Theia Scientific은 Ultralytics YOLO 모델을 플랫폼에 통합하여 현미경 데이터 처리 방식을 혁신하고 분석을 더욱 효율적이고 안정적으로 개선했습니다.
재료 과학 및 나노기술과 같은 분야의 과학 연구에서는 육안으로 볼 수 없는 구조를 탐색하기 위해 하전 입자, 주사 프로브 및 광학 현미경에 의존하는 경우가 많습니다. 예를 들어, 투과 전자 현미경(TEM)은 나노 및 원자 규모의 미세한 세부 사항을 포착할 수 있는 핵심 도구입니다.
안타깝게도 이러한 이미지를 획득한 후 분석하는 작업은 느리고 복잡할 수 있으며, 상당한 수작업과 도메인 전문 지식이 필요한 경우가 많습니다. 이 프로세스를 개선하기 위해 Theia Scientific은 실시간 현미경 이미지 분석 시스템인 Theiascope™ 플랫폼을 개발했습니다. 이 플랫폼은 Ultralytics YOLO 모델을 통합하여 이미지 검출, 세그멘테이션 및 정량 측정을 자동화하고 현미경 분석을 더 빠르고 효율적이며 재현 가능하게 합니다.
과학 이미징에서 Vision AI의 역할 탐색#
형제인 Kevin과 Christopher Field가 설립한 Theia Scientific은 현미경 연구를 가속화하는 고급 소프트웨어 도구를 개발합니다. 재료 과학, 산업 자동화, 전자공학 및 소프트웨어 엔지니어링을 아우르는 전문성을 바탕으로 과학자, 엔지니어 및 연구자가 복잡한 이미지 데이터를 분석할 때 직면하는 병목 현상을 줄이는 데 주력합니다.
대표 제품인 Theiascope™ 플랫폼은 컴퓨터 비전을 통합하여 전자 현미경 이미지의 특징을 자동으로 검출하고 세그멘테이션하며 측정합니다. 수동 주석 및 트레이싱 대신 Vision AI를 활용함으로써 이 플랫폼은 일관되고 재현 가능한 결과를 제공합니다.
현미경 이미지를 수동으로 분석하기 어려운 이유는 무엇인가요?#
현미경 이미지는 특히 TEM으로 촬영한 경우 매우 상세하지만 해석하기가 어렵습니다. 각 이미지에는 입자와 경계처럼 미세하게 구분되는 수백에서 수천 개의 특징과 구조가 포함되어 있으며, 의미 있는 데이터를 추출하려면 이를 세심하게 식별하고 주석 처리하며 트레이싱하거나 측정해야 합니다. 전통적으로 이 작업은 수작업으로 수행되어 시간이 오래 걸리고 사람마다 결과가 달라질 수 있습니다. 두 연구자가 동일한 이미지에 서로 다르게 주석을 달 수 있으며, 이로 인해 결과가 일관되지 않고 오차 막대가 커질 수 있습니다.
대규모 데이터셋이 포함되면 이 프로세스는 더욱 복잡해집니다. 신뢰할 수 있는 인사이트를 얻으려면 수천 개의 이미지를 분석해야 하는 경우가 많으며, 수동 방식으로는 몇 주 또는 몇 달이 걸릴 수 있습니다. 또한 대비, 노이즈 및 겹쳐진 구조의 차이로 인해 프로세스가 더욱 어려워집니다.
미세구조의 변화를 연구하거나 시간에 따른 변화를 추적하려는 연구자에게 이러한 문제는 연구 진행을 늦출 수 있습니다. Theia Scientific은 이러한 문제를 해결하려면 더욱 자동화되고 안정적인 솔루션이 필요하다는 점을 인식했습니다.
Ultralytics YOLO 모델을 활용한 현미경 워크플로 개선#
현미경 데이터 분석을 자동화하기 위한 다양한 접근 방식을 검토한 후, Theia Scientific은 Ultralytics YOLO 모델이 실시간 현미경 이미지 분석에 필요한 속도, 정확도 및 유연성을 제공하여 실험이 진행 중인 현미경에서 즉각적인 정량 결과를 얻을 수 있다는 점을 확인했습니다. Ultralytics YOLO11 및 Ultralytics YOLOv8과 같은 Ultralytics YOLO 모델은 객체 검출(이미지 내 개별 특징을 식별하고 위치를 찾는 작업) 및 인스턴스 세그멘테이션(픽셀 수준에서 각 특징의 윤곽을 지정하는 작업)과 같은 컴퓨터 비전 작업을 지원합니다. 이러한 작업을 통해 TEM 이미지가 캡처되는 즉시 입자와 경계 같은 나노스케일 구조를 직접 검출할 수 있습니다.
그림 1. 현재 현미경 이미지 및 데이터 분석 워크플로입니다. 과학자, 엔지니어 및 연구자는 궁극적으로 워크플로의 마지막 단계에서 발견과 해답을 찾습니다. 한편, 워크플로는 단절되어 있고 노동 집약적이며, 각 단계에 필요한 상대적인 시간과 작업량이 하단에 표시되어 있습니다. 특징 검출 및 집계 단계가 워크플로에서 가장 많은 시간이 소요되는 단계입니다. 획득 단계로 되돌아가는 회색 화살표는 현재 데이터가 유용하지 않아 데이터를 다시 획득해야 함을 나타냅니다. 출처: Theia Scientific.
예를 들어, 최근 다결정 박막에 관한 연구에서는 Theiascope™와 Ultralytics YOLO 모델을 사용하여 전자기기, 코팅 및 에너지 장치에 사용되는 재료의 특성에 영향을 미치는 입자 구조를 식별하고 측정했습니다. 정확한 입자 크기 분포는 실험 중 이러한 박막이 어떻게 변화하는지 이해하는 데 매우 중요합니다.
