거시 세계에서 미시 세계에 이르기까지, 우리를 둘러싼 세상에는 아직 밝혀지지 않은 가치 있는 정보를 담은 이미지가 가득합니다. 겉보기에는 서로 다른 분야인 원격탐사와 현미경 영상 분석에도 생각보다 많은 공통점이 있습니다. 두 분야 모두 첨단 기술을 활용해 방대한 데이터를 분석하고 의미 있는 통찰을 도출합니다.
원격탐사는 일반적으로 인공위성이나 항공기를 이용해 멀리 떨어진 곳에서 데이터를 수집하고 분석하는 기술입니다. 환경 모니터링, 농업, 도시계획 등 다양한 분야에서 활용됩니다. 반면 현미경 영상 분석은 현미경으로 촬영한 이미지를 관찰하여 미세한 수준에서 일어나는 구조와 과정에 관한 정보를 얻는 기술입니다. 생물학, 의학, 재료과학 등에서 필수적인 역할을 합니다.
두 분야는 관찰하는 대상의 크기가 다르지만, 딥러닝의 발전으로 영상 분석 기법에서 여러 공통점이 나타나고 있습니다. 딥러닝은 신경망을 사용해 복잡한 데이터를 분석하는 머신러닝의 한 분야입니다. 이 기술은 영상 분석 방식을 크게 바꾸었으며, 과거에는 얻기 어려웠던 통찰을 가능하게 했습니다. 이 글에서는 딥러닝을 활용한 원격탐사 영상 분석과 현미경 영상 분석의 공통점을 살펴봅니다.
위성영상과 현미경 영상 분석이 직면한 복잡한 과제
복잡한 데이터 해석
원격탐사와 현미경 영상 분석은 모두 복잡한 데이터셋을 해석해야 합니다. 원격탐사에서는 위성이나 항공기에서 수집한 대규모 데이터를 처리해 유용한 정보를 추출해야 합니다. 예를 들어 합성개구레이더(SAR, Synthetic Aperture Radar) 영상은 시간, 편파, 주파수 등 여러 차원의 정보를 포함하기 때문에 해석이 복잡합니다.
이러한 핵심 매개변수는 영상의 해상도, 지표면의 다양한 특성에 대한 민감도, 투과 깊이에 영향을 미칩니다. 대기 간섭, 신호 잡음, 스페클(speckle), 신호 왜곡, 산란 효과 등의 외부 요인까지 더해지면 분석은 한층 어려워집니다. 따라서 데이터를 올바르게 해석하려면 전문적인 교육과 지식이 필요합니다.
마찬가지로 현미경 영상 분석에서도 미세한 수준의 구조와 과정을 식별하기 위해 현미경으로 촬영한 이미지를 처리해야 합니다. 관찰 대상이 매우 작기 때문에 조명, 색상, 질감의 미세한 차이만으로도 영상 해석 결과가 크게 달라질 수 있습니다. 연구자는 분석 대상을 깊이 이해하고, 데이터를 정확히 해석하기 위한 고급 분석 도구와 기법을 갖춰야 합니다.
딥러닝은 두 분야 모두에서 대규모 데이터셋을 처리하고 해석하는 데 중요한 역할을 해 왔습니다. 신경망은 영상 속 패턴과 특징을 학습해 기존 분석 기법으로는 쉽게 발견하기 어려웠던 정보를 도출할 수 있습니다. 쉽게 말해, 충분히 학습된 모델은 전문가의 지식을 점진적으로 학습·체계화하여 복잡한 분석을 대규모로 수행할 수 있습니다.
대용량 파일 처리
전자현미경 영상은 일반적으로 해상도가 10K를 넘고 경우에 따라 100K를 초과할 정도로 매우 높아, 뛰어난 수준의 세부 정보를 제공합니다. 그만큼 생성되는 이미지 파일의 크기도 상당합니다. 지리공간 분야에 사용되는 항공 및 위성영상 역시 높은 해상도와 방대한 데이터 용량을 특징으로 합니다.
전자현미경과 원격탐사는 관찰하는 대상의 크기가 크게 다르지만, 두 분야 모두 매우 큰 해상도를 가진 대규모 데이터를 처리해야 한다는 공통점이 있습니다.
전자현미경 영상을 저장하는 데 가장 널리 사용되는 형식 중 하나는 대용량 이미지 관리를 위해 설계된 타일형 TIFF(tiled TIFF)입니다. 반면 위성영상과 항공사진은 일반적으로 타일형 TIFF 구조에 공간정보 메타데이터를 추가한 GeoTIFF 형식으로 저장됩니다.
이처럼 고해상도 이미지가 매우 크고 복잡하기 때문에 사람이 육안으로 효율적으로 분석하기는 어렵습니다. 이는 드넓은 바다에서 특정 물체 하나를 찾아내는 일에 비유할 수 있습니다. 그럼에도 자연과학과 지리정보 분야의 전문가들은 아직도 이러한 고해상도 이미지를 연구할 때 자신의 노동력과 시각적 판단에 크게 의존하고 있습니다.
머신러닝 기술로 이미지 분석을 자동화하면 반복적인 수작업 검사에서 벗어날 수 있습니다. 하지만 방대한 초고해상도 이미지를 정확히 분석하는 머신러닝 모델을 개발하는 일에는 다양한 난관이 따르며, 이를 해결하려면 전문적인 역량이 필요합니다.
객체 탐지(Object Detection)
객체 탐지 모델은 원격탐사 영상과 현미경 영상의 복잡한 이미지를 분석하는 데 필수적인 도구입니다. 이러한 모델은 영상에서 특정 물체나 관심 영역의 위치를 식별하는 데 사용됩니다. 이는 거시적·미시적 규모에서 서로 다른 시스템의 구조와 기능을 이해하는 데 중요한 역할을 합니다.
