전통적인 고처리량 dPCR 형광 이미지 분석 결과는 위양성 점과 비특이적 증폭으로 인해 양성 점 인식률이 낮은 경향이 있어, 본 논문에서는 양성 점 인식 정확도를 향상시키기 위해 다중 특성 융합 고처리량 dPCR 형광 이미지 인식 방법(HDFINet)을 제안한다. 우선, 특성 융합 부분에서 하향식 구조를 도입하여 하위 특성이 상위에서 보다 효과적으로 활용되도록 하였다. 하향식 구조에서는 채널 주의를 사용하여 형광 이미지 채널 가중치를 분배하고, 공간 주의를 사용하여 특성 맵 내 형광 이미지 픽셀별 대응 가중치를 분배하여 특성 맵이 형광 이미지 특징에 더 잘 반응하도록 한다. 이후 RPN에서는 적응형 교집합비(IOU)를 사용하여 양성 점 경계 상자 신뢰도를 계산하여 양성 점 정보 손실 가능성을 줄인다. 마지막으로 ROI Align을 통해 형광 이미지 후보 영역 내 양성 점 특성의 크기를 재고정한 후 완전 연결층 및 완전 합성곱층에 입력하여 분류 및 회귀 상자 회귀를 수행하고 양성 점 인식 결과를 출력한다. 제안한 HDFINet 네트워크는 높은 인식률을 가지며 형광 이미지 내 양성 점 인식을 효과적으로 수행할 수 있다. YOLOv4, VF-Net, GROIE와 비교했을 때 본 방법은 종합 지표 F1에서 가장 높으며, 고전적 딥러닝 네트워크인 Mask R-CNN 대비 본 방법은 양성 점 인식 진양성률을 1.13%, 양성 예측값을 0.36%, 종합 지표 F1 값을 0.75% 향상시켰다. 본 논문에서 제안한 HDFINet 네트워크는 우수한 인식 성능을 갖추고 있어 형광 이미지 내 양성 점을 효과적으로 인식하며, 다른 형광 이미지 분석 연구에 참고가 될 수 있다.

dPCR;딥러닝;형광 이미지;양성 점