TruAI^™ 기술은 생명 과학 및 재료 과학 소프트웨어를 위한 강력한 AI 기반 이미지 분석 도구입니다. 심층 신경망을 사용하는 이 기술은 특정 이미징 응용 분야에 맞게 AI 모델의 개발을 지원합니다. 이 기술은 2019년에 Evident가 scanR HCS(High-Content Screening) 스테이션을 통해 소개했으며 나중에 더 많은 제품으로 확장되었습니다.

TruAI 기술은 Pc에서 로컬로 작동하므로 사용자에게 코딩 또는 프로그래밍 기술을 요구하지 않습니다. 개발된 AI 모델은 scanR Analysis, cellSens^™ Count and Measure 및 VS200-Detect와 같은 Evident의 분석 패키지 간에 쉽게 교체 가능한 파일입니다.

TruAI 기술은 세 가지 주요 응용 분야에서 장점을 제공합니다.

• 이미지 분석 시 객체 분할 및 분류
• 이미지 획득 워크플로에서의 샘플 감지
• 노이즈 제거 및 개선을 포함한 이미지 처리

이 블로그 게시물에서는 지난 6년간 지속적으로 개선되어 온 이러한 생명 과학 소프트웨어 패키지에서 TruAI 기술이 어떻게 진화해 왔는지에 대해 살펴봅니다.

1. 유연한 툴박스(2019)

2019년 scanR 및 2020년 cellSens와 같은 TruAI 기술이 적용된 초기 제품은 연구자들에게 AI 기반 의미론적 분할 모델 생성을 위한 유연한 툴박스를 제공하는 데 주력했습니다.

AI 모델을 훈련하려면 먼저 사용자가 이미지의 이상값의 주석을 표기해야 하며, 그 다음 훈련 인터페이스로 주석이 표기된 이미지를 로드해야 합니다. 모델은 주석이 표기된 이미지를 분석하여 반복 프로세스를 통해 주석에 대한 예측을 최적화합니다.

초기 TruAI 툴박스의 주요 기능은 다음과 같습니다.

• 수동 주석 표기: 이미지에서 이상값을 자유롭게 주석 표기하는 라벨 표시 도구입니다.
• 자동 주석 표기: 기존 분할을 주석으로 변환합니다.
• 부분 라벨 표시: 훈련을 라벨 표시된 지역으로 국한시키므로 이미지 전체를 라벨 표시할 필요가 없습니다.
• 유연한 채널 및 Z 계층 조합: 단순한 작업을 위한 단일 채널 또는 Z 계층의 사용을 지원하는 동시에 복잡한 애플리케이션의 자유로운 조합을 지원합니다.
• 훈련 진행 상황 모니터링: 훈련 인터페이스는 자동으로 데이터를 훈련 데이터 세트와 검증 데이터 세트로 분할합니다. 이때 실시간으로 AI의 예측을 볼 수 있습니다.

2. 의미론적 분할(2019)

훈련을 마치면, AI 모델을 다양한 Evident 분석 패키지에서 새 이미지에 적용할 수 있습니다(추론). 의미론적 분할 시 AI 모델은 포어그라운드에 속할 확률이 높은 픽셀을 표시하며 픽셀 확률 맵을 생성합니다. 마지막 객체 감지를 위해 이 확률 맵에 임계값이 설정되고, 그 다음으로 분수령(watershed) 분할과 같은 전통적 분할 알고리즘이 사용됩니다.

3. 분류(2021)

단일 AI 모델은 이미지의 모든 객체를 분할할 수 있으며 면적 및 형광 강도와 같은 객체의 측정 매개변수를 기반으로 분류가 수행됩니다.

또는 측정 매개변수를 추출하지 않고 분류를 수행하기 위해 여러 AI 모델을 동일한 이미지에 적용할 수도 있습니다. 예를 들면, 하나의 AI 모델이 상태 1의 세포만 감지하고, 다른 AI 모델이 상태 2의 세포만 감지할 수 있습니다.

초기 TruAI 기술 릴리스에서는 이 두 기능 모두 가능했습니다.

그러나 분류 모델은 특히 단일 AI 모델이 백그라운드에서 여러 포어그라운드 클래스를 구별하는 기능을 가리킵니다. 그리고 단일 AI 모델이 렌더링한 둘 이상의 확률에 임계값을 적용하여 마지막 객체 감지를 수행합니다.

유연성을 유지하기 위해 사용자는 훈련 중에 클래스의 중첩 가능성 여부를 결정할 수 있습니다.

분류 모델을 사용할 때 주된 장점은 여러 클래스를 감지할 때 또는 분류를 위한 분명한 측정 가능 특성이 없을 때 분석을 간소화할 수 있다는 것입니다.

4. 인스턴스 분할(2021)

의미론적 분할 AI 모델과 다르게, 인스턴스 분할 모델은 한 단계로 마지막 객체를 직접 분할할 수 있으므로 확률 맵 임계값 적용과 추가적인 분할이 필요하지 않습니다.

이 방법은 워크플로를 간소화하며(그림 4와 그림 1 비교), 세포 밀도가 높은 경우와 같이 전통적인 분할 알고리즘으로 감지된 객체를 분리하기 어려운 경우 특히 유용합니다.

5. 스케일링(2021, 2023)

AI 모델은 일반적으로 몇백 픽셀로 시야가 제한되어 있어 픽셀 해상도에 민감합니다. 스케일링 기술은 이러한 한계를 완화합니다.

