치(525a) 내의 깊이 값들의 모집단(population)에 대해 클러스터링, 영역 확장, 또는 다른 분석들을 수행하는 것을 포함할 수 있다. 그런 다음, 제1 영역(515a)은 제2 세그멘테이션 맵(530)의 영역들(535a, 535b, 및 535c)로 추가로 분할될 수 있다. 이 분할은 식별된 클러스터들 각각에 대응하는 깊이 맵(520)의 깊이 맵 픽셀들의 위치들에 기초하여 추가 분할들을 생성하는 것을 포함할 수 있다. 이러한 프로세스는 결정된 분할들이 부모 영역(515a)의 분할 후에 인접하고 및/또는 합리적으로 매끄러운 영역들(535a, 535b, 및 535c)로 이어지는 것을 보장하기 위해 필터링, 영역 확장, 에지 보존(edge-preservation), 또는 다른 프로세스들을 수행하는 것을 포함할 수 있다. 유사한 프로세스가 제1 세그멘테이션 맵(510)의 제2 영역(515b)을 제2 세그멘테이션 맵(530)의 대응하는 영역들(535d, 535e)로 분할하기 위해 적용될 수 있다. 이러한 분석은 제1 세그멘테이션 맵(510)의 제3 영역(515c)이 제2 세그멘테이션 맵(530)에서 단일 영역(535f)으로 유지되었기 때문에 더 분할이 수행되지 않을 수도 있다는 것에 유의한다.
V.
예제 애플리케이션
본원에 설명된 시스템 및 방법은 샘플 이미징에서 다양한 생물학적 적용을 가능하게 하는데 사용될 수 있다. 이는 시간, 일, 주, 또는 일부 다른 지속 기간에 걸쳐 복수의 시점에서, 또는 샘플을 인큐베이터로부터 제거함으로써 샘플을 섭동(perturb)할 필요가 없도록 자동화 이미징 시스템을 사용하여 인큐베이터 내에 위치된 복수의 샘플(예를 들어, 96홈 샘플 판의 각각의 홈 내에 함유된 96개의 샘플)을 이미징하는 것을 포함할 수 있다. 이미지화된 샘플은 인체 세포 또는 종양 세포, 오르가노이드, 종양 스페로이드, 또는 다른 세포의 3D 배양물을 함유할 수 있다. 세포는 천연적일 수 있거나, 또는 일부 실험 프로세스의 결과(예를 들어, 암 세포를 생성하기 위해 발암물질에 노출된 결과)일 수 있다. 또한, 세포는 형광 염료(fluorescent dye)로 표지(label)되거나, 형광 단백질, 다른 리포터 물질(reporter substance)을 발현하거나, 또는 일부 다른 생물학적 통찰력을 제공하기 위해(예를 들어, 세포에 대한 유전적 변형의 영향을 평가하기 위해) 유전적으로 수정될 수 있다.
샘플은 면역학(immunology), 종양학(oncology), 신경학(neuroscience), 세포 요법(cell therapy), 또는 다른 연구 분야에서 약물 발견을 수행하고/하거나 약물 또는 다른 물질의 독성학을 평가하기 위해 준비되고 이미지화될 수 있다. 샘플들이 오르가노이드를 포함하고/하거나 발육시키도록 허용되는 예들에서, 샘플들을 이미징하는 것은 장기 발육의 조사, 질환 모델들의 개발 및/또는 정량화, 및/또는 재생 의학(regenerative medicine)의 발전을 가능하게 할 수 있다.
설명된 시스템들 및 방법들은 다양한 이미징 모달리티(modality)들을 지원한다. 예를 들어, 무표지(label-free) 명시야 이미지는 오가노이드, 세포외 배지에 매립된 다중-스페로이드, 또는 예를 들어 96-홈 분석의 홈(well)에 배치될 수 있는 다른 3차원 샘플로 취해질 수 있다. 형광 이미징은 세포를 표지하도록 작용할 수 있고/있거나 형광 검정의 일부로서 세포 기능 또는 일부 다른 관심 속성의 리포터일 수 있는 형광 리포터(fluorescent reporter)를 이미징하기 위해 사용될 수 있다. 예를 들어, 아넥신(Annexin) V 녹색 형광 염료-기반 시약은 샘플에서 세포 사멸에 관한 위치, 속도, 또는 다른 정보를 평가하기 위해 이미지화될 수 있고, NucLight Red 지시약은 샘플에서 세포 증식에 관한 정보를 평가하기 위해 이미지화될 수 있고, 또는 일부 다른 형광 리포터 또는 리포터들의 시스템(예를 들어, 다색 FUCI 분석)은 세포 분열, 기능, 동일성, 또는 분화에 관한 정보를 평가하기 위해 형광으로 이미지화될 수 있다. 이는, 예를 들어, 오가노이드(organoid), 다중-스페로이드(multi-spheroid), 또는 일부 다른 관심 3차원 객체를 함유하는 샘플의 세포 건강 검정을 수행하기 위해 행해질 수 있다.
다중-홈판(multi-well plate)(예를 들어, 96-홈판) 내의 다수의 상이한 샘플이 이미징되는 경우, 샘플은 세포 내용물(예를 들어, 세포 유형, 종양 세포 유형), 첨가된 물질의 양 또는 정체(예를 들어, 첨가된 약물의 용량, 약물 발견 분석의 일부로서 첨가된 약물 변이체의 특정 다양성), 유전적 변형의 유형, 또는 일부 다른 다양한 실험 조건과 관련하여 홈(well)마다 다양할 수 있다. 그런 다음 본 명세서에 설명된 자동화 이미징 및 이미지 프로세싱 기법들은 적용된 물질들/치료들의 효능 및/또는 독성을 평가하거나, 관심 있는 일부 다른 실험 데이터를 결정하기 위해 적용될 수 있다.
VI.
예제 시스템
다양한 시스템들이 본 명세서에 설명된 다양한 실시예들을 수행하기 위해 이용(예를 들어, 프로그래밍)될 수 있다. 이러한 시스템들은 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 태블릿들, 또는 다른 단일-사용자 워크스테이션들을 포함할 수 있다. 추가적으로 또는 대안적으로, 본 명세서에 설명된 실시예들은 서버, 클라우드 컴퓨팅 환경, 또는 다른 다중 사용자 시스템에 의해 수행될 수 있다.
이러한 시스템들은 다른 시스템들로부터 수신된 데이터, 예를 들어, 서버 상의 원격 데이터 저장소로부터, 원격 셀 카운터 또는 다른 기구로부터, 또는 일부 다른 소스로부터 수신된 데이터를 분석할 수 있다. 추가적으로 또는 대안적으로, 본 명세서에 설명된 실시예들을 수행하도록 구성된 시스템은 자동화된 인큐베이터, 샘플 이미징 시스템, 또는 분석을 위한 실험 데이터를 생성할 수 있는 일부 다른 기구를 포함하고/하거나 그에 결합될 수 있다. 예를 들어, 그러한 기구는 다중-홈 샘플 용기를 함유하는 인큐베이터를 포함할 수 있다. 이러한 다중-홈 샘플 용기 내의 샘플은 샘플의 게놈, 샘플의 소스, 샘플에 적용된 성장 배지, 샘플에 적용된 제약 또는 생물학적, 또는 샘플에 적용된 일부 다른 조건과 관련하여 상이할 수 있다.
이러한 장치 내의 샘플은 다양한 방식으로 실험적으로 평가될 수 있다. 샘플들은 (예를 들어, 가시광, 적외선 광, 및/또는 자외선 광을 사용하여) 이미징될 수 있다. 이러한 이미징은 샘플의 내용물의 형광 이미징, 예를 들어, 샘플에 추가되고/되거나 샘플의 세포에 의해 생성된(예를 들어, 형광단을 코딩하는 유전자의 삽입 후에) 형광 염료 또는 리포터를 이미징하는 것을 포함할 수 있다. 자동화 갠트리(automated gantry)는 샘플 용기의 개개의 홈 내의 다양한 샘플의 이미징을 가능하게 하기 위해 또는 샘플 용기의 개개의 홈 내의 다양한 샘플의 측정 및 분석을 가능하게 하기 위해 그러한 인큐베이터 내에 위치될 수 있다.
