선형 클러스터링으로 박테리아 개별 세포를 자동 분할하는 LCuts

** 본 논문은 고밀도 바이오필름 이미지에서 개별 박테리아 세포를 정확히 분할하기 위한 새로운 방법인 **LCuts (Linear Cuts)** 를 제안한다. 기존의 워터셰드, 레벨셋, 밀도 기반 클러스터링 등은 세포 간 경계가 흐릿하고 강도 불균일성이 심한 경우에 한계가 있었다. 저자들은 이러한 문제를 **데이터 클러스터링** 문제로 전환하고, 세포 중심을 나타내는 로컬 최대점들을 **노드** 로 간주한다. ### 1. 서론 및 배경 바이오필름은 전기·보건 분야에서 중요한 연구 대상이며, 개별 세포의 형태·위치·접촉 정보를 얻는 것이 핵심이다. 그러나 현미경 해상도의 한계와 세포 간 겹침, 강도 변동 때문에 기존 세분화 기법은 정확도가 낮다. 특히 3‑D 시계열 이미지에서는 세포 성장·분열을 동시에 추적해야 하는 추가적인 복잡성이 존재한다. ### 2. 관련 연구 - **워터셰드**: 강도 경사에 의존하지만 강도 불균일에 취약. - **Hough 변환**: 직선 검출에 강하지만 교차·오버랩을 구분하기 어려움. - **밀도 기반 클러스터링 (DBSCAN, DensityClust)**: 비구형 군집을 탐지하지만 선형 군집을 정확히 구분하지 못한다. - **기존 3‑D 트래킹**: 높은 대비와 사전 정의된 세포 크기에 의존한다. ### 3. LCuts 알고리즘 설계 #### 3.1 전처리 및 노드 추출 1) 원본 이미지를 가우시안 필터링하여 잡음 감소. 2) 배경을 추정·제거해 신호 대비 향상. 3) 로컬 최대점(리젤라인) 검출 후, 이웃이 없거나 중복된 점을 제거해 최종 노드 집합을 만든다. #### 3.2 그래프 구성 - **노드 특징**: 위치(nodeLoc)와 다중 홉 이웃을 이용한 다수결 투표로 얻은 주축 방향(nodeDir). - **인접 행렬** wᵢⱼ = w_distance·w_direction·w_intensity 로 정의. - *거리 가중치*: Dᵢⱼ ≤ r (최대 세포 길이) 일 때 가우시안 형태, 초과 시 0. - *방향 가중치*: 두 노드의 주축 사이 코사인 차이를 이용해 가우시안 형태. - *강도 가중치*: 두 노드를 연결하는 이미지 경로상의 최소 강도를 추출, 사전 정의된 임계값보다 낮으면 해당 값, 아니면 1. #### 3.3 이분 그래프 컷 및 재귀 분할 정규화 그래프 파티션(Ncut) 기반의 이분 컷을 수행해 두 개의 서브 그래프를 만든다. 각 서브 그래프에 대해 **크기 제한(sizeLimit)** 과 **선형성 검증(linearity)** 두 가지 종료 조건을 확인한다. - *크기 제한*: 노드 수가 사전에 정의된 최대 세포 길이 이하이면 잠재적 세포 군집으로 간주. - *선형성 검증*: (1) 최소 제곱 직선에 대한 표준편차, (2) 군집 내부 강도 변화, (3) 이심률(eccentricity) 검사를 통과하면 선형 군집으로 확정. 조건을 만족하지 못하면 해당 서브 그래프에 대해 다시 그래프를 구성하고 이분 컷을 적용한다. 이렇게 재귀적으로 진행해 모든 노드가 최종 군집에 할당될 때까지 반복한다. #### 3.4 파라미터 설정 및 자동화 LCuts는 군집 수를 사전에 지정할 필요가 없으며, 거리·방향·강도 가중치와 sizeLimit, distLimit, eccLimit 정도만 사전 생물학적 지식(예: 최대 세포 길이)으로 설정한다. ### 4. 실험 및 결과 #### 4.1 2‑D 데이터 Airyscan 현미경으로 촬영한 10개의 바이오필름 이미지(각 이미지당 250~600 노드, 20~60 세포)에서 LCuts, DensityClust, Single Cell Tracking(SCT) 세 방법을 비교하였다. 파라미터는 각 방법에 최적화되도록 조정하였다. - **그룹화 정확도(GAcc)**: LCuts 평균 91.6 % (최고 95.9 %). - **카운팅 정확도(CAcc)**: LCuts 평균 91.2 % (최고 95.1 %). 두 지표 모두 기존 방법보다 최소 4 % 이상 우수하였다. 특히 교차·오버랩이 많은 영역에서 LCuts는 선형성을 유지하며 군집을 정확히 구분했다. #### 4.2 3‑D 데이터 라이트시트 현미경으로 얻은 3‑D 점 구름 데이터를 사용해 LCuts를 적용하였다. 수동 라벨링된 3‑D 세포 중심과 비교했을 때 **카운팅 정확도 97 %**, **그룹화 정확도 90 %**를 달성하였다. 이는 LCuts가 2‑D와 3‑D 모두에서 강인하게 작동함을 보여준다. #### 4.3 한계 및 오류 사례 - **비선형 점 구름**: 일부 세포가 비선형 형태로 검출되면 군집이 잘못 분할될 수 있다. - **파라미터 민감도**: σ_D, σ_T, thresh 값이 데이터 특성에 따라 달라져 자동 튜닝이 필요하다. - **시간 연속성**: 현재는 정적 이미지에 초점을 맞추고 있어, 4‑D(시간 포함) 데이터에 대한 연속 추적은 추가 연구가 요구된다. ### 5. 결론 및 향후 연구 LCuts는 **그래프 기반 선형 클러스터링**이라는 새로운 접근법으로, 고밀도 바이오필름 이미지에서 개별 박테리아를 자동으로 분할한다. 기존 워터셰드·밀도 기반 방법보다 높은 정확도를 보이며, 2‑D와 3‑D 모두에 적용 가능하다. 또한, 세포 위치·방향·접촉점 정보를 정량적으로 제공함으로써 세포 간 상호작용 분석에 활용될 수 있다. 향후 연구에서는 파라미터 자동 최적화, 잡음에 강인한 노드 검출, 그리고 시간에 따른 세포 성장·분열을 추적하는 4‑D 확장에 초점을 맞출 예정이다. **