ISSN 2383-630X(Print) / ISSN 2383-6296(Online)

Journal of KIISE, Vol. 42, No. 10, pp. 1239-1246, 2015. 10

http://dx.doi.org/10.5626/JOK.2015.42.10.1239

․본 논문은 소기업청에서 지원하는 2014년도 산학연 력 기술개발사업(No.

201402570001)의 연구수행으로 인한 결과물임을 밝힙니다.

논문 수 : 2015년 6월 29일

(Received 29 June 2015)

논문수정 : 2015년 7월 29일†

††

†††

학생회원

비 회 원

종신회원

:

:

:

한밭 학교 컴퓨터공학

minyoung@hanbat.ac.kr

한밭 학교 생명 상융합연구센터

jhohpark@yahoo.com

anicross@hanmail.net

shin.sangmo@gmail.com

한밭 학교 컴퓨터공학 교수(Hanbat National Univ.)

bean@hanbat.ac.kr

(Corresponding author임)

(Revised 29 July 2015)

심사완료 : 2015년 7월 30일

(Accepted 30 July 2015)

CopyrightⒸ2015 한국정보과학회ː개인 목 이나 교육 목 인 경우, 이 작물

의 체 는 일부에 한 복사본 혹은 디지털 사본의 제작을 허가합니다. 이 때,

사본은 상업 수단으로 사용할 수 없으며 첫 페이지에 본 문구와 출처를 반드시

명시해야 합니다. 이 외의 목 으로 복제, 배포, 출 , 송 등 모든 유형의 사용행

를 하는 경우에 하여는 사 에 허가를 얻고 비용을 지불해야 합니다.

정보과학회논문지 제42권 제10호(2015. 10)

세포막 추출과 역추 알고리즘 기반의 HeLa 세포 이미지 자동 셀 카운 기법

(Automated Cell Counting Method

for HeLa Cells Image based on Cell Membrane Extraction

and Back-tracking Algorithm)

경 민† 박 정 호

†† 김 명 구

†† 신 상 모

†† 이 빈

†††

(Minyoung Kyoung) (Jeong-Hoh Park) (Myoung gu Kim) (Sang-Mo Shin) (Hyunbean Yi)

요 약 셀 카운 은 세포의 성장을 분석하는 방법으로써 생물학연구에서 가장 많이 사용된다. 최근까지

도 다양한 자동 셀 카운 기법이 제안되고 있지만 암세포와 같이 분열 속도가 빠르고 군집하려는 성질을

갖는 세포들은 분리 검출이 쉽지 않아 세포 이미지 분석을 통하여 셀 카운 의 신뢰도를 높이기가 어렵

다. 본 논문에서는 암 연구의 연구재료로 매우 보편 으로 사용되는 HeLa 세포 이미지 분석을 이용한 자동

셀 카운 방법을 제시한다. 세포막 추출 기반의 세포 분할 알고리즘을 통하여 세포의 형태 상황을 구분

하고, 세포 간 경계가 희미한 세포군집 내의 세포 분할을 하여 역추 알고리즘을 사용함으로써 셀 카운

정확도를 높인다. 실험을 통하여 제안하는 세포 분할 알고리즘이 기존의 세포 분할 알고리즘에 비해 정

확함을 입증하 고, 결과 으로 매우 높은 자동 셀 카운 정확도를 얻을 수 있음을 확인하 다.

키워드: HeLa 세포, 셀 카운 , 세포 분할, 세포막 추출, 역추

Abstract Cell counting is extensively used to analyze cell growth in biomedical research, and as

a result automated cell counting methods have been developed to provide a more convenient and means

to analyze cell growth. However, there are still many challenges to improving the accuracy of the cell

counting for cells that proliferate abnormally, divide rapidly, and cluster easily, such as cancer cells.

In this paper, we present an automated cell counting method for HeLa cells, which are used as

reference for cancer research. We recognize and classify the morphological conditions of the cells by

using a cell segmentation algorithm based on cell membrane extraction, and we then apply a cell

back-tracking algorithm to improve the cell counting accuracy in cell clusters that have indistinct cell

boundary lines. The experimental results indicate that our proposed segmentation method can identify

each of the cells more accurately when compared to existing methods and, consequently, can improve

the cell counting accuracy.

