Ultralytics YOLO 모델을 플랫폼에 통합함으로써 Theia Scientific은 현미경 데이터 처리 방식을 혁신하고 분석을 더 효율적이고 신뢰할 수 있게 만들었습니다.
재료 과학 및 나노기술과 같은 분야의 과학 연구에서는 사람의 눈에 보이지 않는 구조를 탐구하기 위해 하전 입자 현미경, 주사 탐침 현미경, 광학 현미경을 사용하는 경우가 많습니다. 예를 들어 투과전자현미경(TEM)은 나노 및 원자 규모의 미세한 세부 사항을 포착할 수 있는 핵심 도구입니다.
하지만 이미지를 획득한 후 이를 분석하는 과정은 느리고 복잡할 수 있으며, 상당한 수작업과 분야 전문 지식이 필요한 경우가 많습니다. 이 과정을 개선하기 위해 Theia Scientific은 Ultralytics YOLO 모델을 통합해 이미지 감지, 분할, 정량 측정을 자동화하는 실시간 현미경 이미지 분석 시스템인 Theiascope™ 플랫폼을 개발했습니다. 이를 통해 현미경 분석이 더욱 빠르고 효율적이며 재현 가능해졌습니다.
과학 이미징에서 Vision AI의 역할 탐구#
형제인 Kevin Field와 Christopher Field가 설립한 Theia Scientific은 현미경 연구를 가속화하는 첨단 소프트웨어 도구를 개발합니다. 재료 과학, 산업 자동화, 전자공학, 소프트웨어 엔지니어링에 걸친 전문성을 바탕으로 복잡한 이미지 데이터를 분석할 때 과학자, 엔지니어, 연구자가 겪는 병목 현상을 줄이는 데 주력합니다.
주력 제품인 Theiascope™ 플랫폼은 컴퓨터 비전을 통합해 전자현미경 이미지의 특징을 자동으로 감지하고 분할하며 측정합니다. 수동 주석 및 추적 대신 Vision AI를 사용하여 일관되고 재현 가능한 결과를 제공합니다.
현미경 이미지를 수동으로 분석하기 어려운 이유는 무엇인가요?#
특히 TEM으로 촬영한 현미경 이미지는 매우 상세하지만 해석하기 어렵습니다. 각 이미지에는 결정립과 경계 같은 미세한 특징 및 구조가 수백 개에서 수천 개까지 포함되어 있어 의미 있는 데이터를 추출하려면 이를 신중하게 식별하고 주석을 달고 추적하거나 측정해야 합니다. 기존에는 이 작업을 수작업으로 수행했기 때문에 시간이 오래 걸리고 작업자에 따라 결과가 달라질 수 있었습니다. 두 연구자가 같은 이미지에 서로 다르게 주석을 달면 결과가 일관되지 않고 오차 막대가 커질 수 있습니다.
대규모 데이터셋을 다루면 이 과정은 더욱 복잡해집니다. 신뢰할 수 있는 인사이트를 얻으려면 수천 장의 이미지를 분석해야 하는 경우가 많으며, 수동 방식으로는 몇 주 또는 몇 달이 걸릴 수 있습니다. 여기에 대비 차이, 노이즈, 구조 중첩까지 더해지면 작업은 더욱 어려워집니다.
미세구조의 변화를 연구하거나 시간에 따른 변화를 추적하려는 연구자에게 이러한 문제는 연구 진행을 늦출 수 있습니다. Theia Scientific은 이러한 문제를 해결하려면 더욱 자동화되고 신뢰할 수 있는 솔루션이 필요하다고 판단했습니다.
Ultralytics YOLO 모델을 사용해 현미경 워크플로 개선#
현미경 데이터 분석을 자동화하는 다양한 접근 방식을 살펴본 Theia Scientific은 Ultralytics YOLO 모델이 실시간 현미경 이미지 분석에 필요한 속도, 정확도, 유연성을 제공하여 실험이 진행 중인 동안 현미경에서 즉시 정량적 결과를 얻을 수 있음을 확인했습니다. Ultralytics YOLO11과 Ultralytics YOLOv8 같은 Ultralytics YOLO 모델은 객체 탐지(이미지 내 개별 특징의 식별 및 위치 파악)와 인스턴스 분할(각 특징의 픽셀 단위 윤곽선 표시) 같은 컴퓨터 비전 작업을 지원합니다. 이러한 작업을 통해 TEM 이미지가 촬영되는 즉시 이미지에서 결정립과 경계 같은 나노스케일 구조를 직접 감지할 수 있습니다.
그림 1. 현재 현미경 이미지 및 데이터 분석 워크플로입니다. 과학자, 엔지니어, 연구자는 워크플로의 최종 단계에서 발견과 해답을 얻고자 합니다. 반면 워크플로는 단절되어 있고 많은 노력이 필요하며, 각 단계에 필요한 상대적 시간과 노동량은 아래에 표시되어 있습니다. 특징 감지와 집계 단계가 워크플로에서 가장 많은 시간이 소요됩니다. 획득 단계로 되돌아가는 회색 화살표는 현재 데이터가 유용하지 않아 데이터를 다시 획득해야 하는 상황을 나타냅니다. 출처: Theia Scientific.
