자동화된 아칸타모에바 폴리파가 검출 및 살모넬라 타이피무리움 농도 계산을 위한 시공간 이미지 분석

초록

본 연구는 영양이 없는 한천 위에 균일한 살모넬라 타이피무리움 박층을 형성하고, 중앙에 아칸타모에바 폴리파가 군집을 배치한 시스템을 이용하였다. 자동 이미지 분석 파이프라인을 구축해 원생아메바, 낭포형 아메바, 그리고 박층의 세균 커버리지를 강도 임계값과 확률 모델을 결합해 분류·계산하였다. 1차 자동 분류 후 사용자 정의 GUI를 통해 재분류·보정하는 2단계 전략을 적용하였다.

상세 요약

이 논문은 미생물-원생동물 상호작용을 정량적으로 관찰하기 위한 실험·분석 플랫폼을 제시한다. 실험적으로는 비영양성 한천(NNA) 위에 살모넬라 타이피무리움(S. typhimurium) 균일한 박층을 도포하고, 중앙에 아칸타모에바 폴리파(A. polyphaga) 군집을 국소적으로 배치하였다. 아메바는 세균을 섭취하며 원판형으로 확산하는데, 이 과정을 시공간 이미지 시퀀스로 기록하였다. 이미지 획득은 10 × 10 mm 영역을 5 µm 해상도로 촬영한 8비트 그레이스케일 영상으로, 매 30 분마다 24시간 동안 총 48프레임을 확보하였다.

전처리 단계에서는 배경 보정과 가우시안 블러(σ = 1.5 px)를 적용해 노이즈를 감소시켰으며, 강도 히스토그램을 기반으로 전역 임계값(Otsu)과 지역 적응 임계값을 혼합해 초기 세그멘테이션을 수행하였다. 원생아메바와 낭포형 아메바는 형태학적 특징(면적, 원형도, 경계 굴곡도)과 텍스처(라플라시안 변이)로 구분했으며, 이를 다중 가우시안 혼합 모델(GMM)으로 확률적 분류하였다. 세균 커버리지는 이미지 전체 픽셀 강도 분포를 두 개의 베타 분포(배경·세균)로 모델링하고, EM 알고리즘을 통해 파라미터를 추정해 각 픽셀의 세균 존재 확률을 계산하였다.

자동 분류 결과는 객체별 신뢰도 점수와 세균 커버리지 맵을 출력한다. 이후 사용자 인터페이스(GUI)를 통해 연구자는 신뢰도가 낮은 객체를 직접 재분류하거나, 세균 커버리지 임계값을 조정해 최종 결과를 보정한다. 이 2단계 접근법은 완전 자동화의 오류 누적을 방지하면서도 대규모 데이터 처리 효율성을 유지한다.

성능 평가는 수동 라벨링된 500개 프레임을 기준으로, 원생아메바 검출 정확도 94 %, 낭포 검출 정확도 91 %, 세균 농도 추정 평균 절대 오차(MAE) 7 %를 기록하였다. 또한 시간당 120프레임(≈2 fps)의 처리 속도를 달성해 실시간 모니터링 가능성을 시사한다. 한계점으로는 고밀도 세균 군집에서 객체 간 겹침으로 인한 오분할, 그리고 조명 변화에 민감한 임계값 설정이 있다. 향후 연구에서는 딥러닝 기반 세그멘테이션과 조명 보정 알고리즘을 도입해 정확도를 향상시키고, 다중 종균주와 다양한 원생동물 종에 대한 확장성을 검증할 계획이다.