일 예로서, 자동화된 이미징 시스템은 시간에 따른 복수의 상이한 스캔 기간들 동안, 자동화된 방식으로, 샘플 용기의 개개의 홈들에서, 복수의 생물학적 샘플들의 이미지들(예를 들어, 명시야 이미지들, 형광 이미지들)을 획득하기 위해 채용될 수 있다. 자동화된 이미징 시스템에 의해, 각각의 스캔 기간들 동안 각각의 샘플의 이미지들, 예를 들어, 샘플 내의 초점면에 대해 상이한 이미지들의 세트가 취해질 수 있다. 그런 다음, 이미지들은, 예를 들어, 본 명세서에 설명된 방법들에 따라, 깊이 맵, 투영 이미지, 또는 샘플들에 관한 일부 정보를 결정하기 위해 분석될 수 있다.
이러한 자동화된 이미징 시스템의 사용은 생물학적 샘플을 이미징하는 데 드는 인건비를 상당히 감소시킬 수 있을 뿐만 아니라, 수동 이미징과 비교할 때 생성된 이미지들의 타이밍, 포지셔닝(positioning), 및 이미지 파라미터들에 대한 일관성을 증가시킬 수 있다. 또한, 이러한 자동화 이미징 시스템은 인큐베이터 내에서 동작하도록 구성될 수 있어서, 이미징을 위해 인큐베이터로부터 샘플을 제거할 필요성을 제거한다. 이에 따라, 샘플에 대한 성장 환경을 보다 일관성 있게 유지할 수 있다. 또한, 자동화 이미징 시스템이 (예를 들어, 고정 이미징 장치에 의해 이미징될 샘플 용기를 이동시키는 대신에) 현미경 또는 다른 이미징 장치를 샘플 용기에 대해 이동시키도록 작용하는 경우, 샘플의 이동 관련 섭동이 감소될 수 있다. 이는 샘플의 성장 및 발육을 좋게 하고 이동 관련 갈등을 줄일 수 있다.
이러한 자동화된 이미징 시스템은 24시간 초과, 3일 초과, 30일 초과, 또는 일부 더 긴 기간만큼 분리되는 스캔들 동안 하나 이상의 이미지들을 획득하도록 동작할 수 있다. 스캔들은 특정된 속도로, 예를 들어, 매일 한 번, 매일 두 번 이상, 매일 두 번 이상, 또는 매일 세 번 이상 발생하도록 특정될 수 있다. 스캔들은 적어도 2개, 적어도 3개, 또는 일부 더 많은 수의 스캔들이 24시간 기간 내에 발생하도록 특정될 수 있다. 일부 예들에서, 하나 이상의 스캔들로부터의 데이터가 (예를 들어, 본 명세서에 설명된 방법들에 따라) 분석될 수 있고, (예를 들어, 샘플 내에서 발생할 것으로 예측되는 이산 이벤트의 발생을 검출하기 위해 스캔들의 속도, 지속기간, 이미지 캡처 속도, 또는 일부 다른 속성을 증가시키기 위해) 추가적인 스캔들의 타이밍을 결정하는 데 사용될 수 있다.
그러한 자동화 이미징 시스템의 사용은 장기간에 걸쳐 다수의 시점에서 동일한 생물학적 샘플의 이미징을 가능하게 할 수 있다. 따라서, 개별 세포 및/또는 세포 네트워크 (예를 들어, 오가노이드, 종양 스페로이드)의 발생 및/또는 거동이 시간에 따라 분석될 수 있다. 예를 들어, 셀들의 세트, 셀들의 부분들, 또는 다른 객체들은 단일 샘플 내에서, 상이한 광범위하게 이격된 시간 기간들 동안 취해진 스캔들 내에서 식별될 수 있다. 그런 다음 식별된 객체들의 이러한 세트들은 스캔들에 걸쳐 동일한 객체(들)를 식별하기 위해 스캔들 사이에서 비교될 수 있다. 따라서, 개별 오가노이드, 종양 스페로이드, 세포, 또는 세포의 일부의 거동은 시간, 일, 주, 또는 달에 걸쳐 추적되고 분석될 수 있다.
도 6은 이러한 자동화 이미징 시스템(600)의 엘리먼트들을 도시한다. 자동화 이미징 시스템(600)은 자동화 이미징 시스템(600)의 다른 엘리먼트들이 부착되는 프레임(610)을 포함한다. 프레임(610)은 인큐베이터 내에 끼워지도록 구성(예를 들어, 크기 결정)될 수 있다. 자동화 이미징 시스템(600)은 프레임(610)에 결합된 샘플 용기 트레이(630) 내에 제거 가능하게 배치되는 샘플 용기(620)를 포함한다. 샘플 용기 트레이(630)는 제거 가능할 수 있고/있거나 다양한 상이한 샘플 용기(예를 들어, 다양한 산업 표준 샘플 용기)를 유지하는 것을 가능하게 하기 위해 제거 가능한 삽입체(insert)를 포함할 수 있다. 시스템(600)은 이미징 장치(640)가 샘플 용기(620)의 개별 홈들(예를 들어, 예시적인 홈(625))의 내용물들의 이미지들을 획득하도록 동작할 수 있도록 샘플 용기(620)에 대해 이미징 장치(640)를 위치시키도록 구성된 작동 갠트리(actuated gantry)(650)를 추가로 포함한다.
이미징 장치(640)는 샘플 용기(620) 내에 포함된 샘플을 이미징하는 것을 가능하게 하도록 구성된 현미경, 형광 이미저, 2-광자 이미징 시스템, 위상 콘트라스트 이미징 시스템, 하나 이상의 조명 소스, 하나 이상의 광학 필터, 및/또는 다른 엘리먼트를 포함할 수 있다. 일부 예에서, 이미징 장치(640)는 샘플 용기(620)의 양쪽에 배치된 엘리먼트(예를 들어, 생물학적 샘플의 위상 콘트라스트 이미징을 가능하게 하기 위해 간섭성, 편광, 단색 또는 달리 지정된 조명 광의 소스)를 포함한다. 이러한 예에서, 샘플 용기(620)의 양 측면 상의 엘리먼트는 각각의 상이한 갠트리에, 동일한 갠트리에 결합될 수 있고, 및/또는 샘플 용기(620)의 일 측면 상의 엘리먼트는 샘플 용기(620)에 대해 이동가능하지 않을 수 있다.
작동 갠트리(650)는 프레임(610) 및 이미징 장치(640)에 결합되고, 샘플 용기(620) 내의 복수의 상이한 샘플의 이미징을 가능하게 하기 위해, 샘플 용기(620)에 대해 적어도 2개의 방향으로 장치(640)의 위치를 제어하도록 구성된다. 작동 갠트리(650)는 또한 이미징 장치(640)를 사용하여 획득되는 이미지의 초점 거리를 제어하는 것을 가능하게 하기 위해 및/또는 이미징 장치(640)를 사용하여 이미징될 수 있는 샘플 용기(620) 내의 재료의 깊이를 제어하기 위해, 샘플 용기(620)를 향해 그리고 그로부터 멀어지는 제3 방향으로 이미징 장치(640)의 위치를 제어하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 이미징 장치(640)는 이미징 장치(640)의 초점 거리를 제어하는 하나 이상의 액추에이터를 포함할 수 있다. 이미징 장치(640)는 이미징 장치(640)의 초점 설정을 제어하는 것을 가능하게 하기 위해 하나 이상의 모터, 피에조 엘리먼트(piezo element), 액체 렌즈, 또는 다른 액추에이터를 포함할 수 있다. 예를 들어, 이미징 장치(640)는 이미징 장치(640)와 이미징되는 샘플 사이의 거리를 제어하도록 구성된 액추에이터를 포함할 수 있다. 이는 이미지가 초점이 맞게 취해지는 것을 보장하기 위해 및/또는 샘플 내의 다양한 상이한 초점면들이 개개의 상이한 이미지들로 표현되도록 이미지들이 취해질 수 있도록 하기 위해 행해질 수 있다.
