[論文レビュー] A structured matrix factorization framework for large scale calcium imaging data analysis

Eftychios A. Pnevmatikakis, Yuanjun Gao+7 more|arXiv (Cornell University)|Sep 9, 2014

Advanced Fluorescence Microscopy Techniques参考文献 21被引用数 45

ひとこと要約

本論文は、大規模な画像データにおける神経細胞の位置特定、重複する活動の分離、およびカルシウム動態からのスパイク活動のデコンボリューションを統合的に実行する構造的行列分解フレームワークを提案する。蛍光強度を空間行列（神経細胞の位置）と時間行列（各神経細胞のカルシウム動態）の積としてモデル化し、推定されたノイズレベルを用いて生物学的に妥当な制約を課すことにより、調整なしで高精度かつ高効率に分解を実現し、生体内データセットにおいて優れた性能を発揮する。

ABSTRACT

We present a structured matrix factorization approach to analyzing calcium imaging recordings of large neuronal ensembles. Our goal is to simultaneously identify the locations of the neurons, demix spatially overlapping components, and denoise and deconvolve the spiking activity of each neuron from the slow dynamics of the calcium indicator. The matrix factorization approach relies on the observation that the spatiotemporal fluorescence activity can be expressed as a product of two matrices: a spatial matrix that encodes the location of each neuron in the optical field and a temporal matrix that characterizes the calcium concentration of each neuron over time. We present a simple approach for estimating the dynamics of the calcium indicator as well as the observation noise statistics from the observed data. These parameters are then used to set up the matrix factorization problem in a constrained form that requires no further parameter tuning. We discuss initialization and post-processing techniques that enhance the performance of our method, along with efficient and largely parallelizable algorithms. We apply our method to {\it in vivo} large scale multi-neuronal imaging data and also demonstrate how similar methods can be used for the analysis of {\it in vivo} dendritic imaging data.

研究の動機と目的

• 大規模な生体内イメージングにおいて、神経細胞ROIの同時検出、空間的に重複する成分の分離、およびカルシウム信号のノイズ除去／デコンボリューションという複合的な課題に取り組むこと。
• 正則化パrameterの手動チューニングを必要とせず、カルシウムインジケーターの動態と空間的コンパクト性の制約を統合した行列因子分解アプローチを開発すること。
• 最小限のユーザー介入で、大規模なカルシウムイメージングムービーの効率的かつスケーラブルで並列処理可能な解析を可能にすること。
• 新しいグリーディ初期化および後処理技術により、初期化の悪さに対するロバストネスを向上させること。

提案手法

• 本手法は、神経細胞の位置（空間行列）と各神経細胞のカルシウム動態（時間行列）の積として、時空間的蛍光強度をモデル化し、制約付き非負の行列因子分解を用いる。
• カルシウム動態の自己回帰構造から、各画素ごとの残差ノイズエネルギーを推定し、スパイク活動およびROIサイズの最適なスパarsityペナルティを暗黙的に設定するハード制約を課す。
• グリーディ初期化手順では、2次元ガウスカーネルを用いて残差を走査し、説明される分散を最大化することで神経細胞中心を同定し、局所的なランク1因子分解を実行する。
• スパarsityおよび局所化制約を満たすように、空間的および時間的成分の交互最適化を採用し、高速収束と並列処理を可能にする。
• 後処理として、神経細胞抽出後の残差に対して非負のランク1因子分解を用いて背景活動を推定する。
• 本フレームワークは、画素数および時間ステップ数に線形にスケーリング可能であり、大規模データセットの処理を数分で実現できる。

実験結果

リサーチクエスチョン

• RQ1 統一された行列因子分解フレームワークは、神経細胞の位置特定、重複信号の分離、および遅いカルシウム動態からのスパイク活動のデコンボリューションを同時に実行できるか？
• RQ2 カルシウム動態および空間的コンパクト性に関する生物学的に現実的な制約を、正則化パrameterの手動チューニングを必要とせずに行列因子分解に組み込む方法は何か？
• RQ3 データ駆動型ノイズ推定戦略は、性能向上に寄与し、パrameterチューニングの必要性を排除する程度はどの程度か？
• RQ4 提案されたグリーディ初期化および後処理は、初期化誤差の影響を受ける状況でも、ロバストネスと収束性をどのように向上させるか？
• RQ5 本手法は、リアルタイム処理を可能にする大規模な生体内カルシウムイメージングデータセットへの効率的かつスケーラブルな並列処理が可能か？

主な発見

• 本手法は、重複する神経細胞や樹状突起活動を含む、大規模な生体内カルシウムイメージングデータから構造的で生物学的に意味のある時空間的成分を効果的に抽出した。
• データ駆動型の残差エネルギー制約のおかげで、スパarsityや正則化パrameterの手動チューニングを必要とせず、高精度なノイズ除去およびデコンボリューション性能を達成した。
• グリーディ初期化手順は、空間的に局所化されたカーネルを用いて残差を走査し、説明される分散を最大化することで、神経細胞位置を高精度に同定した。
• アルゴリズムはデータサイズに線形にスケーリング可能であり、効率的な並列処理をサポートしており、大規模ムービーの処理を数分で実現した。
• 樹状突起イメージングデータへの応用により、複雑で重複する信号から、スパarsな高マグニチュードの活動パターンを効果的に抽出できる汎用性を示した。
• ランク1因子分解による背景活動推定の導入により、最終的な分解における信号の忠実度が向上し、残差ノイズが低減した。