다중 환경 모델 추정 기반 C. elegans 운동 분석

초록

본 연구는 배경과 웜 외형을 동시에 학습하는 혼합 가우시안(MOG) 모델을 이용해, 단일 이미지 입력만으로도 다양한 실험 환경에서 C. elegans를 자동으로 분할하고 골격을 추출하는 MEME 프레임워크를 제안한다. 기존의 임계값 기반 방법과 비교했을 때 대부분의 경우에서 높은 정확도를 보이며, 사용자 개입을 최소화한다.

상세 분석

MEME 프레임워크는 크게 두 단계로 구성된다. 첫 번째 단계는 사용자가 제공한 하나의 레퍼런스 이미지에서 배경과 웜의 픽셀 분포를 각각 혼합 가우시안(MOG) 모델로 학습하는 과정이다. 여기서 배경 모델은 실험실 바닥, 액체, 마이크로채널 등 다양한 매질의 조명 변화와 잡음을 포괄하도록 다중 컴포넌트를 사용한다. 웜 모델은 투명한 몸통, 내부 장기, 그리고 움직임에 따라 나타나는 명암 변화를 포착하기 위해 별도의 MOG를 구축한다. 두 모델은 베이즈 규칙에 따라 픽셀별 사후 확률을 계산해, 각 픽셀이 배경인지 웜인지 판별한다.

두 번째 단계는 얻어진 이진 마스크에서 웜의 중심축(skeleton)을 추출하는 것이다. MEME는 마스크의 형태학적 연산(침식·팽창)과 거리 변환을 결합해, 가장 긴 경로를 찾는 방식으로 골격을 생성한다. 이 골격은 후속 모션 파라미터(속도, 곡률, 파동 주기 등)의 계산에 바로 활용될 수 있다.

핵심 기술적 강점은 ‘단일 이미지 학습’이라는 최소 입력 요구사항이다. 기존 방법들은 각 실험 환경마다 임계값, 필터 크기, 형태학적 파라미터 등을 수동으로 튜닝해야 했으며, 이는 사용자에게 큰 부담을 주었다. MEME는 MOG 모델이 환경의 통계적 특성을 자동으로 포착하기 때문에, 동일한 파라미터 세트가 크롤링, 수영, 마이크로플루이딕스 등 서로 다른 매질에 그대로 적용된다.

성능 평가에서는 5가지 대표적 환경(agar 플레이트, 액체 배양, 3D 겔, 마이크로채널, 그리고 혼합 매질)에서 총 120개의 영상 시퀀스를 사용했다. 정량적 지표로는 Dice coefficient와 Jaccard index를 사용했으며, MEME는 평균 Dice 0.93, Jaccard 0.88을 기록했다. 반면 전통적인 Otsu 기반 임계값 방법은 평균 Dice 0.78, Jaccard 0.65에 머물렀다. 특히 조명 불균일이나 배경에 잡음이 많은 경우 MEME의 우수성이 두드러졌다.

한계점으로는 매우 낮은 해상도(픽셀당 1µm 이하)에서 웜 경계가 흐려져 MOG 모델이 정확히 구분하지 못하는 경우가 있다. 또한, 다중 웜이 동시에 존재하는 영상에서는 현재 단일 웜 모델만을 학습하므로, 객체 추적 단계에서 추가적인 분할 로직이 필요하다. 향후 연구에서는 다중 객체 MOG 학습과 딥러닝 기반 후처리를 결합해 이러한 제약을 극복하고자 한다.

요약하면, MEME는 통계적 배경·전경 모델링과 형태학적 골격 추출을 결합해, 다양한 실험 환경에서 C. elegans의 자동 분할과 정량적 운동 분석을 가능하게 하는 실용적인 도구이다.