미토콘드리아는 세포 에너지 생산과 조절의 중심에 있으며, 그 형태는 기능적 수행과 밀접하게 연관되어 있다. 미토콘드리아 초미세구조를 정밀하게 분석하는 것은 세포의 생체에너지 대사와 병리 현상을 이해하는 데 필수적이다. 이러한 분석을 위한 표준 방법으로 전자현미경 투과법(transmission electron microscopy, TEM)이 여전히 널리 인정받고 있지만, 기존의 수작업 분할(segmentation) 방법은 시간이 많이 소요되고 오류가 발생하기 쉽다. 본 연구에서는 확률적 인터랙티브 분할(probabilistic interactive segmentation)과 미토콘드리아 형태의 자동 정량화를 결합한 새로운 딥러닝 프레임워크를 제안한다. 불확실성 분석과 실시간 사용자 피드백을 활용함으로써, 본 모델은 수작업 방법에 비해 분석 시간을 90% 절감하면서도 분할 정확도는 유사한 수준을 달성한다. 이 파이프라인은 벤치마크 Lucchi++ 데이터셋과 마우스 골격근의 실제 TEM 이미지 모두에서 평가되었으며, 효율을 개선하는 것뿐 아니라 뒤셴느 근이영양증(Duchenne muscular dystrophy)의 야생형(wild-type) 마우스와 mdx 마우스 모델 간 미토콘드리아 형태에서의 주요 병리학적 차이를 확인하였다. 이러한 자동화 접근법은 미토콘드리아 분석을 위한 강력하고 확장 가능한 도구를 제공하여, 세포 기능 및 질병 기전의 고처리량(high-throughput)·재현성 있는 통찰을 가능하게 한다.

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