WO2020050687A1 - 미생물 정보 제공 장치 및 방법 - Google Patents

미생물 정보 제공 장치 및 방법 Download PDF

Info

Publication number
WO2020050687A1
WO2020050687A1 PCT/KR2019/011559 KR2019011559W WO2020050687A1 WO 2020050687 A1 WO2020050687 A1 WO 2020050687A1 KR 2019011559 W KR2019011559 W KR 2019011559W WO 2020050687 A1 WO2020050687 A1 WO 2020050687A1
Authority
WO
WIPO (PCT)
Prior art keywords
sample
images
wave
learning
speckle
Prior art date
Application number
PCT/KR2019/011559
Other languages
English (en)
French (fr)
Inventor
박용근
이겨레
신승우
김건
김영덕
박희준
Original Assignee
주식회사 더웨이브톡
한국과학기술원
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
Priority claimed from KR1020180107292A external-priority patent/KR102130100B1/ko
Priority claimed from KR1020190045142A external-priority patent/KR102207945B1/ko
Application filed by 주식회사 더웨이브톡, 한국과학기술원 filed Critical 주식회사 더웨이브톡
Priority to US17/273,631 priority Critical patent/US20210340591A1/en
Priority to CN201980056978.0A priority patent/CN112689841A/zh
Publication of WO2020050687A1 publication Critical patent/WO2020050687A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • C12Q1/06—Quantitative determination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • G01N21/51—Scattering, i.e. diffuse reflection within a body or fluid inside a container, e.g. in an ampoule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/075—Investigating concentration of particle suspensions by optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1789—Time resolved
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • G01N2021/479—Speckle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Definitions

