[論文レビュー] An Error Detection and Correction Framework for Connectomics

Jonathan Zung, Ignacio Tartavull+2 more|arXiv (Cornell University)|Aug 8, 2017

Cell Image Analysis Techniques参考文献 25被引用数 12

ひとこと要約

本論文は、電子顕微鏡画像からの神経回路分野における分割における分岐誤りおよび融合誤りを検出し、修正する2段階のディーブラーニングフレームワークを提案する。3次元マルチスケール畳み込みネットワークを用い、まずマスクベースの誤りマップにより誤りを検出し、次に検出器からの「助言」に従ってオブジェクトマスクの刈り込みを行うことで、計算コストを低減しつつベースライン分割よりも顕著な改善を達成した。

ABSTRACT

We define and study error detection and correction tasks that are useful for 3D reconstruction of neurons from electron microscopic imagery, and for image segmentation more generally. Both tasks take as input the raw image and a binary mask representing a candidate object. For the error detection task, the desired output is a map of split and merge errors in the object. For the error correction task, the desired output is the true object. We call this object mask pruning, because the candidate object mask is assumed to be a superset of the true object. We train multiscale 3D convolutional networks to perform both tasks. We find that the error-detecting net can achieve high accuracy. The accuracy of the error-correcting net is enhanced if its input object mask is "advice" (union of erroneous objects) from the error-detecting net.

研究の動機と目的

• 高精度ではあるが依然として誤りを含む自動化された分割のための手動による検証作業の増加という課題に対処すること。
• 3次元神経回路再構築における分岐誤りおよび融合誤りの両方をスケーラブルかつ自動的に検出する方法の開発。
• 真のオブジェクトを含むマスクのスーパーセットである候補マスクを用いて、誤り補正をオブジェクトマスクの刈り込みとして定式化することで、分割精度の向上。
• 誤り検出器が誤りの可能性が高いかと思われる領域に限定して、高コストな補正処理を実行することで、計算コストの低減。
• 誤り検出器からの「助言」が誤り補正ネットワークの性能を向上させることを示すこと。

提案手法

• 誤り検出タスクでは、3次元マルチスケール畳み込みネットワークを用い、入力として生のEM画像と候補オブジェクトマスクを提供することで、分岐誤りおよび融合誤りを示す3次元誤りマップを生成する。
• 誤り補正タスクでは、3次元マルチスケールネットワークを用い、入力マスクが真のオブジェクトを含むスーパーセットであることを前提に、誤ったボクセルを除去するようにマスクを刈り込む。
• 誤り補正ネットワークの性能は、ベースラインセグメンテーションマスクではなく、誤り検出器が特定したすべての誤った領域の和集合（「助言」として定義）を入力とすることで向上する。
• 反復的精製を用いる：誤り検出を全ボリュームに適用し、誤り補正は誤り確率が高いかと思われる領域に限定することで、計算負荷を低減する。
• ネットワークは、真のセグメンテーションの任意の破損を含むデータ拡張により生成された合成誤りを用いて教師あり学習で訓練される。
• システムは2048×2048×256のEMボリューム上で評価され、性能はバリエーション・オブ・インフォメーション（VI）スコアおよびベースラインからの誤り数の変化で測定される。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、神経回路分野のセグメンテーションにおいて、分岐誤りおよび融合誤りの両方を高い精度で検出できるか？
• RQ2 誤り検出器が特定した誤り領域の和集合（「助言」と定義）を提供することで、誤り補正ネットワークの性能が向上するか？
• RQ3 誤り検出モジュールが誤りの可能性が高いかと思われる領域に限定することで、誤り補正の計算コストを低減できるか？
• RQ4 誤り低減および計算効率の観点から、このフレームワークはベースラインセグメンテーションと比較して優れているか？
• RQ5 誤り検出モジュールは、人間による検証作業を支援するためのガイドラインとして使用できるか、あるいはエンドツーエンドのセグメンテーションの弱教師信号として利用できるか？

主な発見

• 誤り検出ネットワークは、生の画像にアクセスせずに訓練された場合でも、分岐誤りおよび融合誤りの両方を高い精度で同定でき、強力な形状の事前知識を示した。
• 誤り検出器からの「助言」を用いた場合、誤り補正ネットワークはベースラインと比較して707件の誤りを修正したが、ベースラインマスクを直接入力とした場合は547件にとどまった。
• 「助言」を用いた場合、導入された誤り数は68件にまで減少したのに対し、それなしでは77件にとどまらなかったことから、より高い耐性が示された。
• 誤り検出器が誤りの可能性が高い領域を特定した場合、誤り補正ステップの計算コストは10倍低減された。これはコスト削減戦略の妥当性を裏付けた。
• フレームワークは、940個のオブジェクトのうち約800個でほぼ完璧なセグメンテーションを達成した。残りの誤りの多くは、樹状棘の欠落に起因していた。
• 計算パイプラインは、境界検出に18分、誤り検出に25分、誤り補正に55分を要した（1台のTitanX Pascal GPUで実行）。