딥러닝 기반 광학 다중 초점 현미경

본 논문은 LED 어레이 현미경을 이용한 다중 초점면 영상 획득의 시간적 제약을 해소하기 위해, 물리‑학적 전처리와 딥러닝을 결합한 새로운 프레임워크를 제안한다. 전통적인 다중 초점 현미경은 기계적 Z‑스캔이나 LED‑별 이미지 스택을 수집한 뒤, shift‑add와 같은 디지털 리포커싱 알고리즘을 적용해 각 초점면을 복원한다. 이 방식은 공간 해상도 손실 없이 3‑D 정보를 얻을 수 있지만, 69개의 LED를 순차적으로 촬영해야 하므로 실시간 생체 영상에 부적합하다. 저자들은 먼저 32 × 32 LED 매트릭스 중 중심 69개의 LED를 선택해, 각 LED당 2 초 노출로 단일 이미지를 획득한다. LED와 시료 사이 거리는 69.5 mm이며, 파장은 518 nm에 중심을 둔다. 이때 LED는 멀리 배치돼 평면파 근사와 비상관성을 만족한다는 가정 하에, 다중 LED를 동시에 켤 경우 각 LED 이미지의 선형 가중합으로 복합 이미지를 모델링한다(I = ∑c_i I_i). 디지털 리포커싱은 기존 shift‑add 알고리즘을 사용한다. 각 LED가 제공하는 입사각은 LED 위치와 거리(z)로부터 tan θ = x_i/z 로 계산되고, 원하는 초점 변위 Δz에 따라 이미지가 Δx = Δz·tan θ_x, Δy = Δz·tan θ_y 만큼 평면 이동된다. 이 평면 이동은 푸리에 도메인에서 위상 보정(e^{j2π(uΔx+vΔy)})으로 구현되어 서브픽셀 정밀도를 확보한다. 모든 LED 이미지에 대해 동일 Δz에 대한 이동을 수행한 뒤 합산하면 목표 초점면의 이미지가 얻어진다. 시간 효율성을 높이기 위해 저자들은 “물리적 전처리” 개념을 도입한다. LED 가중치 c_i와 포스트‑프로세싱 CNN의 파라미터를 동시에 최적화함으로써, 단일 복합 이미지가 5개의 초점면 정보를 최대한 보존하도록 설계한다. 네트워크는 잔차 연결을 갖는 U‑형 구조이며, 출력 채널 수 m = 5(초점면 개수)이다. 손실 함수는 평균제곱오차와 1차 차분(gradient) 손실을 가중합한 형태이며, 학습 중에는 포아송 노이즈와 포화 현상을 시뮬레이션해 실제 촬영 조건을 반영한다. 학습 단계에서는 90개의 FOV(6개 슬라이드, 각 15개)에서 고정된 플라네라니드의 69‑LED 스택을 수집한다. 최적화된 LED 패턴은 8단계 밝기(0~7)로 양자화되고, 노출 시간은 최적 가중치에 맞춰 최소화된다. 이후 별도 40개의 FOV에서 미세 조정(fine‑tuning)을 수행해 실제 복합 이미지와 모델링된 이미지 간 차이를 보정한다. 성능 평가는 학습·조정에 사용되지 않은 8개의 FOV에서 수행했으며, shift‑add 결과와 딥러닝 결과의 라인 스캔을 비교한 결과 높은 구조적 유사도와 잡음 억제 효과를 확인했다. 특히, 복합 이미지와 5‑초점 스택 사이의 상호정보량을 16 × 16 패치 단위로 측정했을 때, 최적화된 LED 패턴을 사용한 경우 무작위 패턴 대비 약 30 % 이상 증가했으며, 이는 정보 이론적으로 충분한 복원 가능성을 시사한다. 최종 실험에서는 최적 LED 패턴을 적용한 상태에서 살아있는 플라네라니드 영상을 촬영하고, 매 프레임을 네트워크에 입력해 5개의 초점면 영상을 실시간으로 재구성했다. 전체 파이프라인은 단일 이미지 획득(노출 ≈ 2 s) → 즉시 CNN 처리(수 ms) 로 구성돼, 기존 69 s 대비 30배 이상의 속도 향상을 달성했다. 논문의 주요 기여는 (1) 물리‑학적 전처리를 통해 LED 가중치를 최적화함으로써 측정 정보와 복원 목표 사이의 상호정보량을 실질적으로 증가시킨 점, (2) 단일 복합 이미지만으로 다중 초점면을 정확히 복원하는 딥러닝 파이프라인을 구현한 점, (3) 이를 실제 살아있는 시료에 적용해 실시간 5‑초점 영상 획득을 입증한 점이다. 한계점으로는 LED 매트릭스 해상도와 밝기 단계 제한이 최적 가중치 구현에 제약을 주며, 현재 학습이 플라네라니드에 특화돼 있어 다른 조직이나 광학적 특성이 다른 시료에 대한 일반화가 필요하고, 5개의 초점면에만 최적화돼 있어 더 많은 깊이 샘플링을 원할 경우 추가 연구가 요구된다. 향후 연구에서는 다중 파장 LED, 비선형 광학 모델링, 전이학습을 통한 범용화, 그리고 실시간 3‑D 트래킹을 위한 연속 초점면 재구성 등을 탐색할 수 있다.