Keywords: HeLa cells, Cell counting, Cell segmentation, Cell membrane extraction, Back-tracking

1240 정보과학회논문지 제42권 제10호(2015. 10)

1. 서 론

생물학 연구에서 암 세포의 성장 분열 분석은 약

물의 효능, 치료법의 효용성을 입증하기 하여 매우

요하다. 암 세포 분석 , 세포의 개수를 세는 셀 카운

은 암 세포의 성장과 분열을 분석하는 척도로써 가장

많이 사용된다. 일정한 시간 간격으로 촬 한 세포 이미

지로부터 시간에 따라 변화하는 세포의 수를 악하여

투여한 약물의 효과를 테스트한다. 과거의 셀 카운 은

생물학자들에 의해 수작업으로 이루어져왔으며, 매우 많

은 시간과 노력을 필요로 한다. 한, 측정하는 생물학

자에 따라 세포 간 경계 선정을 다르게 할 수 있기 때

문에 결과가 매우 주 이라는 문제 이 있다. 이러한

문제 을 해결하기 하여, 최근에는 컴퓨터 비젼 기반

의 자동 셀 카운 기법이 연구되고 있으며, 이러한 기

술을 도입함으로써 생물학자들은 실험 시간을 단축시키

고 셀 카운 의 정확도를 높일 수 있다.

본 논문에서는 암 연구의 연구재료로 매우 보편 으

로 사용되는 HeLa 세포를 다룬다[1]. 일반 으로 세포

이미지의 종류는 사용하는 미경에 따라 크게 형

미경 세포 이미지와 학 미경 세포 이미지로 나 수

가 있으며, 그림 1에서 보이는 것과 같다. 형 미경

세포 이미지는 일반 으로 흡 염료 혹은 DAPI(4’,6-

diamidino-2-phenylindole)를 사용하여 인 인 염색

을 시킨 세포를 형 미경으로 촬 한 세포 이미지로

써 세포의 상태에 따라 발 하는 색이 달라지기 때문에

세포를 검출하기가 비교 수월하고 단순하다. 반면에,

학 미경 세포 이미지는 학 미경으로 촬 한 그

이 스 일의 세포 이미지로써, 찰하려는 세포에 인

인 향을 주지 않기 때문에 세포의 오염 발생빈도가

비교 다.

하지만 세포 이미지 내에서 세포 간의 경계가 비교

뚜렷하지 않기 때문에 정확한 세포 검출에 어려움이 있

으며, 그 에서도 HeLa 세포는 매우 빠르게 분열하면

서 성장하고 쉽게 세포군집(cell cluster)을 형성하기 때

(a) (b)

그림 1 (a) 형 미경 HeLa 세포 이미지, (b) 학

미경 HeLa 세포 이미지

Fig. 1 (a) Fluorescence microscope HeLa cells image,

(b) Optical microscope HeLa cells image

(a) (b) (c)

그림 2 (a) 단일 세포, (b) 세포 간 경계가 뚜렷한 세포

군집, (c) 세포 간 경계가 희미한 세포군집

Fig. 2 (a) Single cell, (b) Cell cluster with distinct

boundary lines, (c) Cell cluster with indistinct

boundary lines

문에 기존에 제안된 학 미경 세포 이미지 기반의 세

포 검출 기법으로는 세포군집 내에서의 각각의 세포를

검출하는 것이 매우 어렵다.

본 논문에서는 학 미경으로 촬 한 HeLa 세포 이

미지를 상으로 수행하는 자동 셀 카운 기법을 제안

한다. HeLa 세포는 세포 각각의 형태가 다르고 세포군

집을 구성하려는 생물학 성질이 있기 때문에, 각 세포

의 경계를 찾기가 매우 어렵다. 이러한 문제를 해결하기

하여 본 논문에서는 HeLa 세포의 세포막(cell mem-

brane)을 정확하게 추출하고, 이를 기 으로 세포를 분

할하는 알고리즘을 제시한다. HeLa 세포가 뭉쳐있는 정

도에 따라 각 세포막의 형태가 달라지므로, 이를 고려하

여 그림 2와 같이 세포의 형태 상황을 단일 세포, 세

포 간 경계가 뚜렷한 세포군집, 세포 간 경계가 희미한

세포군집으로 구분하 다. 기본 으로 세포 이미지 체

에 세포막 추출 알고리즘을 용하여 세포를 분할하지

만, 세포 간 경계가 희미한 세포군집의 경우에는 해당

역의 세포막이 뚜렷하게 보이지 않기 때문에 각 세포

를 분할하기가 매우 어렵다. 이러한 문제를 보완하기

하여, 본 논문에서는 time-lapse image(시간 경과 이미

지)를 이용하여 과거의 세포 움직임을 참고로 세포의

개수를 세는 역추 알고리즘을 사용하여 보다 정확한

셀 카운 을 수행하도록 한다.

