혈액 세포 이미지 분류를 위한 MPEG‑7 기반 특징과 서포트 벡터 머신 적용

초록

본 논문은 혈액 세포 이미지를 MPEG‑7 색·텍스처 기술자를 확장하여 추출한 통계량과 인간 시각에 기반한 텍스처 특징을 결합하고, 이를 서포트 벡터 머신(SVM)으로 학습시켜 자동 분류하는 방법을 제안한다. CellaVision DM‑96 시스템의 분류 결과를 90‑95% 정확도의 ‘ground truth’로 사용해 두 가지 과제(전체 클래스와 5대 백혈구 구분)를 수행했으며, 각각 10.8%와 3.1%의 오류율을 기록하였다. 결과는 SVM이 기존 신경망 대비 경쟁력 있음을 시사한다.

상세 분석

이 연구는 혈액학적 진단에서 필수적인 백혈구 및 적혈구 형태학적 분석을 자동화하기 위해 이미지 기반 특징 추출과 기계 학습을 결합한 점이 특징이다. 먼저 MPEG‑7 표준에서 정의된 Scalable Color Descriptor(SCD), Color Structure Descriptor(CSD), Color Layout Descriptor(CLD), Homogeneous Texture Descriptor(HTD)를 기존 구현보다 높은 해상도와 더 많은 차원으로 확장하였다. 색상 기술자는 혈구의 염색 강도와 분포를 정량화하고, 텍스처 기술자는 핵·세포질의 미세 구조를 포착한다. 여기에 저자들은 인간 관찰자가 “거친”, “매끄러운”, “입자형” 등으로 인지하는 시각적 텍스처 속성을 수치화한 추가적인 통계량을 도입해, 인간 전문가의 직관을 기계에 전달하려는 시도를 보였다.

특징 벡터는 C++로 구현된 전처리 파이프라인을 통해 이미지당 수천 차원의 실수값으로 변환되며, 차원 축소 없이 그대로 SVM에 입력한다. SVM은 RBF 커널을 사용했으며, 하이퍼파라미터(C, γ)는 교차 검증을 통해 최적화하였다. 학습 데이터는 CellaVision DM‑96 장비가 자동으로 라벨링한 2,500여 장의 혈액 슬라이드 이미지이며, 이 라벨을 ‘ground truth’로 삼았다. 그러나 장비 자체의 라벨링 정확도가 90‑95%에 불과함을 감안하면, 실제 모델 성능은 보고된 오류율보다 더 낮을 가능성이 있다.

두 가지 실험 설계가 있다. ‘Primary problem’은 CellaVision이 구분하는 모든 세포 유형(약 15종)을 그대로 재현하는 것이고, ‘Simplified problem’은 가장 흔한 5대 백혈구(호중구, 림프구, 단핵구, 호산구, 호염구)만을 구분한다. 결과적으로 Primary에서는 10.8%의 오류율, Simplified에서는 3.1%의 오류율을 달성했다. 특히 Simplified 문제에서 3% 수준의 오류는 임상 현장에서 충분히 활용 가능한 수준이며, 기존 ANN 기반 시스템과 비교했을 때 학습 속도와 메모리 효율성 면에서 장점을 제공한다.

한계점으로는 (1) 라벨링 오류가 모델 평가에 직접적인 영향을 미친 점, (2) 높은 차원의 특징 벡터가 SVM 학습 시간과 메모리 요구량을 증가시킨 점, (3) 데이터셋이 단일 장비와 단일 병원에서 수집된 제한된 범위에 머물렀다는 점을 들 수 있다. 향후 연구에서는 라벨링 정밀도를 높이기 위한 전문가 검증, 차원 축소 기법(PCA, LDA) 적용, 그리고 다기관·다장비 데이터베이스 구축을 통해 일반화 능력을 검증할 필요가 있다. 또한, 딥러닝 기반 특징 추출과 SVM 결합 혹은 엔드투엔드 CNN 모델과의 성능 비교도 흥미로운 연구 방향이다.