마이크로유동에서 적혈구 형태 자동 분류를 위한 이상치 허용 딥러닝 모델

초록

본 연구는 마이크로채널 내 포아송 흐름에서 적혈구(RBC)의 ‘슬리퍼’와 ‘크루아상’ 형태를 자동으로 구분하기 위해 회귀형 합성곱 신경망(CNN)을 설계하였다. 레이블이 부여된 4,000개의 이미지(증강 후 8,000개)를 학습에 사용하고, 출력값을 –127(슬리퍼)에서 +127(크루아상) 사이의 연속값으로 설정함으로써 전통적인 이진 분류가 어려운 ‘기타’ 형태를 이상치로 처리한다. 통계적 임계값을 적용해 자동 생성된 상전이 구간을 단계도(phase diagram)로 시각화했으며, 수동 평가와 비교해 높은 재현성을 확인하였다. 향후 약물 효과 분석 등 혈류 역학 연구에 객관적인 도구로 활용될 수 있다.

상세 분석

이 논문은 적혈구가 미세채널을 흐를 때 나타나는 두 가지 안정적인 변형, 즉 저전류에서는 축대칭적인 ‘크루아상’ 형태, 고전류에서는 비축대칭적인 ‘슬리퍼’ 형태가 존재한다는 기존 실험적·이론적 결과를 바탕으로, 이러한 형태를 자동으로 구분하고 전이 구간을 정량화하는 방법을 제시한다. 핵심 기술은 회귀형 CNN이다. 입력은 90 × 90 픽셀의 2차원 흑백 이미지이며, 가장자리 광학 왜곡을 최소화하기 위해 Tukey 윈도우(α = 0.25)로 가중치를 부여한다. 첫 번째 합성곱 층에서는 25개의 21 × 21 커널을 사용해 70 × 70 픽셀의 특징 맵을 생성하고, ReLU 활성화 후 2 × 2 최대 풀링으로 35 × 35로 축소한다. 이 과정을 두 번 반복해 최종적으로 3 × 3 크기의 특징 맵을 얻고, 완전 연결층을 통해 1차원 연속값을 출력한다. 출력값은 –127에서 +127 사이로 스케일링되어, 슬리퍼는 –127, 크루아상은 +127에 매핑되고, 이 범위를 크게 벗어나는 경우는 ‘기타(Other)’ 형태로 간주한다.

학습에는 RMSE(제곱 평균근오차)를 손실 함수로 채택하고, 학습률 0.001, 모멘텀 0.9인 SGDM(Stochastic Gradient Descent with Momentum)을 사용한다. 미니배치 크기는 128이며, 최대 10 epoch까지 학습한다. 검증 손실이 5회 연속 상승하면 조기 종료한다. 데이터는 1,500개씩 슬리퍼와 크루아상, 1,000개는 ‘전단된 크루아상(sheared croissant)’으로 구성했으며, 전단된 형태는 64라는 중간값에 매핑해 회귀 모델이 미묘한 형태 차이를 학습하도록 설계했다. 이미지 증강으로 좌우 대칭을 적용해 학습 샘플을 2배로 늘렸다.

결과적으로, 학습된 CNN은 높은 정확도로 두 주요 형태를 구분하고, 전이 구간에서 발생하는 다형성을 ‘기타’로 자동 분류한다. 통계적 임계값(예: –20 ~ 20)을 적용해 ‘기타’ 비율을 정량화하고, 압력 구배에 따른 형태 비율을 단계도로 나타냈다. 이 단계도는 기존 수동 분석과 매우 유사한 전이점(≈300 mbar)과 형태 비율을 보여, 자동화된 방법이 실험 재현성을 크게 향상시킴을 입증한다. 또한, 회귀 출력값을 연속적으로 활용함으로써 다중 클래스가 아닌 연속적인 형태 변화를 추적할 수 있는 장점을 제공한다.

한계점으로는 2차원 이미지에 의존해 세포의 입체적 변형을 완전히 포착하지 못한다는 점, 그리고 ‘기타’ 형태가 실제 물리적 현상(예: 세포 손상, 다중 세포 충돌)과 혼재될 수 있어 추가적인 라벨링이나 3D 영상이 필요할 수 있다. 향후 연구에서는 다양한 약물 처리 조건, 혈액 질환 모델, 그리고 고해상도 3D 현미경 데이터를 결합해 모델을 확장하고, 전이 구간의 동역학을 시간 연속적인 영상으로 추적하는 것이 기대된다.