2. 련 연구

기존에 제안된 자동 셀 카운 기법은 크게 단일 이

미지 내에서 세포를 분할 검출함으로써 세포의 개수

를 세는 세포 분할 기반의 자동 셀 카운 기법과 time-

lapse image상에서의 세포의 이동을 분석함으로써 세포

의 개수를 세는 세포 이동 분석 기반의 자동 셀 카운

기법으로 나 수가 있다.

세포 분할 기반의 자동 셀 카운 기법은 크게 경계선

검출[2,3], 모폴로지 분석[4-7], Active Contours[8-10]

으로 나 수가 있다. 경계선 검출은 Sobel, Canny와

같은 기존의 경계선 검출기를 사용하여, 세포의 경계선

세포막 추출과 역추 알고리즘 기반의 HeLa 세포 이미지 자동 셀 카운 기법 1241

을 검출하는 방식이며, 모폴로지 분석은 효모 세포와 같

이 일정한 모양의 세포의 형태 특징을 미리 추출하여

세포를 검출하는 방식이다. Active Contours는 원 이미

지와 입력 이미지의 픽셀변화량 이미지 각각의 윤곽선

들을 첩시켜 세포의 경계선을 검출하는 방식으로, 이

와 같이 기존에 제안된 세포 분할 기반의 자동 셀 카운

기법의 부분은 세포의 모양이 복잡하거나 일정하

지 않을 경우에 검출의 신뢰성을 높이기 한 추가 인

아이디어가 필요하다. 한, 세포의 외곽선 검출에만

이 맞춰있어, 세포가 세포군집을 구성할 경우 이를 정

확하게 분할하여 검출하는 것이 매우 어렵다. 이러한 문

제를 해결하기 하여 Concavity Detection[11,12], Water-

shed Transform [3,13,14]과 같은 알고리즘을 이용하여

세포군집을 분할하는 기법이 제안되었지만, Concavity

Detection은 세포군집의 경계선이 오목한 형태를 가지

는 concavity model에만 용되는 매우 제한 인 기법

이며, Watershed Transform은 seed 기화에 따라 검

출 결과가 매우 달라지며, 픽셀의 변화가 작은 역도

독립된 개별 역으로 분할함으로써 발생되는 과분할

문제를 가지고 있다.

세포 이동 분석 기반의 자동 셀 카운 기법은 연속

된 임 간의 세포의 움직임을 추 하여, 세포 이미지

내의 배경 혹은 잡음으로부터 잠재 세포 객체를 식별

해냄으로써 세포의 개수를 세는 방법으로 크게 Sequ-

ential Tracking[15], Model-based Tracking[16,17],

Detection-based Association[18], ROI(Region of interest)

Analysis[19] 등으로 나 수 있다. Sequential Trac-

king은 베이지안(Bayesian) 확률에 기반하여 다 객체

를 추 하지만, 연산 복잡도가 매우 높아 세포의 개수가

많을 경우, 각각의 세포를 추 하려면 매우 많은 시간이

필요하다. Model-based Tracking은 각 객체마다 이동

모델을 생성 수정하여 이동 경로를 분석하는 방법이

며, 일반 으로 세포의 경우에는 사 에 세포 이동 모델

을 생성하기가 매우 어렵기 때문에, 이를 용하여 셀

카운 을 수행하는 것은 합하지 않다. Detection-

based Association은 특징 을 이용하여 객체를 검출

하고, 임 간의 객체의 치를 통계 으로 분석하여

객체의 궤도를 알아내는 방법이다. 하지만 통계 데이터

들의 연 성 분석에 많은 어려움을 가지며, 때로는 사람

이 직 통계 데이터를 입력하는 작업이 필요하다. ROI

analysis는 이미지 내에 ROI를 생성하고, 해당 ROI 내

에서의 단일 세포의 입, 출력을 측정한다. 하지만, ROI

analysis를 포함한 기존에 제안된 세포 이동 분석 기반

의 자동 셀 카운 기법은 부분 단일 세포에만 용

이 가능하며, 세포가 뭉쳐 세포군집을 구성할 경우에는

해당 기법을 용할 수가 없다는 한계 을 가지고 있다.

3. 제안하는 자동 셀 카운 알고리즘

본 논문에서 제안하는 자동 셀 카운 은 그림 3과 같

이 크게 세포 분할과 세포 카운트 단계로 나 수 있다.

