KAIST는 김재철 AI 대학원 예종철 교수 연구팀이 서울대학교 장성호 교수팀, 포스텍 김기현 교수팀과 공동연구를 통해 형광 현미경의 오랜 문제인 이방성(Anisotropy)을 해결해, 3차원 영상 화질을 획기적으로 끌어올리는 인공지능 기술을 개발했다고 29일 밝혔다. 

전자 현미경과 더불어 형광 현미경은 생물학 분야에서 생물학적 정보를 시각적으로 얻기 위해 가장 보편적으로 쓰이는 영상 획득 방법이다. 과거에는 2차원의 현미경 영상으로 생물학적 정보를 얻었지만, 더 복잡한 생물학적 구조를 이해하기 위해 3차원 영상 획득에 대한 필요성은 갈수록 높아지고 있다. 예를 들어, 뇌의 신경세포 연결망과 같이 매우 복잡한 생물학적 구조를 이해하기 위해서는, 대규모 3차원 영상 정보가 필요하고, 이를 세부 분석할 수 있도록 고화질로 획득하는 것이 매우 중요하다. 

형광 현미경은 형광 물질로 염색한 생물 조직에 빛을 투과시켜 형광 현상을 유도하여 시각화를 이루어낸다. 형광 현미경에 있어 형광 물질과 빛의 상호작용은 영상의 화질을 결정하는 중요한 요소 중의 하나이다. 이 때 발생하는 빛의 회절 현상은 영상 촬영 방향에 더 좋지 않은 영향을 끼친다. 이 때문에, 형광 현미경을 이용하여 3차원 영상을 촬영하는데 있어, 영상을 촬영하는 방향에 대한 화질이 다른 방향보다 현저하게 떨어지게 된다. 이를 현미경 광학에서 비등방성 (Anisotropy) 문제라고 한다. 이는 현미경을 새로 물리적으로 디자인하는 방법을 통해서도 아직 극복하기가 쉽지가 않은데, 적게도 2-3배 정도의 화질 차이가 있고, 이는 생물 조직에 대한 고화질의 3차원 영상을 얻는데 있어 큰 걸림돌로 작용하고 있다. 

이를 해결하기 위하여, 인공지능을 이용한 고화질 복원 기술들이 활발하게 연구되고 있으나, 아직까지 실제 연구 환경에서 생물학 연구자가 쓰기에는 불편한 점들이 많다. 예를 들어, 기존 대부분의 인공기능 기법들은 지도학습이라는 방법에 의존하고 있다. 이는 인공지능 신경망을 학습하기 위해서, 일대일로 비교할 수 있는, 저화질과 고화질 데이터가 둘 다 필요하다는 뜻이다. 이를 해당 현미경 비등성 문제에 적용하여, 3차원 고화질 복원을 인공 신경망에 학습시키고자 한다면, 학습 비교군으로 쓸 수 있도록 3차원 고화질 데이터를 물리적으로 별도 획득해야 한다는 어려움이 있다. 그와 더불어, 생물 조직의 성질이 바뀌거나, 촬영 환경이 바뀔 때마다 새로 별도 획득해야 한다는 추가적인 어려움이 따른다.  

이 연구에서는 하나의 3차원 영상만을 이용하여 비등성 화질 차이를 해결 하고자 하였다. 3차원 영상 공간은 XYZ축으로 구성된 기하학적 공간으로 볼 수 있는데, 비등성 문제를 가진 3차원 영상의 경우, 이중 XY 단면은 기존 현미경 성능에 맞춘 고화질 영상으로 얻을 수 있지만, 이와 수직인 영상 획득 축인 XZ, YZ 단면에서는 이보다 훨씬 떨어지는 저화질 영상으로 얻어진다. 

이 연구에서는 XY 단면에서 고화질에 해당하는 수학적 성분을 추출하여, 이를 저화질인 XZ, YZ 단면에 적용하는 방법을 택하였다. 이는 두 확률적 분포 간의 변환 거리 값을 최소화하는 문제인 최적 수송 (Optimal Transport)라는 수학적 문제로 재정의 할 수 있다. 이 수학적 문제 해결을 구현하는 CycleGAN이라는 기존의 심층 신경망 알고리즘을 해당 비등성 문제 해결에 특화시켜, 하나의 3차원 영상 안에서 각각 다른 영상 축 간의 저화질과 고화질 2차원 영상을 추출하는 방식으로 바꾸었다. 이러한 추출 방식을 바탕으로, 저화질과 고화질의 수학적 분포 간 변환하는 통계적 거리를 최소화하는 방식을 학습하였다. 이를 통해, 인공 신경망은 저화질의 영상을 고화질로 향상할 수 있는 능력을 학습할 수 있게 된다. 

해당 논문에서는 생물학적 검증을 위해, 생물 조직 투명화 과정을 거친 쥐 대뇌 샘플을 공초점 현미경 (Confocal microscopy)과 포항공대에서 독자 개발한 OT-LSM (오픈탑 시트광현미경)으로 촬영하였다. 조직 샘플을 90도로 물리적 회전하여 찍거나, 현미경의 영상 촬영 조건을 임의로 바꾸는 등의 다양한 방식으로 얻어진 데이터에 적용 후 비교하여, 복원된 영상에 대한 생물학적 검증을 하였다. 검증 결과, 기존의 3차원 영상에서는 뭉그러지고, 거의 상실되었던 생물학적 조직을 아주 정밀하게 복원하는 것이 가능하고, 이를 통해 신경 세포의 연결망을 더 정확하게 획득할 수 있는 것을 증명하였다. 

이 연구에서 개발한 인공지능 기법은 연구자로 하여금 별도의 준비 과정 없이 3차원 영상 하나만을 가지고도 비등성 문제를 해결하여 고화질로 복원할 수 있다는 점에서 큰 실용적 이점을 가진다. 이 기법을 통해, 생물 조직을 3차원 분석하려는 연구자에게 화질 향상을 통한 새로운 과학적 사실 발견에 기여하고자 한다. 해당 논문에서는 투명화 과정을 거친 쥐의 대뇌 조직의 3차원 영상의 화질을 크게 향상시켰다. 이러한 화질 향상을 통해 뇌의 신경세포들간의 연결망을 분석하여 뇌지도를 만드는 연구에 적용할 수 있으며, 이렇게 궁극적으로 얻어진 세포 단위의 정밀한 뇌지도를 통해 치매, 우울증 등의 정신 질환을 더 깊게 이해하고, 치료 방법 기술 개발에 대한 기대도 할 수 있다. 

예종철 교수는 "3차원 영상 획득에 있어 극복하기 어려웠던 현미경의 물리적 한계를 인공지능 기술을 통해 뛰어넘었다는 점에서 의미가 있고, 비지도 학습 기반으로 훈련이 진행되기 때문에, 다양한 많은 종류의 3차원 영상 촬영 기법에도 확장 적용 가능하며, 또한 인공지능 연구의 새로운 응용을 개척했다는 데 의미가 있다ˮ고 말했다.

KAIST 김재철 AI 대학원의 예종철 교수가 주도하고, 박형준 연구원이 제1 저자로 참여한 이번 연구 결과는 국제 학술지 `네이처 커뮤니케이션스(Nature Communications)' 6월 8일 字 온라인판에 게재됐다.

* 논문명: Deep learning enables reference-free isotropic super-resolution for volumetric fluorescence microscopy
* 논문 링크: https://www.nature.com/articles/s41467-022-30949-6

이현건 기자 다른기사 보기