예를 들어 최근 다결정 박막 연구에서는 전자제품, 코팅, 에너지 장치에 사용되는 재료의 특성에 영향을 미치는 결정립 구조를 식별하고 측정하는 데 Theiascope™와 Ultralytics YOLO 모델을 사용했습니다. 실험 중 이러한 박막이 어떻게 변화하는지 이해하려면 정확한 결정립 크기 분포가 중요합니다.
이러한 활용 사례에서 Ultralytics YOLO 모델이 특히 효과적인 주요 이유 중 하나는 대규모 데이터셋 전반에 걸쳐 보간할 수 있다는 점입니다. 실험의 모든 프레임에 라벨을 지정하는 대신, 연구자는 이미지 일부에만 주석을 달고 YOLO 모델을 학습시킨 다음 수천 개의 추가 프레임을 안정적으로 분석하도록 할 수 있습니다. 따라서 최소한의 수작업으로 타임랩스 TEM 실험 전반의 결정립 성장과 경계 변화를 추적할 수 있습니다.
Ultralytics YOLO 모델을 선택한 이유#
앞서 다룬 다결정 박막 연구에서 Ultralytics YOLOv8은 과학 이미지 분석에 자주 사용되는 모델인 U-Net보다 최대 43배 빠른 것으로 나타났습니다. 이러한 속도 덕분에 YOLO는 현미경에서 실시간으로 분석하는 데 실용적입니다.
U-Net은 정확하지만 느린 반면, YOLO는 속도와 정확도를 모두 갖추었으며 결정립 크기 측정값이 정답과 3% 이내로 일치합니다. 또한 설계 특성상 다양한 스케일과 학습 설정을 손쉽게 처리해 더욱 유연합니다. 연구자는 신뢰성을 희생하지 않고 더 빠르게 결과를 얻을 수 있어 현미경 워크플로를 가속하는 데 적합합니다.
그림 2. 수동 추적(b) 및 U-Net(c)과 비교했을 때 YOLOv8 분할(d)은 현미경 이미지에서 더 선명하고 정확한 윤곽선을 제공합니다. (출처)
YOLO로 현미경 분석의 편향을 줄이고 일관성 향상#
Theia Scientific은 Theiascope™ 플랫폼을 통해 Ultralytics YOLO 모델이 재현 가능하고 장기적인 연구를 지원하면서 현미경 이미지 분석과 TEM 실험을 가속할 수 있음을 보여주었습니다. 이 플랫폼은 특정 현미경에 종속되지 않도록 설계되어, 맞춤형 파이프라인 없이도 YOLO 모델을 사용해 서로 다른 기기에서 수집한 이미지를 분석합니다. 이러한 유연성은 다양한 실험, 작업자, 환경에서도 워크플로의 일관성을 유지합니다.
재현성도 중요한 성과입니다. 과학 연구에서는 수년이 지난 뒤에도 결과를 다시 검토하고 검증해야 하는 경우가 많습니다. Theiascope™에 여러 YOLO 모델이 통합되어 있어 연구자는 보관된 데이터셋에 Ultralytics YOLOv5와 같은 이전 모델을 다시 실행해 일관된 결과를 얻고, 이를 Ultralytics YOLO11과 같은 최신 모델의 결과와 직접 비교할 수 있습니다. AI 방법이 발전하더라도 연구 결과를 간편하게 검증할 수 있습니다.
그림 3. Theiascope™ 플랫폼입니다. 전자현미경 이미지가 획득 컴퓨터에서 캡처되어 웹 애플리케이션, 시계열 데이터베이스, Ultralytics YOLO 모델을 실행하는 GPU 지원 장치로 스트리밍됩니다. OTA 업데이트를 통해 플랫폼에 업데이트와 새로운 Ultralytics YOLO 모델을 배포할 수 있습니다. 출처: Theia Scientific.
또한 Ultralytics YOLO 모델은 대규모 데이터셋을 처리하는 데 필요한 확장성을 플랫폼에 제공합니다. 실시간 추론 기능을 통해 몇 장의 이미지를 수동으로 분석하는 데 드는 시간에 수천 장의 TEM 이미지를 분석할 수 있습니다. 이를 통해 연구자는 전체 실험에서 결정립 성장과 같은 동적 과정을 추적하고, 첨단 연구에 필요한 규모와 속도로 새로운 인사이트를 도출하고 새로운 실험을 진행할 수 있습니다.
차세대 연구 도구에 첨단 Vision AI 통합#
Theia Scientific은 Ultralytics YOLO 모델을 현미경 기술의 미래를 위한 기반으로 보고 있습니다. 학습 방법과 보정 접근 방식을 계속 개선하여 다양한 규모와 실험 조건에서 정확도를 더욱 높이고자 합니다.
앞으로 Theia Scientific은 더욱 복잡한 현장(in-situ) 실험과 멀티모달 데이터셋을 지원하도록 Theiascope™를 확장할 계획입니다. Vision AI가 차세대 연구 워크플로의 표준 요소가 되어 과학 분야 전반에서 더 빠른 발견과 심층적인 인사이트를 제공할 것으로 보고 있습니다.
회사 워크플로를 간소화하는 데 관심이 있으신가요? GitHub 저장소에서 Vision AI에 대해 자세히 알아보세요. YOLO 모델이 의료 분야의 AI와 소매 분야의 컴퓨터 비전 등에서 혁신을 이끄는 방식을 살펴보세요. YOLO를 직접 사용해 보려면 라이선스 옵션이 비전을 실현하는 데 어떻게 도움이 되는지 확인해 보세요.