기존의 세포 분할 기반의 알고리즘은 픽셀변화량이 높

은 역만을 기 으로 경계선 검출, Active Contours

검출을 수행하 기 때문에, 세포군집 내의 정확한 세포

분할을 수행하지 못하 다. 본 논문에서는 이러한 문제

을 개선하기 해, HeLa 세포의 이미지 특성 분석 결

과를 기반으로 세포막을 추출함으로써 세포군집 내의

정확한 세포 분할을 수행한다. 세포 카운트 단계에서는

앞서 기술한 것과 같이 세포를 형태 상황에 따라 단

일 세포, 세포 간 경계가 뚜렷한 세포군집, 세포 간 경

계가 희미한 세포군집으로 구분하여 세포의 개수를 센

다. 단일 세포와 세포 간 경계가 뚜렷한 세포군집의 경

우에는 본 논문이 제안하는 세포막 추출 알고리즘을 이

용하여 정확한 세포 분할 수행이 가능하지만, 세포 간

경계가 희미한 세포군집의 경우에는 단일 이미지만을

이용하여 정확한 분할이 매우 어렵기 때문에, time-

lapse image 기반의 역추 알고리즘을 용하여 보다

정확한 셀 카운 을 수행한다.

그림 3 제안하는 자동 셀 카운 기법의 블록 다이어그램

Fig. 3 Block diagram of the proposed automated cell

counting method

3.1 세포 분할 단계

그림 4(a)는 일반 인 HeLa 세포 이미지를 나타내며,

본 논문에서는 HeLa 세포 이미지의 특징을 크게 2가지

로 구분하 다. i) 각 세포는 비교 밝은 세포막으로

둘러싸여 있다. ii) 각 세포의 내부(즉, 세포질)는 배경에

1242 정보과학회논문지 제42권 제10호(2015. 10)

(a) (b)

(c)

그림 4 (a) HeLa 세포 이미지, (b) 픽셀변화량 이미지,

(c) 픽셀변화량 히스토그램

Fig. 4 (a) HeLa cells image, (b) Gradient magnitude image,

(c) Gradient magnitude histogram

비해 픽셀변화량이 매우 높다. 그림 4(b)는 HeLa 세포

이미지의 픽셀변화량을 표 한 이미지이며, 그림 4(c)는

세포와 배경 간의 픽셀변화량 히스토그램을 보여 다.

히스토그램에서 보이는 것처럼 배경 역은 픽셀변화량

이 매우 낮은 반면에, 세포 역은 치에 따라 픽셀변

화량이 다양하다는 특징이 있다. 따라서 본 논문에서는

상기의 특징을 이용하여 세포와 배경 분할, 세포막 추출

을 수행한다. 하지만 세포가 뭉쳐있는 정도에 따라, 각

세포막의 픽셀 값이 달라질 수가 있기 때문에, 이러한

을 고려한 세포막 추출 알고리즘이 필요하다.

제안하는 세포 분할 기법은 그림 3과 같이, 크게 세포

와 배경 분할, 세포막 추출, 세포막 추출 보완, 세포질

(Cytoplasm) 추출 단계로 구성되어있으며, 각 단계는

앞서 기술한 HeLa 세포 이미지가 가지는 일반 인 특

성을 활용하여 수행한다. 먼 세포와 배경 분할 단계에

서는 세포와 배경 간의 픽셀변화량의 차이를 활용하

다. 본 논문에서는 일반 으로 많이 사용되는 Sobel 연

산자를 이용하여 픽셀변화량을 구하 으며, 해당 단계는

그림 5(b)와 같이 수행된다. 앞서 기술한 것처럼 세포막

역은 다른 역보다 밝기 때문에, 비교 높은 픽셀

값을 가지고 있다. 따라서 세포막을 추출하기 해서는

(a) HeLa cells image (b) Cell & Background Segmentation

(c) Cell Membrane Extraction

(d) Cell Membrane Compensation

(e) Cytoplasm Extraction

그림 5 (a) HeLa 세포 이미지(750×550 pixel), (b to e) 세포

분할 수행 결과 이미지

Fig. 5 (a) HeLa cells image (750×550 pixel), (b to e) resul-

ting images obtained in each of the steps

다른 역의 표 값을 설정한 후, 이보다 높은 값을 기

으로 세포막 추출을 수행해야 한다. 본 논문에서는 세포

막을 제외한 다른 역의 표 값으로써 픽셀 값의 변화

량이 은 배경 역의 평균 픽셀 값을 기 으로 이보다

높은 값을 세포막 추출 임계값으로 설정하 으며, 이를

이용하여 그림 5(c)와 같은 세포막 골격 이미지를 구할

수가 있다. 하지만, 부분 으로 추출된 픽셀 역은 세포

막 역이 아닐 가능성이 있기 때문에, 해당 역을 제거

할 필요가 있으며, 본 논문에서는 생물학자들이 실험 으

로 단하여, 비가 30 픽셀 이하의 역을 제거하 다.