작동 갠트리(650)는 샘플 용기(620)에 대한(예를 들어, 샘플 용기(620)의 특정 홈(들)에 대한) 이미징 장치(640)의 절대 및/또는 상대 위치의 검출을 가능하게 하도록 구성된 엘리먼트를 포함할 수 있다. 예를 들어, 작동 갠트리(650)는 인코더, 제한 스위치, 및/또는 다른 위치 감지 엘리먼트를 포함할 수 있다. 추가적으로 또는 대안적으로, 이미징 장치(640) 또는 시스템의 다른 엘리먼트들은 샘플 용기(620)에 대한 이미징 장치(640)의 절대 및/또는 상대 위치를 결정하기 위해 샘플 용기(620) 및/또는 샘플 용기 트레이(630)의 기준 마크(fiducial mark)들 또는 다른 피처들을 검출하도록 구성될 수 있다.
계산 기능(예를 들어, 지정된 시간 기간 동안 샘플 용기(620) 내의 샘플을 이미징하기 위해 및/또는 본 명세서에 설명된 일부 다른 방법을 수행하기 위해 작동 갠트리(650) 및/또는 이미징 장치(640)를 동작시키는 기능)은 하나 이상의 컴퓨팅 시스템에 의해 수행될 수 있다. 이러한 컴퓨팅 시스템은 실험실 기기 시스템(예를 들어, 600)에 통합될 수 있고, 이러한 시스템과 연관될 수 있고(예를 들어, 직접 유선 또는 무선 연결을 통해, 로컬 네트워크를 통해, 및/또는 인터넷을 통한 보안 연결을 통해 연결됨으로써), 및/또는 일부 다른 형태를 취할 수 있다(예를 들어, 자동화된 이미징 시스템과 통신하고 및/또는 생물학적 샘플들의 이미지들의 저장소에 대한 액세스를 갖는 클라우드 컴퓨팅 시스템).
도 7은 본 명세서에 설명된 방법들을 구현하는 데 사용될 수 있는 이러한 컴퓨팅 시스템(700)의 예를 예시한다. 예시적인 컴퓨팅 시스템(700)은 통신 인터페이스(702), 사용자 인터페이스(704), 프로세서(706), 하나 이상의 센서(707)(예를 들어, 광검출기들, 카메라들, 깊이 센서들, 현미경, 또는 일부 다른 계장화된(instrumented) 실험실 장치), 및 데이터 저장소(708)를 포함하며, 이들 모두는 시스템 버스(710)에 의해 함께 통신가능하게 링크된다.
통신 인터페이스(702)는 컴퓨팅 시스템(700)이 전기, 자기, 전자기, 광학, 또는 다른 신호들의 아날로그 또는 디지털 변조를 사용하여 다른 디바이스들, 액세스 네트워크들, 및/또는 전송 네트워크들과 통신할 수 있게 하도록 기능할 수 있다. 따라서, 통신 인터페이스는 POTS(plain old telephone service) 통신 및/또는 IP(internet protocol) 또는 다른 패킷화된 통신과 같은 회선 교환 및/또는 패킷 교환 통신을 가능하게 할 수 있다. 예를 들어, 통신 인터페이스(702)는 라디오 액세스 네트워크 또는 액세스 포인트와의 무선 통신을 위해 배열된 칩셋 및 안테나를 포함할 수 있다. 또한, 통신 인터페이스(702)는 이더넷, USB(Universal Serial Bus) 또는 HDMI(High-Definition Multimedia Interface) 포트와 같은 유선 인터페이스의 형태를 취하거나 이를 포함할 수 있다. 통신 인터페이스는 또한 WiFi, BLUETOOTH®, GPS(global positioning system), 또는 광역 무선 인터페이스(예를 들어, WiMAX 또는 3GPP LTE(Long-Term Evolution))와 같은 무선 인터페이스의 형태를 취하거나 이를 포함할 수 있다. 그러나, 다른 형태들의 물리 계층 인터페이스들 및 다른 유형들의 표준 또는 독점 통신 프로토콜들이 통신 인터페이스(702)를 통해 사용될 수 있다. 또한, 통신 인터페이스(702)는 다수의 물리적 통신 인터페이스(예를 들어, WiFi 인터페이스, BLUETOOTH® 인터페이스, 및 광역 무선 인터페이스)를 포함할 수 있다.
일부 실시예들에서, 통신 인터페이스(702)는 컴퓨팅 시스템(700)이 다른 디바이스들, 원격 서버들, 액세스 네트워크들, 및/또는 전송 네트워크들과 통신할 수 있게 하도록 기능할 수 있다. 예를 들어, 통신 인터페이스(702)는 생물학적 샘플들의 이미지들(예를 들어, 명시야의 세트들 또는 샘플 내에 이미징된 초점면에 대해 상이한 다른 유형들의 이미지들) 또는 일부 다른 정보의 표시를 송신 및/또는 수신하도록 기능할 수 있다.
이러한 컴퓨팅 시스템(700)의 사용자 인터페이스(704)는 컴퓨팅 시스템(700)이 사용자와 상호작용하게 하도록, 예를 들어 사용자로부터 입력을 수신하고/하거나 사용자에게 출력을 제공하도록 기능할 수 있다. 따라서, 사용자 인터페이스(704)는 키패드, 키보드, 터치 감지 또는 존재 감응 패널(presence-sensitive panel), 컴퓨터 마우스, 트랙볼, 조이스틱, 마이크로폰 등과 같은 입력 컴포넌트들을 포함할 수 있다. 사용자 인터페이스(704)는 또한, 예를 들어 존재 감응 패널과 조합될 수 있는 디스플레이 스크린과 같은 하나 이상의 출력 컴포넌트들을 포함할 수 있다. 디스플레이 스크린은 CRT, LCD, 및/또는 LED 기술들, 또는 현재 알려져 있거나 나중에 개발되는 다른 기술들에 기초할 수 있다. 사용자 인터페이스(704)는 또한 스피커, 스피커 잭, 오디오 출력 포트, 오디오 출력 디바이스, 이어폰, 및/또는 다른 유사한 디바이스들을 통해 가청 출력(들)을 생성하도록 구성될 수 있다.
일부 실시예들에서, 사용자 인터페이스(704)는 사용자에게 비디오 또는 다른 이미지들(예를 들어, 특정 생물학적 샘플의 특정 스캔 동안 생성된 이미지들의 비디오)을 제시하는 역할을 하는 디스플레이를 포함할 수 있다. 추가적으로, 사용자 인터페이스(704)는 컴퓨팅 디바이스의 구성 및 동작을 가능하게 하는 하나 이상의 버튼, 스위치, 노브, 및/또는 다이얼을 포함할 수 있다. 이들 버튼들, 스위치들, 노브들, 및/또는 다이얼들 중 일부 또는 전부가 터치 또는 존재 감응 패널 상의 기능들로서 구현되는 것이 가능할 수 있다. 사용자 인터페이스(704)는 자동화된 이미징 시스템 내에 함유된 샘플들의 유형들을 특정하거나, 샘플들의 이미징 또는 다른 평가를 위한 스케줄을 특정하거나, 이미지 세그멘테이션, 이벤트 분석, 및/또는 시스템(700)에 의해 수행될 일부 다른 분석의 파라미터들을 특정하거나, 또는 자동화된 실험실 시스템의 동작 및/또는 그에 의해 생성된 데이터의 분석을 위한 일부 다른 커맨드들 또는 파라미터들을 사용자가 입력하는 것을 허용할 수 있다.
