[논문 리뷰] A Comprehensive Review of Image Analysis Methods for Microorganism Counting: From Classical Image Processing to Deep Learning Approaches

Jiawei Zhang, Chen Li외 7명|arXiv (Cornell University)|2021. 03. 25.

Cell Image Analysis Techniques참고 문헌 128인용 수 12

한 줄 요약

이 논문은 1980년대에서 2020년대까지의 고전적 영상 처리 기법에서부터 딥러닝 기법에 이르기까지 미생물 수세기 방법에 대한 종합적인 리뷰를 제시한다. 영상 분할 기법—예를 들어 임계값 설정, 에지 검출, 딥러닝—을 평가하며, 딥러닝 기법이 특히 정확도가 뛰어나고 향후 자동화된 종단 간(end-to-end) 미생물 수세기 시스템에 통합될 잠재력이 있음을 강조한다.

ABSTRACT

Microorganisms such as bacteria and fungi play essential roles in many application fields, like biotechnique, medical technique and industrial domain. Microorganism counting techniques are crucial in microorganism analysis, helping biologists and related researchers quantitatively analyze the microorganisms and calculate their characteristics, such as biomass concentration and biological activity. However, traditional microorganism manual counting methods, such as plate counting method, hemocytometry and turbidimetry, are time-consuming, subjective and need complex operations, which are difficult to be applied in large-scale applications. In order to improve this situation, image analysis is applied for microorganism counting since the 1980s, which consists of digital image processing, image segmentation, image classification and suchlike. Image analysis-based microorganism counting methods are efficient comparing with traditional plate counting methods. In this article, we have studied the development of microorganism counting methods using digital image analysis. Firstly, the microorganisms are grouped as bacteria and other microorganisms. Then, the related articles are summarized based on image segmentation methods. Each part of the article is reviewed by methodologies. Moreover, commonly used image processing methods for microorganism counting are summarized and analyzed to find common technological points. More than 144 papers are outlined in this article. In conclusion, this paper provides new ideas for the future development trend of microorganism counting, and provides systematic suggestions for implementing integrated microorganism counting systems in the future. Researchers in other fields can refer to the techniques analyzed in this paper.

연구 동기 및 목표

• 1980년대에서 2020년대까지의 미생물 수세기 영상 분석 기법을 체계적으로 리뷰하고 분류하는 것.
• 영상 전처리, 분할, 분류 기법 간의 기술적 추세와 공통점을 규명하는 것.
• 고전적 기법과 딥러닝 기반 접근법 간의 성능 및 한계를 미생물 분할 및 수세기 분야에서 평가하는 것.
• 딥러닝을 활용한 통합형 자동 미생물 수세기 시스템 개발의 기초를 마련하는 것.
• 딥러닝이 분류가 아닌 분할에 적용된 사례가 부족한 분야를 식별하여 향후 연구를 안내하는 것.

제안 방법

• 이 논문은 디지털 영상 분석을 활용한 미생물 수세기 관련 144건 이상의 연구를 체계적으로 검토한다.
• 기법은 미생물 유형(박테리아 대비 기타 미생물)과 분할 기법(임계값 설정, 에지 검출, 외부 도구(예: ImageJ, CellC), 딥러닝)에 따라 분류된다.
• Otsu의 임계값 설정, 워터셰드 분할, Canny 에지 검출과 같은 고전적 영상 처리 기법이 적용 및 한계 측면에서 분석된다.
• U-Net 변종 및 적응형 확장 컨볼루션 네트워크와 같은 딥러닝 모델이 분할 정확도 향상 능력을 평가된다.
• Mean Absolute Error (MAE) 및 분할 정확도와 같은 성능 지표를 포함하며, 일부 연구의 구체적 결과가 보고된다.
• 수동에서 자동 수세기로의 전환과 딥러닝이 고정밀도, 확장 가능한 솔루션을 가능하게 하는 역할을 강조한다.

실험 결과

연구 질문

• RQ1 미생물 수세기 분야에서 고전적 영상 처리 기법에서 딥러닝 기법으로의 영상 분석 기법은 어떻게 진화해 왔는가?
• RQ2 특히 복잡하거나 노이즈가 많은 현미경 영상에서 다양한 유형의 미생물에 대해 가장 효과적인 분할 기법은 무엇인가?
• RQ3 분류 작업에서의 뛰어난 성능에도 불구하고, 왜 딥러닝은 분할 분야에서 아직 널리 활용되지 않는가?
• RQ4 실제 적용 및 대규모 응용 분야에서 현재의 미생물 수세기 시스템의 주요 기술적 격차와 한계는 무엇인가?
• RQ5 샘플링, 영상 촬영, 딥러닝을 통합한 시스템은 임상 및 산업 현장에서 실시간으로 정확한 미생물 모니터링을 어떻게 가능하게 하는가?

주요 결과

• 딥러닝 기반 분할 기법은 특히 작은 또는 겹치는 미생물에 대해 고전적 기법보다 정확도와 견고성이 뛰어나다.
• 적응형 확장 컨볼루션 네트워크는 미생물 수세기에서 Mean Absolute Error (MAE) 66.5를 기록하여 척도 변동성 처리 능력 향상을 입증하였다.
• 분류 분야에서의 딥러닝 성공에도 불구하고, 분할 분야에선 아직 적용 범위가 제한되어 있어 중대한 연구 기회로 남아 있다.
• Otsu 임계값 설정 및 워터셰드 알고리즘과 같은 고전적 기법은 기초적인 기반을 마련했지만, 복잡하거나 고밀도 현미경 영상에선 종종 실패한다.
• ImageJ와 CellC는 널리 사용되는 도구로 자동 미생물 수세기 시스템에 대한 관심 증가를 반영한다.
• 이 리뷰는 미생물 수세기 기법이 정자, 군중, 차량 수세기와 같은 다른 소형 객체 탐지 작업에 응용될 잠재력이 크다고 규명한다.