  • Embodiments of the present invention relates to an apparatus and method for providing microbial information.
  • pathogenic microorganisms such as bacteria, fungi, and viruses
  • pathogenic infections have emerged as a socially significant issue, and their frequency is gradually increasing, and pathogenic infections, which have started to become a legal problem in the medical field, can cause loss of life if appropriate treatment is not performed. It is important. Therefore, the development of accurate and rapid diagnostic methods for these pathogenic microorganisms is a medical technology required by the times.
  • a receiving unit for receiving a plurality of images photographed in the chronological order of the emission wave emitted from the sample, extracting features of the change over time (feature) from a plurality of images photographed in the chronological order
  • a detection unit for detecting features of the change over time (feature) from a plurality of images photographed in the chronological order
  • a learning unit for machine learning based on the classification criteria based on the extracted features
  • a determination unit for classifying the types or concentrations of microorganisms contained in the sample based on the classification criteria, each of the plurality of images to the sample
  • a microorganism information providing apparatus including speckle information generated by multiple scattering by the microorganism due to the incident wave.
  • the apparatus and method for providing microbial information extracts characteristics of changes over time in speckles, learns them, and obtains classification criteria for classifying microbial types or concentrations. It is possible to quickly and accurately distinguish the type or concentration of microorganisms in the sample.
  • FIG. 1 is a view schematically showing a microbial information providing system according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
  • FIG. 3 is a block diagram of an apparatus for providing microbial information according to an embodiment of the present invention.
  • FIG. 4 is a view for explaining the basic principle of confirming the presence of microorganisms in a sample in a microbial information providing apparatus according to an embodiment of the present invention.
  • 5A and 5B show a time-series method of providing microbial information according to an embodiment of the present invention.
  • FIG. 6 is a view for explaining a method of analyzing the time correlation of the speckle in the learning unit according to an embodiment of the present invention.
  • FIG. 7 is a view showing a standard deviation distribution of light intensity of a speckle measured over time.
  • FIG. 8 is an exemplary view of a convolutional neural network according to an embodiment of the present invention.
  • FIG. 9 and 10 are diagrams for explaining the convolution operation of FIG. 8.
  • 11 is a graph comparing expected microbial information and actual microbial information obtained using a method for providing microbial information according to an embodiment of the present invention.
  • FIG. 12 is a view schematically showing an optical detection system according to an embodiment of the present invention.
  • FIG. 13 and 14 are views schematically showing a sample portion of the optical detection system of FIG. 12.
  • 15A and 15B are diagrams for explaining a principle of detecting an object using an optical detection system according to an embodiment of the present invention.
  • 16 is a diagram schematically showing an optical detection system according to another embodiment of the present invention.
  • a receiving unit for receiving a plurality of images photographed in the chronological order of the emission wave emitted from the sample, extracting features of the change over time (feature) from a plurality of images photographed in the chronological order
  • a detection unit for detecting features of the change over time (feature) from a plurality of images photographed in the chronological order
  • a learning unit for machine learning based on the classification criteria based on the extracted features
  • a determination unit for classifying the types or concentrations of microorganisms contained in the sample based on the classification criteria, each of the plurality of images to the sample
  • a microorganism information providing apparatus including speckle information generated by multiple scattering by the microorganism due to the incident wave.
  • the learning unit may learn the classification criteria using a convolutional neural network (CNN).
  • CNN convolutional neural network
  • the learning unit may perform a convolution operation using a convolution kernel having a size smaller than the size of one speckle.
  • the learning unit when the size of one speckle corresponds to m pixels, the learning unit performs a convolution operation using a convolution kernel having an nxn size smaller than m. Can be done.
  • the stride of the convolution operation may correspond to the n value.
  • the convolution kernel may include kernel feature maps corresponding to the plurality of images or larger than the plurality of images.
  • the learning unit may perform a convolution operation using a kernel set including a plurality of convolution kernels corresponding to the number of output channels.
  • the number of output channels by the convolution operation may correspond to the number of the plurality of images.
  • the learning unit may learn the classification criterion based on temporal correlation of the plurality of images.
  • the classification criterion is a change in the shape of the speckle pattern among the features, a time correlation coefficient calculated based on the light intensity of the speckle pattern, and the light intensity of the speckle pattern It can be learned using one of the changes in the standard deviation value of (intensity).
  • the standard deviation value and the concentration of the microorganism may have a linear relationship.
  • receiving a plurality of learning images pre-recorded in the chronological order of the emitted wave emitted by irradiating a wave to a sample that knows the type or concentration of the microorganism in advance, and the pre-recorded in the chronological order Machine learning the classification criteria based on the feature of change over time from a plurality of learning images, receiving a plurality of images obtained by sequentially photographing the emitted waves by irradiating waves to a new sample, and And distinguishing the types or concentrations of microorganisms included in the new sample based on the plurality of images and the classification criteria, and each of the plurality of learning images or each of the plurality of images is applied to a wave incident to the sample.
  • Method for providing microbial information, including speckle information generated by multiple scatterin by the microorganism It provides.
  • the classification criteria in the step of machine learning the classification criteria, may be learned using a convolutional neural network (CNN).
  • CNN convolutional neural network
  • a convolution operation in the step of machine learning the classification criteria, may be performed using a convolution kernel having a size smaller than the size of one speckle.
  • a convolution kernel of nxn size smaller than m Convolution operation can be performed using.
  • the stride of the convolution operation may correspond to the n value.
  • a convolution operation in the step of machine learning the classification criterion, may be performed using a kernel set including a plurality of convolution kernels corresponding to the number of output channels.
  • the number of output channels by the convolution operation may correspond to the number of the plurality of images.
  • the learning unit may learn the classification criteria based on temporal correlation of the plurality of images.
  • the standard deviation value and the concentration of the microorganism may have a linear relationship.
  • a sample unit accommodating a sample, a wave source irradiating a wave toward the sample, and an image sensor for capturing a plurality of images by sequentially photographing an emission wave emitted from the sample and the time series
  • a microbial information providing device for providing microbial information including the type or concentration of microorganisms using a plurality of images photographed in sequence, wherein the microbial information providing device, the receiving unit for receiving the plurality of images, the time series A detection unit for extracting features of changes over time from a plurality of images photographed with, a learning unit for machine learning of classification criteria based on the extracted features, and types of microorganisms included in a sample based on the classification criteria
  • it includes a determination unit for distinguishing the concentration, each of the plurality of images due to the wave incident to the sample
  • a microbial information providing system including speckle information generated by multiple scattering by a microorganism.
  • Another embodiment of the present invention is arranged on the path of the sample portion for receiving a sample, a wave source for irradiating waves to the sample portion, and an output wave emitted from the sample portion, and modulating a part of the output wave into a first wave
  • An optical unit having a first spatial light modulator and a second spatial light modulator for modulating a part of the emitted wave into a second wave, a lens focusing the first wave and the second wave emitted from the optical portion
  • a detection unit for detecting a focused wave focused from the lens unit, wherein the first spatial light modulator and the second spatial light modulator are the first wave and the second for the sample under known conditions.
  • An optical detection system is provided that modulates the emitted wave so that the wave cancels out interference.
  • the emission wave may include a speckle pattern generated by multiple scattering from the sample.
  • the sample unit may further include a multi-scattering amplification unit for amplifying the number of times the waves irradiated with the sample are multi-scattered.
  • the detection unit may detect the presence or absence of impurities in the sample according to the presence or absence of detection of the focused wave.
  • a sample portion for receiving a sample, a wave source for irradiating waves to the sample portion, and a path of an output wave emitted from the sample portion are disposed, and a part of the output wave is a first wave.
  • An optical unit having a first spatial light modulating unit for modulating, a lens unit for focusing the first wave emitted from the optical unit and a second wave which is a part of the emitted wave, and a detection unit for detecting the focused wave concentrated from the lens unit
  • the first spatial light modulator provides an optical detection system that modulates the output wave so that the first wave and the second wave cancel interference with the sample under known conditions.
  • the emission wave may include a speckle pattern generated by multiple scattering from the sample.
  • the sample unit may further include a multi-scattering amplification unit for amplifying the number of times multiple waves of the wave irradiated with the sample are scattered.
  • the detection unit may detect the presence or absence of impurities in the sample according to the presence or absence of detection of the focused wave.
  • FIG. 1 is a view schematically showing a microbial information providing system 1 according to an embodiment of the present invention.
  • the microbial information providing system 1 includes a wave source 100, a sample unit 200, an image sensor 300, and a microbial information providing device 400. .
  • the wave source 100 may irradiate the wave L1 toward the sample 201.
  • the wave source 100 may be applied to all kinds of source devices capable of generating waves, and may be, for example, a laser capable of irradiating light in a specific wavelength band.
  • the present invention is not limited to the type of wave source, however, hereinafter, for convenience of explanation, the case will be mainly described as a laser.
  • a laser having good coherence may be used as the wave source 100 in order to form a speckle on a sample.
  • the measurement accuracy may increase as the spectral bandwidth of the wave source for determining the coherence of the laser wave source is shorter. That is, as the coherence length is longer, measurement accuracy may increase.
  • laser light having a spectral bandwidth of a wave source less than a predetermined reference bandwidth may be used as the wave source 100, and the measurement accuracy may increase as it is shorter than the reference bandwidth.
  • the spectral bandwidth of the wave source may be set so that the condition of Equation 1 below is maintained.
  • the spectral bandwidth of the wave source 100 may be maintained below 5 nm when irradiating light into the sample 201 every reference time.
  • the wave source 100 may be disposed outside the sample part 200 and irradiate the wave L1 toward the sample part 200 as illustrated. At this time, the wave source 100 may be disposed adjacent to the sample unit 200 to directly irradiate the wave L1 toward the sample unit 200, but is spaced apart from the sample unit 200 and disposed to be optical fiber (optical) The wave L1 may be irradiated to the sample unit 200 through the fiber 105.
  • the optical fiber 105 performs a function of transmitting only for a specific wavelength, noise of the wave L1 transmitted from the wave source 100 can be removed, and the beam size is enlarged when emitting the wave L1 It can also be provided as a collimator (107).
  • the sample unit 200 may accommodate the sample 201 to be measured.
  • the sample 201 may be received through a sample arrangement means such as a container or a pipe, and may be received in a stabilized state.
  • the sample part 200 may accommodate the stabilized sample 201 because of no fluidity using a container.
  • the sample unit 200 may accommodate a flexible sample 201 using a pipe.
  • the sample 201 may be liquid, and the sample portion 200 may circulate the sample 201 one or more times along the entire flow path including the pipe to make it in the pipe. In can form a stabilized state of the sample 201.
  • the sample unit 200 may further include a multi-scattering amplification unit.
  • the multi-scattering amplifying unit may amplify the number of multi-scattering in the sample 201 by reflecting at least a portion of the emission wave L2 emitted from the sample 201 to the sample 201.
  • the multiple scattering amplification unit may include multiple scattering materials.
  • the multi-scattering material includes titanium oxide (TiO2), and the multi-scattering amplifying unit may reflect at least a portion of the wave L1 incident on the multi-scattering amplifying unit.
  • the multi-scattering amplification unit is disposed adjacent to the sample 201 so that the emission wave L2 emitted by multi-scattering from the sample 201 reciprocates the space between the sample 201 and the multi-scattering amplification unit at least once. You can.
  • the multi-scattering amplification unit may be disposed on the path of the wave, and may be disposed on each of the path of the incident wave L1 and the path of the exit wave L2.
  • the sample part 200 is not provided with a multi-scattering amplification part as a separate configuration, but is coated by using a multi-scattering amplification material on the surface of the body of the sample part 200 accommodating the sample 201, It may be composed of multiple scattering amplification regions.
  • the sample unit 200 may be configured such that the multi-scattering material is coldly contained in the sample 201.
  • the multi-scattering amplification region may scatter at least a portion of a wave incident into the internal space of the sample unit 200 and exiting through the sample 201 into the sample 201 again.
  • the scattered wave is emitted to the other side via the sample 201 and scattered, and the number of multi-scattering within the sample 201 may be increased through this process.
  • the multi-scattering amplification area may be formed in at least a part of the path through which the wave passes, and may be disposed in all areas except for the part of the wave that is emitted and the part of the wave that is incident.
  • the image sensor 300 is disposed on a path through which the emission wave L2 passes, and may acquire a plurality of images by photographing the emission wave L2 emitted from the sample 201 in chronological order.
  • the image sensor 300 may include detection means corresponding to the type of the wave source 100, for example, a CCD camera (camera), which is an imaging device for taking an image when using a light source having a visible wavelength band. Can be used.
  • a CCD camera camera
  • each of the plurality of images may include speckle information generated by multiple scattering by microorganisms due to the wave L1 incident on the sample 201.
  • the image sensor 300 may detect a laser speckle generated by multiple scattering of the irradiated wave L1 in the sample 201 at a preset time point.
  • the time means a moment in a continuous flow of time, and the times may be set in advance at the same time interval, but are not necessarily limited thereto, and are set in advance at any time interval It may be.
  • the image sensor 300 detects a first image including at least a first speckle information at a first time point and photographs a second image containing the second speckle information at a second time point to provide a microbial information device (400). Meanwhile, the first time point and the second time point are only examples selected for convenience of description, and the image sensor 300 may capture a plurality of images at a plurality of time points than the first time point and the second time point.
  • the image sensor 300 is provided with a polarizer 305 in a path through which the emission wave L2 passes, thereby maximizing interference efficiency for forming a speckle and removing unnecessary external reflected light and the like.
  • the image sensor 300 may be disposed at a position spaced apart from the sample unit 200 so that the size d of one pixel of the image sensor is smaller than or equal to the grain size of the speckle pattern.
  • the image sensor 300 may be disposed on a path through which the emission wave L2 passes to satisfy the condition of Equation 2 below.
  • the size d of one pixel of the image sensor 300 should be less than or equal to the grain size of the speckle pattern, but if the size of the pixel becomes too small, undersampling occurs. Difficulties may exist in utilizing pixel resolution. Accordingly, the image sensor 300 may be arranged such that up to 5 pixels are located in the speckle grain size to achieve an effective signal to noise ratio (SNR).
  • SNR signal to noise ratio
  • the microbial information providing device 400 receives a plurality of images from the image sensor 300, and after using the machine learning, it can perform a function of classifying the type or concentration of microorganisms in the sample 201. .
  • the microorganism information providing apparatus 400 of the present invention will be described in more detail.
  • FIG. 2 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
  • the network environment of FIG. 2 shows an example including a plurality of user terminals 401, 402, 403, and 404, a server 405, and a network 406.
  • the microorganism information providing device 400 may be a server or a user terminal. 2 is an example for explaining the present invention, and the number of user terminals or the number of servers is not limited as shown in FIG. 2.
  • the plurality of user terminals 401, 402, 403, 404 may be a fixed terminal or a mobile terminal implemented as a computer device.
  • the plurality of user terminals 401, 402, 403, and 404 may be terminals of an administrator who controls the server.
  • a plurality of user terminals (401, 402, 403, 404), smart phones (smart phone), mobile phones, navigation, computers, notebooks, digital broadcasting terminals, PDA (Personal Digital Assistants), PMP (Portable Multimedia Player) ), Tablet PC, etc.
  • the communication method is not limited, and a communication method using a communication network (for example, a mobile communication network, a wired Internet, a wireless Internet, and a broadcasting network) that the network 406 may include may include short-range wireless communication between devices.
  • the network 406 includes a personal area network (PAN), a local area network (LAN), a capus area network (CAN), a metropolitan area network (MAN), a wide area network (WAN), and a metropolitan area network (MAN). ), A wide area network (WAN), a broadband network (BBN), or an Internet.
  • PAN personal area network
  • LAN local area network
  • CAN capus area network
  • MAN metropolitan area network
  • WAN wide area network
  • MAN metropolitan area network
  • MAN metropolitan area network
  • a wide area network (WAN), a broadband network (BBN) or an Internet.
  • the network 406 may include any one or more of a network topology including a bus network, a star network, a ring network, a mesh network, a star-bus network, a tree or a hierarchical network, etc. It is not limited.
  • the server 405 is a computer device or a plurality of computer devices that communicate with a plurality of user terminals 401, 402, 403, and 404 through a network 406 to provide commands, codes, files, content, services, and the like. Can be implemented.
  • the server 405 may provide a file for the installation of the application to the user terminal 1 401 connected through the network 406.
  • the user terminal 1 401 may install an application using a file provided from the server.
  • the service provided by the server 405 by accessing the server 405 under the control of an operating system (OS) including the user terminal 1 401 and at least one program (for example, a browser or an installed application) I can be provided with content.
  • the server 405 may establish a communication session for data transmission and reception, and may route data transmission and reception between a plurality of user terminals 401, 402, 403 and 404 through the established communication session.
  • OS operating system
  • the microorganism information providing device 400 may be mounted on at least one of the plurality of user terminals 401, 402, 403, and 404, or may be provided on the server 405.
  • the microbial information providing device 400 may be provided in two servers 405. At this time, the learning of the microbial classification criteria described below is performed through one server, and the other server can determine the microbial type or concentration of the measurement sample based on the learned algorithm.
  • the apparatus 400 for providing microbial information may include a receiver 410, a processor 420, a memory 430, and an input / output interface 440.
  • the reception unit 410 may receive a plurality of images obtained by photographing the emission wave L2 emitted from the sample 201 in chronological order.
  • the receiving unit 410 is wired to the image sensor 300 A plurality of images photographed in connection may be provided.
  • the receiving unit 410 when the microbial information providing device 400 is provided in the server 405 provided separately from the image sensor 300, the receiving unit 410 functions as a communication module using wired or wireless communication, and a plurality of Video can be provided. At this time, the receiving unit 410 may provide a function for the user terminal 1 401 and the server 405 to communicate through the network 406, and other user terminals (eg, user terminal 2 402) or other A function for communicating with the server (eg, the server 405) may be provided.
  • the processor 420 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input / output operations. Instructions may be provided to the processor 420 by the memory 430 or the receiver 410. For example, the processor 420 may be configured to execute a received command according to program code stored in a recording device such as the memory 430.
  • the processor 420 may include a learning unit 421, a detection unit 422, and a determination unit 423.
  • the memory 430 is a computer-readable recording medium and may include a non-permanent mass storage device such as random acess memory (RAM), read only memory (ROM), and a disk drive.
  • the memory 430 may store an operating system and at least one program code (for example, a code for a browser or the above-described application installed and driven in the user terminal 1 401).
  • These software components may be loaded from a computer readable recording medium separate from the memory 430 using a drive mechanism.
  • Such a separate computer-readable recording medium may include a computer-readable recording medium such as a floppy drive, disk, tape, DVD / CD-ROM drive, and memory card.
  • software components may be loaded into memory 430 through receiver 410 rather than a computer-readable recording medium.
  • At least one program is a program installed by files provided by a file distribution system (for example, the server 405 described above) that distributes installation files of developers or applications through the network 406 (for example, It may be loaded in the memory 430 based on the above-described application).
  • a file distribution system for example, the server 405 described above
  • the network 406 for example, It may be loaded in the memory 430 based on the above-described application.
  • the input / output interface 440 may be a means for interfacing with the input / output device.
  • the input device may include a device such as a keyboard or mouse
  • the output device may include a device such as a display for displaying a communication session of an application.
  • the input / output interface 440 may be a means for interfacing with a device in which functions for input and output are integrated into one, such as a touch screen.
  • the processor 420 of the server 405 uses a data provided by the user terminal 2 402 in processing a command of a computer program loaded in the memory 430 to input or output a service screen or content. It may be displayed on the display through the interface 440.
  • a portion of a wave scattered through a complex path through multiple scattering of light or a wave (hereinafter referred to as wave for simplicity) irradiated from a wave source will pass through an inspection target surface.
  • Waves passing through various points on the surface to be inspected cause constructive interference or destructive interference with each other, and the constructive / destructive interference of these waves causes a grain pattern (speckle) to be generated. do.
  • chaotic waves waves scattered by such a complex path
  • chaos waves can be detected through speckle information.
  • FIG. 4 is a view showing when a stable medium is irradiated with a laser.
  • a stable medium having no movement of the internal component is irradiated with interference light (for example, a laser)
  • interference light for example, a laser
  • the light path may change in real time due to the microscopic life activities of the organism (eg, intracellular movement, microbial movement, tick movement, etc.).
  • the speckle pattern is a phenomenon that occurs due to the interference of waves
  • changes in the fine optical path may cause a change in the speckle pattern.
  • the change in the fine optical path is expressed as a high signal-to-noise ratio due to the characteristics of the data measured by the embodiments of the present invention, which is an image of a narrow bandwidth light source interfering, and multiple scattering causes the signal to be multiplied by microorganisms. Because it is affected. Accordingly, by measuring the temporal change of the speckle pattern, it is possible to quickly measure the movement of the organism.
  • the existence and concentration of the organism can be known, and furthermore, the type of the organism can also be known.
  • FIG. 5A and 5B show a time-series method of providing microbial information according to an embodiment of the present invention.
  • FIG. 5A is a time series showing a method of learning a classification criterion among methods for providing microorganism information according to an embodiment of the present invention
  • FIG. 5B is a classification criterion among methods for providing microorganism information according to an embodiment of the present invention. Based on the method to classify the concentration or type of microorganisms in time series.
  • the microbial information providing system 1 may prepare a sample that knows the type or concentration of the microorganism in advance, and acquire a plurality of learning images by photographing the sample. .
  • the process of receiving a plurality of learning images from the microbial information providing system 1 is the same as the process of receiving a plurality of images of a new sample, which will be described later.
  • the microbial information providing system 1 irradiates the wave L1 to the sample 201 accommodated in the sample part 200 using the wave source 100.
  • the sample 201 may be a sample that knows the concentration or type of microorganisms in advance.
  • the image sensor 300 acquires a plurality of images by photographing the emission wave L2 emitted from the sample 201 in chronological order.
  • the image sensor 300 may acquire a plurality of images by photographing the sample 201 at a preset time point or at each time point, wherein each of the plurality of images is a wave L1 incident on the sample 201.
  • the image sensor 300 may acquire a plurality of images at a rate sufficient to detect the movement of microorganisms, for example, may photograph the sample 201 at a rate of 25 to 30 frames per second.
  • the microbial information providing apparatus 400 receives a plurality of learning images acquired by the image sensor 300 by the receiver 410.
  • the detection unit 422 extracts a feature of change over time from a plurality of learning images (S12).
  • the plurality of learning images are continuously photographed at time intervals, and include time information between the plurality of learning images photographed in chronological order.
  • the detector 422 may extract a feature of a change over time from the plurality of learning images.
  • the learning unit 421 performs machine learning on the classification criteria based on the extracted features (S13).