Ultralytics YOLO 모델이 이러한 사용 사례에서 매우 효과적인 핵심 이유 중 하나는 대규모 데이터셋에 걸쳐 보간할 수 있는 능력입니다. 실험의 모든 프레임에 레이블을 지정할 필요 없이 연구자는 이미지의 일부만 주석 처리하고 YOLO 모델을 학습시킨 다음, 수천 개의 추가 프레임을 안정적으로 분석하도록 할 수 있습니다. 이를 통해 최소한의 수동 입력만으로 시간 경과형 TEM 실험에서 시간에 따른 입자 성장과 경계 변화를 추적할 수 있습니다.
Ultralytics YOLO 모델을 선택한 이유#
앞서 설명한 다결정 박막 연구에서 Ultralytics YOLOv8은 과학 이미지 분석에 자주 사용되는 모델인 U‑Net보다 최대 43배 빠른 것으로 확인되었습니다. 이러한 속도 덕분에 YOLO는 실시간 현미경 내 분석에 실용적으로 활용될 수 있습니다.
U‑Net은 정확하지만 느린 반면, YOLO는 속도와 정확도를 모두 갖추어 입자 크기 측정에서 기준값과 3% 이내의 일치도를 보였습니다. 또한 YOLO의 설계는 다양한 스케일과 학습 설정을 쉽게 처리할 수 있어 더욱 유연합니다. 연구자에게 이는 신뢰성을 저하시키지 않으면서 더 빠른 결과를 얻을 수 있음을 의미하며, 현미경 워크플로를 가속화하는 데 이상적입니다.
그림 2. 수동 트레이싱(b) 및 U‑Net(c)과 비교할 때 YOLOv8 세그멘테이션(d)은 현미경 이미지에서 더 선명하고 정확한 윤곽을 제공합니다. (출처)
YOLO로 현미경 분석의 편향을 줄이고 일관성 향상#
Theiascope™ 플랫폼을 통해 Theia Scientific은 Ultralytics YOLO 모델이 재현 가능하고 장기적인 연구를 지원하면서 현미경 이미지 분석과 TEM 실험을 가속화할 수 있음을 보여주었습니다. 이 플랫폼은 특정 현미경에 종속되지 않도록 설계되었으며, 맞춤형 파이프라인 없이도 다양한 장비에서 수집한 이미지를 YOLO 모델로 분석할 수 있습니다. 이러한 유연성은 다양한 실험, 작업자 및 환경에서 워크플로의 일관성을 보장합니다.
재현성 역시 중요한 성과입니다. 과학 연구에서는 수년 후 결과를 다시 검토하고 검증해야 하는 경우가 많습니다. Theiascope™에 다양한 YOLO 모델이 통합되어 있어 연구자는 보관된 데이터셋에서 Ultralytics YOLOv5와 같은 이전 모델을 다시 실행하여 일관된 출력을 얻은 다음, 이를 Ultralytics YOLO11과 같은 최신 모델의 결과와 직접 비교할 수 있습니다. 이를 통해 AI 방법이 발전하더라도 연구 결과를 간단하게 검증할 수 있습니다.
그림 3. Theiascope™ 플랫폼입니다. 전자 현미경 이미지는 획득 컴퓨터에서 캡처되어 웹 애플리케이션, 시계열 데이터베이스 및 Ultralytics YOLO 모델을 실행하는 GPU 지원 장치로 스트리밍됩니다. OTA 업데이트를 통해 업데이트와 새로운 Ultralytics YOLO 모델을 플랫폼에 배포할 수 있습니다. 출처: Theia Scientific.
또한 Ultralytics YOLO 모델은 대규모 데이터셋을 처리하는 데 필요한 확장성을 플랫폼에 제공합니다. 실시간 추론 기능을 활용하면 몇 개의 이미지를 수동으로 분석하는 데 걸리는 시간에 수천 개의 TEM 이미지를 분석할 수 있습니다. 이를 통해 연구자는 전체 실험에서 입자 성장과 같은 동적 프로세스를 추적하고, 첨단 연구에 필요한 규모와 속도로 새로운 인사이트를 생성하며 새로운 실험을 가능하게 할 수 있습니다.
차세대 연구 도구에 고급 Vision AI 통합#
Theia Scientific은 Ultralytics YOLO 모델을 현미경의 미래를 위한 기반으로 보고 있습니다. 학습 방법과 보정 접근 방식을 지속적으로 개선하여 다양한 스케일과 실험 조건에서 정확도를 더욱 향상시키는 것을 목표로 합니다.
앞으로 Theia Scientific은 더 복잡한 현장(in-situ) 실험과 멀티모달 데이터셋을 지원하도록 Theiascope™를 확장할 계획입니다. Vision AI가 차세대 연구 워크플로의 표준 요소가 되어 과학의 다양한 분야에서 더 빠른 발견과 깊이 있는 인사이트를 제공할 가능성이 높다고 보고 있습니다.
회사의 워크플로를 간소화하는 데 관심이 있으신가요? Vision AI에 대해 자세히 알아보려면 GitHub 저장소를 확인해 보세요. 의료 분야의 AI 및 소매 분야의 컴퓨터 비전과 같은 영역에서 YOLO 모델이 어떻게 혁신을 이끌고 있는지 살펴보세요. YOLO를 직접 활용해 보려면 당사의 라이선스 옵션이 비전을 어떻게 지원할 수 있는지 알아보세요.
