현미경 소변검사에서 초점이 맞는 이미지를 여러 장 얻는 대신, 초점을 손으로 천천히 바꾸며 짧은 영상을 찍어 한 장의 전 초점 이미지를 복원하는 방법이 나왔다. 이 연구는 동료검토 전 arXiv 프리프린트이며, 병원 현장에서 흔한 미세요소 판독의 전처리 부담을 줄이는 데 초점을 맞춘다.
초록과 본문 설명에 따르면 기존 자동화 기법은 각 세포가 또렷하게 보이는 고화질 이미지를 전제하지만, 실제 유리 슬라이드의 소변 시료는 다층 구조라 한 초점면만으로는 모든 세포가 선명하지 않다. 그래서 여러 초점면을 오가며 이미지를 따로 확보해야 했고, 그 과정이 시간이 많이 걸린다는 점이 출발점이 됐다.
제안된 흐름은 비교적 단순하다. 스마트폰이나 현미경 접안부에 연결한 카메라로 2~14초 길이의 영상을 촬영하고, 프레임들을 이용해 전 초점 이미지를 재구성한 뒤 딥러닝 모델로 소변 침사를 탐지·분류한다. 본문에는 자동 초점 장치 없이도 소규모 검사실과 인력 부족 환경에 맞추려는 의도가 함께 적혀 있다.
재구성은 각 프레임을 정사각형 패치로 나눈 뒤, 패치별 선명도를 헤시안 행렬의 Frobenius 노름으로 계산하고, 가장 선명한 프레임 위치를 깊이도로 삼는 방식이다. 이후 국소 이웃에서 깊이도를 평탄화해 끊김을 줄인다. 본문은 패치 크기와 τ만이 하이퍼파라미터라고 적는다. 그림 2에서는 194프레임 영상의 109·190·192프레임과 초기/평활 깊이도, 최종 전 초점 이미지가 단계별로 제시된다.
검증은 보통의 진단실 환경에서 기술자가 얻은 14개 영상으로 수행됐다. 영상 길이는 2~14초였고, 하드웨어는 CH20iBIMF 현미경 2대와 COSUSB5000 5메가픽셀 카메라를 사용했다. 영상 13을 제외하면 정지성 가정에 맞았다고 본문은 설명한다. 또 공개 데이터 3,733개 소변 침사 이미지로 학습한 RetinaNet은 시험 데이터에서 RBC F1 0.86, pus 0.85, epithelial cells 0.80을 보였고, 해당 값은 confidence level 0.6에서 제시됐다.
| 항목 | 값 | 근거 위치 |
|---|---|---|
| 영상 수 | 14 videos | p.1 abstract; p.3 EXPERIMENTS AND RESULTS |
| 영상 길이 | 2 to 14 seconds | p.1 abstract; p.3 EXPERIMENTS AND RESULTS |
| 검출 모델 학습 데이터 | 3733 urine sediments | p.3 3) Deep neural network (DNN) |
| 침사 분류 성능 | F1 score 0.86 (RBC), 0.85 (pus), 0.80 (epithelial cells) at confidence level 0.6 | p.3 3) Deep neural network (DNN) |
| 파이프라인 성과 요약 | up to 95% positive predictive value, 70% true positive rate | p.1 source_excerpt |
자료: STORIUM 정리
전체 파이프라인의 성능은 표의 각 영상별 수치로도 확인된다. 예를 들어 영상 0은 194프레임, 초기 27건·최종 2건의 검출 변화가 적혀 있고, 영상 13은 298프레임에서 초기 6건, 최종 2건으로 기록됐다. 본문은 이 시도에서 최대 95% positive predictive value와 70% true positive rate를 달성했다고 요약하지만, 이는 14개 영상에 대한 개념 검증 범위 안의 결과로 제시된다.
저작권자 © STORIUM 무단전재 및 재배포 금지
