다중 뇌 조직 이미지 분석을 위한 시각 검색 엔진 mViSE

초록

mViSE는 프로그래밍 없이도 복잡한 다중 면역조직화학 뇌 조직 이미지를 분석할 수 있는 쿼리 기반 시각 검색 엔진입니다. 분할 정복 전략으로 관련 분자 마커 패널을 구성하고, 자기 지도 학습으로 각 패널의 특징을 학습합니다. 사용자는 관심 세포나 조직 영역을 지정하면, 정보 이론적 방법을 통해 유사한 세포 군집이나 다세포적 니치를 검색하고, 뇌 영역 및 피질 층을 구분하거나 비교 분석할 수 있습니다. 오픈소스 QuPath 플러그인으로 제공됩니다.

상세 분석

mViSE의 핵심 기술 혁신은 고차원 다중 채널 이미지 분석의 복잡성을 ‘분할 정복’ 전략과 특화된 다중 패널 인코더를 통해 해결한 점에 있습니다. 기존 CBMIR 시스템이 흑백 또는 RGB 이미지에 국한된 반면, mViSE는 수십 개 채널을 가진 다중 형광 이미지를 처리합니다. 이를 위해 사용자가 정의한 생물학적 기능별 마커 패널(예: 신경아교세포 패널, 혈관 패널)로 데이터를 조직화하고, 각 패널마다 별도의 Vision Transformer 기반 인코더를 학습시킵니다. 이는 모든 채널을 한꺼번에 처리할 때 발생하는 노이즈 누적과 불안정성을 방지합니다.

인코더 학습은 레이블이 없는 비지도 방식으로 진행되지만, 사람 재식별 분야에서 영감을 받은 클러스터-대조 학습과 삼중항 손실 함수를 도입하여 시각적 유사성에 기반한 의미 있는 임베딩 공간을 구축합니다. 특히 BEiTv3 기반 모델을 초기화하고 Efficient Channel Attention 모듈을 추가해 관련 채널에 가중치를 부여합니다. 학습 성공 여부는 생성된 의사 레이블 맵을 통해 뇌의 세포구조가 시각적으로 명확히 포착되는지로 직접 확인 가능해, ‘블랙박스’ 문제를 완화합니다.

쿼리 단계에서는 여러 패널의 인코딩을 정보이론적 커뮤니티 탐지 알고리즘(InfoMap)과 k-최근접 이웃 그래프를 결합한 계층적 전략으로 통합합니다. 이는 데이터 불균형(큰 뇌 영역 대비 작은 영역) 속에서도 소수 군집을 보존하는 데 효과적입니다. 결과적으로 사용자는 복잡한 프로그래밍 파이프라인 구축 없이, 직관적인 시각 쿼리를 통해 단일 세포부터 조직 패치, 뇌 영역에 이르는 다양한 수준에서 유사한 패턴을 탐색 및 프로파일링할 수 있는 새로운 패러다임을 제시합니다.