프로세서(706)는 하나 이상의 범용 프로세서 - 예를 들어, 마이크로프로세서 - 및/또는 하나 이상의 특수 목적 프로세서 - 예를 들어, 디지털 신호 프로세서(DSP), 그래픽 프로세싱 유닛(GPU), 부동 소수점 유닛(FPU), 네트워크 프로세서, 텐서 처리 유닛(TPU), 또는 주문형 집적 회로(ASIC)를 포함할 수 있다. 일부 경우들에서, 특수 목적 프로세서들은 다른 애플리케이션들 또는 기능들 중에서도, 이미지 프로세싱, 이미지 정렬, 통계적 분석, 필터링, 또는 잡음 감소가 가능할 수 있다. 데이터 저장소(708)는 자기, 광학, 플래시, 또는 유기 저장소와 같은 하나 이상의 휘발성 및/또는 비휘발성 저장 컴포넌트들을 포함할 수 있고, 프로세서(706)와 전체적으로 또는 부분적으로 통합될 수 있다. 데이터 저장소(708)는 착탈식 및/또는 착탈식 컴포넌트를 포함할 수 있다.
프로세서(706)는 본 명세서에 설명된 다양한 기능들을 수행하기 위해 데이터 저장소(708)에 저장된 프로그램 명령어들(718)(예를 들어, 컴파일된 또는 컴파일되지 않은 프로그램 로직 및/또는 기계 코드)을 실행할 수 있다. 따라서, 데이터 저장소(708)는, 컴퓨팅 디바이스(700)에 의한 실행 시에, 컴퓨팅 디바이스(700)가 본 명세서 및/또는 첨부 도면들에 개시된 방법들, 프로세스들, 또는 기능들 중 임의의 것을 수행하게 하는 프로그램 명령어들이 저장된 비일시적 컴퓨터 판독가능 매체를 포함할 수 있다. 프로세서(706)에 의한 프로그램 명령어들(718)의 실행은 프로세서(706)가 데이터(712)를 사용하게 할 수 있다.
예로서, 프로그램 명령어들(718)은 운영 체제(722)(예를 들어, 운영 체제 커널, 디바이스 드라이버(들), 및/또는 다른 모듈들) 및 컴퓨팅 디바이스(700) 상에 설치된 하나 이상의 애플리케이션 프로그램들(720)(예를 들어, 필터링 기능들, 데이터 프로세싱 기능들, 통계 분석 기능들, 이미지 프로세싱 기능들, 깊이 결정 기능들, 이미지 세그멘테이션 기능들)을 포함할 수 있다. 데이터(712)는 현미경 이미지 또는 개별 샘플의 이미지 세트, 샘플에 대한 깊이 정보 및/또는 샘플에 대한 세그멘테이션 정보를 포함하는 다른 데이터를 포함할 수 있다.
애플리케이션 프로그램(720)은 하나 이상의 애플리케이션 프로그래밍 인터페이스(API)를 통해 운영 체제(722)와 통신할 수 있다. 이들 API는, 예를 들어, 애플리케이션 프로그램(720)이 통신 인터페이스(702)를 통해 정보를 수신하고, 사용자 인터페이스(704) 상에서 정보를 수신 및/또는 디스플레이하는 것을 가능하게 할 수 있다.
애플리케이션 프로그램(720)은 하나 이상의 온라인 애플리케이션 스토어 또는 애플리케이션 마켓을 통해(예를 들어, 통신 인터페이스(702)를 통해) 컴퓨팅 디바이스(700)에 다운로드 가능할 수 있는 "앱"의 형태를 취할 수 있다. 그러나, 애플리케이션 프로그램은 또한 컴퓨팅 디바이스(700)의 웹 브라우저를 통해 또는 물리적 인터페이스(예를 들어, USB 포트)를 통해 다른 방식으로 컴퓨팅 디바이스(700) 상에 설치될 수 있다.
일부 예들에서, 본 명세서에 설명된 방법들의 부분들은 애플리케이션에 따라 상이한 디바이스들에 의해 수행될 수 있다. 예를 들어, 시스템의 상이한 디바이스들은 상이한 양의 계산 자원들(예를 들어, 메모리, 프로세서 사이클들) 및 디바이스들 사이의 통신을 위한 상이한 정보 대역폭들을 가질 수 있다. 예를 들어, 제1 디바이스는 복수의 상이한 기간들에서 및/또는 그 동안 생물학적 샘플들에 관한 정보를 생성하기 위해 작동 갠트리, 이미징 장치, 또는 다른 엘리먼트들을 동작시킬 수 있는 임베디드 프로세서(들)일 수 있다. 이어서, 제2 디바이스는 제1 디바이스로부터, 제1 디바이스로부터의 정보(예를 들어, 이미지 정보, 깊이 정보)를 (예를 들어, 인터넷을 통해, 전용 유선 링크를 통해) 수신하고, 수신된 데이터에 대해 본 명세서에 설명된 프로세싱 및 분석 방법들을 수행할 수 있다. 본 명세서에 설명된 방법들의 상이한 부분들은 이러한 고려사항들에 따라 할당될 수 있다.
Ⅶ.
예제 방법
도 8은 3차원 샘플의 투영 이미지를 생성하기 위한 방법(800)의 흐름도이다. 방법(800)은 샘플의 이미지들의 세트를 획득하는 단계를 포함하며, 이미지들의 세트의 각각의 이미지는 샘플 내의 각각의 초점면에 대응한다(810). 방법(800)은 샘플의 출력 이미지의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계를 추가로 포함하며, 주어진 깊이 값은 샘플 내에서, 샘플의 내용물이 초점이 맞춰져 이미징될 수 있는 깊이를 표현한다(820). 방법(800)은 출력 이미지의 픽셀의 깊이 값에 기초하여 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 추가로 포함하며, 출력 이미지의 특정 픽셀에 대한 이미지 값을 결정하는 단계는: (i) 특정 픽셀의 깊이 값에 대응하는 이미지들의 세트의 이미지를 식별하는 단계; 및 (ii) 특정 픽셀에 대응하는 식별된 이미지 내의 위치를 갖는, 식별된 이미지의 픽셀에 기초하여 특정 픽셀에 대한 이미지 값을 결정하는 단계(830)를 포함한다. 방법(800)은 추가 엘리먼트 또는 피처를 포함할 수 있다.
도 9는 3차원 샘플의 투영 이미지를 생성하기 위한 방법(900)의 흐름도이다. 방법(900)은 샘플의 이미지들의 세트를 획득하는 단계를 포함하고, 이미지들의 세트의 각각의 이미지는 샘플 내의 개개의 초점면에 대응한다(910). 방법(900)은 깊이 맵의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계를 추가로 포함하며, 주어진 깊이 값은 샘플 내에서, 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 표현한다(920). 방법(900)은 깊이 맵의 대응하는 픽셀의 깊이 값에 기초하여 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계(930)를 추가로 포함한다. 방법(900)은 추가적인 엘리먼트들 또는 피처들을 포함할 수 있다.
도 10은 샘플의 이미지를 세그멘테이션하기 위한 방법(1000)의 흐름도이다. 방법(1000)은 샘플의 이미지를 획득하는 단계(1010)를 포함한다. 방법(1000)은 샘플의 내용물들의 깊이 맵을 획득하는 단계(1020)를 추가로 포함한다. 방법(1000)은 이미지에 기초하여 샘플의 제1 세그멘테이션 맵을 생성하는 단계(1030)를 추가로 포함한다. 방법(1000)은 깊이 맵에 기초하여, 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 샘플의 제2 세그멘테이션 맵을 생성하는 단계(1040)를 추가로 포함한다. 방법(1000)은 추가적인 엘리먼트들 또는 피처들을 포함할 수 있다.
