3D 위상차 현미경은 광독성 및 광표백 없이 살아있는 세포의 장기적인 다세포 과정 관찰을 위한 가장 흔한 영상화 양식 중 하나이다. 이는 암세포의 형태학적 특징을 전이(전이성) 행동의 지표로 사용할 수 있기 때문이다. 그러나 불균일한 조명과 위상차 간섭 고리와 같은 영상 특징은 이러한 영상 분석에 일정한 어려움을 야기한다. 본 연구에서는 3D 위상차 현미경의 형태학적 특징과 스케일드 주성분 분석(scaled principal component analysis)을 결합한 심층 신경망 기반 암세포 분류 방법론을 제안한다. 먼저, 영상의 히스토그램 정보를 기반으로 비균일 조명 보정을 적용하여 영상의 불안정한 밝기 문제를 교정하고, 단일세포 검출을 통해 행-대비(row-contrast) 인공물에 대응하기 위해 영상 강도 기반 전역 임계값 설정(global thresholding) 방법을 사용한다. 또한 각 세포 주위에 나타난 간섭의 비대칭 확산 패턴 때문에, 주성분 분석을 통해 형태학적 특징을 관찰하기 위한 단면(cross-section)을 추출하였다. 이후 국소 봉우리(local peaks)를 밝은 고리 영역으로 간주하는 강도 구배(intensity gradient)로부터 세포 형태를 분석하였다. 봉우리는 추출된 단면의 중심인 세포 영역 중심점에서 바깥 배경까지의 강도 프로파일로부터 계산하였다. 봉우리 정보를 바탕으로 대표적인 형태학적 특징 10가지를 추출하고, 초기 특징을 변환하기 위해 min-max scaler를 적용한 다음, 심층 신경망을 사용하여 활성 및 비활성 암세포를 분류하였다. 제안한 방법은 수신자 조작 특성 곡선(receiver operating characteristic, ROC) 아래 면적(area under the curve) 값 0.944와 동일오류율(equal error rate) 0.091을 달성하였다. 또한 제안된 방법을 적용한 DNN을 이용한 분류의 정확도가 전문가의 수작업 분류 결과에 더 가깝다는 점을 확인하여, 세포 형태의 보다 정밀한 분석이 가능함을 보여주었다. 본 접근법은 환자에서 약물 반응을 평가하기 위한 영상 기반 세포 표현형 프로파일링의 정확도를 향상시킨다.

가스 혼합물에서 가스 성분의 농도 수준을 추정하는 것은 산업 시설, 도시 지역 및 가스 누출이나 축적이 중대한 건강 및 안전 위험을 초래할 수 있는 밀폐 공간을 포함한 다양한 환경에서 예방 조치를 취하고 공공 안전을 보장하는 데 필수적이다. 이는 표적 오염물질에 대한 일반적인 가스 센서가 다른 가스의 영향을 쉽게 받기 때문이다. 본 연구에서는 데이터 분할, 특징 추출 및 정규화의 결합이 두 가지 조합의 가스 수준을 예측하는 데 있어 세 가지 딥러닝 모델—1차원 합성곱 신경망(1-dimensional Convolutional Neural Network, CNN-1D), 장단기 메모리(Long Short-term Memory, LSTM), 게이트 순환 단위(Gated Recurrent Unit, GRU)—의 성능에 미치는 효과를 평가하였다. 우리는 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE), 그리고 R-제곱(R-squared) (R²)을 사용하여 성능을 평가하였다. 평가된 모델 중 GRU 네트워크는 평균 MAE(0.1578), RMSE(0.0481) 및 R²(0.96375) 측면에서 CNN-1D와 LSTM보다 우수한 성능을 보였다. 기존 연구와의 비교 분석을 통해 제안한 GRU 모델이 다른 모델들보다 우수함이 확인되었으며, 이에 가스 농도 추정 과제에 이를 사용할 것을 제안한다.