[論文レビュー] An Iterative Convolutional Neural Network Algorithm Improves Electron Microscopy Image Segmentation

Xundong Wu|arXiv (Cornell University)|Jun 18, 2015

Cell Image Analysis Techniques参考文献 17被引用数 13

ひとこと要約

本論文は、電子顕微鏡（EM）画像の自動セグメンテーションを向上させるために、膜検出確率マップ（MDPM）を繰り返し精錬する反復的畳み込みニューラルネットワーク（CNN）アルゴリズムを提案する。MDPMから切り出しられたパッチから中心画素のラベルを回復するようにCNNを繰り返し訓練することで、膜セグメンテーションの正確性が著しく向上し、神経回路接続マッピング応用においてベースライン手法を上回る優れた性能を示している。

ABSTRACT

To build the connectomics map of the brain, we developed a new algorithm that can automatically refine the Membrane Detection Probability Maps (MDPM) generated to perform automatic segmentation of electron microscopy (EM) images. To achieve this, we executed supervised training of a convolutional neural network to recover the removed center pixel label of patches sampled from a MDPM. MDPM can be generated from other machine learning based algorithms recognizing whether a pixel in an image corresponds to the cell membrane. By iteratively applying this network over MDPM for multiple rounds, we were able to significantly improve membrane segmentation results.

研究の動機と目的

• 神経接続マッピング用途における電子顕微鏡（EM）画像における正確な自動セグメンテーションの課題に対処すること。
• 従来の機械学習手法が生成する膜検出確率マップ（MDPM）の品質を向上させること。
• MDPMを段階的に精錬することでセグメンテーションの精度を向上させる深層学習フレームワークを開発すること。
• EM画像スタックからの神経回路の高精度で自動再構築を可能にすること。
• アルゴリズム的セグメンテーションの向上により、大規模脳画像撮影における手動アノテーションの負担を軽減すること。

提案手法

• MDPMから抽出したパッチの中心画素ラベルを予測するための教師あり畳み込みニューラルネットワーク（CNN）を訓練する。
• パッチはMDPMから抽出され、訓練中に中心画素がマスクされ、欠落したラベルの回復を模倣する。
• 訓練されたCNNを複数ラウンドにわたり、全MDPMに対して繰り返し適用して段階的にセグメンテーションを精錬する。
• 各ラウンドでCNNの予測を用いてMDPMを更新し、空間的一致性と膜の連続性を向上させる。
• パッチ内の局所的コンテキストを活用して、ノイズの多いEM画像における誤りの修正と境界検出の強化を実現する。
• 反復的プロセスにより、ネットワークが段階的にMDPM内の誤分類領域を学習し、是正できるようにする。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、EM画像セグメンテーションを向上させるために、膜検出確率マップ（MDPM）を効果的に精錬できるか？
• RQ2 MDPMにCNNを反復的に適用することで、セグメンテーションの正確性と膜の連続性にどのような影響を与えるか？
• RQ3 提案手法は、EM画像データにおいて、ベースラインセグメンテーションアルゴリズムをどの程度上回るか？
• RQ4 パッチベースのCNNアプローチは、ノイズの多いEM画像において欠落した膜ラベルを高い精度で回復できるか？
• RQ5 MDPMの反復的精錬は、より一貫性があり生物学的に妥当な神経再構築をもたらすか？

主な発見

• 反復的CNNアプローチは、EM画像データセットにおいてベースライン手法と比較して、膜セグメンテーションの正確性が著しく向上した。
• 複数のテストセットにおいて、F1スコアが向上し、誤検出率が低減した。
• 反復的精錬により、より連続的かつ整合性のある膜構造が得られ、セグメンテーションにおける断片化が低減した。
• CNNは未学習のEM画像パッチに対しても優れた一般化性能を示し、画像の変動に強く、耐性があることがわかった。
• 接続マッピングパイプラインにおける手動補正の必要性が、自動セグメンテーション品質の向上により低減した。
• 結果として、パッチベースのCNNを用いた反復的精錬が、大規模EM画像解析に有効であることが示された。