제1항에 있어서, 샘플 세포를 분류하여 암 예후를 판단하는 판단하는 단계를 더 포함하는, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

제1항에 있어서,상기 차원을 축소하는 단계는 주성분 분석(principal component analysis) 기법을 포함하는, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

제1항에 있어서,상기 비지도 클러스터링은 k-means 클러스터링 또는 시계열 k-means 클러스터링인, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

세포 이미지를 획득하는 단계;상기 획득한 세포 이미지를 전처리하는 단계;상기 전처리된 세포 이미지에서 딥러닝을 이용하여 세포의 경계를 추출하는 단계;상기 경계가 추출된 세포 이미지에서 2개이상 접촉한 세포를 분리하는 단계;상기 분리된 세포 이미지에서 형태, 저니키 모멘트(Zernike moment) 및 하라릭 텍스쳐(Haralick texture) 특징으로 형태 변수를 계산하고, 시간에 따른 각 세포의 중심좌표 변화를 추적하여 이동성 변수를 계산하는 단계;상기 계산된 변수의 시각화를 위해 차원을 축소하는 단계; 및상기 시각화된 변수를 비지도 클러스터링으로 세포 형태 및 이동 특성을 기반 세포의 특수형을 분류하는 단계;를 포함하는 딥러닝 및 비지도 클러스터링을 이용한 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

제1항에 있어서,상기 세포는 암세포 또는 암 연관 섬유아세포(cancer-associated fibroblasts)인, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

제1항에 있어서,상기 형태 특징은 면적(area), 둘레(perimeter), 견고성(solidity), 편심도(eccentricity), 크기(extent), 장축 길이(major axis length), 단축 길이(minor axis length), 종횡비(aspect ratio), 조밀도(compactness), 진원도(roundness), 원형도(circularity), 직사각형 형태 유사도(rectangularity)으로부터 선택되는 하나이상인, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

제1항에 있어서,상기 저니키 모멘트(Zernike moment) 특징은 하기 수학식 4 내지 수학식 6을 계산하여 획득한 하나이상의 디스크립터(descriptor)인, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법:003c#수학식 4003e#003c#수학식 5003e#003c#수학식 6003e#상기 수학식 4 내지 6에서,상기 m, n은 음수가 아닌 정수이고;상기 x, y는 영상 픽셀의 좌표이고;상기 Amn은 저니키 모멘트(Zernike moment)계수이고;상기 f(x,y)는 영상의 강도 값이고;V*은 켤레 복소수이다.

제1항에 있어서,상기 하라릭 텍스쳐(Haralick texture) 특징은 ASM(angular second moment), 대비(contrast), 상관성(correlation), 분산성(variance), IDM(inverse difference moment), 합 평균(sum average), 합 분산(sum variance), 합 엔트로피(sum entropy), 엔트로피(entropy), 분산차(difference variance), 엔트로피 차(difference entropy) 및 상관관계의 측정 정보 1,2(information of measures of correlation 1, 2)로부터 선택되는 하나이상인, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

제1항에 있어서,상기 이동성 변수는 총 거리(Total distance), 순거리(Net distance), 최소 속력(Minimum speed), 최대 속력(Maximum speed), 평균 속력(Average speed), 이동 소요시간(Time spent moving), 평균 이동 속력(Average moving speed), 선형성(Linearity), 스피어만 상관 계수(Spearman's ρ2), 누적성(Progressivity), 평균 제곱 변위 지수(Mean square displacement exponent), 랜덤 워크 선형성 비교(Random walk linearity comparison), 랜덤 워크 순 거리 비교(Random walk net distance comparison), 랜덤 워크 첨도 비교(Random walk kurtosis comparison), 허스트 지수(Hurst exponent), 자기 상관(Autocorrelation), 비가우시안 계수(Non-Gaussion coefficient), 우회전 비율(Proportion of Right turns), 최소 회전 크기(Minimum turn magnitude), 최대 회전 크기(Maximum turn magnitude) 및 평균 회전 크기(Average turn magnitude)로부터 선택되는 하나이상인, 세포 형태 및 이동 특성 기반 세포의 특수형 분류 방법.

세포 이미지를 획득하는 이미지 획득부;상기 획득한 세포 이미지를 전처리하는 전처리부;상기 전처리된 세포 이미지에서 딥러닝을 이용하여 세포의 경계를 추출하는 경계추출부;상기 경계가 추출된 세포 이미지에서 2개이상의 접촉한 세포를 분리하는 분할부;상기 분리된 세포 이미지에서 형태, 저니키 모멘트(Zernike moment) 및 하라릭 텍스쳐(Haralick texture) 특징으로 형태 변수를 계산하고, 시간에 따른 각 세포의 중심좌표 변화를 추적하여 이동성 변수를 계산하는 계산부;상기 계산된 변수의 시각화를 위해 차원을 축소하는 축소부; 및상기 시각화된 변수를 비지도 클러스터링으로 세포 형태 및 이동 특성 기반 세포의 특수형을 분류하는 분류부;를 포함하는 딥러닝 및 비지도 클러스터링을 이용한 세포 형태 및 이동 특성 기반 세포의 특수형 분류 장치.

제10항의 장치를 이용하여 암 예후를 판단하는 암 예후 판단 장치.