다중염색 조직 슬라이드 자동 정합 품질 평가 프레임워크

초록

본 논문은 H&E와 IHC 전처리된 전슬라이드 이미지(WSI) 쌍의 정합 품질을, 별도 정답(ground‑truth) 없이 빠르고 무감독으로 평가하는 URQA(framework)를 제안한다. 저해상도 조직 마스크와 변형 필드(디포메이션) 정보를 각각 전역 구조 일치도와 국부 변형 현실성을 측정하는 지표로 활용하고, 이들을 통합해 0~3 점의 정합 점수를 산출한다. 300쌍의 실험 데이터와 두 명의 병리전문가 평가를 통해 자동 점수가 전문가 판단과 높은 상관관계를 보이며, 메모리·시간 효율성도 뛰어남을 입증한다.

상세 분석

이 연구는 디지털 병리학에서 다중염색(멀티스테인) 전슬라이드 이미지(WSI)의 정합 품질을 객관적으로 판단할 수 있는 방법이 부족하다는 문제점을 인식하고, 두 가지 보완적인 관점을 결합한 새로운 프레임워크 URQA(Unsupervised Registration Quality Assessment)를 설계하였다. 첫 번째 모듈인 마스크 기반 RQA(MRQA)는 Otsu 임계값과 형태학적 연산을 통해 H&E와 IHC 이미지에서 저해상도 이진 조직 마스크(M_f, M_r)를 생성한다. 이후 Intersection‑over‑Union(IoU), Mean Absolute Error(MAE), 그리고 세 가지 히스토그램 유사도(피어슨 상관, 히스토그램 겹침, 코사인 유사도) 중 최댓값을 선택해 HC를 계산한다. 이 세 지표는 각각 전역 구조 겹침, 평균 오차, 그리고 전체 조직 분포의 일치를 정량화한다. 사전 정의된 임계값(예: IoU≥0.80, MAE≤0.07, HC≥0.80 등)을 만족하면 점수 3(Excellent)부터 0(Fail)까지 4단계로 구분한다.

두 번째 모듈인 변형 기반 RQA(DRQA)는 정합 과정에서 생성된 변형 필드 φ(x)=x+u(x)를 저해상도 레벨에서 추출한다. 여기서 변위 크기 M(x)와 방향 Θ(x)의 표준편차가 각각 IQR(M)·σ_M, IQR(Θ)·σ_Θ보다 작을 경우 일관된 변형이라고 판단한다. 또한 Jacobian determinant J(x)를 계산해 평균이 1에 가깝고 표준편차<0.25, 음수 비율<1.5%이면 물리적으로 타당한 변형으로 간주한다. 마지막으로 Gaussian 스무딩을 적용한 후 잔차 R(x)를 구해 평균·표준편차가 IQR(R)보다 작을 경우 매끄러운 변형이라고 평가한다. 위 다섯 가지 조건을 만족하면 점수 3, 네 개면 2, 세 개면 1, 그 이하면 0을 부여한다.

전체 품질 점수 Q는 MRQA와 DRQA 중 하나라도 0이면 즉시 Fail(0)으로 처리하고, 둘 다 1~3 범위에 있으면 높은 쪽 점수를 최종 점수로 채택한다. 이렇게 함으로써 전역 구조 정렬이 부실하거나 변형이 비현실적일 경우 자동으로 배제한다.

실험은 300쌍의 H&E‑IHC 슬라이드(다양한 마커: HER2, cMET, EGFR, PD‑L1)를 대상으로 진행되었으며, V‑ALIS 모델을 이용해 정합을 수행하였다. 33쌍을 두 명의 전문가(E‑1, E‑2)가 시각적으로 평가한 결과, URQA는 이진 Pass/Fail 구분에서 가장 낮은 False Positive와 높은 True Negative 비율을 보였고, 다중 등급(0~3)에서도 전문가와 높은 일치도를 기록했다. 정량적으로는 평균 Precision 0.87, Recall 0.82, F1 0.83을 달성했으며, MRQA와 DRQA 각각 단독 사용 시보다 통합 점수가 더 안정적이었다. 연산 측면에서는 512×512 해상도 기준 MRQA 4.3 s, DRQA 6.3 s, 전체 URQA 10.75 s에 불과해 대규모 병리 데이터베이스에 실시간 적용이 가능함을 증명한다.

이 프레임워크는 (1) 색상·텍스처 차이에 강인한 마스크 기반 전역 정렬 평가, (2) 변형 필드의 물리적 타당성을 검증하는 로컬 정밀도 평가, (3) GT 없이도 전문가와 유사한 판단을 제공하는 점에서 기존의 랜드마크 기반 혹은 단일 강도 지표 방식보다 월등히 실용적이다. 다만, 변형 필드가 매우 큰 경우(예: 20× 확대에서의 과도한 변형)와 같이 고해상도 세부 구조가 중요한 상황에서는 추가적인 고해상도 검증이 필요할 수 있다. 향후 연구에서는 딥러닝 기반 마스크 자동 생성, 변형 필드의 다중 스케일 분석, 그리고 다양한 조직 유형(예: 신경 조직, 혈관 조직)으로의 일반화 검증을 통해 프레임워크의 범용성을 확대할 여지가 있다.