세포 배양 타임랩스 영상 인식을 통한 세포 표현형 분류 및 군집화

타임랩스 영상으로부터 개별 세포의 형태(morphology), 행동(behavior) 등 변화를 추적(track)하고, 이로부터 세포 표현형(cell phenotype)을 정량적으로 분류 및 군집화(clustering)할 수 있습니다.

산업분야

도입비용

도입기간

발주처

타임랩스 영상 입력: 세포 배양 중 주기적으로 촬영한 타임랩스 영상을 수집하여 AI 모델에 입력합니다.
세포 검출 및 추적: AI 모델이 개별 세포를 인식하고, 시간에 따라 이동, 분열, 사멸 등을 추적합니다.
형태학적 및 행동학적 특징 추출: 세포의 모양(morphology)과 행동(behavior)을 추출하고 이를 특징 벡터(Feature Vector)로 변환합니다.
표현형 분류: 지도학습 기반 모델이 기존 정의된 세포 표현형(정상/비정상, 줄기세포/분화세포 등)을 자동으로 분류합니다.
표현형 군집화: 비지도학습 기반 모델이 세포 집단을 패턴별로 군집화(clustering)하여, 알려지지 않은 새로운 표현형을 발견합니다.
시각화 및 분석: 시간에 따른 세포 상태 변화를 매핑하여, 집단 동영학 분석을 진행하고, 조건별 차이 비교를 통해 실험군과 대조군 간 차이를 정량적으로 도출합니다.

Interactive SAM 기반 초기 마스크 라벨링 보조: 연구자가 일부 프레임에 마스크를 그려주면, SAM이 자동으로 유사 프레임에 마스크 확장/보정하여 라벨링 효율을 높입니다.
Albumentations 활용한 데이터 증강: 밝기 변화, 노이즈, 블러, 랜덤 회전/스케일/전단(shear) 등을 적용해 다양한 촬영 조건 강건성을 확보합니다.
ResNet-34 인코더 기반 U-Net 구조: ImageNet 사전학습된 ResNet-34를 인코더로 사용한 U-Net을 통해, 세포/배경 마스크를 픽셀 단위로 정밀하게 분할합니다.
추적(Tracking) + 특징 벡터 생성 모듈: 탐지된 각 세포를 시간 축 연결 추적하고, 모양(morphology), 속도, 이동 경로 등의 행동(feature)들을 특징 벡터로 추출합니다.
표현형 분류 및 비지도 군집화 결합: 기존 라벨(예: 정상/비정상 등)이 있을 경우 지도학습(예: MLP, Random Forest 등)으로 분류하고, 라벨이 없는 경우 클러스터링(KMeans, HDBSCAN, UMAP + DBSCAN 등)을 통해 숨겨진 표현형을 탐색합니다.

세포 검출 및 분류 정확도(mAP)

세포 세그멘테이션 정확도(mIoU)

처리 속도

전통적 수작업 판독 대비 AI 기반 세포 검출 정확도는 90–95%에 해당합니다.
세포 분류 정확도도 충분한 학습 데이터셋 확보 시 90% 이상 도달 가능합니다.

세포 100개를 추적하고 분류하는 데 수 시간 이상 소요되었던 기존 공정을 효율적으로 개선하여, 영상 1프레임 내 수천 개 세포를 수초~수분 이내 분석함으로써 100배 이상 고처리량 분석이 가능합니다.

군집화(clustering) 기법을 통해 기존 라벨링이 없는 세포 집단을 자동으로 분류함으로써 새로운 세포 표현형을 발견하는 데 기여할 수 있습니다.
특히 분화 과정 중 중간 단계(sub-phenotype) 같은 새로운 세포 상태를 발견할 가능성이 높습니다.

조건별 세포 행동 차이를 실시간 모니터링하여 조기 종료 기준을 설정할 수 있습니다. 이를 통해 불필요한 배양이나 촬영 횟수를 줄여 연구 회전율(throughput)을 개선할 수 있습니다.

문의 남기기