Ⅷ.
결론
상기 상세한 설명은 첨부된 도면들을 참조하여 개시된 시스템들, 디바이스들, 및 방법들의 다양한 피처들 및 기능들을 설명한다. 도면들에서, 문맥이 달리 나타내지 않는 한, 유사한 심볼들은 전형적으로 유사한 컴포넌트들을 식별한다. 상세한 설명, 도면들, 및 청구항들에 설명된 예시적인 실시예들은 제한적인 것으로 의도되지 않는다. 본 명세서에 제시된 주제의 범위를 벗어나지 않고, 다른 실시예가 이용될 수 있고, 다른 변경이 이루어질 수 있다. 본 명세서에서 개괄적으로 설명되고 도면들에 예시된 바와 같은 본 개시의 양태들은 매우 다양한 상이한 구성들로 배열, 치환, 조합, 분리 및 설계될 수 있으며, 이들 모두는 본 명세서에서 명시적으로 고려된다는 것이 용이하게 이해될 것이다.
도면들에서의 메시지 흐름도들, 시나리오들, 및 흐름도들 중 임의의 것 또는 전부와 관련하여 그리고 본 명세서에서 논의된, 각각의 단계, 블록 및/또는 통신은 예시적인 실시예들에 따른 정보의 프로세싱 및/또는 정보의 송신을 나타낼 수 있다. 대안적인 실시예들은 이들 예시적인 실시예들의 범위 내에 포함된다. 이러한 대안적인 실시예들에서, 예를 들어, 단계들, 블록들, 송신들, 통신들, 요청들, 응답들, 및/또는 메시지들로서 설명된 기능들은 관련된 기능에 따라, 실질적으로 동시이거나 역순인 것을 포함하여, 도시되거나 논의된 것과 순서가 바뀌어 실행될 수 있다. 또한, 더 많거나 더 적은 단계들, 블록들 및/또는 기능들이 본 명세서에서 논의된 메시지 흐름도들, 시나리오들, 및 흐름도들 중 임의의 것과 함께 사용될 수 있고, 이들 메시지 흐름도들, 시나리오들, 및 흐름도들은 서로, 부분적으로 또는 전체적으로 조합될 수 있다.
정보의 처리를 나타내는 단계 또는 블록은 본 명세서에서 설명된 방법 또는 기술의 특정 로직 기능들을 수행하도록 구성될 수 있는 회로부에 대응할 수 있다. 대안적으로 또는 추가적으로, 정보의 처리를 나타내는 단계 또는 블록은 모듈, 세그먼트, 또는 (관련 데이터를 포함하는) 프로그램 코드의 일부에 대응할 수 있다. 프로그램 코드는 방법 또는 기술에서 특정 로직 기능들 또는 액션들을 구현하기 위해 프로세서에 의해 실행가능한 하나 이상의 명령어들을 포함할 수 있다. 프로그램 코드 및/또는 관련 데이터는 디스크 드라이브, 하드 드라이브, 또는 다른 저장 매체를 포함하는 저장 디바이스와 같은 임의의 유형의 컴퓨터 판독가능 매체 상에 저장될 수 있다.
컴퓨터 판독가능 매체는 또한 레지스터 메모리, 프로세서 캐시, 및/또는 랜덤 액세스 메모리(RAM)와 같이 단기간들 동안 데이터를 저장하는 컴퓨터 판독가능 매체와 같은 비일시적 컴퓨터 판독가능 매체를 포함할 수 있다. 컴퓨터 판독 가능 매체는 또한 ROM(Read Only Memory), 광 디스크 또는 자기 디스크, 및/또는 컴팩트 디스크 판독 전용 메모리(CD-ROM)와 같은 보조 또는 영구 장기 저장 장치와 같이 장기간 동안 프로그램 코드 및/또는 데이터를 저장하는 비일시적 컴퓨터 판독 가능 매체를 포함할 수 있다. 컴퓨터 판독가능 매체는 또한 임의의 다른 휘발성 또는 비휘발성 저장 시스템들일 수 있다. 컴퓨터 판독가능 매체는, 예를 들어, 컴퓨터 판독가능 저장 매체, 또는 유형의 저장 디바이스로 간주될 수 있다.
또한, 하나 이상의 정보 송신들을 표현하는 단계 또는 블록은 동일한 물리적 디바이스 내의 소프트웨어 및/또는 하드웨어 모듈들 사이의 정보 송신들에 대응할 수 있다. 그러나, 다른 정보 전송들은 상이한 물리적 디바이스들 내의 소프트웨어 모듈들 및/또는 하드웨어 모듈들 사이에 있을 수 있다.
다양한 양태들 및 실시예들이 본 명세서에 개시되었지만, 다른 양태들 및 실시예들이 당업자에게 명백할 것이다. 본 명세서에 개시된 다양한 양태들 및 실시예들은 예시의 목적들을 위한 것이며, 제한하는 것으로 의도되지 않으며, 진정한 범위는 이하의 청구항들에 의해 표시된다.
Claims (49)
- 3차원 샘플의 투영 이미지를 생성하기 위한 방법으로서,
상기 샘플의 이미지들의 세트를 획득하는 단계로서, 상기 이미지들의 세트의 각각의 이미지는 상기 샘플 내의 개개의 초점면(focal plane)에 대응하는, 상기 획득하는 단계;
상기 샘플의 출력 이미지의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 상기 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계로서, 주어진 깊이 값은 상기 샘플 내에서, 상기 샘플의 내용물들이 초점이 맞춰져(in-focus) 이미징될 수 있는 깊이를 나타내는, 상기 적용하는 단계; 및
상기 출력 이미지의 픽셀의 상기 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함하고, 상기 출력 이미지의 특정 픽셀에 대한 이미지 값을 결정하는 단계는: (i) 상기 특정 픽셀의 깊이 값에 대응하는 상기 이미지들의 세트의 이미지를 식별하는 단계; 및 (ii) 상기 특정 픽셀에 대응하는 식별된 이미지 내의 위치를 갖는 상기 식별된 이미지의 픽셀에 기초하여 상기 특정 픽셀에 대한 이미지 값을 결정하는 단계를 포함하는, 방법. - 제1항에 있어서, 상기 필터는 텍스처 필터(texture filter)이고, 상기 이미지들의 세트의 특정 이미지에 상기 필터를 적용하는 단계는, 상기 특정 이미지의 특정 픽셀에 대해, 상기 특정 픽셀에 이웃하는 상기 특정 이미지의 픽셀들의 표준 편차, 엔트로피, 또는 수치 범위 중 적어도 하나를 결정하는 단계를 포함하는, 방법.
- 제1항 또는 제2항에 있어서, 상기 깊이 값들에 기초하여 상기 샘플에 대한 깊이 맵을 생성하는 단계를 더 포함하는, 방법.
- 제1항 내지 제3항 어느 한 항에 있어서,
상기 출력 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵(segmentation map)을 생성하는 단계; 및
결정된 상기 깊이 값들에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 세그먼트를 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 단계를 더 포함하는, 방법. - 제4항에 있어서, 상기 제1 세그멘테이션 맵의 적어도 하나의 세그먼트를 추가로 분할하는 단계는,
상기 결정된 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 단계;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터(cluster)들을 식별하는 단계; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 단계를 포함하는, 방법. - 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 결정된 깊이 값들을 공간적으로 전처리하는 단계를 더 포함하고, 상기 출력 이미지의 픽셀의 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계는, 상기 출력 이미지의 픽셀의 공간적으로 전처리된 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함하는, 방법. - 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 이미지들의 세트는 상기 샘플의 명시야 이미지(brightfield image)들의 세트인, 방법.