세포막 골격 이미지는 세포막 추출 임계값보다 높은 픽

셀만을 상으로 추출하 기 때문에, 세포막 추출이 완

하지 않으며, 이를 보완하기 한 작업이 필요하다. 세포

막 추출 보완 단계에서는 세포 역을 상으로 세포막

추출 임계값을 내려가며 세포막을 추출하며, 그림 6에서

보이는 것과 같이 수행된다. 해당 단계는 세포막 추출 임

계값이 배경 역의 표 값과 동일해질 때까지 반복 으

로 수행되며, 해당 단계의 수행 결과는 그림 5(d)와 같다.

그림 5(d)와 같이 세포막 추출 이미지를 얻으면, 해당

세포막 추출과 역추 알고리즘 기반의 HeLa 세포 이미지 자동 셀 카운 기법 1243

그림 6 세포막 수정 단계

Fig. 6 Cell Membrane Compensation Step

(a) (b) (c) (d)

그림 7 역추 알고리즘 수행 시

Fig. 7 An example of the Back Tracking algorithm

이미지와 앞서 수행한 세포와 배경 간의 분할 이미지간

의 차 연산을 통해 그림 5(e)와 같이 세포질을 추출해

낼 수가 있으며, 각 세포질은 분할된 세포를 의미한다.

하지만, 세포군집 내에 정확한 세포막 추출 수행이 되지

않은 역(즉, 세포막 추출 이미지에서 폐곡선이 아닌

역)은 세포 분할이 정확히 수행되지 않은 역으로써

세포질 추출 이미지에서는 분리된 세포끼리 조 씩 연

결되어있는 형태로 존재하며, 이는 세포 간 경계가 희미

한 세포군집으로써 이후 세포 카운트 단계에서 time-

lapse image 기반의 역추 알고리즘을 이용하여 해당

역을 고려한 셀 카운 을 수행한다.

3.2 세포 카운트 단계

일반 으로 한 cell well plate내의 세포는 동시에 배

양되며, 이를 주기 으로 찰하기 때문에, 한 cell well

plate내의 세포들의 크기가 비슷하다. 이러한 이유로 생

물학자들은 세포를 분할할 때, 단일 세포 혹은 세포군집

의 세포 면 과 형태를 기 으로 세포 분할을 수행하며,

세포 간의 경계가 희미한 경우에는 해당 역의 과거

이미지를 참고로 세포 분할을 수행한다. 이러한 방법은

세포가 뭉쳐있는 다양한 상태에 맞게 세포를 분할할 수

있다는 장 이 있지만, 측정하는 생물학자마다 세포의

경계를 선정하는 기 이 다를 수 있기 때문에 세포 분

할 결과가 일정하지 않다는 문제가 있다. 본 논문에서는

생물학자들의 세포군집 내 세포 분할 차를 자동화하

여 일 인 세포 분할 수행을 하도록 하 으며, 참고하

는 과거 이미지의 개수는 세포를 찰하는 시간 간격에

따라 달라질 수가 있다.

제안하는 세포 카운트 기법은 그림 3과 같이, 크게 세

포 분할 오류 검출, 역추 , 셀 카운 단계로 나 수

가 있다. 세포 분할 오류 검출 단계에서는 세포 간의 경

계가 희미한 세포군집(즉, 세포 분할이 정확하게 수행되

지 않은 역)을 검출한다. 앞서 기술한 것처럼, 한 cell

well plate 내의 세포들은 서로 비슷한 면 을 가지고

있기 때문에, 세포 분할 단계에서 구한 세포들의 면 의

평균값을 이용한다. 분할되지 않은 세포 역은 다른

역에 비해 면 이 크기 때문에, 세포들 면 이 평균

이상인 역을 찾아 이를 분할되지 않은 세포 후보로

지정하며, 이러한 역은 세포의 움직임, 성장 등을 고

려하기 하여, 해당 세포 역보다 큰 역으로 분할되

지 않은 세포 ROI(Region of interest)를 지정한다.