  • the learning unit 421 learns classification criteria based on deep learning, and deep learning is a key among high-level abstractions, large amounts of data, or complex data through a combination of several nonlinear transformation methods. It is defined as a set of machine learning algorithms that try to summarize the content or function).
  • the learning unit 421 includes deep neural networks (DNN), convolutional neural networks (CNN), cyclic neural networks (RNN), and deep trust neural networks (Deep Belief) among models of deep learning. Networks, DBN).
  • the learning unit 421 may machine learning the classification criteria based on temporal correlation of the plurality of received learning images.
  • the plurality of learning images may include information on a speckle generated by multiple scattering from the sample 201.
  • the speckle may change over time due to the life activity of the microorganism.
  • the learning unit 421 learns the classification criteria for classifying the type or concentration of the microorganism using the change over time in the speckle. You can.
  • the learning unit 421 may machine-classify a classification criterion using a change in a speckle pattern that is a speckle information included in each of a plurality of learning images, or time correlation of the received plurality of learning images Classification criteria can be machine-based based on (temporal correlation). At this time, the learning unit 421 may learn the classification criteria of microorganisms using the speckle pattern detected from each of a plurality of learning images among the features.
  • the step of extracting the characteristics of the change over time in the detector 422 (S12) and the step of machine learning the classification criteria based on the features extracted in the learning unit 421 (S13) are shown separately.
  • the present invention is not necessarily limited to this, and each step does not have a sequential relationship and can be made simultaneously.
  • FIG. 6 is a view for explaining a method of analyzing the time correlation of the speckle in the learning unit 421 according to an embodiment of the present invention.
  • the learning unit 421 classifies using the first image information of the speckle detected at the first time point and the second image information of the speckle detected at the second time point different from the first time point.
  • the first image information and the second image information may be at least one of speckle pattern information or wave intensity information.
  • an embodiment of the present invention does not use only the difference between the first image information at the first time point and the second image information at the second time point, and extends it to include a plurality of images detected at a plurality of time points. Speckled information is available.
  • the learning unit 421 may calculate the time correlation coefficient between the images using the image information of the speckle generated at a plurality of preset time points, and learn classification criteria based on the time correlation coefficient.
  • the time correlation coefficient calculated based on the light intensity of the speckle pattern may be calculated using Equation 3 below.
  • Equation 3 C is the time correlation coefficient, I is the normalized light intensity, (x, y) is the pixel coordinates of the camera, t is the measured time, T is the total measurement time, and ⁇ is the time lag. Shows.
  • the time correlation coefficient may be calculated according to Equation 3, and as an embodiment, the learning unit 421 classifies the type or concentration of microorganisms through analysis in which the time correlation coefficient falls below a preset reference value. You will learn the standards. Specifically, it can be analyzed that a microorganism exists as the time correlation coefficient falls below a predetermined value beyond a predetermined error range, and these reference values may have different values depending on the type of microorganism.
  • the learning unit 421 may learn classification criteria for classifying the types of microorganisms using the reference value analysis of the time correlation coefficient.
  • the learning unit 421 may learn classification criteria for classifying the concentration of microorganisms using the analysis of the slope value of the time correlation coefficient.
  • FIG. 7 is a view showing a standard deviation distribution of light intensity of a speckle measured over time.
  • the learning unit 421 may calculate a standard deviation of the intensity of the speckle pattern using a plurality of learning images measured for each reference time. As the bacteria and microorganisms present in the sample continuously move, constructive interference and offset interference may change in response to the movement. At this time, as the constructive interference and the canceling interference change, the degree of light intensity may change. The learning unit 421 may obtain a standard deviation indicating the degree of change in light intensity, analyze where bacteria and microorganisms are present in the sample, and learn the distribution of bacteria and microorganisms.
  • the learning unit 421 may calculate a standard deviation of light intensity over time of the speckle pattern detected in each of the plurality of learning images.
  • the standard deviation of the light intensity over time of the speckle can be calculated based on Equation 4 below.
  • Equation 4 S: standard deviation, (x, y): camera pixel coordinate, T: total measurement time, t: measurement time, It: light intensity measured at time t, I: average light intensity over time Can be represented.
  • the learning unit 421 may learn the classification criteria based on the linear relationship between the size of the standard deviation value of the light intensity of the speckle pattern and the concentration of bacteria and microorganisms.
  • CNN convolutional neural network
  • CNNs convolutional neural networks
  • the convolutional neural network (CNN) includes a convolutional layer that performs convolution on input data, and further includes a subsampling layer that performs subsampling on images, and extracts feature maps from the data. can do.
  • the subsampling layer is a layer that increases the contrast between neighboring data and reduces the amount of data to be processed, and maximum pooling, average pooling, and the like can be used.
  • FIG. 8 is an exemplary diagram of a convolutional neural network according to an embodiment of the present invention
  • FIGS. 9 and 10 are diagrams for explaining the convolution operation of FIG. 8.
  • the convolutional neural networks CNN and 510 used by the learning unit 421 may include a plurality of convolutional layers A1.
  • the learning unit 421 may generate an output by performing a convolution operation between kernels and inputs of the convolution layers.
  • the input of the convolution layer is data employed as the input of the convolution layer, and includes at least one input feature map corresponding to the initial input data or the output generated by the previous layer.
  • the input of the convolution layer 1 (A11) illustrated in FIG. 8 is a plurality of images 501 that are the first input of the convolutional neural network 510, and the input of the convolution layer 2 (A12) is convolution. It may be the output 511 of the layer 1 (A11).
  • the input 501 of the convolutional neural network 510 is a plurality of C images 501 received by the receiving unit 410, and a time correlation can be established between each image that is an input feature map.
  • Each image, that is, each input feature map may have a plurality of pixels having a predetermined width (W) and height (H). Since there are C such input feature maps, the size of the input 501 may be expressed as W x H x C.
  • the learning unit 421 may perform a convolution operation corresponding to the input 501 using one kernel corresponding to the convolution layer A1.
  • At least one kernel of the convolution layer A1 is data employed for a convolution operation corresponding to the convolution layer A1, and may be defined based on, for example, inputs and outputs of the convolution layer. . At least one kernel may be designed for each convolutional layer A1 constituting the convolutional neural network 510, and at least one kernel corresponding to each convolutional layer may be referred to as a kernel set S600.
  • the kernel set S600 may include kernels corresponding to the output channels D.
  • the kernel set S600 of the convolution layer may be defined so that the input of the convolution layer and the convolution operation are performed.
  • the output of the convolution layer A1 is data resulting from a convolution operation between the input of the corresponding convolution layer and the kernel set, and includes at least one output feature map and may be employed as the input of the next layer.
  • the learning unit 421 may generate an output 511 by performing a convolution operation between the kernel set S600 and the input 501 corresponding to the convolution layer A1.
  • the output 511 of the convolution layer A1 includes output feature maps 5111 corresponding to D output channels, and the size of each output feature map 5111 may be W x H.
  • the width, height, and number (depth) of the output 511 are W, H, and D, respectively, and the size of the output 511 can be expressed as W x H x D.
  • the kernel set S600 corresponding to the convolution layer A1 may include convolution kernels corresponding to the number of D output channels.
  • the learning unit 421 may generate output feature maps 5111 corresponding to the D output channels based on calculation results between the input 501 and kernels corresponding to the D output channels.
  • the learning unit 421 includes a plurality of convolutional layers A1, and as an embodiment, may include 4 to 7 convolutional layers A1. For example, as shown in the figure, five convolutional layers A11, A12, A13, A14, and A15 may be included. Through the plurality of convolution layers A11, A12, A13, A14, and A15, the learning unit 421 may have a higher learning capacity that may imply a complex nonlinear relationship. However, the present invention is not limited to this, and it is needless to say that learning can be performed using more convolutional layers A1.
  • each of the convolution layer A1 may include an activation function.
  • the active function can be applied to each layer of each layer to perform a function of making each input have a complex non-linear relationship.
  • a sigmoid function As the active function, a sigmoid function, a tanh function, a rectified linear unit (ReLU), a Ricky ReLU, etc., which can convert an input into a normalized output, may be used. .
  • the learning unit 421 according to an embodiment of the present invention completely initializes kernels using values of -1 to 1 in the first learning using the convolutional neural network 510, but data having a negative value When using an active function that outputs all of them as 0, output values including valid information cannot be transferred to the next convolutional layer, so learning efficiency may decrease. Therefore, in one embodiment of the present invention, the learning unit 421 adds a Leacky ReLU layer after the convolution layer A1, so that a positive value is output as it is, but a constant slope is applied to the input data of the negative value. It can be output to have. Through this, the learning unit 421 may prevent a convergence speed reduction and a local minimization problem during learning.
  • the input 501 may be a set of input feature maps to which padding is applied, and padding refers to a technique of filling a partial area of the input with a specific value.
  • applying padding to the input by setting the pad size to 1 means an operation of filling a specific value at the edge of the input feature map, and zero padding means setting the specific value to 0. it means.
  • zero padding with a pad size of 1 is applied to the size input of X x Y x Z
  • the padded input has a zero edge and a size (X + 1) x As (Y + 1) x Z data
  • (X + 1) x (Y + 1) x Z input elements may be included.
  • the learning unit 421 performs a convolution operation by using a plurality of images including speckle information as input, and learns using time correlation of the plurality of images. It may include a plurality of speckles that are grain-shaped patterns. At this time, the learning unit 421 may learn classification criteria based on the time correlation of each speckle, that is, the learning unit 421 may include time information, not two-dimensional information of an image. You will learn classification criteria using 3D information.
  • the learning unit 421 should focus on information about one speckle, and classify the classification criteria by classifying the above-described one speckle and the surrounding speckles in order to accurately obtain three-dimensional information on one speckle. You have to learn. Therefore, the learning unit 421 may perform a convolution operation using a convolution kernel having a size smaller than the size of one speckle. That is, when the size of one speckle corresponds to m pixels, the learning unit 421 performs a convolution operation using a convolution kernel of size n x n smaller than m.
  • the image sensor 300 is arranged such that up to 5 pixels are located in the speckle grain size, so m may be 5, where n is 1 It can have a value. That is, the learning unit 421 may perform a convolution operation using a 1 x 1 convolution kernel.
  • the technical idea of the present invention is to perform a convolution operation using a kernel smaller than the size of the speckle, but is not limited thereto.
  • the learning unit 421 performs an operation between the convolution kernel corresponding to the first output channel in the kernel set S600 and the input 501 to output an output feature map corresponding to the first output channel ( 5111).
  • the learning unit 421 may generate output feature maps 5111 corresponding to the D output channels by performing operations between the D kernels and the input 501 in the kernel set S600, respectively.
  • the output 511 including the generated output feature maps 5111 may be generated.
  • the learning unit 421 performs an operation between the convolution kernel 600 corresponding to the D-th output channel having nxnx C sizes and the input 501 having the size of W x H x C to perform W x H.
  • An output feature map 5111 that is the size of can be generated, and the generated output feature map 5111 corresponds to a D-th output channel.
  • the convolution kernel 600 corresponding to the D-th output channel includes C kernel feature maps, and the size of each kernel feature map is n x n.
  • the learning unit 421 slides each kernel feature map having a size of nxn on a specific stride on each input feature map having a size of W x H included in the input 501, and corresponds to a D-th output channel.
  • An output feature map 5111 that is a result of an operation between the convolution kernel 600 and the input 501 may be generated.
  • stride means an interval of sliding the kernel feature map during convolution.
  • the sliding interval stride (s) May have a value corresponding to the size of the convolution kernel so that the respective convolution kernels and the corresponding regions do not overlap.
  • stride (s) may have an n value.
  • stride s may be 1.
  • the learning unit 421 performs convolution operation to have the same output channel number (D) as a plurality of image numbers (C) in learning the classification criteria using the convolutional neural network 510.
  • the kernel set S600 may include D convolution kernels including C kernel feature maps, where C and D may be the same.
  • the learning unit 421 applies a weight with a predetermined operation to the feature maps 521 extracted by passing a sub-sampling (A2) filter using a fully connected layer, and finally outputs the result. (541) can be obtained.
  • the learning unit 421 further applies Leaky ReLU to the Fully Connected layer after performing the subsampling (A2) (A3), and thereafter, the Fully Connected Layer (Fully connected)
  • the final output can be obtained by applying a softmax layer to the layer (A4).
  • the final output 541 may be a classification criterion for classifying microbial types or concentrations by time correlation of the speckle.
  • the method for providing microbial information receives a plurality of images obtained by sequentially radiating an emitted wave by irradiating a wave to a new path (S21) (S22) . Thereafter, the method for providing microbial information may distinguish the type or concentration of microorganisms included in the new sample 201 based on the obtained classification criteria by the determination unit 423 (S23). The output data obtained through the above-described process may be provided back to the learning unit 421 and used as learning data.
  • 11 is a graph comparing expected microbial information (prediction) and actual microbial information (ground truth) obtained using a method for providing microbial information according to an embodiment of the present invention.
  • the method of providing microorganism information distinguishes the types of microorganisms (B.subtilis, E.Coli, P.aeruginosa, S.aureus) included in the sample 201, and of course, each concentration. It can be confirmed that it is divided.
  • the apparatus and method for providing microbial information obtain a classification standard for classifying the type or concentration of microorganisms using a change in time correlation of the speckle, thereby providing a separate chemical method. It is possible to quickly and accurately distinguish the type or concentration of microorganisms in the sample. Through this, it is possible to quickly and effectively medically prescribe antibiotics and the like to patients with infectious diseases, and various applications such as checking the health status of the subject are also possible.
  • FIG. 12 is a diagram schematically showing an optical detection system 2 according to an embodiment of the present invention.
  • the optical detection system 2 may include a wave source 10, a sample unit 20, an optical unit 30, and a detection unit 40.
  • the wave source 10 may be applied to any type of source device capable of generating waves, and may be, for example, a laser capable of irradiating light in a specific wavelength band.
  • the wave source 10 is connected to a driving device such as a motor (motor) or an actuator (actuator), it is possible to sequentially irradiate the wave toward the sample unit 20 at a predetermined time interval.
  • a driving device such as a motor (motor) or an actuator (actuator)
  • the present invention is not limited to the type of the wave source, however, hereinafter, for convenience of description, it will be mainly described in the case of a laser.
  • a laser having good coherence can be used as the wave source 10 to form a speckle on the sample S accommodated in the sample unit 20.
  • the measurement accuracy may increase as the spectral bandwidth of the wave source for determining the coherence of the laser wave source is shorter. That is, the measurement accuracy may increase as the coherence length increases.
  • laser light having a spectral bandwidth of a wave source less than a predetermined reference bandwidth may be used as the wave source 10, and the measurement accuracy may increase as it is shorter than the reference bandwidth.
  • the spectral bandwidth of the wave source 10 may be set so that the condition of Equation 1 described above is maintained.
  • the spectral bandwidth of the wave source 10 may be maintained at less than 5 nm when irradiating light to the sample part 1200 every reference time.
  • 13 and 14 are views schematically showing a sample portion 20 of the optical detection system 2 of FIG. 12.
  • the sample portion 20 may accommodate a sample S to be measured.
  • the sample S may be accommodated through a sample placement means such as a container 211 or a pipe 212, and may be received in a stabilized state.
  • the sample part 20 may accommodate the stabilized sample S because there is no fluidity using the container 211.
  • the sample portion 20 may accommodate a fluid sample S using a pipe 212.
  • the sample (S) may be a liquid, the sample portion 20 is circulated through the sample (S) one or more times along the entire flow path including the pipe 212, the sample (S) in the pipe (212) It can form a stabilized state.
  • the sample part 20 may further include a multi-scattering amplification part 21.
  • the multi-scattering amplifying unit 21 may amplify the number of multi-scattering in the sample S by reflecting at least a portion of the wave emitted from the sample S to the sample S.
  • the multiple scattering amplification unit 21 may include multiple scattering materials.
  • the multi-scattering material includes titanium oxide (TiO 2), and the multi-scattering amplification unit 21 may reflect at least a portion of the wave incident on the multi-scattering amplification unit 21.
  • the multi-scattering amplification unit 21 is disposed adjacent to the sample S, so that a wave that is multi-scattered and emitted from the sample S exits the space between the sample S and the multi-scattering amplification unit 21 at least once. You can make it return.
  • the multi-scattering amplification unit 21 may be disposed on the path of the wave, and may be disposed at a position adjacent to the incident wave S1 and at a position adjacent to the exit wave S2.
  • the optical detection system 2 may be configured such that the multi-scattering material is included in the sample S.
  • the sample portion 20 may include a multi-scattering amplification region 21 in the pipe 212 body.
  • the multi-scattering amplification region 21 may scatter at least a portion of the wave that enters the interior space of the pipe 212 and exits through the sample S into the sample S again. The scattered wave is again emitted through the fluid to the other side and scattered, and the number of multi-scattering in the fluid may be increased through this process.
  • the multi-scattering amplification region 21 may be formed in at least some of the paths through which the waves pass, and may be disposed in all regions, for example.
  • the optical unit 30 may control the wavefront of the above-described emission wave S2 and transmit it to the detection unit 40.
  • the optical unit 30 includes at least one spatial light modulator (SLM) and a lens unit 35 that focuses the waves emitted from the spatial light modulator and delivers them to the detection unit 40. can do.
  • SLM spatial light modulator
  • the spatial light modulators 310 and 320 may control the wavefront of the wave scattered from the sample and provide it to the lens unit 35.
  • the spatial light modulators 310 and 320 may also be referred to as wave shaping devices.
  • the spatial light modulators 310 and 320 may modulate the intensity of a wave or simultaneously modulate the intensity and phase of a wave.
  • the spatial light modulator 35 may include an apparatus or device capable of controlling a wavefront in a desired shape in units of pixels, such as a liquid crystal spatial light modulator (LCSLM), a digital micromirror device (DMD), and a deformable mirror (DM). You can.
  • LCD liquid crystal spatial light modulator
  • DMD digital micromirror device
  • DM deformable mirror
  • the optical detection system 2 may include a first spatial light modulator 31 and a second spatial light modulator 32.
  • the first spatial light modulator 31 and the second spatial light modulator 32 may be arranged so as not to overlap each other on the path through which the emission wave S2 emitted from the sample unit 20 passes.
  • the first spatial light modulator 31 and the second spatial light modulator 32 may control the wavefront of the emission wave S2 at each position.
  • the first spatial light modulator 31 and the second spatial light modulator 32 receive the emission wave S2 emitted from the sample S in a stabilized state such that the controlled wavefront has predetermined wavefront information. Can be controlled.
  • 15A and 15B are diagrams for explaining the principle of detecting an object M using the optical detection system 2 according to an embodiment of the present invention.
  • a part of the wave scattered through a complex path through multiple scattering in the sample part 20 among the incident waves S1 emitted from the wave source 10 passes through the inspection target surface. Waves passing through various points on the surface to be inspected cause constructive interference or destructive interference with each other. do.
  • interference light for example, a laser
  • the speckle pattern Will change. That is, the emission wave S2 emitted through the sample unit 20 may include sample information according to the above-described speckle pattern.
  • the first spatial light modulator 31 and the second spatial light modulator 32 are the sample part 20 when the sample S is in a stabilized state without movement of the internal constituent materials. It is possible to control the wavefront so that the emission wave (S2) emitted from has a predetermined intensity and phase.
  • the first spatial light modulator 31 controls the output wave S2 as a first wave LS1 having first wave information
  • the second spatial light modulator 32 controls the output wave S2 as a second. It can be controlled with the second wave LS2 having wave information.
  • the first wave information and the second wave information may have the same intensity of the waves, but the phases of the waves may have opposite phases. This can be summarized by Equation 2 below.
  • I means the intensity of the wave (Intensity)
  • P means the phase (phase) of the wave. Therefore, when the sample S is stabilized and the first wave LS1 and the second wave LS2 are focused by the lens unit 35, offset interference occurs because the intensity is the same and the phase is opposite. , Ideally, in the detection unit 40 to be described later, as shown in Equation 3, light cannot be detected.
  • k may be an amplification constant at the detector 40.
  • the lens unit 35 focuses the first wave LS1 and the second wave LS2 emitted from the first spatial light modulator 31 and the second spatial light modulator 32, so that the detector 40 ).
  • the lens unit 35 may be made of a single lens as shown in FIG. 12, or a plurality of lenses 351, 352, and 353 may be arranged in each path as shown in FIGS. 15A and 15B.
  • the lens unit 35 may further include an optical path means such as a mirror 37 or a beam splitter 38 for changing the optical paths of the first wave LS1 and the second wave LS2.
  • the first wave LS1 and the second wave controlled by the first spatial light modulator 31 and the second spatial light modulator 32 while the sample S is stabilized may be different.
  • 15A or 15B since the second wave LS2 emitted from the second spatial light modulator 32 is divided by the beam splitter 38, the intensity provided to the detector 40 is the first It has to be smaller than 1 wave LS1.
  • the first spatial light modulator 31 is the second wave (LS2) of the intensity of the first wave (LS1) is passed through the beam splitter 38 and provided to the detector 40
  • the first wave LS1 may be controlled to be equal to the intensity. Accordingly, the intensity of the first wave LS1 and the second wave LS2 is different before being controlled by the first spatial light modulator 31 and the second spatial light modulator 32 and entering the lens unit 35. You can.
  • the detection unit 40 may detect a focused wave emitted from the optical unit 30 and focused.
  • the detection unit 40 may be any means for detecting a wave.
  • the detection unit 40 may be a photodiode.
  • the first wave LS1 and the second wave LS2 emitted from the optical unit 30 are not detected by offset interference, but the object M such as a foreign substance or an impurity When entering the sample S, a wave (light) can be detected immediately.
  • the detection unit 40 may further include an optical fiber, and receive the first wave LS1 and the second wave LS2 from the optical unit 30.
  • the optical fiber may be a single mode optical fiber.
  • Single mode filtering may be performed by passing the first wave LS1 and the second wave LS2 through a single mode fiber.
  • a small pinhole smaller than the single mode optical focus size may be used instead of the single mode optical fiber.
  • FIG. 16 is a view schematically showing an optical detection system 4 according to another embodiment of the present invention.
  • the optical detection system 4 may include a wave source 10, a sample unit 20, an optical unit 30, and a detection unit 40.
  • the optical detection system 4 according to another embodiment only differs in the configuration of the optical unit 30, and the rest of the components are the same as the optical detection system 2 of one embodiment. Shall be
  • the optical unit 30 may include only the first spatial light modulator 31.
  • the first spatial light modulator 31 may control the emission wave S2 and convert it to the first wave LS1.
  • the optical unit 30 may provide a portion of the emission wave S2 as the second wave LS2 to the lens unit 35 as it is.
  • the optical unit 30 uses the portion of the emission wave S2 as the second wave LS2, and controls the other portion so that offset interference with the second wave LS2 occurs, and the same function as in one embodiment You can do
  • the optical detection system divides a wave emitted from a sample into two first waves and a second wave, and the first wave and the second wave cancel the interference in the detection unit 40
  • the intensity and phase of at least one of the first wave and the second wave may be controlled using a spatial light modulator (SLM) to occur.
  • SLM spatial light modulator
  • the optical detection system according to the embodiments of the present invention can detect the presence of impurities such as microorganisms in the sample only by detecting the presence or absence of a wave in the detection unit.
  • the optical detection system according to the embodiments of the present invention can immediately recognize the presence of impurities through the presence or absence of a wave, thereby enabling sensitive detection even when very small amounts of impurities are present.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computing Systems (AREA)
  • Organic Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Wood Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Zoology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Microbiology (AREA)
  • Toxicology (AREA)
  • Computational Linguistics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioethics (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)

