현미경 영상 기반 혈액 세포 자동 검출 및 계수를 위한 딥러닝 솔루션

초록

본 논문은 마이크로플루이딕 포인트오브케어 디바이스에 적용 가능한 혈액 백혈구 자동 검출·계수를 위해 Faster RCNN과 전이학습을 활용한 방법을 제안한다. 실험 결과, 기존 영상 처리 기반 기법에 비해 높은 정확도와 실시간에 근접한 처리 속도를 달성했으며, 현장 진단에 필요한 신뢰성 있는 셀 카운팅을 가능하게 함을 보였다.

상세 분석

이 연구는 현미경 영상에서 백혈구를 정확히 식별하고 수량화하기 위해 최신 객체 검출 프레임워크인 Faster RCNN을 기반으로 설계되었다. 먼저, 마이크로플루이딕 채널을 통해 얻은 고해상도 영상 데이터를 라벨링하여 학습용·검증용 데이터셋을 구축했으며, 세포의 크기·형태·색상 변동성을 고려해 데이터 증강(회전, 밝기 조절, 잡음 추가)을 적용했다. 전이학습 단계에서는 ImageNet‑pretrained backbone인 ResNet‑101을 초기 가중치로 사용하고, COCO 데이터셋에서 사전 학습된 RPN(Region Proposal Network)을 그대로 가져와 도메인 차이를 최소화하였다. 이후, 백혈구 특유의 작은 영역과 높은 밀집도를 반영하기 위해 앵커 박스 스케일을 미세 조정하고, IoU 임계값을 0.5에서 0.6으로 상향 설정해 false positive를 억제했다. 학습은 SGD 옵티마이저와 0.001의 학습률, 0.9의 모멘텀로 30 epoch 동안 진행했으며, 조기 종료와 학습률 스케줄링을 통해 과적합을 방지하였다. 평가 지표로는 평균 정밀도(mAP), Recall, F1‑Score, 그리고 초당 프레임 처리량(FPS)을 사용했으며, mAP 0.92, Recall 0.94, FPS 12를 기록해 기존 전통적 이미지 처리 파이프라인(예: Threshold‑based segmentation)의 mAP 0.78, FPS 4와 비교해 현저히 우수한 성능을 보였다. 또한, 셀 겹침(overlap)이나 흐림(blurring) 현상이 있는 경우에도 RPN이 후보 영역을 충분히 포착해 검출률을 유지했으며, 오류 원인 분석을 통해 라벨링 불일치와 조명 변화가 남은 오차 요인임을 확인했다. 한계점으로는 고해상도 영상에 대한 메모리 요구량이 크고, 실시간 임베디드 환경에서의 최적화가 필요함을 들 수 있다. 향후 경량화 모델(YOLOv5, EfficientDet)이나 Vision Transformer 기반 검출기로 전환하고, 도메인 적응(Domain Adaptation) 기법을 도입하면 다양한 현장 조건에서도 안정적인 성능을 기대할 수 있다.