Theia Scientific은 Ultralytics YOLO 모델을 통해 현미경 데이터 분석을 재정의합니다.

재료 과학 및 나노 기술과 같은 분야의 과학 연구는 종종 하전 입자, 주사 탐침 및 광학 현미경을 사용하여 인간의 눈에 보이지 않는 구조를 탐구합니다. 예를 들어, 투과 전자 현미경(TEM)은 나노 및 원자 규모에서 미세한 세부 사항을 캡처할 수 있는 핵심 도구입니다.

안타깝게도 이러한 이미지를 획득한 후 분석하는 데 시간이 오래 걸리고 복잡할 수 있으며 상당한 수동 작업과 전문 지식이 필요한 경우가 많습니다. 이 프로세스를 개선하기 위해 Theia Scientific은 Ultralytics YOLO 모델을 통합하여 이미지 감지, 분할 및 정량적 측정을 자동화하여 현미경 검사를 더 빠르고 효율적이며 재현 가능하게 만드는 실시간 현미경 이미지 분석 시스템인 Theiascope™ 플랫폼을 개발했습니다.

과학 이미징에서 Vision AI의 역할 탐색

Kevin과 Christopher Field 형제가 설립한 Theia Scientific은 현미경 연구를 가속화하기 위한 고급 소프트웨어 도구를 개발합니다. 재료 과학, 산업 자동화, 전자 및 소프트웨어 엔지니어링에 걸친 전문 지식을 바탕으로 과학자, 엔지니어 및 연구원이 복잡한 이미지 데이터를 분석할 때 직면하는 병목 현상을 줄이는 데 주력합니다. 

그들의 대표 제품인 Theiascope™ 플랫폼은 컴퓨터 비전을 통합하여 전자 현미경 이미지의 특징을 자동으로 감지, 분할 및 측정합니다. 수동 주석 및 추적 대신 비전 AI에 의존함으로써 이 플랫폼은 일관되고 재현 가능한 결과를 제공합니다.

현미경 이미지를 수동으로 분석하기 어려운 이유는 무엇인가요?

현미경 이미지, 특히 TEM으로 캡처한 이미지는 매우 상세하지만 해석하기 어렵습니다. 각 이미지에는 의미 있는 데이터를 추출하기 위해 신중하게 식별, 주석 처리, 추적 및/또는 측정해야 하는 수백에서 수천 개의 미세한 특징과 구조(예: 입자 및 경계)가 포함되어 있습니다. 전통적으로 이는 수동으로 수행되었으며, 이는 느리고 사람마다 다를 수 있습니다. 두 명의 연구원이 동일한 이미지에 대해 서로 다른 방식으로 주석을 달아 일관성 없는 결과와 큰 오차 막대로 이어질 수 있습니다.

대규모 데이터 세트가 관련된 경우 이 프로세스는 훨씬 더 복잡해집니다. 신뢰할 수 있는 통찰력을 얻으려면 수천 개의 이미지를 분석해야 하는 경우가 많으며, 수동 방법을 사용하면 몇 주 또는 몇 달이 걸릴 수 있습니다. 또한 대비, 노이즈 및 겹치는 구조의 변화로 인해 프로세스가 더욱 어려워집니다.

미세 구조 변화를 연구하거나 시간 경과에 따른 변화를 추적하려는 연구자에게 이러한 문제는 연구 속도를 늦출 수 있습니다. Theia Scientific은 이러한 문제에 대해 더 자동화되고 안정적인 솔루션이 필요하다는 것을 인지했습니다.

Ultralytics YOLO 모델을 사용하여 현미경 워크플로 개선

Theia Scientific은 현미경 데이터 분석을 자동화하기 위한 다양한 접근 방식을 모색한 후 Ultralytics YOLO 모델이 실시간 현미경 이미지 분석에 필요한 속도, 정확성 및 유연성을 제공하여 실험이 진행되는 동안 현미경에서 즉각적인 정량적 결과를 얻을 수 있음을 확인했습니다. Ultralytics YOLO11 및 Ultralytics YOLOv8과 같은 Ultralytics YOLO 모델은 객체 감지(이미지에서 개별 특징 식별 및 위치 찾기) 및 인스턴스 분할(픽셀 수준에서 각 특징 윤곽선 표시)과 같은 컴퓨터 비전 작업을 지원합니다. 이러한 작업을 통해 TEM 이미지에서 나노 스케일 구조(예: 입자 및 경계)를 캡처하는 즉시 직접 감지할 수 있습니다.

‍

예를 들어, 최근 다결정 박막에 대한 연구에서 Theiascope™와 Ultralytics YOLO 모델을 사용하여 전자 제품, 코팅 및 에너지 장치에 사용되는 재료의 특성에 영향을 미치는 결정립 구조를 식별하고 측정했습니다. 정확한 결정립 크기 분포는 이러한 박막이 실험 중에 어떻게 진화하는지 이해하는 데 매우 중요합니다. 