Abstract

본 발명의 일 실시예는, 시료로부터 출사되는 출사파동을 시계열 순으로 촬영한 복수의 영상을 수신하는 수신부, 상기 시계열 순으로 촬영한 복수의 영상으로부터 시간에 따른 변화의 특징(feature)을 추출하는 검출부, 상기 추출된 특징을 기초로 분류기준을 기계학습하는 학습부 및 상기 분류기준을 기초로 시료에 포함된 미생물의 종류 또는 농도를 구분하는 판단부를 포함하고, 상기 복수의 영상 각각은 상기 시료로 입사되는 파동에 기인하여 상기 미생물에 의해 다중산란(multiple scattering)되어 발생되는 스펙클(speckle) 정보를 포함하는, 미생물 정보 제공 장치를 제공한다.

Description

미생물 정보 제공 장치 및 방법
본 발명의 실시예들은 미생물 정보 제공 장치 및 방법에 관한 것이다.
세균, 진균, 바이러스와 같은 다양한 병원성 미생물은 혈액, 체액 및 인체의 조직 내에 출현하여 서식하기 시작하면서 감염성 질환을 일으킨다. 최근에는 병원성 감염이 사회적으로 크게 부각되고 있는데, 그 빈도가 점차 증가하고 있고 의료계에서 법적인 문제가 되기 시작한 병원성 감염은 적절한 치료가 이루어지지 않을 경우 인명을 잃을 수 있으므로, 조기 진단과 합병증 없는 신속한 치료가 중요하다. 따라서 이러한 병원성 미생물에 대한 정확하고 신속한 진단법의 개발은 시대가 요구하는 의료 기술이다.
더욱이 최근에는 항생제의 투여의 오남용으로 인해 세균의 배양률이 감소하게 되었고, 이식에 따른 면역 억제제 사용의 증가, 항암 치료로 인한 약물투여의 증가, AIDS의 증가로 인한 원인 균주가 다양해지게 되면서 배양 검사와 같은 기존의 감염질환을 진단하는 진단 방법들이 점차 어려움에 부딪히고 있는 실정이다.
상기한 문제 및/또는 한계를 해결하기 위하여, 기계학습을 이용하여 시료 내 미생물의 종류 및 농도를 구분하여 미생물 정보를 제공하는 장치 및 방법을 제공하는 데에 목적이 있다.
본 발명의 일 실시예는, 시료로부터 출사되는 출사파동을 시계열 순으로 촬영한 복수의 영상을 수신하는 수신부, 상기 시계열 순으로 촬영한 복수의 영상으로부터 시간에 따른 변화의 특징(feature)을 추출하는 검출부, 상기 추출된 특징을 기초로 분류기준을 기계학습하는 학습부 및 상기 분류기준을 기초로 시료에 포함된 미생물의 종류 또는 농도를 구분하는 판단부를 포함하고, 상기 복수의 영상 각각은 상기 시료로 입사되는 파동에 기인하여 상기 미생물에 의해 다중산란(multiple scattering)되어 발생되는 스펙클(speckle) 정보를 포함하는, 미생물 정보 제공 장치를 제공한다.
본 발명의 실시예들에 따른 미생물 정보 제공 장치 및 방법은 스펙클의 시간에 따른 변화의 특징을 추출하고, 이를 학습하여 미생물의 종류 또는 농도를 분류하는 분류기준을 획득함으로써, 별도의 화학적 방법에 의하지 않고 신속하고 정확하게 시료 내의 미생물의 종류 또는 농도를 구분할 수 있다.
도 1은 본 발명의 일 실시예에 따른 미생물 정보 제공 시스템을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 미생물 정보 제공 장치의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 미생물 정보 제공 장치가 시료 내의 미생물의 존재를 확인하는 기본적인 원리를 설명하기 위한 도면이다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 미생물 정보 제공 방법을 시계열적으로 나타낸 것이다.
도 6은 본 발명의 일 실시예에 따른 학습부에서 스펙클의 시간 상관 관계를 분석하는 방법을 설명하기 위한 도면이다.
도 7은 시간에 따라 측정된 스펙클의 빛 세기의 표준편차 분포를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 컨볼루션 신경망의 예시도이다.
도 9 및 도 10은 도 8의 컨볼루션 연산을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 미생물 정보 제공 방법을 이용하여 획득된 예상 미생물 정보와 실제 미생물 정보를 비교한 그래프이다.
도 12는 본 발명의 일 실시예에 따른 광학 검출 시스템을 개략적으로 도시한 도면이다.
도 13 및 도 14는 도 12의 광학 검출 시스템의 시료부를 개략적으로 도시한 도면이다.
도 15a 및 도 15b는 본 발명의 일 실시예에 따른 광학 검출 시스템을 이용하여 대상체를 검출하는 원리를 설명하기 위한 도면이다.
도 16은 본 발명의 다른 실시예에 따른 광학 검출 시스템을 개략적으로 도시한 도면이다.
본 발명의 일 실시예는, 시료로부터 출사되는 출사파동을 시계열 순으로 촬영한 복수의 영상을 수신하는 수신부, 상기 시계열 순으로 촬영한 복수의 영상으로부터 시간에 따른 변화의 특징(feature)을 추출하는 검출부, 상기 추출된 특징을 기초로 분류기준을 기계학습하는 학습부 및 상기 분류기준을 기초로 시료에 포함된 미생물의 종류 또는 농도를 구분하는 판단부를 포함하고, 상기 복수의 영상 각각은 상기 시료로 입사되는 파동에 기인하여 상기 미생물에 의해 다중산란(multiple scattering)되어 발생되는 스펙클(speckle) 정보를 포함하는, 미생물 정보 제공 장치를 제공한다.
본 발명의 일 실시예에 있어서, 상기 학습부는 컨볼루션 신경망(Convolution Neural Network; CNN)을 이용하여 상기 분류기준을 학습할 수 있다.
본 발명의 일 실시예에 있어서, 상기 학습부는 하나의 스펙클의 크기보다 작은 크기를 갖는 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 학습부는 하나의 스펙클의 크기가 m개의 픽셀(pixel)에 대응되는 경우, m보다 작은 n x n 크기의 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 컨볼루션 연산의 스트라이드(stride)는 상기 n 값에 대응될 수 있다.
본 발명의 일 실시예에 있어서, 상기 컨볼루션 커널은 상기 복수의 영상 개수에 대응되거나 상기 복수의 영상 개수보다 큰 커널 특징 맵들을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 학습부는 출력 채널 개수에 대응되는 복수의 컨볼루션 커널들을 포함하는 커널 세트를 이용하여 컨볼루션 연산을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 컨볼루션 연산에 의한 상기 출력 채널 개수는 상기 복수의 영상 개수에 대응될 수 있다.
본 발명의 일 실시예에 있어서, 상기 학습부는 상기 복수의 영상들의 시간 상관관계(temporal correlation)을 기초로 상기 분류기준을 학습할 수 있다.
본 발명의 일 실시예에 있어서, 상기 분류기준은 상기 특징 중 스펙클 패턴의 형태의 변화, 상기 스펙클 패턴의 빛의 세기를 기초로 계산된 시간상관관계계수, 상기 스펙클 패턴의 빛의 세기(intensity)의 표준편차 값의 변화량 중 하나를 이용하여 학습될 수 있다.
본 발명의 일 실시예에 있어서, 상기 표준편차 값과 상기 미생물의 농도는 선형적인 관계를 가질 수 있다.
본 발명의 일 실시예는, 미생물의 종류 또는 농도를 미리 알고 있는 시료에 파동을 조사하여 출사되는 출사파동을 시계열 순으로 기촬영한 복수의 학습영상을 수신하는 단계, 상기 시계열 순으로 기촬영한 복수의 학습영상으로부터 시간에 따른 변화의 특징(feature)을 기초로 분류기준을 기계학습하는 단계, 신규 시료에 파동을 조사하여 출사되는 출사파동을 시계열 순으로 촬영한 복수의 영상을 수신하는 단계 및 상기 복수의 영상 및 상기 분류기준을 기초로 상기 신규 시료에 포함된 미생물의 종류 또는 농도를 구분하는 단계를 포함하고, 상기 복수의 학습영상 각각 또는 상기 복수의 영상 각각은 상기 시료로 입사되는 파동에 기인하여 상기 미생물에 의해 다중산란(multiple scatterin)되어 발생되는 스펙클(speckle) 정보를 포함하는, 미생물 정보 제공 방법을 제공한다.
본 발명의 일 실시예에 있어서, 상기 분류기준을 기계학습하는 단계는, 컨볼루션 신경망(Convolution Neural Network; CNN)을 이용하여 상기 분류기준을 학습할 수 있다.
본 발명의 일 실시예에 있어서, 상기 분류기준을 기계학습 하는 단계는, 하나의 스펙클의 크기보다 작은 크기를 갖는 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 분류기준을 기계학습 하는 단계는, 하나의 스펙클의 크기가 m개의 픽셀(pixel)에 대응되는 경우, m보다 작은 n x n 크기의 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 컨볼루션 연산의 스트라이드(stride)는 상기 n 값에 대응될 수 있다.
본 발명의 일 실시예에 있어서 상기 컨볼루션 커널은 상기 복수의 영상 개수에 대응되거나 상기 복수의 영상 개수보다 큰 커널 특징 맵들을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 분류기준을 기계학습 하는 단계는, 출력 채널 개수에 대응되는 복수의 컨볼루션 커널들을 포함하는 커널 세트를 이용하여 컨볼루션 연산을 수행할 수 있다.
본 발명의 일 실시예에 있어서, 상기 컨볼루션 연산에 의한 상기 출력 채널 개수는 상기 복수의 영상 개수에 대응될 수 있다.
본 발명의 일 실시예에 있어서 상기 학습부는 상기 복수의 영상들의 시간 상관관계(temporal correlation)을 기초로 상기 분류기준을 학습할 수 있다.
본 발명의 일 실시예에 있어서, 상기 분류기준은 상기 특징 중 스펙클 패턴의 형태의 변화, 상기 스펙클 패턴의 빛의 세기를 기초로 계산된 시간상관관계계수, 상기 스펙클 패턴의 빛의 세기(intensity)의 표준편차 값의 변화량 중 하나를 이용하여 학습될 수 있다.
본 발명의 일 실시예에 있어서, 상기 표준편차 값과 상기 미생물의 농도는 선형적인 관계를 가질 수 있다.
본 발명의 일 실시예는, 시료를 수용하는 시료부, 상기 시료를 향하여 파동을 조사하는 파동원, 상기 시료로부터 출사되는 출사파동을 시계열 순으로 촬영하여 복수의 영상을 획득하는 영상 센서 및 상기 시계열 순으로 촬영한 복수의 영상을 이용하여 미생물의 종류 또는 농도를 포함하는 미생물 정보를 제공하는 미생물 정보 제공 장치를 포함하고, 상기 미생물 정보 제공 장치는, 상기 복수의 영상을 수신하는 수신부, 상기 시계열 순으로 촬영한 복수의 영상으로부터 시간에 따른 변화의 특징(feature)을 추출하는 검출부, 상기 추출된 특징을 기초로 분류기준을 기계학습하는 학습부, 상기 분류기준을 기초로 시료에 포함된 미생물의 종류 또는 농도를 구분하는 판단부를 포함하고, 상기 복수의 영상 각각은 상기 시료로 입사되는 파동에 기인하여 상기 미생물에 의해 다중산란(multiple scattering)되어 발생되는 스펙클(speckle) 정보를 포함하는, 미생물 정보 제공 시스템를 제공한다.
본 발명의 다른 실시예는 시료를 수용하는 시료부, 상기 시료부로 파동을 조사하는 파동원, 상기 시료부로부터 출사되는 출사파동의 경로 상에 배치되며, 상기 출사파동 중 일부를 제1 파동으로 변조하는 제1 공간 광 변조부와 상기 출사파동 중 일부를 제2 파동으로 변조하는 제2 공간 광 변조부를 구비하는 광학부, 상기 광학부로부터 출사되는 상기 제1 파동과 상기 제2 파동을 집속시키는 렌즈부 및 상기 렌즈부로부터 집속된 집속파동을 검출하는 검출부를 구비하고, 상기 제1 공간 광 변조부 및 상기 제2 공간 광 변조부는 이미 알고 있는 조건의 상기 시료에 대하여 상기 제1 파동과 상기 제2 파동이 상쇄 간섭이 일어나도록 상기 출사파동을 변조하는, 광학 검출 시스템을 제공한다.
본 발명의 일 실시예에 있어서, 상기 출사파동은 상기 시료로부터 다중산란(multiple scattering)되어 발생되는 스펙클 패턴을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 시료부는 상기 시료로 조사된 파동의 다중 산란되는 횟수를 증폭시키기 위한 다중산란증폭부를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 검출부는 상기 집속파동의 감지 유무에 따라 상기 시료 내 불순물 존재 유무를 검출할 수 있다.
본 발명의 다른 실시예는, 시료를 수용하는 시료부, 상기 시료부로 파동을 조사하는 파동원, 상기 시료부로부터 출사되는 출사파동의 경로 상에 배치되며, 상기 출사파동 중 일부를 제1 파동으로 변조하는 제1 공간 광 변조부를 구비하는 광학부, 상기 광학부로부터 출사되는 상기 제1 파동과 상기 출사파동 중 일부인 제2 파동을 집속시키는 렌즈부 및 상기 렌즈부로부터 집속된 집속파동을 검출하는 검출부를 구비하고, 상기 제1 공간 광 변조부는 이미 알고 있는 조건의 상기 시료에 대하여 상기 제1 파동과 상기 제2 파동이 상쇄 간섭이 일어나도록 상기 출사파동을 변조하는, 광학 검출 시스템을 제공한다.
본 발명의 일 실시예에 있어서, 상기 출사파동은 상기 시료로부터 다중산란(multiple scattering)되어 발생되는 스펙클 패턴을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 시료부는 상기 시료로 조사된 파동의 다중 산란되는 횟수를 증폭시키기 위한 다중산란증폭부를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 검출부는 상기 집속파동의 감지 유무에 따라 상기 시료 내 불순물 존재 유무를 검출할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
이하, 첨부된 도면을 참조하여 이하의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 실시예들은 다양한 변환을 가할 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 실시예들의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 내용들을 참조하면 명확해질 것이다. 그러나 본 실시예들은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하의 실시예에서 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.
이하의 실시예에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
이하의 실시예에서 유닛, 영역, 구성 요소 등의 부분이 다른 부분 위에 또는 상에 있다고 할 때, 다른 부분의 바로 위에 있는 경우뿐만 아니라, 그 중간에 다른 유닛, 영역, 구성 요소 등이 개재되어 있는 경우도 포함한다.
이하의 실시예에서 연결하다 또는 결합하다 등의 용어는 문맥상 명백하게 다르게 뜻하지 않는 한, 반드시 두 부재의 직접적 및/또는 고정적 연결 또는 결합을 의미하는 것은 아니며, 두 부재 사이에 다른 부재가 개재된 것을 배제하는 것이 아니다.
명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 이하의 실시예는 반드시 도시된 바에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 미생물 정보 제공 시스템(1)을 개략적으로 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 미생물 정보 제공 시스템(1)은 파동원(100), 시료부(200), 영상 센서(300) 및 미생물 정보 제공 장치(400)를 포함한다.
파동원(100)은 시료(201)를 향하여 파동(L1)을 조사할 수 있다. 파동원(100)은 파동(wave)을 생성할 수 있는 모든 종류의 소스 장치를 적용할 수 있으며, 예를 들면, 특정 파장 대역의 광을 조사할 수 있는 레이저(laser)일 수 있다. 본 발명은 파동원의 종류에 제한이 없으나, 다만, 이하에서는 설명의 편의를 위하여 레이저인 경우를 중심으로 설명하기로 한다.
예를 들어, 시료에 스펙클(speckle)을 형성하기 위해서 간섭성(coherence)이 좋은 레이저를 파동원(100)으로 이용할 수 있다. 이때, 레이저 파동원의 간섭성을 결정하는 파동원의 스펙트럴 대역폭(spectral bandwidth)이 짧을수록 측정 정확도가 증가할 수 있다. 즉, 간섭 길이(coherence length)가 길수록 측정 정확도가 증가할 수 있다. 이에 따라, 파동원의 스펙트럴 대역폭이 기정의된 기준 대역폭 미만인 레이저광이 파동원(100)으로 이용될 수 있으며, 기준 대역폭보다 짧을수록 측정 정확도는 증가할 수 있다. 예컨대, 아래의 수학식 1의 조건이 유지되도록 파동원의 스펙트럴 대역폭이 설정될 수 있다.
[수학식 1]
Figure PCTKR2019011559-appb-I000001
수학식 1에 따르면, 레이저 스펙클의 패턴 변화를 측정하기 위해, 기준 시간마다 시료(201) 내에 광을 조사 시에 파동원(100)의 스펙트럴 대역폭은 5nm 미만을 유지할 수 있다.
일 실시예로서, 파동원(100)은 도시된 바와 같이, 시료부(200)의 외부에 배치되어 시료부(200)를 향하여 파동(L1)을 조사할 수 있다. 이때, 파동원(100)은 시료부(200)에 인접하게 배치되어 시료부(200)를 향하여 직접 파동(L1)을 조사할 수도 있으나, 시료부(200)로부터 이격되어 배치되어 광 파이버(optical fiber, 105)를 통해 시료부(200)로 파동(L1)을 조사할 수도 있다.
광 파이버(105)는 특정 파장에 대해서만 전달하는 기능을 수행하므로, 파동원(100)로부터 전달되는 파동(L1)의 노이즈를 제거할 수 있으며, 파동(L1)을 출사시킬 때 빔 사이즈를 확대시켜 시준기(107)로 제공할 수도 있다.
시료부(200)는 측정하고자 하는 시료(201)를 수용할 수 있다. 시료(201)는 용기 또는 파이프와 같은 시료배치수단을 통해 수용될 수 있으며, 안정화된 상태(static state)로 수용될 수 있다. 일 실시예로서, 도면에 도시된 바와 같이, 시료부(200)는 용기를 이용하여 유동성이 없어 안정화된 시료(201)를 수용할 수 있다. 다른 실시예로서, 도시하지 않았으나, 시료부(200)는 파이프를 이용하여 유동성 있는 시료(201)를 수용할 수 있다. 이때, 시료부(200)가 파이프를 이용하는 경우, 시료(201)는 액체일 수 있으며, 시료부(200)는 파이프를 포함하는 전체 유로를 따라 상기 시료(201)를 1회 이상 순환시켜 파이프 내에서 시료(201)의 안정화된 상태를 형성할 수 있다.
