계층적 글리아 그래프 골격화와 매칭

본 연구는 뇌의 면역세포인 미세아교세포의 형태학적 변화를 정밀하게 추적하기 위해, 3차원 멀티포톤 현미경 영상에서 자동으로 골격을 추출하고 시간에 따라 일관된 그래프 형태로 유지하는 새로운 알고리즘 ‘Hieroglyph’를 제안한다. 기존의 2D 골격화 방법이나 반자동 방식은 z축에서 겹치는 구조를 놓치거나, 사용자의 주관적 파라미터 설정에 크게 의존한다는 문제점이 있었다. 이러한 한계를 극복하고자 저자들은 두 가지 핵심 기술을 결합하였다. 첫 번째 단계는 단일 시점의 세그멘테이션 결과를 그래프 형태로 변환하는 과정이다. 전경 voxel마다 정점을 할당하고, 인접 voxel 사이의 유클리드 거리(1, √2, √3)를 가중치로 하는 무방향 가중 그래프를 구성한다. 이후 Dijkstra 최단경로 알고리즘을 적용해 각 말단 정점(프로세스 끝)에서 소마(중심)까지의 최단 경로를 찾는다. 이 경로들이 모여 루프나 불연속이 없는 3차원 골격을 형성한다. 그래프 구조는 각 분기점과 말단점의 위계 정보를 자연스럽게 보존하므로, 이후 시간적 연속성을 확보하는 데 유용한 기반이 된다. 두 번째 단계에서는 시간 연속성을 확보한다. 이전 시점의 골격을 ‘계층(Hierarchy)’별로 분할하고, 현재 시점의 원본 영상에 Hessian 기반 혈관 강화 필터를 적용해 튜브형 구조를 강조한다. 강화 영상은 λ1이 작고 λ2·λ3가 큰 경우에 높은 값을 갖게 되며, 이는 미세아교세포의 가느다란 프로세스와 유사한 형태를 강조한다. 각 계층의 세그먼트를 26방향(3×3×3 이웃)으로 이동시키며, 강화 영상의 강도와 최대 일치하도록 변형한다. 변형 과정에서는 (1) 루프 방지, (2) 분기점 위치 급격한 이동 억제, (3) 강화 영상에서 음수 값(배경)에는 패널티 부여 등 제약을 두어 생물학적 타당성을 유지한다. 변형이 완료되면 그래프를 재구성하고, 다음 시점에 동일 과정을 반복한다. 실험은 7~10주령 Cx3cr1‑CreER;Ai6ZsGreen 마우스를 이용해 13분 동안 1분 간격으로 3D 스택을 촬영한 데이터셋을 사용하였다. 각 시점의 세그멘테이션은 Tubularity Flow Field와 Blob Flow Field를 결합한 Tuff‑Bff 알고리즘으로 수행하였다. 성능 평가는 Semi‑automatic인 Simple Neurite Tracer를 ‘ground truth’로 삼고, 기존 자동 골격화 도구인 Skel2Graph3D와 비교하였다. Hieroglyph는 첫 시점에서 55 %의 계층 가중 정확도를 기록했으며, Skel2Graph3D는 34 %에 그쳤다. 또한 분기점·말단점 수가 실제와 거의 일치하고, 위치 오차도 현저히 낮았다. 특히 3D 회전 시 보이는 z축 방향의 가지들을 정확히 복원함으로써 2D 기반 방법이 놓치기 쉬운 구조적 정보를 포착한다. 논문의 주요 기여는 (1) 그래프 기반 최단경로를 이용한 루프 없는 3D 골격 추출, (2) 이전 시점 골격을 활용한 시간적 일관성 유지, (3) Hessian 기반 혈관 강화 영상을 통한 프로세스 정밀 매칭이다. 한계점으로는 프로세스의 신규 생성·소멸을 완전히 다루지 못한다는 점과, 히스토그램 평활화가 배경 노이즈를 증폭시키는 부작용이 있다. 향후 연구에서는 딥러닝 기반 세그멘테이션과 결합하거나, 전역 최적화 기반 그래프 매칭을 도입해 정확도와 연산 효율을 동시에 향상시킬 수 있을 것으로 기대된다.