Ultralytics YOLO 모델이 이러한 사용 사례에서 매우 효과적인 주요 이유 중 하나는 대규모 데이터 세트에 걸쳐 보간할 수 있기 때문입니다. 연구자들은 실험의 모든 프레임에 레이블을 지정하는 대신 이미지의 작은 부분에만 주석을 달고 YOLO 모델을 훈련한 다음 수천 개의 추가 프레임을 안정적으로 분석할 수 있습니다. 이를 통해 최소한의 수동 입력으로 시간 경과에 따른 TEM 실험에서 곡물 성장 및 경계 변화를 추적할 수 있습니다.

Ultralytics YOLO 모델을 선택하는 이유

앞서 논의한 다결정 박막에 대한 연구에서 Ultralytics YOLOv8은 U‑Net(과학적 이미지 분석에 자주 사용되는 모델)보다 최대 43배 더 빠른 것으로 나타났습니다. 이러한 속도로 인해 YOLO는 실시간 현미경 분석에 실용적입니다. 

U-Net은 정확하지만 느린 반면, YOLO는 속도와 정확성을 결합하여 실제 크기 측정과 3% 이내로 일치하는 곡물 크기 측정을 제공합니다. 또한 설계상 다양한 규모와 훈련 설정을 쉽게 처리할 수 있어 유연성이 뛰어납니다. 연구원에게 이는 신뢰성을 희생하지 않고 더 빠른 결과를 얻을 수 있음을 의미하며, 이는 현미경 워크플로를 가속화하는 데 이상적입니다.

‍

YOLO를 사용하여 현미경 검사에서 편향을 줄이고 일관성 향상

Theia Scientific은 Theiascope™ 플랫폼을 통해 Ultralytics YOLO 모델이 현미경 이미지 분석 및 TEM 실험을 가속화하고 재현 가능한 장기 연구를 지원할 수 있음을 보여주었습니다. 이 플랫폼은 현미경에 구애받지 않도록 설계되었으며, 이는 YOLO 모델이 맞춤형 파이프라인 없이도 다양한 장비에서 수집한 이미지를 분석하는 데 사용됨을 의미합니다. 이러한 유연성을 통해 다양한 실험, 운영자 및 환경에서 워크플로가 일관되게 유지됩니다.

재현성은 또 다른 핵심 결과입니다. 과학 연구는 종종 몇 년 후에 결과를 다시 검토하고 검증해야 합니다. 다양한 YOLO 모델이 Theiascope™에 통합되어 있으므로 연구자들은 보관된 데이터 세트에서 Ultralytics YOLOv5와 같은 이전 모델을 다시 실행하고 일관된 출력을 얻은 다음 Ultralytics YOLOv8과 같은 최신 모델의 결과와 직접 비교할 수 있습니다. 이를 통해 AI 방법이 발전하더라도 결과를 간단하게 확인할 수 있습니다.

‍

또한 Ultralytics YOLO 모델은 플랫폼이 대규모 데이터 세트를 처리하는 데 필요한 확장성을 제공합니다. 실시간 추론 기능을 통해 수천 장의 TEM 이미지를 수동으로 분석하는 데 걸리는 시간에 분석할 수 있습니다. 이를 통해 연구자들은 전체 실험에서 зерно 성장과 같은 동적 프로세스를 추적하여 새로운 통찰력을 생성하고 최첨단 연구에 필요한 규모와 속도로 새로운 실험을 수행할 수 있습니다.

차세대 연구 도구에 고급 Vision AI 통합

Theia Scientific은 Ultralytics YOLO 모델을 현미경의 미래를 위한 토대로 보고 있습니다. 훈련 방법과 보정 접근 방식을 지속적으로 개선함으로써 규모와 실험 조건 전반에 걸쳐 정확도를 더욱 향상시키는 것을 목표로 합니다. 

앞으로 Theia Scientific은 Theiascope™를 확장하여 보다 복잡한 현장 실험 및 다중 모드 데이터 세트를 지원할 계획입니다. 그들은 Vision AI가 차세대 연구 워크플로의 표준 부분이 되어 과학 분야 전반에 걸쳐 더 빠른 발견과 더 깊은 통찰력을 가능하게 할 것이라고 믿습니다.

회사의 워크플로우를 간소화하는 데 관심이 있으신가요? GitHub 저장소를 확인하여 Vision AI에 대해 자세히 알아보세요. YOLO 모델이 헬스케어 분야의 AI 및 리테일 분야의 컴퓨터 비전과 같은 영역에서 어떻게 혁신을 주도하고 있는지 살펴보세요. YOLO를 직접 사용해 보려면 라이선스 옵션이 어떻게 비전을 지원할 수 있는지 알아보세요.