시료부(200)는 다중산란증폭부를 더 포함할 수 있다. 다중산란증폭부는 시료(201)로부터 출사되는 출사파동(L2)의 적어도 일부를 시료(201)로 반사시켜 시료(201)에서의 다중산란횟수를 증폭시킬 수 있다. 다중산란증폭부는 다중산란물질(multiple scattering material)을 포함할 수 있다. 예를 들어, 다중산란물질은 산화티타늄(TiO2)을 포함하며, 다중산란증폭부는 다중산란증폭부로 입사되는 파동(L1)의 적어도 일부를 반사시킬 수 있다.
다중산란증폭부는 시료(201)와 인접하게 배치되어, 시료(201)로부터 다중산란되어 출사되는 출사파동(L2)이 시료(201)와 다중산란증폭부 사이의 공간을 적어도 1회 이상 왕복하도록 할 수 있다. 다중산란증폭부는 파동의 경로 상에 배치될 수 있으며, 입사 파동(L1)의 경로 및 출사 파동(L2)의 경로 상 각각에 배치될 수 있다.
다른 실시예로서, 시료부(200)는 별도의 구성으로서 다중산란증폭부를 구비하는 것이 아니라, 시료(201)를 수용하는 시료부(200) 본체의 표면에 다중산란증폭물질을 이용하여 코팅함으로써, 다중산란증폭영역으로 구성될 수도 있다. 또는, 시료부(200)는 다중산란물질이 시료(201) 냉 포함되도록 구성할 수 있다. 다중산란증폭영역은 시료부(200)의 내부공간으로 입사되어 시료(201)를 지나 출사되는 파동의 적어도 일부를 다시 시료(201) 내로 산란시킬 수 있다. 이렇게 산란된 파동은 다시 시료(201)를 거쳐 타측으로 출사되어 산란되며, 이러한 과정을 통해 시료(201) 내에서 다중산란횟수는 증가될 수 있다. 다중산란증폭영역은 파동이 지나가는 경로 중 적어도 일부 영역에 형성될 수 있으며, 파동의 출사되는 일부 영역 및 입사되는 일부 영역을 제외한 전(全) 영역에 배치될 수도 있다.
영상 센서(300)는 출사파동(L2)이 지나가는 경로 상에 배치되며, 시료(201)로부터 출사되는 출사파동(L2)을 시계열 순으로 촬영하여 복수의 영상을 획득할 수 있다. 영상 센서(300)는 파동원(100)의 종류에 대응한 감지수단을 포함할 수 있으며, 예를 들면, 가시광선 파장 대역의 광원을 이용하는 경우에는 영상을 촬영하는 촬영장치인 CCD 카메라(camera)가 이용될 수 있다.
여기서, 복수의 영상 각각은 시료(201)로 입사되는 파동(L1)에 기인하여 미생물에 의해 다중산란(multiple scattering)되어 발생되는 스펙클(speckle) 정보를 포함할 수 있다. 다시 말해, 영상 센서(300)는 조사된 파동(L1)이 시료(201) 내에서 다중 산란되어 발생되는 레이저 스펙클을, 사전에 설정된 시점에 검출할 수 있다. 여기서, 시점(time)이란, 연속적인 시간의 흐름 가운데 어느 한 순간을 의미하며, 시점(time)들은 동일한 시간 간격으로 사전에 설정될 수 있으나 반드시 이에 제한되지 않으며, 임의의 시간 간격으로 사전에 설정될 수도 있다.
영상 센서(300)는 적어도 제1 시점에서의 제1 스펙클 정보를 포함하는 제1 영상을 검출하고, 제2 시점에서의 제2 스펙클 정보를 포함하는 제2 영상을 촬영하여 미생물 정보 제공 장치(400)로 제공할 수 있다. 한편, 제1 시점 및 제2 시점은 설명의 편의를 위하여 선택된 하나의 예시일 뿐이며, 영상 센서(300)는 제1 시점 및 제2 시점보다 많은 복수의 시점에서 복수의 영상들을 촬영할 수 있다. 영상 센서(300)는 출사파동(L2)이 지나가는 경로에 편광판(polarizer, 305)를 구비함으로써, 스펙클 형성을 위한 간섭 효율의 최대화가 가능하며, 불필요한 외부의 반사광 등을 제거할 수 있다.
영상 센서(300)는 영상 센서 한 픽셀(pixel)의 크기 d가 스펙클 패턴의 입자 크기(grain size)보다 작거나 같아지도록 시료부(200)로부터 일정 거리 이격된 위치에 배치될 수 있다. 예컨대, 아래의 수학식 2의 조건을 만족하도록 영상 센서(300)는 출사파동(L2)이 지나가는 경로 상에 배치될 수 있다.
[수학식 2]
Figure PCTKR2019011559-appb-I000002
수학식 2와 같이, 영상 센서(300)의 한 픽셀(pixel)의 크기 d가 스펙클 패턴의 입자 크기(grain size) 이하여야 하나, 픽셀의 크기가 너무 작아지면 언더샘플링(undersampling)이 발생해서 픽셀 해상도를 활용하는데 어려움이 존재할 수 있다. 이에 따라, 효과적인 SNR(signal to noise ratio)를 달성하기 위해 스펙클 입자 크기(speckle grain size)에 최대 5개 이하의 픽셀이 위치하도록 영상 센서(300)가 배치될 수 있다.
한편, 미생물 정보 제공 장치(400)는 영상 센서(300)로부터 복수의 영상들을 수신받고, 이를 이용하여 기계학습한 후, 시료(201) 내의 미생물의 종류 또는 농도를 구분하는 기능을 수행할 수 있다. 이하에서는 도 2 및 도 3을 참조하여, 본 발명의 미생물 정보 제공 장치(400)를 좀 더 자세하게 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2의 네트워크 환경은 복수의 사용자 단말들(401, 402, 403, 404), 서버(405) 및 네트워크(406)를 포함하는 예를 나타내고 있다. 여기서, 미생물 정보 제공 장치(400)는 서버 또는 사용자 단말일 수 있다. 이러한 도 2는 발명의 설명을 위한 일례로 사용자 단말의 수나 서버의 수가 도 2와 같이 한정되는 것은 아니다.
복수의 사용자 단말들(401, 402, 403, 404)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 미생물 정보 제공 장치(400)가 서버(405)인 경우, 복수의 사용자 단말들(401, 402, 403, 404)은 서버를 제어하는 관리자의 단말일 수 있다. 복수의 사용자 단말들(401, 402, 403, 404)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로, 사용자 단말 1(401)은 무선 또는 유선 통신 방식을 이용하여 네트워크(406)를 통해 다른 사용자 단말들(402, 403, 404) 및/또는 서버(405)와 통신할 수 있다. 다른 실시예로서, 복수의 사용자 단말들(401, 402, 403, 404)은 전술한 영상 센서(300)를 구비하여, 획득된 복수의 영상들을 네트워크(406)를 통해 서버(405)로 전송할 수도 있다.
통신 방식은 제한되지 않으며, 네트워크(406)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(406)는, PAN(personal area network), LAN(local area network), CAN(capus area network), MAN(metropolitan area network), WAN(wide area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(406)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(405)는 복수의 사용자 단말들(401, 402, 403, 404)과 네트워크(406)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.
일례로, 서버(405)는 네트워크(406)를 통해 접속한 사용자 단말 1(401)로 어플리케이션의 설치를 위한 파일을 제공할 수 있다. 이 경우, 사용자 단말 1(401)은 서버로부터 제공된 파일을 이용하여 어플리케이션을 설치할 수 있다. 또한, 사용자 단말 1(401)이 포함되는 운영체제(Operating system, OS) 및 적어도 하나의 프로그램(일례로 브라우저나 설치된 어플리케이션)의 제어에 따라 서버(405)에 접속하여 서버(405)가 제공하는 서비스나 컨텐츠를 제공받을 수 있다. 다른 예로, 서버(405)는 데이터 송수신을 위한 통신 세션을 설정하고, 설정된 통신 세션을 통해 복수의 사용자 단말들(401, 402, 403, 404) 간의 데이터 송수신을 라우팅할 수도 있다.
도 3은 본 발명의 일 실시예에 따른 미생물 정보 제공 장치(400)의 블록도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 미생물 정보 제공 장치(400)는 적어도 하나 이상의 프로세서(processor)에 해당하거나, 적어도 하나 이상의 프로세서를 포함할 수 있다. 이에 따라 미생물 정보 제공 장치(400)는 마이크로 프로세서나 범용 컴퓨터 시스템과 같은 하드웨어 장치에 포함된 형태로 구동될 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 미생물 정보 제공 장치(400)는 복수의 사용자 단말(401, 402, 403, 404) 중 적어도 하나에 탑재되거나, 서버(405)에 구비될 수 있다. 다른 실시예로서, 미생물 정보 제공 장치(400)는 두 개의 서버(405)에 구비될 수 있다. 이때, 하나의 서버를 통해 후술하는 미생물 분류기준에 대한 학습이 이루어지고, 다른 하나의 서버에서는 학습된 알고리즘을 기초로 측정 시료의 미생물 종류 또는 농도를 판단할 수 있다.
도 3에 도시된 미생물 정보 제공 장치(400)는 본 실시예의 특징이 흐려지는 것을 방지하기 위하여 본 실시예와 관련된 구성요소들만을 도시한 것이다. 따라서, 도 3에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 미생물 정보 제공 장치(400)는 수신부(410), 프로세서(420), 메모리(430) 및 입출력 인터페이스(440)를 포함할 수 있다.
수신부(410)는 상기한 시료(201)로부터 출사되는 출사파동(L2)을 시계열 순으로 촬영한 복수의 영상을 수신할 수 있다. 일 실시예로서, 미생물 정보 제공 장치(400)가 영상 센서(300)를 구비하는 사용자 단말(401, 402, 403, 440)에 탑재되는 경우, 수신부(410)는 영상 센서(300)와 유선으로 연결되어 촬영된 복수의 영상을 제공받을 수 있다.
다른 실시예로서, 미생물 정보 제공 장치(400)가 영상 센서(300)와 별도로 구비되는 서버(405)에 구비되는 경우, 수신부(410)는 유선 또는 무선 통신을 이용하는 통신모듈로서 기능하여, 복수의 영상을 제공받을 수 있다. 이때, 수신부(410)는 네트워크(406)를 통해 사용자 단말 1(401)과 서버(405)가 통신하기 위한 기능을 제공할 수 있으며, 다른 사용자 단말(일례로 사용자 단말 2(402)) 또는 다른 서버(일례로 서버(405))와 통신하기 위한 기능을 제공할 수 있다.
일례로, 사용자 단말 1(401)의 프로세서가 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈의 제어에 따라 네트워크(406)를 통해 서버(405)로 전달될 수 있다. 역으로, 서버(405)의 프로세서(420)의 제어에 따라 제공되는 제어 신호나, 명령, 컨텐츠, 파일 등이 수신부(410)와 네트워크(406)를 거쳐 사용자 단말 1(401)의 통신 모듈을 통해 사용자 단말 1(401)로 수신될 수 있다. 예를 들어 통신 모듈을 통해 수신된 서버(405)의 제어 신호나 명령 등은 프로세서나 메모리로 전달될 수 있다.
프로세서(420)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(430) 또는 수신부(410)에 의해 프로세서(420)로 제공될 수 있다. 예를 들어, 프로세서(420)는 메모리(430)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 프로세서(420)는 학습부(421), 검출부(422) 및 판단부(423)를 포함할 수 있다.
메모리(430)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random acess memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(430)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 사용자 단말 1(401)에 설치되어 구동되는 브라우저나 상술한 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism)을 이용하여 메모리(430)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 수신부(410)를 통해 메모리(430)에 로딩될 수도 있다. 예를 들어 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로 상술한 서버(405))가 네트워크(406)를 통해 제공하는 파일들에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(430)에 로딩될 수 있다.
입출력 인터페이스(440)는 입출력 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(440)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 보다 구체적인 예로, 서버(405)의 프로세서(420)는 메모리(430)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 사용자 단말 2(402)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(440)를 통해 디스플레이에 표시될 수 있다.
이하, 도 4를 참조하여, 본 발명의 미생물 정보 제공 장치(400)의 원리에 대하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 미생물 정보 제공 장치(400)가 시료(201) 내의 미생물의 존재를 확인하는 기본적인 원리를 설명하기 위한 도면이다.
유리와 같이 내부 굴절율이 균질한 물질의 경우에는 광을 조사했을 때에 일정한 방향으로 굴절이 일어난다. 하지만, 내부 굴절률이 불균질한 물체에 레이저와 같은 간섭광(coherent light)을 조사하면, 물질 내부에서 매우 복잡한 다중 산란(multiple scattering)이 발생하게 된다.
도 4를 참조하면, 파동원에서 조사한 빛 또는 파동(이하, 간략화를 위하여 파동이라 함) 중, 다중 산란을 통해 복잡한 경로로 산란된 파동의 일부는 검사 대상면을 통과하게 된다. 검사 대상면의 여러 지점을 통과하는 파동들이 서로 보강 간섭(constructive interference) 또는 상쇄 간섭(destructive interference)를 일으키게 되고, 이러한 파동들의 보강/상쇄 간섭은 낱알 모양의 무늬(스펙클; speckle)를 발생시키게 된다.
본 명세서에서는 이러한 복잡한 경로로 산란되는 파동들을 "혼돈파(chaotic wave)"라고 명명하였으며, 혼돈파는 스펙클 정보를 통해 검출할 수 있다.
다시, 도 4의 좌측 도면은 안정한 매질을 레이저로 조사하였을 때를 나타낸 도면이다. 내부 구성 물질의 움직임이 없는 안정한 매질을 간섭광(예를 들어 레이저)으로 조사하였을 때에는 변화가 없는 안정한 스펙클 무늬를 관측할 수 있다.
그러나, 도 4의 우측 도면과 같이, 내부에 박테리아 등, 내부 구성 물질 중 움직임이 있는 불안정한 매질을 포함하고 있는 경우에는 스펙클 무늬가 변화하게 된다.
즉, 생물의 미세한 생명활동(예컨대, 세포 내 움직임, 미생물의 이동, 진드기의 움직임 등)으로 인해 광경로가 실시간으로 변화할 수 있다. 스펙클 패턴은 파동의 간섭으로 인해 발생하는 현상이기 때문에, 미세한 광경로의 변화는 스펙클 패턴에 변화를 발생시킬 수 있다. 특히, 미세한 광경로의 변화는 본 발명의 실시예들에 의해 측정된 데이터의 특성으로 인해 높은 신호대 잡음비로 표현되는데, 이는 좁은 대역폭의 광원이 간섭한 이미지이며 다중 산란으로 인해 신호가 미생물에 의해 여러 번 영향을 받기 때문이다. 이에 따라, 스펙클 패턴의 시간적인 변화를 측정함으로써, 생물의 움직임을 신속하게 측정할 수 있다. 이처럼, 스펙클 패턴의 시간에 따른 변화를 측정하는 경우, 생물의 존재여부 및 농도를 알 수 있으며, 더 나아가서는 생물의 종류 또한 알 수 있다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 미생물 정보 제공 방법을 시계열적으로 나타낸 것이다. 구체적으로, 도 5a는 본 발명의 일 실시예에 따른 미생물 정보 제공 방법 중 분류기준을 학습하는 방법을 시계열적으로 나타낸 것이고, 도 5b는 본 발명의 일 실시예에 따른 미생물 정보 제공 방법 중 분류기준을 기초로 미생물의 농도 또는 종류를 구분하는 방법을 시계열적으로 나타낸 것이다.
먼저, 도 5a를 참조하면, 본 발명의 일 실시예에 따른 미생물 정보 제공 시스템(1)은 미생물의 종류 또는 농도를 미리 알고 있는 시료를 준비하고, 이를 촬영하여 복수의 학습영상을 획득할 수 있다.
미생물 정보 제공 시스템(1)에서 복수의 학습영상을 수신하는 과정은 후술하는 신규 시료의 복수의 영상을 수신하는 과정과 동일하다. 다시 말해, 미생물 정보 제공 시스템(1)은 파동원(100)을 이용하여 시료부(200)에 수용된 시료(201)에 파동(L1)을 조사하게 된다. 이때, 상기 시료(201)는 미생물의 농도 또는 종류를 미리 알고 있는 시료일 수 있다.
다음으로, 영상 센서(300)는 시료(201)로부터 출사되는 출사파동(L2)을 시계열 순으로 촬영하여 복수의 영상들을 획득한다. 다시 말해, 영상 센서(300)는 사전에 설정된 시점에 또는 시점마다 시료(201)를 촬영하여 복수의 영상들을 회득할 수 있으며, 이때, 복수의 영상 각각은 시료(201)로 입사되는 파동(L1)에 기인하여 미생물에 의해 다중산란되어 발생되는 스펙클 정보를 포함할 수 있다. 영상 센서(300)는 미생물의 움직임을 감지할 수 있을 정도의 속도로 복수의 영상을 획득할 수 있으며, 예를 들면, 초당 25 프레임 내지 30프레임의 속도로 시료(201)를 촬영할 수 있다.
다음으로, 미생물 정보 제공 장치(400)는 수신부(410)에 의해, 영상 센서(300)에서 획득한 복수의 학습영상들을 수신한다.
