[論文レビュー] A probabilistic atlas for cell identification

Greg Bubnis, Steven Ban+2 more|arXiv (Cornell University)|Mar 21, 2019

Cell Image Analysis Techniques参考文献 17被引用数 17

ひとこと要約

本論文は、ライブまたは静止画像の顕微鏡法における自動細胞同定のための確率的アトラスフレームワークを提案する。反復的ベイズモデリングを用いて、細胞の位置、形態、蛍光強度といったマルチモーダル特徴の同時確率を細胞間で追跡する。本手法は細胞間相関をモデル化することで、ラベル付けの正確性を向上させ、合成データの結果から、蛍光強度を統合することで位置情報のみのモデルよりも性能が向上することが示された。

ABSTRACT

We propose a general framework for a collaborative machine learning system to assist bioscience researchers with the task of labeling specific cell identities from microscopic still or video imaging. The distinguishing features of this approach versus prior approaches include: (1) use of a statistical model of cell features that is iteratively improved, (2) generation of probabilistic guesses at cell ID rather than single best-guesses for each cell, (3) tracking of joint probabilities of features within and across cells, and (4) ability to exploit multi-modal features, such as cell position, morphology, reporter intensities, and activity. We provide an example implementation of such a system applicable to labeling fluorescently tagged extit{C. elegans} neurons. As a proof of concept, we use a generative spring-mass model to simulate sequences of cell imaging datasets with variable cell positions and fluorescence intensities. Training on synthetic data, we find that atlases that track inter-cell positional correlations give higher labeling accuracies than those that treat cell positions independently. Tracking an additional feature type, fluorescence intensity, boosts accuracy relative to a position-only atlas, suggesting that multiple cell features could be leveraged to improve automated label predictions.

研究の動機と目的

• 高スループット顕微鏡法における手作業による細胞同定の課題が増大する中で、細胞アイデンティティのラベル付けを自動化すること。
• 誤差が連鎖的に拡大するのを防げない決定論的ラベル付け手法の限界を克服すること。
• 各新しいデータセットの提供に応じて改善が図れる柔軟でコミュニティ主導のシステムを構築し、欠落またはノイズのあるラベルに対応すること。
• 位置、形態、蛍光強度、活動といったマルチモーダルな細胞特徴を統合的確率的フレームワーク内で活用すること。
• 大規模な縦断的およびマルチアノテーション研究に適したスケーラブルな確率的細胞同定を実現すること。

提案手法

• 本フレームワークは、細胞特徴の同時確率分布を維持するベイズ統計モデルを用い、試行間の生物学的ばらつきを捉える。
• 訓練用の合成データセット作成のために、現実的で変動のある細胞位置と蛍光強度を再現する生成的スプリングマスモデルを採用する。
• ラベル付けは、空間的および強度特徴に多変量ガウス分布と指数分布を用いて確率を計算する、可能な割り当ての組み合わせ探索により実施される。
• 部分的にラベル付けされたデータを用いて段階的に改善され、新しいデータセットが提供されるたびに後方確率が更新される。
• 各細胞アイデンティティにマージナル確率を割り当てることで、確率的出力を実現し、予測の信頼性を反映する。
• 本モデルは、アトラスの細胞の部分集合や超集合に対しても対応可能であり、欠落または誤検出されたROIに対しても耐性があり、堅牢なラベル付けを可能にする。

実験結果

リサーチクエスチョン

• RQ1 細胞間の位置相関をモデル化する確率的アトラスは、独立した位置ベースのモデルと比較して、細胞同定の正確性を顕著に向上させるか？
• RQ2 位置情報のみのモデルと比較して、蛍光強度を特徴として組み込むことで、ラベル付けの性能はどの程度向上するか？
• RQ3 部分的にラベル付けされたまたはノイズの多いデータセットで学習した場合、本システムは正確性と信頼性をどのように維持するか？
• RQ4 コミュニティ主導でクラウドベースのフレームワークは、複数の研究室がデータを共有し、繰り返しラベル付けの正確性を向上させることができるか？
• RQ5 多変量確率モデルを用いたラベル付けの組み合わせ探索の計算的妥当性はいかがなものか？

主な発見

• 細胞間の位置相関を追跡するアトラスは、位置を独立して扱うモデルと比較して、顕著に高いラベル付け正確性を達成する。
• 蛍光強度を追加の特徴として統合することで、位置情報のみのモデルよりも正確性がさらに向上し、マルチモーダル特徴統合の価値が裏付けられる。
• 確率的フレームワークは、マージナル確率を通じて信頼性のレベルを的確に報告でき、ラベル付けの信頼性を実用的に評価可能にする。
• スプリングマスモデルで生成された合成データを用いた学習が、実世界に類似したデータセットに対しても信頼性ある性能を示し、シミュレーション手法の有効性が検証された。
• 欠落または誤検出されたROIに対しても本システムは耐性を示し、アトラス細胞の部分集合や超集合に対してもラベル付けが可能である。
• 細胞タイプ同定への応用についても前向きな兆しを示しているが、特徴選択や分布族の適応が必要となる可能性がある。