역추 단계에서는 과거 이미지를 참고하기 때문에

세포의 이동성을 고려한 세포 이미지 치보정 수행이

필요하다. 본 논문에서는 time-lapse image의 각 세포

이미지를 상으로 퓨리에 변환(fourier transform)을

수행한 뒤, 각 과거 이미지와의 상 계수를 계산하여 세

포 이미지내의 상 계수가 최 치인 역을 기 으로

세포 이미지의 치를 보정하 다. 이러한 수행을 통하

여 분할되지 않은 세포 ROI의 치와 동일한 치를

과거 ROI로 설정할 수가 있으며, 과거 ROI내의 세포

개수를 참고하여 분할되지 않은 세포 ROI내의 세포 개

수를 수정한다. 그림 7은 역추 알고리즘 수행 시를

보여주며, 그림 7(a)는 세포 간의 경계가 희미한 세포군

1244 정보과학회논문지 제42권 제10호(2015. 10)

집으로써 그림 7(b)에서 보이는 것과 같이 세포 간 분

할이 정확하게 수행되지 않는다. 그러나, 그림 7(a)의

과거 이미지인 그림 7(c)를 보면 비교 세포 간 경계가

뚜렷하고, 이는 그림 7(d)와 같이 세포 분할이 가능하다.

따라서 그림 7(b)와 그림 7(d) 간의 세포 개수의 차를

이용하면, 그림 7(a)의 세포 개수를 수정할 수가 있다.

마지막으로 셀 카운 단계에서는 단일 세포, 세포 간

경계가 뚜렷한 세포군집 내의 세포 개수와 역추 알고

리즘에서 구한 세포 간 경계가 희미한 세포군집 내의

세포 개수를 더하여, 최종 으로 세포 이미지 내의 세포

개수를 세는 작업을 수행한다.

4. 실험 결과

제안하는 자동 셀 카운 기법의 성능을 평가하기

하여 세포 분할 기법의 세포 검출 정확도와 역추 알

고리즘 용 후의 셀 카운 정확도를 제시한다. 학

미경으로 35분 간격으로 촬 한 HeLa 세포 이미지

40장을 사용하 으며, 생물학자가 육안으로 악한 세포

검출 카운 결과를 기 (ground truth)으로 평가하

다.

세포 검출 정확도는 그림 8과 같이 세포 분할 알고리

즘을 수행한 세포 이미지를 이용하여 세포 검출의 True

Positive 개수(TP), False Positive 개수(FP), False

Negative 개수(FN)를 측정하 으며, 식 (1)과 같이 표

할 수 있다. 세포 검출 정확도가 1에 근 할수록 세포

검출의 결과가 정확함을 의미하며, 그림 8(a)는 실험에

사용한 HeLa 세포 이미지 일부분이며, 그림 8(b),

(c)는 기존의 세포 분할 기반의 알고리즘을 직 구 하

여 세포 분할을 수행한 이미지이다. 그림 8(d)는 제안하

(a) HeLa cells image (b) Cheng et al. [3]

(c) Urban [14] (d) Proposed algorithm

그림 8 세포 검출 정확도 실험 비교

Fig. 8 Comparison of the cell detection accuracy

표 1 세포 검출 정확도 실험 결과 비교

Table 1 Comparison of the cell detection accuracy

HeLa Cells Detection Accuracy

Proposed algorithm 0.9368 ± 0.0162

Urban [14] 0.7897 ± 0.0158

Cheng et al. [3] 0.8644 ± 0.0370

는 세포 분리 알고리즘을 이용하여 세포 분할을 수행한

이미지이며, 분리된 각각의 세포를 육안으로 식별하기

하여 서로 다른 색으로 표시하 다.

세포 검출 정확도 =

(1)

표 1은 제안하는 세포 분할 알고리즘과 기존의 세포

분할 기반의 알고리즘의 세포 검출 정확도를 비교한 것

으로, 제안하는 세포 분할 알고리즘의 성능이 기존의 알

고리즘보다 개선되었음을 확인할 수 있다.

그림 9는 본 실험에서 평가한 셀 카운 정확도를 보

여 다. 생물학자가 육안으로 측정한 세포의 수(Manual)

를 기 으로, 제안하는 세포 분할 알고리즘을 이용한 셀

카운 수행(Cell Segmentation) 시 세포의 수가 은

기에는 상당히 높은 정확도를 보 지만, 세포의 수가

많은 말기에는 세포 간 경계가 희미한 세포군집이 많기

때문에 셀 카운 정확도가 떨어지는 결과를 보 다. 이

러한 문제를 보완하기 하여 역추 알고리즘을 용

하 으며, 본 실험에서는 이 두 단계의 과거 이미지를

참고하 다. 그림 9에서 보이는 것과 같이, 역추 알고

리즘을 용한 경우(Cell Segmentation + Back Trac-

king)에는 세포의 개수, 세포 간 경계가 희미한 세포군

집과 상 없이 일 된 높은 정확도를 보 으며, 표 2에

제시한 바와 같이 역추 알고리즘을 용했을 때에 셀

카운 정확도가 평균 으로 약 7.82% 가량 향상되었

고, 결과 으로 94.87%의 셀 카운 정확도를 얻었다.