다음으로, 검출부(422)는 복수의 학습영상으로부터 시간에 따른 변화의 특징(feature)을 추출한다(S12). 여기서, 복수의 학습영상들은 시간 간격을 두고 연속적으로 촬영된 영상들로서, 시계열 순으로 촬영한 복수의 학습영상들 사이에는 시간(time) 정보를 포함하게 된다. 검출부(422)는 이러한 복수의 학습영상들로부터 시간에 따른 변화의 특징(feature)을 추출할 수 있다.
다음으로, 학습부(421)는 상기 추출된 특징을 기초로 분류기준을 기계학습한다(S13). 학습부(421)는 딥러닝(Deep learning)을 기반으로 분류기준을 학습하며, 딥러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 학습부(421)는 딥러닝의 모델 중 예컨대 심층 신경망(Deep Neural Networks, DNN), 컨볼루션 신경망(Convolutional Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경 망(Deep Belief Networks, DBN) 중 어느 하나를 이용한 것일 수 있다.
일 실시예로서, 학습부(421)는 상기 수신한 복수의 학습영상들의 시간 상관관계(temporal correlation)를 기초로 분류기준을 기계학습(machine learning)할 수 있다.
복수의 학습영상은 전술한 바와 같이, 시료(201)로부터 다중산란되어 발생된 스펙클의 정보를 포함할 수 있다. 앞서 도 4를 통해 설명한 바와 같이, 시료(201) 내에 미생물이 존재하는 경우, 미생물의 생명활동으로 인하여 스펙클은 시간에 따라 변화할 수 있다. 또한, 이러한 시간에 따른 스펙클의 변화는 미생물의 종류 또는 농도에 따라서 다르므로, 학습부(421)는 스펙클의 시간에 따른 변화를 이용하여 미생물의 종류 또는 농도를 분류하는 분류기준을 학습할 수 있다.
일 실시예로서, 학습부(421)는 복수의 학습영상들 각각에 포함된 스펙클 정보인 스펙클 패턴의 변화를 이용하여 분류기준을 기계학습하거나, 상기 수신한 복수의 학습영상들의 시간 상관관계(temporal correlation)를 기초로 분류기준을 기계학습(machine learning)할 수 있다. 이때, 학습부(421)는 상기 특징(feature) 중 복수의 학습영상 각각에서 검출된 스펙클 패턴을 이용하여 미생물의 분류기준을 학습할 수 있다.
한편, 도 5a에서는 검출부(422)에서 시간에 따른 변화의 특징을 추출하는 단계(S12)와 학습부(421)에서 추출된 특징을 기초로 분류기준을 기계학습하는 단계(S13)를 구분하여 도시하였으나, 본 발명은 반드시 이에 제한되지 않으며, 각 단계는 선후관계를 갖지 아니하고 동시에 이루어질 수도 있음은 물론이다.
도 6은 본 발명의 일 실시예에 따른 학습부(421)에서 스펙클의 시간 상관 관계를 분석하는 방법을 설명하기 위한 도면이다.
도 6을 참조하면, 학습부(421)는 제1 시점에서 검출된 스펙클의 제1 영상정보와, 제1 시점과 다른 제2 시점에서 검출된 스펙클의 제2 영상정보 차이를 이용하여 분류기준을 학습할 수 있다. 여기서, 제1 영상정보 및 제2 영상정보는 스펙클 패턴 정보 또는 파동의 세기 정보 중 적어도 어느 하나일 수 있다. 한편, 본 발명의 일 실시예는, 제1 시점에서의 제1 영상정보와 제2 시점에서의 제2 영상정보 차이만을 이용하는 것이 아니며, 이를 확장하여 복수의 시점에서 검출된 복수의 영상들에 포함된 스펙클 정보들을 이용할 수 있다. 학습부(421)는 사전에 설정된 복수의 시점에 생성된 스펙클의 영상정보를 이용하여 영상들 간의 시간 상관 관계 계수를 계산할 수 있으며, 시간 상관 관계 계수에 기초하여 분류기준을 학습할 수 있다.
일례로, 스펙클 패턴의 빛의 세기를 기초로 계산된 시간 상관 관계 계수는 아래의 수학식 3을 이용하여 계산될 수 있다.
[수학식 3]
Figure PCTKR2019011559-appb-I000003
수학식 3에서 C은 시간 상관 관계 계수, I은 표준화된 빛 세기, (x,y)는 카메라의 픽셀 좌표, t는 측정된 시간, T는 총 측정 시간, τ는 타임래그(time lag)를 나타낸다.
수학식 3에 따라 시간 상관 관계 계수가 계산될 수 있으며, 일 실시예로서, 시간 상관 관계 계수가 사전에 설정된 기준값 이하로 떨어지는 분석을 통해 학습부(421)는 미생물의 종류 또는 농도를 구분하는 분류기준을 학습하게 된다. 구체적으로, 시간 상관 관계 계수가 사전에 설정된 오차 범위를 넘어 기준값 이하로 떨어지는 것으로 미생물이 존재한다고 분석할 수 있으며, 이러한 기준값들은 미생물의 종류에 따라 다른 값을 가질 수 있다. 학습부(421)는 상기한 시간 상관 관계 계수의 기준값 분석을 이용하여 미생물의 종류를 구분하는 분류기준을 학습할 수 있다.
또한, 도 6의 그래프에 도시된 바와 같이, 미생물의 농도가 증가할수록 시간 상관 관계 계수는 기준값 이하로 떨어지는 시간이 짧아지는데, 이를 이용하여 시간 상관 관계 계수를 나타내는 그래프의 기울기 값을 통해 미생물의 농도를 분석할 수 있다. 학습부(421)는 시간 상관 관계 계수의 기울기 값 분석을 이용하여 미생물의 농도를 구분하는 분류기준을 학습할 수 있다.
도 7은 시간에 따라 측정된 스펙클의 빛 세기의 표준편차 분포를 도시한 도면이다.
도 7을 참조하면, 학습부(421)는 기준 시간마다 측정된 복수의 학습영상들을 이용하여 스펙클 패턴의 빛 세기(intensity)의 표준편차를 계산할 수 있다. 시료 내에 존재하는 세균 및 미생물이 지속적으로 움직임에 따라 보강 간섭과 상쇄 간섭이 상기 움직임에 대응하여 변화할 수 있다. 이때, 보강 간섭과 상쇄 간섭이 변화함에 따라, 빛 세기의 정도가 변화할 수 있다. 학습부(421)는 빛의 세기의 변화 정도를 나타내는 표준편차를 구하여 시료에서 세균 및 미생물이 있는 곳을 분석하고, 세균 및 미생물의 분포도를 학습할 수 있다.
예를 들어, 학습부(421)는 복수의 학습영상 각각에서 검출된 스펙클 패턴의 시간에 따른 빛 세기의 표준편차를 계산할 수 있다. 스펙클의 시간에 따른 빛 세기 표준편차는 아래의 수학식 4에 기초하여 계산될 수 있다.
[수학식 4]
Figure PCTKR2019011559-appb-I000004
수학식 4에서, S: 표준편차, (x,y): 카메라 픽셀 좌표, T: 총 측정 시간, t: 측정 시간, It: t 시간에 측정된 빛 세기, I: 시간에 따른 평균 빛 세기를 나타낼 수 있다.
세균 및 미생물의 움직임에 따라 보강 및 상쇄 간섭 패턴이 달라지게 되고, 수학식 4에 기초하여 계산된 표준편차 값이 달라지기 때문에 이에 기초하여 세균 및 미생물의 농도가 측정될 수 있다. 학습부(421)는 스펙클 패턴의 빛의 세기의 표준편차 값의 크기와 세균 및 미생물 농도와의 선형적인 관계에 기초하여 분류기준을 학습할 수 있다.
이하에서는, 학습부(421)가 컨볼루션 신경망(CNN)을 이용하여 분류기준을 학습하는 경우를 중점으로 설명하기로 한다.
여기서, 컨볼루션 신경망(CNN)은 최소한의 전처리(prepocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 컨볼루션 신경망(CNN)은 입력 데이터에 대하여 컨볼루션을 수행하는 컨볼루션 계층을 포함하며, 그리고 영상에 대해 서브샘플링(subsampling)을 수행하는 서브샘플링 계층을 더 포함하여, 해당 데이터로부터 특징맵을 추출할 수 있다. 여기서, 서브샘플링 계층이란 이웃하고 있는 데이터 간의 대비율(contrast)를 높이고 처리해야 할 데이터의 양을 줄여주는 계층으로서, 최대 풀링(max pooling), 평균 풀링(average pooling) 등이 이용될 수 있다.
도 8은 본 발명의 일 실시예에 따른 컨볼루션 신경망의 예시도이고, 도 9 및 도 10은 도 8의 컨볼루션 연산을 설명하기 위한 도면이다.
도 8 내지 도 10을 참조하면, 본 발명의 일 실시예에 따른 학습부(421)에서 이용하는 컨볼루션 신경망(CNN, 510)은 복수의 컨볼루션 레이어들(A1)을 포함할 수 있다. 학습부(421)는 컨볼루션 레이어들의 커널들 및 입력들 사이의 컨볼루션 연산을 수행하여 출력을 생성할 수 있다.
컨볼루션 레이어의 입력은 해당 컨볼루션 레이어의 입력으로 채용되는 데이터로서, 최초 입력 데이터 또는 이전 레이어에 의해 생성된 출력에 대응하는 적어도 하나의 입력 특징 맵(feature map)을 포함한다. 예를 들어, 도 8에 도시된 컨볼루션 레이어 1(A11)의 입력은 컨볼루션 신경망(510)의 최초 입력인 복수의 영상들(501)이며, 컨볼루션 레이어 2(A12)의 입력은 컨볼루션 레이어 1(A11)의 출력(511)일 수 있다.
컨볼루션 신경망(510)의 입력(501)은 수신부(410)에서 수신한 C개의 복수의 영상들(501)이며, 입력 특징 맵인 각 영상들 사이에는 시간 상관관계가 성립될 수 있다. 각 영상, 다시 말해 각 입력 특징 맵은 사전에 설정된 너비(W)와 높이(H)로 이루어진 복수의 픽셀들을 가질 수 있다. 이러한 입력 특징 맵이 C개이므로, 입력(501)의 크기는 W x H x C로 표현될 수 있다. 학습부(421)는 컨볼루션 레이어(A1)에 대응하는 하나의 커널을 이용하여, 입력(501)에 대응하는 컨볼루션 연산을 수행할 수 있다.
컨볼루션 레이어(A1)의 적어도 하나의 커널은 해당 컨볼루션 레이어(A1)에 대응하는 컨볼루션 연산을 위해 채용되는 데이터로서, 예를 들면 해당 컨볼루션 레이어의 입력 및 출력에 기초하여 정의될 수 있다. 컨볼루션 신경망(510)을 구성하는 컨볼루션 레이어(A1)들 별로 적어도 하나의 커널이 설계될 수 있는데, 각 컨볼루션 레이어에 대응하는 적어도 하나의 커널을 커널 세트(S600)으로 지칭할 수 있다.
여기서, 커널 세트(S600)는 출력 채널들(D)에 대응하는 커널들을 포함할 수 있다. 예를 들면, 컨볼루션 레이어(A1)의 원하는 출력을 획득하기 위해, 해당 컨볼루션 레이어의 입력과 컨볼루션 연산이 수행되도록 해당 컨볼루션 레이어의 커널 세트(S600)가 정의될 수 있다. 컨볼루션 레이어(A1)의 출력은 해당 컨볼루션 레이어의 입력과 커널 세트 사이의 컨볼루션 연산 결과에 의한 데이터로서, 적어도 하나의 출력 특징 맵을 포함하고 다음 레이어의 입력으로 채용될 수 있다.
학습부(421)는 컨볼루션 레이어(A1)에 대응하는 커널 세트(S600)와 입력(501) 사이의 컨볼루션 연산을 수행하여 출력(511)을 생성할 수 있다. 컨볼루션 레이어(A1)의 출력(511)은 D개의 출력 채널에 대응하는 출력 특징 맵(5111)들을 포함하고, 각 출력 특징 맵(5111)의 크기는 W x H일 수 있다. 여기서, 출력(511)의 너비, 높이 및 개수(깊이)는 각각 W, H 및 D이고, 출력(511)의 크기는 W x H x D로 표현될 수 있다.
예를 들어, 컨볼루션 레이어(A1)에 대응하는 커널 세트(S600)는 D개의 출력 채널 개수에 대응하는 컨볼루션 커널들을 포함할 수 있다. 학습부(421)는 입력(501)과 D개의 출력 채널들에 대응하는 커널들 사이의 연산결과들에 기초하여, D개의 출력 채널들에 대응하는 출력 특징 맵(5111)들을 생성할 수 있다.
학습부(421)는 복수의 컨볼루션 레이어(A1)를 포함하며, 일 실시예로서 4 내지 7개의 컨볼루션 레이어(A1)들을 포함할 수 있다. 예를 들면, 도면에 도시된 바와 같이, 5개의 컨볼루션 레이어들(A11, A12, A13, A14, A15)들을 포함할 수 있다. 이러한 복수의 컨볼루션 레이어(A11, A12, A13, A14, A15)들을 통해, 학습부(421)는 복잡한 비선형 관계를 함축할 수 있는 학습용량이 높아질 수 있다. 그러나, 본 발명은 이에 제한되지 않으며, 더 많은 컨볼루션 레이어(A1)들을 이용하여 학습할 수 있음은 물론이다.
한편, 컨볼루션 레이어(A1) 각각은 활성 함수(activation function)을 포함할 수 있다. 활성 함수는 각층의 레이어들마다 적용되어 각 입력들이 복잡한 비선형성(non-linear) 관계를 갖게 하는 기능을 수행할 수 있다. 활성 함수는 입력을 표준화(normalization)된 출력으로 변환시킬 수 있는 시그모이드 함수(Sigmoid), 탄치 함수(tanh), 렐루(Rectified Linear Unit, ReLU), 리키 렐루(Leacky ReLU) 등이 사용될 수 있다.
본 발명의 일 실시예에 따른 학습부(421)는 컨볼루션 신경망(510)을 이용하여 처음 학습시킴에 있어 -1 내지 1의 값들을 이용하여 커널들을 완전히 초기화시키기게 되는데, 음수값을 갖는 데이터들을 모두 0으로 출력하는 활성함수를 이용하는 경우 유효한 정보들을 포함하는 출력값들이 다음 컨볼루션 레이어로 전달될 수 없어 학습 효율이 떨어질 수 있다. 따라서, 본 발명의 일 실시예에 있어서, 학습부(421)는 컨볼루션 레이어(A1) 뒤에 리키 렐루(Leacky ReLU) 레이어를 추가하여, 양수 값은 그대로 출력하되, 음수 값의 입력 데이터에는 일정한 기울기를 갖도록 출력할 수 있다. 이를 통해, 학습부(421)는 학습하는 동안 수렴 속도 저하와 로컬 최소화 문제를 방지할 수 있다.
입력(501)은 패딩(padding)이 적용된 입력 특징 맵들의 집합일 수 있는데, 패딩이란 입력의 일부 영역을 특정 값으로 채우는 기법을 의미한다. 구체적으로 패드(Pad)의 크기를 1로 하여 입력에 패딩을 적용한다는 것은 입력 특징 맵의 가장자리에 특정값을 채우는 동작을 의미하고, 제로 패딩(zoro padding)은 그 특정 값을 0으로 설정하는 것을 의미한다. 예를 들어, X x Y x Z의 크기 입력에 패드(pad)의 크기가 1인 제로 패딩(zero padding)이 적용된다면, 패딩이 적용된 입력은 가장자리가 0이고, 크기가 (X+1) x (Y+1) x Z인 데이터로서, (X+1) x (Y+1) x Z개의 입력 요소들을 포함할 수 있다.
한편, 학습부(421)는 스펙클 정보를 포함하는 복수의 영상들을 입력으로 하여 컨볼루션 연산을 수행함에 있어, 복수의 영상들의 시간 상관관계를 이용하여 학습하게 되는데, 이때, 각각의 영상들에는 낱알 모양의 무늬들인 복수의 스펙클들을 포함할 수 있다. 이때, 학습부(421)는 스펙클 각각의 시간 상관관계를 기초로 하여 분류기준을 학습시킬 수 있으며, 다시 말해, 학습부(421)는 영상의 2차원적인 정보가 아닌 시간의 정보를 포함하는 3차원적 정보를 이용하여 분류기준을 학습하게 된다.
학습부(421)는 하나의 스펙클에 대한 정보에 집중해야 하며, 하나의 스펙클에 대한 3차원적 정보를 정확히 획득하기 위하여 상기한 하나의 스펙클과 주변의 스펙클들을 구분하여 분류기준을 학습시켜야 한다. 따라서, 학습부(421)는 하나의 스펙클의 크기보다 작은 크기를 갖는 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행할 수 있다. 즉, 학습부(421)는 하나의 스펙클의 크기가 m개의 픽셀(pixel)에 대응되는 경우, m보다 작은 n x n 크기의 컨볼루션 커널을 이용하여 컨볼루션 연산을 수행하게 된다. 일 실시예로서, 전술한 바와 같이, 영상 센서(300)는 스펙클 입자 크기(speckle grain size)에 최대 5개 이하의 픽셀이 위치하도록 배치되므로, m은 5가 될 수 있고 이때 n은 1의 값을 가질 수 있다. 즉, 학습부(421)는 1 x 1 컨볼루션 커널을 이용하여 컨볼루션 연산을 수행할 수 있다. 그러나, 본 발명의 기술적 사상은 스펙클의 크기보다 작은 크기의 커널을 이용하여 컨볼로션 연산을 수행하는 것인 바, 이에 제한되는 것은 아니다.
커널 세트(S600)는 D개의 출력 채널들에 대응하는 컨볼루션 커널들을 포함하고, 각 컨볼루션 커널은 복수의 영상 개수에 대응되는 커널 특징 맵들을 포함할 수 있다. 각 커널 특징 맵의 크기가 n x n 이므로, 커널 세트(S600)는 n x n x C x D 개의 커널 요소들을 포함한다. 여기서, 컨볼루션 커널의 사이즈는 n x n x C가 되며, C는 복수의 영상들의 개수, 즉 영상 프레임 수가 될 수 있다. 컨볼루션 커널의 개수는 복수의 영상들의 개수(C)와 동일할 수 있고, 이 경우, 각 레이어의 출력 결과를 이용해 동일 조건의 푸리에 변환 또는 이를 이용한 분석 등에 사용할 수 있다.
도 9에 도시된 바와 같이, 학습부(421)는 커널 세트(S600) 중 첫번째 출력 채널에 대응하는 컨볼루션 커널과 입력(501) 사이의 연산을 수행하여 첫번째 출력 채널에 대응하는 출력 특징 맵(5111)을 생성할 수 있다. 이와 같은 방식으로 학습부(421)는 커널 세트(S600) 내 D개의 커널들과 입력(501) 사이의 연산을 각각 수행하여 D개의 출력 채널들에 대응하는 출력 특징 맵(5111)들을 생성할 수 있고, 생성된 출력 특징 맵(5111)들을 포함한 출력(511)을 생성할 수 있다.
예를 들면, 학습부(421)는 n x n x C개의 크기인 D번째 출력 채널에 대응하는 컨볼루션 커널(600)과 W x H x C의 크기인 입력(501) 사이의 연산을 수행하여 W x H의 크기인 출력 특징 맵(5111)을 생성할 수 있고, 생성된 출력 특징 맵(5111)은 D번째 출력 채널에 대응한다. 구체적으로, D번째의 출력 채널에 대응하는 컨볼루션 커널(600)은 C개의 컨널 특징 맵들을 포함하고, 각 커널 특징 맵의 크기는 n x n이다. 학습부(421)는 입력(501)에 포함된 W x H의 크기인 각 입력 특징 맵 상에서 n x n의 크기인 각 커널 특징 맵을 특정 스트라이드(stride)로 슬라이딩하여, D번째의 출력 채널에 대응하는 컨볼루션 커널(600) 및 입력(501) 사이의 연산 결과인 출력 특징 맵(5111)을 생성할 수 있다.
여기서, 스트라이드(stride)란 컨볼루션 연산 시 커널 특징 맵을 슬라이딩하는 간격을 의미한다. 앞서 설명한 바와 같이, 학습부(421)는 하나의 스펙클에 대한 정보에 집중하기 위해, 상기한 하나의 스펙클과 주변의 스펙클들을 구분하여 분류기준을 학습시켜야 하므로, 슬라이딩 간격인 스트라이드(s)는 각 컨볼루션 커널들과 이에 대응되는 영역이 중첩되지 않도록 컨볼루션 커널의 크기에 대응되는 값을 가질 수 있다. 다시 말해, n x n 크기의 컨볼루션 커널을 사용하는 경우, 스트라이드(s)는 n 값을 가질 수 있다. 예를 들면, 1 x 1 컨볼루션 커널인 경우, 스트라이드(s)는 1일 수 있다. 이를 통해, 학습부(421)는 하나의 스펙클이 주변 다른 스펙클들과 비중첩시켜, 오직 하나의 스펙클이 갖는 시간 정보로 분류기준을 학습시킬 수 있다.
