1 |
1
iPSC(induced Pluripotent Stem Cell)을 배양시켜 생성된 iPSC 집락(colony)의 이미지 데이터를 획득하는 단계;상기 iPSC 집락의 이미지 데이터를 통해 상기 iPSC 집락을 세분화하는 단계;세분화된 상기 iPSC 집락의 특징부를 측정하는 단계; 및측정된 상기 특징부로 벡터 기반 CNN(Vactor-Based Convolutional Neural Network)을 이용하여 상기 iPSC 집락의 품질을 분류하는 단계를 포함하되,상기 iPSC 집락을 세분화하는 단계는, 중앙 필터링(Median Filter)을 통해 상기 iPSC 집락의 이미지 데이터를 전처리 하는 단계; 전처리된 상기 iPSC 집락의 이미지 데이터의 노이즈를 제거하는 단계; 및 구성요소 라벨링을 통해 상기 iPSC 집락의 이미지 데이터만을 노이즈로부터 분리하는 단계를 포함하며,상기 노이즈를 제거하는 단계는, 반복적 다중 임계치화 알고리즘을 통해 전처리된 상기 iPSC 집락의 이미지 데이터의 이미지 픽셀들을 전경과 배경으로 분리하여 이진 이미지를 생성하는 단계; 및 형태학적 개폐 동작을 통해 상기 이진 이미지의 품질을 향상시키는 단계를 포함하며,상기 이진 이미지는, 반경이 2인 디스크 형상의 구조 요소를 사용하여 폐쇄되고, 거리 19인 다이아몬드 형상의 구조 요소를 사용하여 개방하며, 폐쇄와 개방의 결과로 연결된 구성요소들이 채워지며, 오브젝트의 윤곽이 형태학적 침식 및 홀 필링(hole-filling) 동작에 의해 평활화 되며, 사용자 지정 임계값보다 작은 집락 영역 주변의 원치 않는 세포는 크기 필터링 방법을 사용하여 제거되는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
제1항에 있어서, 상기 특징부를 측정하는 단계는,세분화된 상기 iPSC 집락의 특징부를 추출하는 단계; 및상기 특징부 중에서 피셔(Fisher) 점수 분석을 통해 상기 특징부 중에서 상기 iPSC 집락의 품질 인식과의 관련성이 없는 특징부를 배제시킨 상기 iPSC 집락의 품질 인식과의 관련성이 높은 특징부를 선택하는 단계를 포함하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
5 |
5
삭제
|
6 |
6
제4항에 있어서, 상기 피셔(Fisher) 점수 분석은,특징부 세트 중에서 클래스 내 거리(within-class distance)가 최소화되고, 클래스 간 거리(between-class distance)가 최대화되는 특징부를 선택하여 분석하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
7 |
7
제6항에 있어서, 상기 특징부 세트는,형태학적 특징부의 특징부 세트 또는 조직적 특징부의 특징부 세트를 사용하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
8 |
8
제7항에 있어서, 상기 형태학적 특징부의 특징부 세트는,중심(Cen), 면적(Are), 이심률(Ecc), 둘레(Per), 배향(Ori), 장축(Maj), 단축(Min), 등가 직경(Dia), 솔리디티(Sol) 및 범위(Ext)를 지정하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
9 |
9
제8항에 있어서, 상기 피셔(Fisher) 점수 분석은,지정된 상기 형태학적 특징부의 특징부 세트 중에서 장축, 단축, 등가 직경, 솔리디티 및 범위를 관련성이 높은 특징부로서 선택하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
10 |
10
제7항에 있어서, 상기 조직적 특징부의 특징부 세트은,분산 차(D_V), 균질성(Hom), 에너지(Ene), 엔트로피 차(D_E), 콘트라스트(Con), 상관(Cor), 상관_1의 정보 측정(Inf_1), 합 평균(S_A), 상관_2의 정보 측정(Inf_2), 합 엔트로피(S_E), 엔트로피(Ent), 합 분산(S_V), 분산(Var)를 지정하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
11 |
11
제10항에 있어서, 상기 피셔(Fisher) 점수 분석은,지정된 상기 조직적 특징부의 특징부 세트 중에서 합 평균, 상관_2의 정보 측정, 합 엔트로피, 엔트로피, 합 분산 및 분산을 관련성이 높은 특징부로서 선택하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
12 |
12
제7항에 있어서, 상기 특징부 세트는,형태학적 특징부 및 조직적 특징부가 결합된 결합형 특징부의 특징부 세트를 추가로 사용하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
13 |
13
제1항에 있어서, 상기 iPSC 집락의 품질을 분류하는 단계는,CNN 모델 조직의 전면에 있는 가상 이미지에 특징 벡터로부터의 전달 함수를 추가하는 단계;상기 전달 함수를 적용하여 특징부 맵을 생성하는 단계;맥스 풀링(max-pooling)을 통해 상기 특징부 맵을 서브 샘플링 하는 단계;서브 샘플링된 상기 특징부 맵으로 다수 개 층으로 이루어진 완전히 연결된 단일 차원 특징부를 생성하는 단계; 및상기 단일 차원 특징부의 품질을 예측하는 단계를 포함하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
14 |
14
제13항에 있어서, 상기 전달 함수를 추가하는 단계는,상기 전달 함수로서 정류된 선형 유닛(ReLU)을 적용하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|
15 |
15
제13항에 있어서, 상기 품질을 예측하는 단계는,형태학적 특징부, 조직적 특징부 또는 결합형 특징부를 사용하여 상기 iPSC 집락의 품질을 분류하는 것을 특징으로 하는 V-CNN 접근을 통한 iPSC 집락 자동 인식 방법
|