TransientTrack: 일시적 형광 신호를 활용한 암세포 다중 객체 추적 및 분류

초록

TransientTrack은 다채널 현미경 영상에서 시간에 따라 변동하는 형광 신호를 이용해 암세포를 실시간으로 검출·추적하고, 세포 분열(유사분열)과 사멸(아포토시스)을 자동으로 식별한다. 경량화된 딥러닝 기반 검출기(Deformable DETR)와 Transformer 디코더 임베딩을 매칭에 활용하고, ByteTrack 방식의 고·저신뢰도 두 단계 연관, Kalman Filter 보간을 결합해 누락된 트랙을 복구한다. 309개의 장시간 영상(총 28 000+ 세포 궤적)에서 높은 추적 정확도와 이벤트 검출 성능을 보였으며, 시스플라틴 처리에 따른 세포 증식 억제·사멸 지연을 정량화하였다.

상세 분석

본 논문은 기존 Cell Tracking Challenge(CTC) 데이터셋이 주로 단일 채널·정적 형광에 국한되고, 세포 사멸 이벤트를 다루지 못한다는 한계를 지적한다. 이를 극복하기 위해 저자들은 (1) 다채널·시간 변동형 형광 신호를 동시에 처리할 수 있는 검출 네트워크, (2) 검출 임베딩만으로 매칭을 수행하는 경량 트래킹 파이프라인, (3) 고신뢰·저신뢰 검출을 구분해 두 단계 매칭을 적용하는 ByteTrack 전략, (4) Kalman Filter 기반 보간으로 트랙 손실을 복구하는 방식을 통합하였다.

검출 단계에서는 Deformable DETR을 채택해 CNN 기반 피처 추출 뒤 Transformer 인코더‑디코더 구조를 사용한다. 디코더 출력은 두 개의 헤드(생존/사멸 분류, 바운딩 박스 회귀)와 함께 각 셀에 대한 임베딩을 제공한다. 이 임베딩은 셀의 형태·위치 정보를 내포하므로 별도 외형 특징을 설계할 필요가 없으며, 매칭 단계에서 Euclidean 거리와 L1 임베딩 거리의 가중합으로 유사도를 계산한다. 임계값 τ_sim을 통해 임베딩 일관성을 강제함으로써 세포 분열 시 급격히 변하는 형태에도 강인한 매칭을 구현한다.

매칭은 연속 프레임 사이에서 순차적으로 진행된다. 첫 번째 단계에서는 고신뢰도(det>τ) 검출을 기존 트랙에 연결하고, 두 번째 단계에서는 저신뢰도(det∈