훈련 중 스케일링(2021)

객체가 AI 모델의 시야를 벗어날 경우, 모델은 객체의 경계를 전부 인식하지 못하여 효과적으로 감지하지 못할 수 있습니다. 이 문제를 해결하기 위해 훈련에 모델의 시야를 효과적으로 넓히는 스케일링 계수를 포함할 수 있습니다. 이러한 훈련 접근법은 제브라피시, 오가노이드와 같은 큰 객체 전체 또는 조직 샘플 안의 큰 영역을 감지하는 데 특히 유용합니다.

추론 중 스케일링(2023)

AI 모델을 10배율 대물렌즈로 훈련하고 40배율 대물렌즈로 촬영한 이미지에 이 모델을 적용하면 감지가 효과적으로 이루어지지 않습니다. TruAI 기술의 스케일링 기능을 사용하면 AI 모델의 해상도에 맞게 이미지 해상도를 조정하여 최적의 성능을 구현할 수 있습니다. 또한, 인스턴스 분할 모델이 과다 분할을 야기할 경우, 해상도를 낮추면 전체 객체의 감지 기능이 향상되는 경우가 많습니다.

6. Live AI(2021)

Live AI는 이미지 획득 없이 실시간으로 AI 모델을 적용하는 cellSens 소프트웨어의 기능입니다. AI 확률 또는 최종 객체 분할이 실시간 화면에 직접 표시되므로 빠른 품질 관리 검사, 정량화 응용 분야의 빠른 계수, 그리고 표본 선택(예: 세포, 정자 또는 난모세포 선택 시 최고의 후보)을 요구하는 절차의 손쉬운 대상 식별이 가능합니다.

7. 사전 훈련 모델(2021~2024)

Evident는 자체 AI 모델을 훈련시킬 시간이 없는 사용자를 위해 즉시 사용할 수 있는 사전 훈련 모델을 도입했습니다. 여러 유형의 사전 훈련 AI 모델을 다음과 같은 분석 소프트웨어 패키지에서 사용할 수 있습니다.

• scanR Anaylsis: 핵, 세포, 지점, 구조 및 명시야 핵을 위한 모델
• cellSens Count and Measure, VS200-Detect: 핵, 세포, IHC 세포 분류(Ki-67 어세이) 및 희미한 전체 샘플 인식을 위한 모델
• cellSens FV(FV4000): 노이즈 제거를 위한 모델

또한, 사전 훈련 모델은 주석 표기의 출발점으로 사용할 수 있습니다. 사전 훈련 모델의 예측은 주석으로 변환할 수 있으며, 사용자는 이를 정정할 수 있습니다. 이 워크플로는 특히 대화형 훈련과 함께 사용할 경우 잘 작동합니다(섹션 9 참조).

8. 자동 샘플 감지(2022)

AI 모델을 자동 샘플 감지를 위한 획득 워크플로에 통합하여 전체 조직 스캔, 특정 영역 인식 또는 희귀 이벤트 식별 시 시간을 절약할 수 있습니다. 워크플로는 일반적으로 저배율에서 개략적 스캔과 함께 시작되며, 그 다음 더 많은 채널, 추가적인 Z 계층 또는 광시야에서 컨포컬 스피닝 디스크 현미경 검사로의 수단 변경을 활용하는 더 큰 배율의 상세 스캔이 수행됩니다.

9. 대화형 훈련(2023)

훈련 AI 모델을 위한 새로운 대화형 워크플로가 2023년에 도입되었습니다. 이 워크플로를 통해 사용자는 대화형으로 이미지에 주석을 표기하고, 모델을 훈련하고, AI 예측을 검토하고, 정정을 수행하고, 이러한 정정 사항을 향후 훈련을 위한 새 라벨로 사용할 수 있습니다. 그러고 나서, 사용자는 새 이미지에 계속 주석을 표기하여 반복적으로 모델을 개선할 수 있습니다. 이 접근법으로 간단한 애플리케이션을 위한 AI 모델을 빠르게 개발할 수 있습니다.

10. 이미지 개선(2023)

사용자는 분할 작업과 이미지 처리 작업 모두를 위해 AI 모델을 훈련시킬 수 있습니다. 예를 들어, 노이즈 제거 또는 디콘볼루션과 같은 처리 기법을 수행하도록 모델을 가르칠 수 있습니다.

여러 채널에 걸쳐 훈련을 수행하므로 훈련을 위한 이상값을 쉽게 생성할 수 있습니다. 예를 들면, 노이즈 감소 모델을 위한 이상값을 생성하는 일은 두 개의 채널을 수집하는 일만큼 간단합니다. 이 두 개의 채널은 높은 신호 대 잡음비 채널(이상값 역할 수행)과 짧은 노출 및 저조도 여기 채널입니다.

이 접근법의 주요 장점은 연구자들이 자체 샘플을 사용하여 AI 모델을 훈련할 수 있다는 것입니다. 이를 통해, 할루시네이션(설명 불가한 거짓 구조)과 같은 아티팩트를 최소화하면서 특정 대상 구조를 위해 최적의 성능을 달성할 수 있습니다.

계속 진화하는 TruAI 기술

TruAI 기술은 지난 6년에 걸쳐 지속적으로 진화해 왔으며, 그 과정에서 분할, 분류, 스케일링 및 실시간 분석을 개선하고 이미지를 향상시켰습니다. 유연성과 사용 편이성, 그리고 Evident 소프트웨어 플랫폼 전반에 통합되는 특성 덕분에 TruAI는 생명 과학 분야의 AI 기반 이미지 분석을 위한 강력한 도구가 되었습니다.

TruAI 모델이 실제로 활용되는 방식에 대해 더 알아보려면, Evident의 현미경 전문가 팀에게 문의하여 맞춤형 데모를 요청하세요.