표 2 셀 카운 정확도 실험 결과 비교

Table 2 Comparison of the cell counting accuracy

Cell SegmentationCell Segmentation +

Back Tracking

Accuracy (%) 87.05 94.87

5. 결 론

본 논문에서는 HeLa 세포 이미지를 상으로 세포막

추출과 역추 알고리즘 기반의 자동 셀 카운 기법을

제안하 다. HeLa 세포의 빠른 분열로 인한 세포군집을

구성하려는 생물학 성질로 인해 기존의 자동 셀 카운

기법 용의 어려움과 낮은 성능을 해결하기 해서,

HeLa 세포 이미지의 특성에 근거하여 세포막 추출 기

세포막 추출과 역추 알고리즘 기반의 HeLa 세포 이미지 자동 셀 카운 기법 1245

그림 9 Manual, Cell Segmentation, Cell Segmentation + Back Tracking의 셀 카운 비교 그래

Fig. 9 Cell counting graph for Manual, Cell Segmentation, Cell Segmentation + Back Tracking

반의 세포 분할 알고리즘을 제시하 다. 하지만, 세포가

뭉쳐있는 정도에 따라 각 세포막의 형태가 달라지므로,

이를 고려하여 세포의 형태 상황을 단일 세포, 세포

간 경계가 뚜렷한 세포군집, 세포 간 경계가 희미한 세

포군집으로 구분하 다. 그 , 세포 간 경계가 희미한

세포군집의 경우에는 해당 역의 세포막이 뚜렷하게

보이지 않기 때문에 세포막을 이용하여 세포를 분할하

기가 매우 어려우며, 이러한 문제를 해결하기 해 time-

lapse image를 이용하여 해당 역의 과거를 참고하여

세포의 개수를 세는 역추 알고리즘을 사용하 다. 본

논문에서는 제안하는 자동 셀 카운 의 성능을 평가하

기 해 40장의 HeLa 세포 이미지를 이용하여 세포 검

출 정확도와 셀 카운 정확도를 측정하 으며, 세포 검

출 정확도의 경우 기존 세포 분할 알고리즘에 비해 정

확한 세포 검출 수행을 입증하 으며, 역추 알고리즘

의 성능을 평가하기 한 셀 카운 정확도 실험에서는

역추 알고리즘의 용 시 셀 카운 정확도가 평균

으로 약 7.82% 가량 향상되었음을 확인할 수가 있었고,

결과 으로 셀 카운 정확도가 94.87%로 상당히 정확

한 셀 카운 을 수행함을 입증하 다.

References

[ 1 ] J. J. M. Landry et al., "The genomic and trans-

criptomic landscape of a HeLa cell line," G3, Vol. 3,

No. 8, pp. 1213-1224, Aug. 2013.

[ 2 ] X. Zhang et al., "Cell-edge detection method based

on canny algorithm and mathematical morphology,"

Proc. of the 3rd International Congress on Image

and Signal Processing, pp. 894-897, 2010.

[ 3 ] E. D. Cheng et al., "Microscopic cell detection

based on multiple cell image segmentations and

fusion algorithms," Proc. of the 2nd International

Conference on Biomedical Engineering and Infor-

matics, pp. 1-7, 2009.

[ 4 ] F. J. Sanchez-Marin, "Automatic segmentation of

contours of corneal cells," Computers in Biology and

Medicine, Vol. 29, pp. 243-258, Jul. 1999.

[ 5 ] C. A. C. Caetano et al., "Identification and segmen-

tation of cells in images of donated corneas using

mathematical morphology," Proc. of the 13th Bra-

zilian Symposium on Computer Graphics and Image

Processing, pp. 344, 2000.

[ 6 ] K. Zalewski and R. Buchholz, "Morphological ana-

lysis of yeast cells using an automated image pro-

cessing system," Journal of Biotechnology, Vol. 48,

pp. 43-49, Jul. 1996.

[ 7 ] K. Lim et al., "Cell image processing methods for

automatic cell pattern recognition and morpho-

logical analysis of mesenchymal stem cells -An

algorithm for cell classification and adaptive bright-

ness correction-," Journal of Biosystems Engi-

neering, Vol. 38, pp. 55-63, Mar. 2013.

[ 8 ] P. Bamford and B. Lovell, "Unsupervised cell

nucleus segmentation with active contours," Signal

Processing, Vol. 71, pp. 203-213, Dec. 1998.