- 제1항 내지 제7항 중 어느 한 항에 있어서, 상기 이미지들의 세트는 상기 샘플의 형광 이미지들의 세트인, 방법.
- 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 샘플은 적어도 하나의 3차원 배양된 다세포 구조를 함유하는, 방법.
- 제9항에 있어서, 상기 적어도 하나의 3차원 배양된 다세포 구조는 세포외 기질(extracellular matrix)에 내장된 오가노이드(organoid) 또는 종양 스페로이드(tumor spheroid) 중 적어도 하나를 포함하는, 방법.
- 제10항에 있어서, 상기 적어도 하나의 3차원 배양된 다세포 구조는 상기 세포외 기질(extracellular matrix)에 내장된 오가노이드(organoid)를 포함하고, 상기 세포외 기질은 세포외 기질의 돔(dome)의 형태를 갖는, 방법.
- 제10항에 있어서, 상기 적어도 하나의 3차원 배양된 다세포 구조는 간-세포 오가노이드, 췌장-세포 오가노이드, 또는 장-세포(intestinal-cell) 오가노이드 중 적어도 하나를 포함하는, 방법.
- 제1항 내지 제12항 중 어느 한 항에 있어서, 상기 출력 이미지의 상기 특정 픽셀에 대한 상기 이미지 값을 결정하는 단계는, (iii) 상기 특정 픽셀의 상기 깊이 값의 이웃 내의 깊이 값들에 대응하는 상기 이미지들의 세트의 2개 이상의 추가 이미지들을 식별하는 단계를 더 포함하고, 상기 특정 픽셀에 대응하는 상기 식별된 이미지 내의 위치를 갖는 상기 식별된 이미지의 상기 픽셀에 기초하여 상기 특정 픽셀에 대한 상기 이미지 값을 결정하는 단계는, 상기 특정 픽셀에 대응하는 개개의 식별된 이미지들 내의 위치들을 갖는 상기 2개 이상의 추가 이미지들 및 상기 식별된 이미지의 픽셀들에 대해 픽셀 단위(pixel-wise) 연산을 수행하는 단계를 포함하는, 방법.
- 3차원 샘플의 투영 이미지를 생성하기 위한 방법으로서,
상기 샘플의 이미지들의 세트를 획득하는 단계로서, 상기 이미지들의 세트의 각각의 이미지는 상기 샘플 내의 각각의 초점면에 대응하는, 상기 획득하는 단계;
깊이 맵의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 상기 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계로서, 상기 깊이 값은, 상기 샘플 내에서, 상기 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 나타내는, 상기 적용하는 단계; 및
상기 깊이 맵의 대응하는 픽셀의 깊이 값에 기초하여 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함하는, 방법. - 제14항에 있어서, 상기 필터는 텍스처 필터이고, 상기 이미지들의 세트의 특정 이미지에 상기 필터를 적용하는 단계는, 상기 특정 이미지의 특정 픽셀에 대해, 상기 특정 픽셀에 이웃하는 상기 특정 이미지의 픽셀들의 표준 편차, 엔트로피, 또는 수치 범위 중 적어도 하나를 결정하는 단계를 포함하는, 방법.
- 제14항 내지 제15항 중 어느 한 항에 있어서,
상기 출력 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 단계; 및
결정된 상기 깊이 값들에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 단계를 더 포함하는, 방법. - 제16항에 있어서, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할하는 단계는,
상기 결정된 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 단계;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 단계; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 단계를 포함하는, 방법. - 제14항 내지 제17항 중 어느 한 항에 있어서, 상기 이미지들의 세트는 상기 샘플의 명시야 이미지들의 세트인, 방법.
- 제14항 내지 제17항 중 어느 한 항에 있어서, 상기 이미지들의 세트는 상기 샘플의 형광 이미지들의 세트인, 방법.
- 제14항 내지 제19항 중 어느 한 항에 있어서, 상기 샘플은 적어도 하나의 오가노이드를 함유하는, 방법.
- 샘플의 이미지를 분할하는 방법으로서, 상기 방법은,
상기 샘플의 이미지를 획득하는 단계;
상기 샘플의 내용물들의 깊이 맵을 획득하는 단계;
상기 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 단계; 및
상기 깊이 맵에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 단계를 포함하는, 방법. - 제21 항에 있어서, 상기 깊이 맵은 복수의 깊이 값들을 포함하고, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할하는 단계는,
상기 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 단계;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 단계; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 단계를 포함하는, 방법. - 제21항 내지 제22항 중 어느 한 항에 있어서, 상기 샘플은 적어도 하나의 오가노이드를 함유하는, 방법.
- 동작들을 수행하기 위해 적어도 하나의 프로세서에 의해 실행가능한 명령어들이 저장된 비일시적 컴퓨터 판독가능 매체로서, 상기 동작들은,
샘플의 이미지들의 세트를 획득하는 단계로서, 상기 이미지들의 세트의 각각의 이미지는 상기 샘플 내의 각각의 초점면에 대응하는, 상기 획득하는 단계;
상기 샘플의 출력 이미지의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 상기 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계로서, 주어진 깊이 값은 상기 샘플 내에서, 상기 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 나타내는, 상기 적용하는 단계; 및
상기 출력 이미지의 픽셀의 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함하고, 상기 출력 이미지의 특정 픽셀에 대한 이미지 값을 결정하는 단계는: (i) 상기 특정 픽셀의 깊이 값에 대응하는 상기 이미지들의 세트의 이미지를 식별하는 단계; 및 (ii) 상기 특정 픽셀에 대응하는 식별된 이미지 내의 위치를 갖는 식별된 상기 이미지의 픽셀에 기초하여 상기 특정 픽셀에 대한 이미지 값을 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체. - 제24항에 있어서, 상기 필터는 텍스처 필터이고, 상기 이미지들의 세트의 특정 이미지에 상기 필터를 적용하는 단계는 상기 특정 이미지의 특정 픽셀에 대해, 상기 특정 픽셀에 이웃하는 상기 특정 이미지의 픽셀들의 표준 편차, 엔트로피, 또는 수치 범위 중 적어도 하나를 결정하는 것을 포함하는, 비일시적 컴퓨터 판독가능 매체.
- 제24항 내지 제25항 중 어느 한 항에 있어서, 상기 동작들은 상기 깊이 값들에 기초하여 상기 샘플에 대한 깊이 맵을 생성하는 단계를 더 포함하는, 비일시적 컴퓨터 판독가능 매체.