원격탐사에서 객체 탐지의 주요 목적은 위성영상이나 항공사진에 나타나는 관심 객체를 자동으로 찾아 식별하는 것입니다. 탐지 대상에는 건물, 도로, 차량, 식생 및 기타 지표면 특징이 포함됩니다.
현미경 영상 분석에서는 객체 탐지 모델을 이용해 개별 세포와 다른 미세 구조의 형태 및 과정을 식별하고 분석합니다. 예를 들어 연구자는 이 모델을 사용해 세포 소기관의 존재 여부나 세포 내 단백질의 위치 등 특정한 세포 특징을 탐지하고 분석할 수 있습니다.
딥러닝 덕분에 두 분야 모두에서 객체 탐지를 높은 정확도로 수행할 수 있게 되었습니다. 특히 합성곱 신경망(CNN, Convolutional Neural Network)은 이미지 속 객체를 식별하는 데 효과적입니다. CNN은 필터를 통해 이미지의 특징을 추출하며, 특정 물체나 구조를 인식하도록 학습할 수 있습니다.
Object detection of malaria parasites in micrograph imagery on the left
and of oil tanks in remote sensing imagery on the right.
이미지 분할(Image Segmentation)
이미지 분할은 하나의 이미지를 서로 다른 물체나 구조를 포함하는 여러 영역으로 나누는 과정입니다. 이 기술은 원격탐사와 현미경 영상 분석 모두에서 관심 있는 특정 특징을 분리하는 데 사용됩니다.
원격탐사에서는 이미지 분할을 활용해 넓은 지역의 토지피복, 식생 유형, 구조물 패턴을 식별할 수 있습니다. 이러한 정보는 환경 변화의 관측, 도시화 및 산림 파괴 추적, 자원 관리 의사결정 지원 등에 활용됩니다.
현미경 영상 분석에서는 이미지 분할 모델을 사용해 개별 세포와 다른 미세 구조의 형태 및 작용을 연구합니다. 이미지를 구성 요소별로 분할하면 세포핵이나 세포질처럼 영상 내 관심 영역을 구분하고 분석할 수 있습니다.
두 분야의 중요한 공통점 중 하나는 딥러닝을 활용해 이미지 분할의 정확성과 효율성을 높인다는 점입니다. 특히 신경망은 복잡한 영상에서 의미 있는 특징을 학습하고 추출하는 데 매우 효과적이며, 이를 통해 더욱 정확하고 효율적인 분할 결과를 얻을 수 있습니다.
원격탐사 영상과 현미경 영상 분석에서는 이미지 속 물체나 영역 사이의 공간적 관계와 같은 맥락 정보를 활용해 이미지 분할 과정을 안내하고 결과의 정확도를 높일 수 있습니다.
Image segmentation of cancerous cells in micrograph imagery
on the left and of warships in remote sensing imagery on the right.
딥러닝이 원격탐사 및 현미경 영상 분석을 혁신하는 방식
정확도 향상
딥러닝을 통해 원격탐사 영상과 현미경 영상을 과거보다 더 높은 정확도로 분석할 수 있게 되었습니다. 신경망은 기존 분석 기법으로는 쉽게 드러나지 않던 이미지 속 패턴과 특징을 식별할 수 있으며, 이를 통해 물체와 구조를 더욱 정확하게 탐지하고 분류할 수 있습니다.
이에 따라 환경 변화를 모니터링하거나 의학적으로 중요한 의미를 가진 세포 구조를 식별하는 등, 우리를 둘러싼 세계를 더 깊이 이해할 수 있게 되었습니다.
효율적인 처리
딥러닝은 두 분야 모두에서 대규모 데이터셋을 더욱 효율적으로 처리할 수 있도록 했습니다. 기존 분석 기법은 시간이 많이 걸리고 상당한 수작업을 필요로 하지만, 딥러닝을 활용하면 신경망이 대량의 데이터를 빠르고 정확하게 처리해 영상 분석에 필요한 시간과 노력을 줄일 수 있습니다.
이러한 효율성 향상으로 이전보다 더 방대한 데이터를 처리하고 포괄적인 분석과 통찰을 얻을 수 있게 되었습니다. 예를 들어 원격탐사에서는 전 지구적 규모의 환경 변화를 관측할 수 있고, 현미경 영상 분석에서는 대규모 세포 이미지를 분석하여 질병의 진행 과정에 관한 정보를 얻을 수 있습니다.
비용과 속도의 혁신
정식 현미경 조직 검사는 의사가 수행하여야 하며, 임상 환경에서 이를 임상병리사가 1차적으로 수행하더라도, 인건비를 줄이는 데에는 한계가 있습니다. 문제는 도말 슬라이드를 하나 하나 보는 데는 수많은 시간과 에너지가 소모되며, 이 과정에서 의료 비용은 현저히 상승하고 도저히 절감할 수 없게 됩니다. 하지만, AI 에 기반한 현미경 슬라이드 이미지 판독은 이러한 판독 시간과 비용을 현저히 줄일 수 있는 잠재력을 가지고 있습니다.
마찬가지로, 위성 사진을 판독하는 군 인력의 경우도 결국 업무를 보면서 지치게 되고, 인건비 역시 군에서 절감할 수 없게 됩니다. 더 큰 문제는 저출산으로 인해 세계 많은 나라에서 병역 자원 수는 계속 감소 추세에 있다는 점입니다.
이러한 점에서 AI에 기반한 이미지 판독 업무의 혁신은 필연적인 시대의 흐름이며, 이러한 시대의 요구에 발맞춰 저희 옴니스랩스 주식회사는 오늘도 가장 큰 이미지에서 가장 작은 사물을 찾기 위한 노력을 계속하고 있습니다.