[ 9 ] K. Zhang et al., "Active contours with selective

local or global segmentation: A new formulation

1246 정보과학회논문지 제42권 제10호(2015. 10)

and level set method," Image and Vision Computing,

Vol. 28, pp. 668-676, Apr. 2010.

[10] M. Kass et al., "Snakes: Active contours models,"

International Journal of Computer Vision, Vol. 1,

pp. 321-331, Jan. 1988.

[11] S. Kothari et al., "Automated cell counting and

cluster segmentation using concavity detection and

ellipse fitting techniques," Proc. of the Biomedical

Imaging: From Nano to Macro, pp. 795-798, 2009.

[12] X. Bai et al., "Touching cells splitting by using

concave points and ellipse fitting," Proc. of the

Digital Image Computing: Techniques and Appli-

cations, pp. 271-278, 2008.

[13] L. Vincent and P. Soille, "Watershed in digital

spaces: An efficient algorithm based on immersion

simulations," IEEE Trans. Pattern Analysis and

Machine Intelligence, Vol. 13, No. 6, pp. 583-598,

Jun. 1991.

[14] J. Urban, "Automatic segmentation of HeLa cell

images," arXiv:1101.2312v1 [cs.CV], Jan. 2011.

[15] I. Smal et al., "Particle filtering for multiple object

tracking in dynamic fluorescence microscopy images:

Application to microtubule growth analysis," IEEE

Trans. Medical Imaging, Vol. 27, No. 6, pp. 789-804,

Jun. 2008.

[16] J. C. Crocker and D. G. Grier, "Methods of digital

video microscopy for colloidal studies," Journal of Col-

loid and Interface Science, Vol. 179, No. 1, pp. 298-

310, Apr. 1996.

[17] O. Debeir et al., "Tracking of migrating cells under

phase-contrast video microscopy with combined

mean-shift processes," IEEE Trans. Medical Ima-

ging, Vol. 24, No. 6, pp. 697-711, Jun. 2005.

[18] I. F. Sbalzarini and P. Koumoutsakos, "Feature point

tracking and trajectory analysis for video imaging

in cell biology," Journal of Structural Biology, Vol. 151,

No. 2, pp. 182-195, Aug. 2005.

[19] S. Mukherjee et al., "Counting cells from micro-

scopy videos without tracking individual cells,"

Proc. of the 11th International Symposium on

Biomedical Imaging, pp. 465-468, 2014.

경 민

2014년 한밭 학교 컴퓨터공학과 졸업

(학사). 2014년～ 재 한밭 학교 컴퓨터

공학과 석사과정. 심분야는 상 처리

박 정 호

1997년 조선 학교 유 공학과 졸업(학

사). 1999년 남 학교 분자내분비학과

졸업(석사). 2007년 남 학교 생물학과

졸업(박사). 2011년～ 재 한밭 학교 생

명 상융합연구센터 선임연구원. 심분

야는 바이오 진단 툴

김 명 구

1997년 우송 학교 컴퓨터과학과 졸업

(학사). 2002년 호서 학교 벤처 문 학

원 졸업(석사). 2013년～ 재 한밭 학교

생명 상융합연구센터 근무. 심분야는

상 처리, 자동 제어

신 상 모

서울 학교 속학과 학사. 1980년～1986년

University of Illinois at Urbana-Champaign

재료공학 박사. 1989년～1991년 University

of Minnesota 경 학 석사. 1985년～1992

년 Honeywell Research Center 수석연구

원. 1993년～1995년 자부품연구원 센터

장. 1995년～2000년 G7 소형 정 기계기술연구개발사업

사업단장. 2003년～2005년 자부품연구원 바이오나노융합

연구센터 연구 원. 2005년～2008년 주과학기술원 과학기

술응용연구소 본부장. 2005년～2013년 주과학기술원 세포

연구용 바이오툴연구개발사업 사업단장. 2011년～ 재 주식

회사 아이큐바이오 표. 2013년～ 재 한밭 학교 로벌

융합학부 교수. 2013년～ 재 한밭 학교 생명 상융합연구

센터 센터장. 심분야는 생명 상융합연구, 기술사업화

이 빈

한양 학교 자컴퓨터공학과 졸업(학사,

석사, 박사). 2002년～2007년 한국 자부

품연구원 연구원. 2007년～2009년 미국

UMass 연구원. 2009년～2011년 일본

NAIST 연구원. 2011년～ 재 한밭 학

교 컴퓨터공학과 교수. 한 자공학회,

한국지식정보기술학회, 한국정보과학회 평생회원. 심분야

는 고신뢰시스템, 오류정정, 상인식 등