- 제24항 내지 제26항 중 어느 한 항에 있어서, 상기 동작들은,
상기 출력 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 단계; 및
결정된 상기 깊이 값들에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 세그먼트를 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 단계를 더 포함하는, 비일시적 컴퓨터 판독가능 매체. - 제27항에 있어서, 상기 제1 세그멘테이션 맵의 적어도 하나의 세그먼트를 추가로 분할하는 단계는,
상기 결정된 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 단계;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 단계; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 특정 영역을 추가로 분할하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체. - 제24항 내지 제28항 중 어느 한 항에 있어서, 상기 동작들은,
상기 결정된 깊이 값들을 공간적으로 전처리하는 단계를 더 포함하고, 상기 출력 이미지의 픽셀의 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계는, 상기 출력 이미지의 픽셀의 공간적으로 전처리된 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체. - 제24항 내지 제29항 중 어느 한 항에 있어서, 상기 출력 이미지의 상기 특정 픽셀에 대한 상기 이미지 값을 결정하는 단계는, (iii) 상기 특정 픽셀의 깊이 값의 이웃 내의 깊이 값들에 대응하는 상기 이미지들의 세트의 2개 이상의 추가 이미지들을 식별하는 단계를 추가로 포함하고, 상기 특정 픽셀에 대응하는 상기 식별된 이미지 내의 위치를 갖는, 상기 식별된 이미지의 상기 픽셀에 기초하여 상기 특정 픽셀에 대한 상기 이미지 값을 결정하는 단계는, 상기 식별된 이미지의 픽셀들 및 상기 특정 픽셀에 대응하는 개개의 식별된 이미지들 내의 위치들을 갖는 상기 2개 이상의 추가 이미지들에 대해 픽셀 단위 연산을 수행하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체
- 동작들을 수행하기 위해 적어도 하나의 프로세서에 의해 실행가능한 명령어들이 저장된 비일시적 컴퓨터 판독가능 매체로서, 상기 동작들은,
샘플의 이미지들의 세트를 획득하는 단계로서, 상기 이미지들의 세트의 각각의 이미지는 샘플 내의 각각의 초점면에 대응하는, 상기 획득하는 단계;
깊이 맵의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 상기 이미지들의 세트의 각각의 이미지에 필터를 적용하는 단계로서, 주어진 깊이 값은, 상기 샘플 내에서, 상기 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 나타내는, 상기 적용하는 단계; 및
상기 깊이 맵의 대응하는 픽셀의 상기 깊이 값에 기초하여 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체. - 제31항에 있어서, 상기 필터는 텍스처 필터이고, 상기 이미지들의 세트의 특정 이미지에 상기 필터를 적용하는 단계는, 상기 특정 이미지의 특정 픽셀에 대해, 상기 특정 픽셀에 이웃하는 상기 특정 이미지의 픽셀들의 표준 편차, 엔트로피, 또는 수치 범위 중 적어도 하나를 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
- 제31항 내지 제32항 중 어느 한 항에 있어서, 상기 동작들은,
상기 출력 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 단계; 및
결정된 상기 깊이 값들에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 단계를 더 포함하는, 비일시적 컴퓨터 판독가능 매체. - 제33항에 있어서, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할하는 단계는,
상기 결정된 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 단계;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 단계; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체. - 동작들을 수행하기 위해 적어도 하나의 프로세서에 의해 실행가능한 명령어들이 저장된 비일시적 컴퓨터 판독가능 매체로서, 상기 동작들은,
샘플의 이미지를 획득하는 단계;
상기 샘플의 내용물들의 깊이 맵을 획득하는 단계;
상기 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 단계; 및
상기 깊이 맵에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체. - 제35항에 있어서, 상기 깊이 맵은 복수의 깊이 값들을 포함하고, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할하는 단계는,
상기 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 단계;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 단계; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체. - 시스템에 있어서,
하나 이상의 프로세서; 및
동작들을 수행하기 위해 상기 하나 이상의 프로세서들 중 적어도 하나의 프로세서에 의해 실행가능한 명령어들을 저장한 비일시적 컴퓨터 판독가능 매체를 포함하고, 상기 동작들은,
샘플의 이미지들의 세트를 획득하는 것, 상기 이미지들의 세트의 각각의 이미지는 상기 샘플 내의 각각의 초점면에 대응하고;
상기 샘플의 출력 이미지의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 상기 이미지들의 세트의 각각의 이미지에 필터를 적용하는 것, 주어진 깊이 값은 상기 샘플 내에서, 상기 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 나타내고; 및
상기 출력 이미지의 픽셀의 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 것을 포함하고, 상기 출력 이미지의 특정 픽셀에 대한 이미지 값을 결정하는 것은: (i) 상기 특정 픽셀의 깊이 값에 대응하는 이미지들의 세트의 이미지를 식별하는 것; 및 (ii) 상기 특정 픽셀에 대응하는 식별된 이미지 내의 위치를 갖는 식별된 상기 이미지의 픽셀에 기초하여 상기 특정 픽셀에 대한 이미지 값을 결정하는 것을 포함하는, 시스템. - 제37항에 있어서, 상기 필터는 텍스처 필터이고, 상기 이미지들의 세트의 특정 이미지에 상기 필터를 적용하는 것은, 상기 특정 이미지의 특정 픽셀에 대해, 상기 특정 픽셀에 이웃하는 상기 특정 이미지의 픽셀들의 표준 편차, 엔트로피, 또는 수치 범위 중 적어도 하나를 결정하는 것을 포함하는, 시스템.
- 제37항 내지 제38항 중 어느 한 항에 있어서, 상기 동작들은 상기 깊이 값들에 기초하여 상기 샘플에 대한 깊이 맵을 생성하는 것을 더 포함하는, 시스템.
- 제37항 내지 제39항 중 어느 한 항에 있어서, 상기 동작들은,
상기 출력 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 것; 및
결정된 상기 깊이 값들에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 세그먼트를 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 것을 포함하는, 시스템. - 제40항에 있어서, 상기 제1 세그멘테이션 맵의 적어도 하나의 세그먼트를 추가로 분할하는 것은,
상기 결정된 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 것;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 것; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 것을 포함하는, 시스템. - 제37항 내지 제41항 중 어느 한 항에 있어서, 상기 동작들은,
상기 결정된 깊이 값들을 공간적으로 전처리하는 것을 더 포함하고, 상기 출력 이미지의 픽셀의 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 것은, 상기 출력 이미지의 픽셀의 공간적으로 전처리된 깊이 값에 기초하여 상기 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 것을 포함하는, 시스템. - 제37항 내지 제42항 중 어느 한 항에 있어서, 상기 출력 이미지의 상기 특정 픽셀에 대한 상기 이미지 값을 결정하는 것은, (iii) 상기 특정 픽셀의 상기 깊이 값의 이웃 내의 깊이 값들에 대응하는 상기 이미지들의 세트의 2개 이상의 추가 이미지들을 식별하는 것을 추가로 포함하고, 상기 특정 픽셀에 대응하는 상기 식별된 이미지 내의 위치를 갖는, 상기 식별된 이미지의 상기 픽셀에 기초하여 상기 특정 픽셀에 대한 상기 이미지 값을 결정하는 것은, 상기 특정 픽셀에 대응하는 개개의 식별된 이미지들 내의 위치들을 갖는 상기 2개 이상의 추가 이미지들 및 상기 식별된 이미지의 픽셀들에 대해 픽셀 단위 연산을 수행하는 것을 포함하는, 시스템
- 시스템에 있어서,
하나 이상의 프로세서; 및
동작들을 수행하기 위해 상기 하나 이상의 프로세서들 중 적어도 하나의 프로세서에 의해 실행가능한 명령어들을 저장한 비일시적 컴퓨터 판독가능 매체를 포함하고, 상기 동작들은,
샘플의 이미지들의 세트를 획득하는 것, 상기 이미지들의 세트의 각각의 이미지는 샘플 내의 각각의 초점면에 대응하고;
깊이 맵의 각각의 픽셀에 대한 개개의 깊이 값을 결정하기 위해 상기 이미지들의 세트의 각각의 이미지에 필터를 적용하고, 주어진 깊이 값은 상기 샘플 내에서, 상기 샘플의 내용물들이 초점이 맞춰져 이미징될 수 있는 깊이를 나타내고; 및
상기 깊이 맵의 대응하는 픽셀의 깊이 값에 기초하여 출력 이미지의 각각의 픽셀에 대한 이미지 값을 결정하는 것을 포함하는, 시스템. - 제44항에 있어서, 상기 필터는 텍스처 필터이고, 상기 이미지들의 세트의 특정 이미지에 상기 필터를 적용하는 것은, 상기 특정 이미지의 특정 픽셀에 대해, 상기 특정 픽셀에 이웃하는 상기 특정 이미지의 픽셀들의 표준 편차, 엔트로피, 또는 수치 범위 중 적어도 하나를 결정하는 것을 포함하는, 시스템.