일 실시예로서, 학습부(421)는 컨볼루션 신경망(510)을 이용하여 분류기준을 학습함에 있어, 복수의 영상 개수(C)와 동일한 출력 채널 개수(D)를 갖도록 컨볼루션 연산을 수행할 수 있다. 다시 말해, 커널 세트(S600)는 C개의 커널 특징 맵을 포함하는 컨볼루션 커널들을 D개 구비할 수 있으며, 이때, C와 D는 동일할 수 있다.
한편, 학습부(421)는 컨볼루션 레이어(A1)들을 이용한 컨볼루션 연산 후 풀링 연산을 이용하여 출력(515)의 사이즈를 축소시킬 수 있다. 예를 들면, 학습부(421)는 서브 샘플링(sub sampling, A2)을 이용하여 출력(515)의 사이즈를 축소시킬 수 있다. 예를 들면, 서브 샘플링은 일정한 크기의 범위 내의 평균치를 해당 범위의 대표로 설정하는 연산인 평균 풀링(global average pooling)일 수 있다. 그러나, 본 발명은 이에 제한되지 않으며 최대 풀링(max pooling), 최소 풀링(min pooing) 등이 사용될 수 있음은 물론이다.
이후, 학습부(421)는 완전 연결 레이어(Fully connected layer)를 이용하여, 서브 샘플링(A2) 필터를 통과시켜 추출한 특징 맵(521)들에 대해 소정의 연산과 함께 가중치를 적용한 후, 최종 출력(541)을 획득할 수 있다. 예를 들면, 학습부(421)는 서브 샘플링(A2)을 수행한 후의 완전 연결 레이어(Fully connected layer)에 리키 렐루(Leaky ReLU)를 더 적용하고(A3), 이후, 완전 연결 레이어(Fully connected layer)에 소프트맥스 레이어(softmax layer)를 적용하여(A4) 최종 출력을 획득할 수 있다. 여기서, 최종 출력(541)은 스펙클의 시간 상관관계에 의한 미생물 종류 또는 농도를 구분하는 분류기준일 수 있다.
다음, 도 5b를 참조하면, 본 발명의 일 실시예에 따른 미생물 정보 제공 방법은 신규 시로에 파동을 조사하여(S21) 출사되는 출사파동을 시계열 순으로 촬영한 복수의 영상을 수신한다(S22). 이후 미생물 정보 제공 방법은 판단부(423)에 의해 상기 획득한 분류기준을 기초로 신규 시료(201)에 포함된 미생물의 종류 또는 농도를 구분할 수 있다(S23). 전술한 과정을 통해 획득한 출력데이터는 학습부(421)에 다시 제공되어 학습데이터로 사용될 수 있다.
도 11은 본 발명의 일 실시예에 따른 미생물 정보 제공 방법을 이용하여 획득된 예상 미생물 정보(prediction)와 실제 미생물 정보(ground truth)를 비교한 그래프이다.
도 11을 참조하면, 본 발명의 일 실시예에 따른 미생물 정보 제공 방법을 통해 획득한 예상 미생물 정보와 실제 미생물 정보 사이의 매칭율이 매우 높음을 확인할 수 있다. 도 11의 결과를 통해, 미생물 정보 제공 방법이 시료(201) 내에 포함된 미생물의 종류(B.subtilis, E.Coli, P.aeruginosa, S.aureus) 등을 구분함은 물론, 각각의 농도까지 구분하고 있음을 확인할 수 있다.
전술한 바와 같이, 본 발명의 실시예들에 따른 미생물 정보 제공 장치 및 방법은 스펙클의 시간 상관관계의 변화를 이용하여 미생물의 종류 또는 농도를 분류하는 분류기준을 획득함으로써, 별도의 화학적 방법에 의하지 않고 신속하고 정확하게 시료 내의 미생물의 종류 또는 농도를 구분할 수 있다. 이를 통해, 감염질환 환자에게 신속하고 효과적인 항생제 등의 의학적 처방이 가능함은 물론, 대상체의 건강상태도 확인하는 등의 다양한 응용이 가능하다.
한편, 도 12는 본 발명의 일 실시예에 따른 광학 검출 시스템(2)을 개략적으로 도시한 도면이다.
도 12를 참조하면, 본 발명의 일 실시예에 따른 광학 검출 시스템(2)은 파동원(10), 시료부(20), 광학부(30) 및 검출부(40)를 구비할 수 있다.
파동원(10)은 파동(wave) 생성할 수 있는 모든 종류의 소스 장치를 적용할 수 있으며, 예를 들면, 특정 파장 대역의 광을 조사할 수 있는 레이저(laser)일 수 있다. 한편, 파동원(10)은 모터(motor) 또는 액츄에이터(actuator)와 같은 구동장치와 연결되어, 사전에 설정된 시간 간격에 따라 시료부(20)를 향하여 순차적으로 파동을 조사할 수 있다. 본 발명은 파동원 종류에 제한이 없으나, 다만, 이하에서는 설명의 편의를 위하여 레이저인 경우를 중심으로 설명하기로 한다.
예를 들여, 시료부(20)에 수용된 샘플(S)에 스펙클을 형성하기 위해서 간섭성(coherence)이 좋은 레이저를 파동원(10)으로 이용할 수 있다. 이때, 레이저 파동원의 간섭성을 결정하는 파동원의 스펙트럴 대역폭(spectral bandwidth)이 짧을수록 측정 정확도가 증가할 수 있다. 즉, 간섭길이(coherence length)가 길수록 측정 정확도가 증가할 수 있다. 이에 따라, 파동원의 스펙트럴 대역폭이 기정의된 기준 대역폭 미만인 레이저광이 파동원(10)으로 이용될 수 있으며, 기준 대역폭보다 짧을수록 측정 정확도는 증가할 수 있다. 예컨대, 전술한 수학식 1의 조건이 유지되도록 파동원(10)의 스펙트럴 대역폭이 설정될 수 있다.
수학식 1에 따르면, 레이저 스펙클의 패턴 변화를 측정하기 위해, 기준 시간마다 시료부(1200)에 광을 조사 시에 파동원(10)의 스펙트럴 대역폭은 5nm 미만이 유지될 수 있다.
도 13 및 도 14는 도 12의 광학 검출 시스템(2)의 시료부(20)를 개략적으로 도시한 도면이다.
도 12 내지 도 14를 참조하면, 시료부(20)는 측정하고자 하는 샘플(S)을 수용할 수 있다. 시료(S)는 용기(211) 또는 파이프(212)와 같은 시료배치수단을 통해 수용될 수 있으며, 안정화된 상태(static state)로 수용될 수 있다. 일 실시예로 도 2에 도시된 바와 같이, 시료부(20)는 용기(211)를 이용하여 유동성이 없어 안정화된 시료(S)를 수용할 수 있다. 또는, 다른 실시예로서, 도 3에 도시된 바와 같이, 시료부(20)는 파이프(212)를 이용하여 유동성 있는 시료(S)를 수용할 수 있다. 이때, 시료(S)는 액체일 수 있으며, 시료부(20)는 파이프(212)를 포함하는 전체 유로를 따라 상기 시료(S)를 1회 이상 순환시켜 파이프(212) 내에서 시료(S)의 안정화된 상태를 형성할 수 있다.
시료부(20)는 다중산란증폭부(21)를 더 포함할 수 있다. 다중산란증폭부(21)는 시료(S)로부터 출사되는 파동의 적어도 일부를 시료(S)로 반사시켜 시료(S)에서의 다중산란 횟수를 증폭시킬 수 있다. 다중산란증폭부(21)는 다중산란물질(multiple scattering material)을 포함할 수 있다. 예를 들어, 다중산란물질은 산화티타늄(TiO2)을 포함하며, 다중산란증폭부(21)는 다중산란증폭부(21)로 입사되는 파동의 적어도 일부를 반사시킬 수 있다. 다중산란증폭부(21)는 시료(S)와 인접하게 배치되어, 시료(S)로부터 다중산란되어 출사되는 파동이 시료(S)와 다중산란증폭부(21) 사이의 공간을 적어도 1회 이상 왕복하도록 할 수 있다. 다중산란증폭부(21)는 파동의 경로 상에 배치될 수 있으며, 입사 파동(S1)에 인접한 위치 및 출사 파동(S2)에 인접한 위치에 배치될 수 있다.
다른 실시예로서, 광학 검출 시스템(2)은 다중산란물질이 시료(S) 내에 포함되도록 구성할 수 있다. 또는, 시료부(20)는 파이프(212) 본체에 다중산란증폭영역(21)을 구비할 수 있다. 다중산란증폭영역(21)은 파이프(212)의 내부공간으로 입사되어 시료(S)를 지나 출사되는 파동의 적어도 일부를 다시 시료(S) 내로 산란시킬 수 있다. 이렇게 산란된 파동은 다시 유체를 거쳐 타측으로 출사되어 산란되며, 이러한 과정을 통해 유체 내에서 다중산란 횟수는 증가될 수 있다. 다중산란증폭영역(21)은 파동이 지나가는 경로 중 적어도 일부 영역에 형성될 수 있으며, 예를 들면, 전(全) 영역에 배치될 수 있다.
광학부(30)는 상기한 출사파동(S2)의 파면을 제어하여 검출부(40)로 전송할 수 있다. 구체적으로 광학부(30)는 하나 이상의 공간 광 변조부(Spatial Light Modulator; SLM) 및 공간 광 변조부로부터 출사된 파동을 집속시켜(focused) 검출부(40)로 전달하는 렌즈부(35)를 포함할 수 있다.
공간 광 변조부(310, 320)는 시료에서 산란된 파동의 파면을 제어하여 렌즈부(35)로 제공할 수 있다. 공간 광 변조부(310, 320)는 파면 제어기(wave shaping device)라고 지칭할 수도 있다. 공간 광 변조부(310, 320)는 파동의 세기를 변조하거나, 파동의 세기 및 위상을 동시에 변조할 수 있다. 공간 광 변조부(35)는 LCSLM(Liquid crystal spatial light modulator), DMD(digital micromirror device), DM(deformable mirror) 등과 같이 파면을 원하는 형태로 픽셀(pixel) 단위로 제어 가능한 기구 또는 장치를 포함할 수 있다.
한편, 본 발명의 일 실시예에 따른 광학 검출 시스템(2)은 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)를 포함할 수 있다. 이때, 제1 공간 광 변조부(31)와 제2 공간 광 변조부(32)는 시료부(20)로부터 출사되는 출사파동(S2)이 지나가는 경로 상에 서로 중첩되지 않도록 배치될 수 있다. 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)는 각각의 위치에서 출사파동(S2)의 파면을 제어할 수 있다.
여기서, 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)는 제어된 파면이 사전에 설정된 파면정보를 갖도록 안정화된 상태의 시료(S)로부터 출사되는 출사파동(S2)을 제어할 수 있다.
이하, 다시 도 4를 함께 참조하여 광학부(30)에서 파면을 제어하여 이물질 또는 불순물과 같은 대상체를 검출하는 방법에 대해 설명하기로 한다.
도 15a 및 도 15b는 본 발명의 일 실시예에 따른 광학 검출 시스템(2)을 이용하여 대상체(M)를 검출하는 원리를 설명하기 위한 도면이다.
도 4를 참조하면, 파동원(10)으로부터 방출된 입사파동(S1) 중 시료부(20)에서의 다중산란을 통해 복잡한 경로로 산란된 파동의 일부는 검사 대상면을 통과하게 된다. 검사 대상면의 여러 지점을 통과하는 파동들이 서로 보강 간섭 (constructive interference) 또는 상쇄 간섭(destructive interference)를 일으키게 되고, 이러한 파동들의 보강/상쇄 간섭은 낱알 모양의 무늬(스펙클; s_peckle)를 발생시키게 된다. 이때, 시료가 내부 구성 물질의 움직임이 없는 안정화된 상태인 경우, 간섭광(예를 들면 레이저)로 조사하였을 때에는 변화가 없는 안정한 스펙클 무늬를 관측할 수 있다. 그러나, 내부에 이물질 또는 불순물, 예를 들면, 박테리아 등, 내부 구성 물질 중 움직임이 있는 불안정한 매질을 포함하는 경우, 또는, 이물질 또는 불순물이 발생하여 상기한 안정화된 상태가 깨지는 경우에는 스펙클 무늬가 변화하게 된다. 즉, 시료부(20)를 통과하여 출사되는 출사파동(S2)은 상기한 스펙클 패턴에 의한 시료 정보를 포함할 수 있다.
여기서, 도 15a를 참조하면, 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)는 시료(S)가 내부 구성 물질의 움직임이 없는 안정화된 상태일 때 시료부(20)로부터 출사되는 출사파동(S2)을 사전에 설정된 세기 및 위상을 갖도록 파면을 제어할 수 있다. 제1 공간 광 변조부(31)는 출사파동(S2)을 제1 파동 정보를 갖는 제1 파동(LS1)으로 제어하고, 제2 공간 광 변조부(32)는 출사파동(S2)을 제2 파동 정보를 갖는 제2 파동(LS2)으로 제어할 수 있다. 이때, 일 실시예로서, 제1 파동 정보와 제2 파동 정보는 파동의 세기는 동일하되, 파동의 위상은 서로 반대 위상을 가질 수 있다. 이는 하기 수학식 2로 정리할 수 있다.
[수학식 2]
I(LS1) = I(LS2)
P(LS1) = P(LS2) + π
여기서, I는 파동의 세기(Intensity)를 의미하고, P는 파동의 위상(phase)을 의미한다. 따라서, 시료(S)가 안정화된 상태에서 제1 파동(LS1)과 제2 파동(LS2)이 렌즈부(35)에 의해 집속되는 경우, 세기는 동일하고 위상은 반대이기 때문에 상쇄 간섭이 일어나게 되며, 이상적으로 후술하는 검출부(40)에서는 수학식 3과 같이, 빛을 감지할 수 없게 된다.
[수학식 3]
I(LS1+LS2) = 0
한편, 도 15b를 참조하면, 시료(S)에 이물질 또는 불순물과 같은 대상체(M)가 들어가게 되는 경우, 시료부(20)에서 출사되는 출사파동(S2)의 스펙클 패턴은 변화하게 되는데, 상기한 구성을 통해 파면이 제어되고 있는 상태에서 변화된 스페클 패턴을 갖는 출사파동(S2)이 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)로 입사하게 되면, 사전에 설정된 파동 정보를 갖도록 제어되지 않는다. 다시 말해, 변화된 제1 파동(LS1)과 제 2 파동(LS2)은 세기가 동일하지 않거나, 위상이 반대가 되지 않아 검출부(40)에서는 결국 수학식 3과 달리 하기 수학식 4와 같이 소정의 세기를 갖는 빛을 감지하게 된다.
[수학식 4]
I(LS1'+LS2') = kx
여기서, k는 검출부(40)에서의 증폭상수일 수 있다.
한편, 렌즈부(35)는 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)로부터 출사되는 제1 파동(LS1) 및 제2 파동(LS2)을 집속시켜, 검출부(40)로 제공할 수 있다. 이때, 렌즈부(35)는 도 12와 같이 하나의 렌즈로 이루어질 수도 있고, 도 15a 및 도 15b와 같이 각각의 경로에 복수의 렌즈(351, 352, 353)들이 배치될 수도 있다. 렌즈부(35)는 상기한 제1 파동(LS1) 및 제2 파동(LS2)의 광 경로를 변경하기 위한 거울(37) 또는 빔 스플리터(38)와 같은 광 경로 수단을 더 포함할 수도 있다.
한편, 다른 실시예로서, 시료(S)가 안정화된 상태에서 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)에 의해 제어된 제1 파동(LS1)과 제2 파동(LS2)의 세기가 다를 수도 있다. 도 15a 또는 도 15b에 도시된 바와 같이, 제2 공간 광 변조부(32)로부터 출사된 제2 파동(LS2)은 빔 스플리터(38)에 의해 분할되므로, 검출부(40)로 제공되는 세기는 제1 파동(LS1)에 비해 작을 수 밖에 없다. 검출부(40)에서 상쇄되기 위해서, 제1 공간 광 변조부(31)는 제1 파동(LS1)의 세기가 빔 스플리터(38)를 통과하여 검출부(40)로 제공되는 제2 파동(LS2)의 세기와 동일하도록 제1 파동(LS1)을 제어할 수 있다. 따라서, 제1 공간 광 변조부(31) 및 제2 공간 광 변조부(32)로 제어되어 렌즈부(35)로 입사되기 전 제1 파동(LS1)과 제2 파동(LS2)의 세기는 다를 수 있다.
검출부(40)는 광학부(30)로부터 출사되어 집속된 집속파동을 검출할 수 있다. 검출부(40)는 파동을 감지하는 어떠한 수단이든 가능하다. 예를 들면, 검출부(40)는 포토다이오드(photo diode)일 수 있다. 전술한 바와 같이, 검출부(40)에서 광학부(30)로부터 출사되는 제1 파동(LS1)과 제2 파동(LS2)은 상쇄 간섭에 의해 검출되지 않으나, 이물질 또는 불순물과 같은 대상체(M)가 시료(S)에 들어가는 경우 바로 파동(빛)이 검출될 수 있다.
한편, 다른 실시예로서, 검출부(40)는 광섬유(optical fiber)를 더 포함하여, 광학부(30)로부터 제1 파동(LS1) 및 제2 파동(LS2)을 제공받을 수 있다. 광섬유(optical fiber)는 단일모드 광섬유일 수 있다. 제1 파동(LS1) 및 제2 파동(LS2)은 단일모드 광섬유(single mode fiber)를 통과함으로써, 단일 모드 필터링이 수행될 수 있다. 여기서, 단일 모드 광섬유 대신 단일 모드 광초점 크기 이하의 작은 핀홀이 이용될 수도 있다.
도 16은 본 발명의 다른 실시예에 따른 광학 검출 시스템(4)을 개략적으로 도시한 도면이다.
도 16을 참조하면, 다른 실시예에 따른 광학 검출 시스템(4)은 파동원(10), 시료부(20), 광학부(30) 및 검출부(40)를 구비할 수 있다. 다른 실시예에 따른 광학 검출 시스템(4)은 광학부(30)의 구성만 다를 뿐 나머지 구성요소는 일 실시예의 광학 검출 시스템(2)과 동일한 바, 설명의 편의를 위해 중복되는 설명은 생략하기로 한다.
다른 실시예에 따른 광학부(30)는 제1 공간 광 변조부(31)만을 구비할 수 있다. 제1 공간 광 변조부(31)는 출사파동(S2)을 제어하여 제1 파동(LS1)으로 변환시킬 수 있다. 이때, 광학부(30)는 출사파동(S2) 중 일부를 그대로 렌즈부(35)로 제2 파동(LS2)으로서 제공할 수 있다. 다시 말해, 광학부(30)는 출사파동(S2) 일부를 제2 파동(LS2)으로 사용하고, 다른 일부를 제2 파동(LS2)과 상쇄간섭이 일어날 수 있도록 제어하여 일 실시예와 동일한 기능을 수행할 수 있다.
전술한 바와 같이 본 발명의 실시예들에 따른 광학 검출 시스템은 시료로부터 출사되는 파동을 두 개의 제1 파동 및 제2 파동으로 나누고, 제1 파동 과 제2 파동이 검출부(40)에서 상쇄 간섭이 일어나도록 공간 광 변조부(SLM)를 이용하여 제1 파동 및 제2 파동 중 적어도 하나의 세기 및 위상을 제어할 수 있다. 이를 통해, 본 발명의 실시예들에 따른 광학 검출 시스템은 검출부에서 파동의 유무를 감지하는 것만으로도 시료 내 미생물과 같은 불순물의 존재를 검출할 수 있다. 또한, 본 발명의 실시예들에 따른 광학 검출 시스템은 파동의 유무를 통해 불순물의 존재를 바로 알 수 있어, 매우 소량의 불순물이 존재하는 경우에도 민감한 검출이 가능해진다.
이제까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 한다.
본 발명의 일 실시예에 의하면, 미생물 정보 제공 장치를 제공한다. 또한, 산업상 이용하는 불순물 또는 미생물 검출 장치 등에 본 발명의 실시예들을 적용할 수 있다.

