[論文レビュー] Anisotropic EM Segmentation by 3D Affinity Learning and Agglomeration

Toufiq Parag, Fabian Tschopp+7 more|arXiv (Cornell University)|Jul 27, 2017

Advanced Neuroimaging Techniques and Applications参考文献 26被引用数 11

ひとこと要約

本稿では、z方向分解能が低い異方性電子線 microscopy (EM) データのセグメンテーションのための3次元アフィニティ学習および凝集手法を提案する。MALIS損失で訓練された3次元U-Netを用いて、3次元アフィニティを予測し、過剰セグメンテーションとその後の凝集をガイドする。この手法は、長大なプロセスにわたりニューロンのトポロジーを保持する点で、膜ベース手法や標準的なアフィニティ学習を上回る優れたセグメンテーション精度を達成する。

ABSTRACT

The field of connectomics has recently produced neuron wiring diagrams from relatively large brain regions from multiple animals. Most of these neural reconstructions were computed from isotropic (e.g., FIBSEM) or near isotropic (e.g., SBEM) data. In spite of the remarkable progress on algorithms in recent years, automatic dense reconstruction from anisotropic data remains a challenge for the connectomics community. One significant hurdle in the segmentation of anisotropic data is the difficulty in generating a suitable initial over-segmentation. In this study, we present a segmentation method for anisotropic EM data that agglomerates a 3D over-segmentation computed from the 3D affinity prediction. A 3D U-net is trained to predict 3D affinities by the MALIS approach. Experiments on multiple datasets demonstrates the strength and robustness of the proposed method for anisotropic EM segmentation.

研究の動機と目的

• z方向分解能が低いことによる断層間でのプロセスの重なりが生じる異方性EMデータにおける自動3次元セグメンテーションの課題に対処すること。
• 2次元セグメンテーション後に連結処理を行う従来手法の限界を克服すること。これらはしばしば過剰または不十分なセグメンテーションを引き起こす。
• 生のEMボリュームから直接、トポロジカルに重要な3次元アフィニティを学習することで、異方性データ向けの頑健な3次元過剰セグメンテーション手法を開発すること。
• 深層学習によるアフィニティ予測と凝集クラスタリングを組み合わせることで、誤ったマージや分割を最小限に抑えて、セグメンテーション品質を向上させること。

提案手法

• MALIS（スパarsityを伴うマルチラベルアフィニティ学習）損失関数を用いて3次元U-Netを訓練し、x, y, z方向の3次元アフィニティを予測する。
• MALIS損失は、すべての画素を均等に扱うのでなく、トポロジカルに重要な位置に焦点を当て、ニューロンの形態を保持するようにアフィニティを学習することを強調する。
• 予測された3次元アフィニティを用いて、しきい値処理と連結成分解析を適用し、初期の3次元過剰セグメンテーションを生成する。
• [23]に従い、学習済みアフィニティに基づいて過剰セグメンテーション領域を凝集クラスタリングで統合し、最終的なセグメンテーションを生成する。
• 大きな異方性ボリューム（例：4×4×100 μm³）を処理するため、オーバーモンティングブロック処理とステッチングを用い、ブロック間の一貫性を維持する。
• 処理速度と精度の最適化を図ったハイパーパrameterチューニングを施した、ウォーターシェッドと凝集を用いた膜確率ベースのセグメンテーションと結果を比較する。

実験結果

リサーチクエスチョン

• RQ1 深層学習による3次元アフィニティ学習は、z方向分解能が低い異方性EMデータにおいて、高品質な過剰セグメンテーションを生成できるか？
• RQ2 MALISベースのアフィニティ学習は、標準的なアフィニティ学習に比べ、異方性ボリュームにおけるニューロンのトポロジーをより良く保持できるか？
• RQ3 深層学習で得たアフィニティに基づく凝集クラスタリングは、2次元セグメンテーションに続く連結処理に比べ、異方性データにおいてより高いセグメンテーション精度を達成できるか？
• RQ4 本手法は、大きな異方性ボリュームにおける長大で連続するニューロンプロセスに対して、どのように性能を発揮するか？
• RQ5 誤ったマージや分割を最小限に抑える観点から、本手法は膜確率ベースのセグメンテーションよりもより頑健であるか？

主な発見

• 6×6×4 μm³のテストボリュームにおいて、本手法は他のすべての比較手法（入力のダウンサンプリングを施した2/3D U-Netを含む）を上回る最高のスプリット-VIスコアを達成した。
• MALISベースのアフィニティ学習は、標準的なアフィニティ学習に比べて顕著に高いセグメンテーション精度を示し、スプリット-VI曲線における未分割誤差および過剰分割誤差が低減していることが示された。
• 4×4×100 μm³のボリュームにおいて、長大なニューロンプロセスがほとんど誤ったマージを伴わず保持されたが、小さなプロセスではわずかな誤った分割が見られた。
• 膜確率ベースの手法は、本手法に比べて顕著に多くの領域が未分割であり、完全なニューロン断片に類似した大きな再構築がほとんど得られなかった。
• 標準的および長プロセステストボリュームの両方において、本手法は優れた性能を発揮し、頑健性とスケーラビリティを示した。