중기(metaphase) 이미지에서의 염색체 분할은 세포유전학 및 유전체학에서 중요한 동시에 도전적인 과제이다. 이는 염색체 형태의 고유한 복잡성, 변동성, 그리고 고품질의 주석된 데이터셋이 부족하기 때문이다. 본 연구는 이러한 문제를 해결하기 위해 자동화된 주석 파이프라인과 향상된 딥러닝 아키텍처를 통합한 강건한 인스턴스 분할 프레임워크를 제안한다. COCO 형식으로 24개 염색체 클래스 전반에 대해 정밀한 인스턴스 분할 정보를 포함하는 중기 이미지와 해당 카리오그램(karyogram)으로 구성된 새로운 데이터셋을 소개한다. 노동집약적인 수작업 주석 과정을 극복하기 위해, SIFT 및 호모그래피(homography)를 활용한 특징 기반 이미지 등록 기법을 적용하여 카리오그램에서 중기 이미지로의 염색체를 정확히 매핑하고, 주석의 품질과 분할 성능을 유의미하게 향상시킨다. 제안 프레임워크는 주의 기반 특징 피라미드 네트워크(Attention-based Feature Pyramid Network; AttFPN), 공간적 주의 메커니즘, 그리고 LastLevelMaxPool 블록을 포함하도록 커스텀 Mask R-CNN 모델을 확장하여, 다중 스케일 특징 추출과 이미지의 핵심 영역에 대한 집중을 보다 우수하게 수행한다. 실험 평가 결과, 본 모델은 IoU = 0.50:0.95에서 평균정밀도(mean average precision; mAP) 0.579를 달성하여, 기준선 Mask R-CNN 및 Mask R-CNN with AttFPN 대비 각각 mAP 및 AP50에서 3.94% 및 5.97% 향상된 성능을 보였다. 특히, 제안된 아키텍처는 소형 및 중형 염색체 분할에서 뛰어난 성능을 보이며, 기존 방법의 핵심 한계를 해결한다. 본 연구는 단지 최신 수준의 분할 프레임워크를 제안하는 데 그치지 않고, 생의학 영상에서의 염색체 인스턴스 분할을 위한 벤치마크 데이터셋을 제공함으로써 새로운 표준을 제시한다. 자동화된 데이터셋 생성과 고도화된 모델 설계의 통합은, 생의학 및 세포유전학 영상의 다른 영역에서 유사한 과제를 해결할 수 있는 확장 가능하고 전이 가능한 해법을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.