Claims (20)

  1. 시료로부터 출사되는 출사파동을 시계열 순으로 촬영한 복수의 영상을 수신하는 수신부;
    상기 시계열 순으로 촬영한 복수의 영상으로부터 시간에 따른 변화의 특징(feature)을 추출하는 검출부;
    상기 추출된 특징을 기초로 분류기준을 기계학습하는 학습부; 및
    상기 분류기준을 기초로 시료에 포함된 미생물의 종류 또는 농도를 구분하는 판단부;를 포함하고,
    상기 복수의 영상 각각은 상기 시료로 입사되는 파동에 기인하여 상기 미생물에 의해 다중산란(multiple scattering)되어 발생되는 스펙클(speckle) 정보를 포함하는, 미생물 정보 제공 장치.
  2. 제1 항에 있어서,
    상기 학습부는 컨볼루션 신경망(Convolution Neural Network; CNN)을 이용하여 상기 분류기준을 학습하는, 미생물 정보 제공 장치.
  3. 제2 항에 있어서,
    상기 학습부는 하나의 스펙클의 크기보다 작은 크기를 갖는 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행하는, 미생물 정보 제공 장치.
  4. 제2 항에 있어서,
    상기 학습부는 하나의 스펙클의 크기가 m개의 픽셀(pixel)에 대응되는 경우, m보다 작은 n x n 크기의 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행하는, 미생물 정보 제공 장치.
  5. 제4 항에 있어서,
    상기 컨볼루션 연산의 스트라이드(stride)는 상기 n 값에 대응되는, 미생물 정보 제공 장치.
  6. 제4 항에 있어서,
    상기 컨볼루션 커널은 상기 복수의 영상 개수에 대응되거나 상기 복수의 영상 개수보다 큰 커널 특징 맵들을 포함하는, 미생물 정보 제공 장치.
  7. 제6 항에 있어서,
    상기 학습부는 출력 채널 개수에 대응되는 복수의 컨볼루션 커널들을 포함하는 커널 세트를 이용하여 컨볼루션 연산을 수행하는, 미생물 정보 제공 장치.
  8. 제7 항에 있어서,
    상기 컨볼루션 연산에 의한 상기 출력 채널 개수는 상기 복수의 영상 개수에 대응되는, 미생물 정보 제공 장치.
  9. 제1 항에 있어서,
    상기 학습부는 상기 복수의 영상들의 시간 상관관계(temporal correlation)을 기초로 상기 분류기준을 학습하는, 미생물 정보 제공 장치.
  10. 제1 항에 있어서,
    상기 분류기준은 상기 특징 중 스펙클 패턴의 형태의 변화, 상기 스펙클 패턴의 빛의 세기를 기초로 계산된 시간상관관계계수, 상기 스펙클 패턴의 빛의 세기(intensity)의 표준편차 값의 변화량 중 하나를 이용하여 학습되는, 미생물 정보 제공 장치.
  11. 제10 항에 있어서,
    상기 표준편차 값과 상기 미생물의 농도는 선형적인 관계를 갖는, 미생물 정보 제공 장치.
  12. 미생물의 종류 또는 농도를 미리 알고 있는 시료에 파동을 조사하여 출사되는 출사파동을 시계열 순으로 기촬영한 복수의 학습영상을 수신하는 단계;
    상기 시계열 순으로 기촬영한 복수의 학습영상으로부터 시간에 따른 변화의 특징(feature)을 기초로 분류기준을 기계학습하는 단계;
    신규 시료에 파동을 조사하여 출사되는 출사파동을 시계열 순으로 촬영한 복수의 영상을 수신하는 단계; 및
    상기 복수의 영상 및 상기 분류기준을 기초로 상기 신규 시료에 포함된 미생물의 종류 또는 농도를 구분하는 단계;를 포함하고,
    상기 복수의 학습영상 각각 또는 상기 복수의 영상 각각은 상기 시료로 입사되는 파동에 기인하여 상기 미생물에 의해 다중산란(multiple scatterin)되어 발생되는 스펙클(speckle) 정보를 포함하는, 미생물 정보 제공 방법.
  13. 제12 항에 있어서,
    상기 분류기준을 기계학습하는 단계는,
    컨볼루션 신경망(Convolution Neural Network; CNN)을 이용하여 상기 분류기준을 학습하는, 미생물 정보 제공 방법.
  14. 제13 항에 있어서,
    상기 분류기준을 기계학습 하는 단계는,
    하나의 스펙클의 크기보다 작은 크기를 갖는 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행하는, 미생물 정보 제공 방법.
  15. 제13 항에 있어서,
    상기 분류기준을 기계학습 하는 단계는,
    하나의 스펙클의 크기가 m개의 픽셀(pixel)에 대응되는 경우, m보다 작은 n x n 크기의 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행하는, 미생물 정보 제공 방법.
  16. 제15 항에 있어서,
    상기 컨볼루션 연산의 스트라이드(stride)는 상기 n 값에 대응되는, 미생물 정보 제공 방법.
  17. 제13 항에 있어서,
    상기 컨볼루션 커널은 상기 복수의 영상 개수에 대응되거나 상기 복수의 영상 개수보다 큰 커널 특징 맵들을 포함하는, 미생물 정보 제공 방법.
  18. 제17 항에 있어서,
    상기 분류기준을 기계학습 하는 단계는,
    출력 채널 개수에 대응되는 복수의 컨볼루션 커널들을 포함하는 커널 세트를 이용하여 컨볼루션 연산을 수행하는, 미생물 정보 제공 장치.
  19. 제18 항에 있어서,
    상기 컨볼루션 연산에 의한 상기 출력 채널 개수는 상기 복수의 영상 개수에 대응되는, 미생물 정보 제공 방법.
  20. 제12 항에 있어서,
    상기 학습부는 상기 복수의 영상들의 시간 상관관계(temporal correlation)을 기초로 상기 분류기준을 학습하는, 미생물 정보 제공 방법.
PCT/KR2019/011559 2018-09-07 2019-09-06 미생물 정보 제공 장치 및 방법 WO2020050687A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/273,631 US20210340591A1 (en) 2018-09-07 2019-09-06 Microorganism information providing device and method
CN201980056978.0A CN112689841A (zh) 2018-09-07 2019-09-06 微生物信息提供装置及方法

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2018-0107292 2018-09-07
KR1020180107292A KR102130100B1 (ko) 2018-09-07 2018-09-07 광학 검출 시스템
KR10-2019-0045142 2019-04-17
KR1020190045142A KR102207945B1 (ko) 2019-04-17 2019-04-17 미생물 정보 제공 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2020050687A1 true WO2020050687A1 (ko) 2020-03-12

Family

ID=69723149

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/011559 WO2020050687A1 (ko) 2018-09-07 2019-09-06 미생물 정보 제공 장치 및 방법

Country Status (3)

Country Link
US (1) US20210340591A1 (ko)
CN (1) CN112689841A (ko)
WO (1) WO2020050687A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285105A (zh) * 2020-09-25 2021-01-29 北京科技大学 一种膏体浓度非接触式自动检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130038334A (ko) * 2010-06-23 2013-04-17 가부시키가이샤 엔테크 미생물 검출방법, 미생물 검출장치 및 프로그램
KR20140045923A (ko) * 2011-03-04 2014-04-17 엘비티 이노베이션스 리미티드 미생물 성장을 분석하는 방법 및 소프트웨어
US20150347817A1 (en) * 2012-12-19 2015-12-03 Koninklijke Philips N.V. System and method for classification of particles in a fluid sample
WO2017086719A1 (ko) * 2015-11-17 2017-05-26 한국과학기술원 혼돈파 센서를 이용한 시료 특성 탐지 장치
KR20170118032A (ko) * 2014-10-17 2017-10-24 시레카 테라노스틱스, 엘엘씨 분석의 최적화 및 상관관계의 사용을 포함하는 생체 시료들을 분류하기 위한 방법 및 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3767586A1 (en) * 2015-04-23 2021-01-20 BD Kiestra B.V. Colony contrast gathering
KR101686766B1 (ko) * 2015-11-17 2016-12-15 한국과학기술원 레이저 스페클을 이용한 세균 및 미생물 탐지 장치 및 방법
JP6951922B2 (ja) * 2016-09-28 2021-10-20 株式会社ニューフレアテクノロジー 荷電粒子ビーム装置及び荷電粒子ビームの位置ずれ補正方法
CN107239803A (zh) * 2017-07-21 2017-10-10 国家海洋局第海洋研究所 利用深度学习神经网络的海底底质自动分类方法
CN107977683B (zh) * 2017-12-20 2021-05-18 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130038334A (ko) * 2010-06-23 2013-04-17 가부시키가이샤 엔테크 미생물 검출방법, 미생물 검출장치 및 프로그램
KR20140045923A (ko) * 2011-03-04 2014-04-17 엘비티 이노베이션스 리미티드 미생물 성장을 분석하는 방법 및 소프트웨어
US20150347817A1 (en) * 2012-12-19 2015-12-03 Koninklijke Philips N.V. System and method for classification of particles in a fluid sample
KR20170118032A (ko) * 2014-10-17 2017-10-24 시레카 테라노스틱스, 엘엘씨 분석의 최적화 및 상관관계의 사용을 포함하는 생체 시료들을 분류하기 위한 방법 및 시스템
WO2017086719A1 (ko) * 2015-11-17 2017-05-26 한국과학기술원 혼돈파 센서를 이용한 시료 특성 탐지 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285105A (zh) * 2020-09-25 2021-01-29 北京科技大学 一种膏体浓度非接触式自动检测方法

Also Published As

Publication number Publication date
US20210340591A1 (en) 2021-11-04
CN112689841A (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
Edgar et al. Principles and prospects for single-pixel imaging
EP3324826B1 (en) Automatic fundus image capture system
US20210044765A1 (en) Systems and methods for hdr video capture with a mobile device
KR20070013512A (ko) 화상처리 장치 및 방법
WO2021006522A1 (ko) 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법
US20040037450A1 (en) Method, apparatus and system for using computer vision to identify facial characteristics
WO2016159710A1 (ko) 모바일 다중 분광 이미징 디바이스, 다중 분광 이미지 획득용 사용자 단말, 분광 이미지 분석 서버 및 그 방법
TW202001358A (zh) 具有經擴展之動態範圍的數位像素
WO2023022537A1 (ko) Ai 기반 차량 디스크 불량 검출 시스템
WO2022114731A1 (ko) 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법
WO2021045599A1 (ko) 비디오 영상에 보케 효과를 적용하는 방법 및 기록매체
WO2020050687A1 (ko) 미생물 정보 제공 장치 및 방법
US11611681B2 (en) Multi-mode scanning device
WO2021010671A2 (ko) 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
WO2021132813A1 (ko) 딥러닝 모델을 이용한 통증 평가 방법 및 분석 장치
WO2022145999A1 (ko) 인공지능 기반의 자궁경부암 검진 서비스 시스템
WO2020017814A1 (ko) 이상 개체 검출 시스템 및 방법
WO2021040315A1 (ko) 원추 각막 진단 보조 시스템 및 이를 이용하는 방법
WO2020122513A1 (ko) 2차원 이미지 처리 방법 및 이 방법을 실행하는 디바이스
WO2023282466A1 (ko) 레이저 프리뷰를 이용한 학습 데이터 수집 방법 및 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
WO2022225363A1 (en) Self-sampling management electronic device, self-sampling management method, and computer readable medium storing program to perform the method
CN212628185U (zh) 基于智能眼镜的光谱摄像系统
WO2020166929A1 (ko) 혈류 측정 장치 및 혈류 측정 방법
KR102207945B1 (ko) 미생물 정보 제공 장치 및 방법
WO2014126401A1 (ko) 광 간섭 단층 촬영 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19857745

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19857745

Country of ref document: EP

Kind code of ref document: A1