- 제44항 내지 제45항 중 어느 한 항에 있어서, 상기 동작들은,
상기 출력 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 것; 및
결정된 상기 깊이 값들에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 것을 더 포함하는, 시스템. - 제46항에 있어서, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할하는 것은:
상기 결정된 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 것;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 것; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 것을 포함하는, 시스템. - 시스템으로서,
하나 이상의 프로세서; 및
동작들을 수행하기 위해 상기 하나 이상의 프로세서들 중 적어도 하나의 프로세서에 의해 실행가능한 명령어들을 저장한 비일시적 컴퓨터 판독가능 매체를 포함하고, 상기 동작들은,
샘플의 이미지를 획득하는 것;
상기 샘플의 내용물들의 깊이 맵을 획득하는 것;
상기 이미지에 기초하여 상기 샘플의 제1 세그멘테이션 맵을 생성하는 것; 및
상기 깊이 맵에 기초하여, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할함으로써 상기 샘플의 제2 세그멘테이션 맵을 생성하는 것을 포함하는, 시스템. - 제48항에 있어서, 상기 깊이 맵은 복수의 깊이 값들을 포함하고, 상기 제1 세그멘테이션 맵의 적어도 하나의 영역을 추가로 분할하는 것은:
상기 깊이 값들로부터, 상기 제1 세그멘테이션 맵의 특정 영역에 대응하는 깊이 값들의 세트를 선택하는 것;
선택된 상기 깊이 값들의 세트 내에서 적어도 2개의 클러스터들을 식별하는 것; 및
식별된 상기 적어도 2개의 클러스터들에 기초하여 상기 특정 영역을 추가로 분할하는 것을 포함하는, 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/854,710 | 2020-04-21 | ||
| US16/854,710 US11727586B2 (en) | 2020-04-21 | 2020-04-21 | Image processing and segmentation of sets of Z-stacked images of three-dimensional biological samples |
| PCT/US2021/015308 WO2021216158A1 (en) | 2020-04-21 | 2021-01-27 | Image processing and segmentation of sets of z-stacked images of three-dimensional biological samples |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230004610A true KR20230004610A (ko) | 2023-01-06 |
Family
ID=74672449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227039606A KR20230004610A (ko) | 2020-04-21 | 2021-01-27 | 3차원 생물학적 샘플들의 ｚ-스택형 이미지들의 세트의 이미지 프로세싱 및 세그멘테이션 |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US11727586B2 (ko) |
| EP (1) | EP4139882A1 (ko) |
| JP (1) | JP2023523003A (ko) |
| KR (1) | KR20230004610A (ko) |
| CN (1) | CN115485714A (ko) |
| WO (1) | WO2021216158A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11501420B2 (en) * | 2019-09-26 | 2022-11-15 | Perkinelmer Cellular Technologies Germany Gmbh | Reconstructing phase images with deep learning |
| CN116012838B (zh) * | 2022-12-30 | 2023-11-07 | 创芯国际生物科技(广州)有限公司 | 基于人工智能的类器官活性识别方法及系统 |
| CN116602712A (zh) * | 2023-05-25 | 2023-08-18 | 广州斐博生物科技有限公司 | 基于女性阴道分泌物样本评估系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5878152A (en) | 1997-05-21 | 1999-03-02 | Cognex Corporation | Depth from focal gradient analysis using object texture removal by albedo normalization |
| US7769219B2 (en) * | 2006-12-11 | 2010-08-03 | Cytyc Corporation | Method for assessing image focus quality |
| US8907973B2 (en) * | 2012-10-22 | 2014-12-09 | Stmicroelectronics International N.V. | Content adaptive image restoration, scaling and enhancement for high definition display |
| WO2014083574A2 (en) | 2012-11-30 | 2014-06-05 | Larsen & Toubro Limited | A method and system for extended depth of field calculation for microscopic images |
| JP2019507352A (ja) * | 2015-12-02 | 2019-03-14 | クリアライト ダイアグノスティックス リミテッド ライアビリティ カンパニー | 癌の検出およびモニタリングのための腫瘍組織サンプルの調製および分析のための方法 |
| EP3296018A1 (en) | 2016-09-19 | 2018-03-21 | Ecole Polytechnique Fédérale de Lausanne (EPFL) | Organoid arrays |
-
2020
- 2020-04-21 US US16/854,710 patent/US11727586B2/en active Active
-
2021
- 2021-01-27 CN CN202180030161.3A patent/CN115485714A/zh active Pending
- 2021-01-27 JP JP2022564422A patent/JP2023523003A/ja active Pending
- 2021-01-27 EP EP21707099.4A patent/EP4139882A1/en active Pending
- 2021-01-27 KR KR1020227039606A patent/KR20230004610A/ko active Search and Examination
- 2021-01-27 WO PCT/US2021/015308 patent/WO2021216158A1/en unknown
-
2023
- 2023-06-20 US US18/211,948 patent/US20230334683A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4139882A1 (en) | 2023-03-01 |
| CN115485714A (zh) | 2022-12-16 |
| WO2021216158A1 (en) | 2021-10-28 |
| US20230334683A1 (en) | 2023-10-19 |
| US20210327080A1 (en) | 2021-10-21 |
| US11727586B2 (en) | 2023-08-15 |
| JP2023523003A (ja) | 2023-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boutin et al. | A high-throughput imaging and nuclear segmentation analysis protocol for cleared 3D culture models | |
| US20230334683A1 (en) | Image Processing and Segmentation of Sets of Z-Stacked Images of Three-Dimensional Biological Samples | |
| Giurumescu et al. | Quantitative semi-automated analysis of morphogenesis with single-cell resolution in complex embryos | |
| Ljosa et al. | Introduction to the quantitative analysis of two-dimensional fluorescence microscopy images for cell-based screening | |
| US20220084660A1 (en) | Artificial intelligence processing system and automated pre-diagnostic workflow for digital pathology | |
| Dzyubachyk et al. | Automated analysis of time-lapse fluorescence microscopy images: from live cell images to intracellular foci | |
| US11620751B2 (en) | Image analysis algorithms using control slides | |
| EP3729371B1 (en) | System and method for generating selective stain segmentation images for cell types of interest | |
| Kriston‐Vizi et al. | Getting the whole picture: High content screening using three‐dimensional cellular model systems and whole animal assays | |
| Blasse et al. | PreMosa: extracting 2D surfaces from 3D microscopy mosaics | |
| Delestro et al. | In vivo large-scale analysis of Drosophila neuronal calcium traces by automated tracking of single somata | |
| Powell et al. | deepOrganoid: A brightfield cell viability model for screening matrix-embedded organoids | |
| Bush et al. | Using Cell‐ID 1.4 with R for microscope‐based cytometry | |
| Way et al. | Evolution and impact of high content imaging | |
| Taïeb et al. | FUCCItrack: An all-in-one software for single cell tracking and cell cycle analysis | |
| Shen et al. | Functional proteometrics for cell migration | |
| US20200372652A1 (en) | Calculation device, calculation program, and calculation method | |
| Robinson et al. | Segmentation of image data from complex organotypic 3D models of cancer tissues with Markov random fields | |
| Baybay et al. | Pomegranate: 2D segmentation and 3D reconstruction for fission yeast and other radially symmetric cells | |
| Niederlein et al. | Image analysis in high content screening | |
| Krenacs et al. | Digital microscopy: the upcoming revolution in histopathology teaching, diagnostics, research and quality assurance | |
| Narotamo et al. | A machine learning approach for single cell interphase cell cycle staging | |
| Rahkonen et al. | Multilabel segmentation of cancer cell culture on vascular structures with deep neural networks | |
| Chernomoretz et al. | Using Cell‐ID 1.4 with R for microscope‐based cytometry | |
| Vorndran et al. | A deep learning-based histopathology classifier for Focal Cortical Dysplasia |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |