[論文レビュー] Annotating Synapses in Large EM Datasets

Stephen M. Plaza, Toufiq Parag+4 more|arXiv (Cornell University)|Sep 5, 2014

Computational Physics and Python Applications参考文献 10被引用数 14

ひとこと要約

本論文は、Drosophilaの視床下部において56,621個のTバーおよび336,735個のシナプス後密度（PSD）をアノテートする、スケーラブルで半自動のワークフローを提示する。この手法は、Tバーの予測と集中した手動検証を活用し、大規模な電子顕微鏡（EM）データセットにおける高スループットなシナプスアノテーションを実現した。本手法は、前例のない規模と効率性を達成し、検証者の負担を軽減し、高い正確性と一貫性を保った大規模なコンネクトーム再構築を可能にした。

ABSTRACT

Reconstructing neuronal circuits at the level of synapses is a central problem in neuroscience and becoming a focus of the emerging field of connectomics. To date, electron microscopy (EM) is the most proven technique for identifying and quantifying synaptic connections. As advances in EM make acquiring larger datasets possible, subsequent manual synapse identification ({\em i.e.}, proofreading) for deciphering a connectome becomes a major time bottleneck. Here we introduce a large-scale, high-throughput, and semi-automated methodology to efficiently identify synapses. We successfully applied our methodology to the Drosophila medulla optic lobe, annotating many more synapses than previous connectome efforts. Our approaches are extensible and will make the often complicated process of synapse identification accessible to a wider-community of potential proofreaders.

研究の動機と目的

• コンネクトーム再構築のための大規模なEMデータセットにおける手動シナプスアノテーションの主なボトルネックに対処すること。
• 検証者負荷と誤差率を低減する、スケーラブルで一貫性があり、アクセス可能なシナプスアノテーション手法を開発すること。
• 等方的FIB-SEMイメージングと自動Tバー予測を活用することで、シナプス検出の正確性と再現率を向上させること。
• シナプスアノテーションを用いて画像セグメンテーションをガイド・最適化し、その後続のニューロン再構築を可能にすること。
• 将来の大規模コンネクティクスプロジェクトにおけるクラウドソーシングおよび自動シナプスアノテーションの基盤を築くこと。

提案手法

• 10 nm/ボクセルの近似的に等方的なEMデータセットを生成するFIB-SEMイメージングを用い、直交平面におけるTバーの可視性を向上させる。
• 深層学習ベースのTバー予測アルゴリズムを用いて、自動的に仮の前シナプス部位を同定し、手動スキャンの負担を軽減する。
• 二段階のアノテーションワークフローを実装する：まずTバー予測の検証を行い、次に各Tバーのシナプス後パートナー（PSD）を同定する。
• 集中型プロトコルと可視化ツール（例：Raveler, Ilastik）を適用し、検証中のナビゲーションを簡素化し、認知的負荷を低減する。
• シナプスアノテーションを用いて、ニューロン再構築のための画像セグメンテーションをガイド・最適化する。
• フィードバックループを統合し、シナプスアノテーションがセグメンテーションの正確性を向上させ、ニューロン形態の反復的改善を可能にする。

実験結果

リサーチクエスチョン

• RQ1 自動Tバー予測は、大規模なEMデータセットにおける手動シナプスアノテーションに要する時間と労力の大幅な削減を実現できるか？
• RQ2 等方的FIB-SEMイメージングは、非等方的連続切片TEMと比較して、シナプスの検出とアノテーションをどのように向上させるか？
• RQ3 集中型アノテーションプロトコルと可視化ツールは、検証者の効率性と一貫性をどの程度向上させることができるか？
• RQ4 シナプスアノテーションは、画像セグメンテーションおよびニューロン再構築の正確性を向上させる有効な制約として機能できるか？
• RQ5 異なる脳領域およびデータセットにおいて、半自動シナプスアノテーションワークフローのスケーラビリティと再現性はどの程度か？

主な発見

• 研究チームは、7列構造のDrosophila視床下部データセットにおいて、56,621個のTバーおよび336,735個のシナプス後パートナーをアノテートに成功した。これは、従来の1列コンネクトーム研究と比較して4倍の規模の向上を示している。
• Tバー密度は1立方ミクロンあたり2.1個に達し、従来の1列研究で報告された1.4より高い値であった。これは、等方的FIB-SEMデータによる可視性の向上によるものと推定される。
• Tバー1つあたりのPSD平均数は5.9であった。これは、以前に報告された値よりも高い多シナプス接続性を示しており、斜めおよび小さなプロセスの検出性が向上したためと推定される。
• 検証者はTバーのアノテーションで88%、PSDトレースで76%の効率を達成し、Tバーは1日あたり613ミクロン、PSDは1日あたり84ミクロンの出力が得られた。
• 本ワークフローは一貫性があり、高い正確性を保ち、既存の公表済みデータと強い一致を示しており、生物学的妥当性を示している。
• すべてのシナプスの可視化により、構造的パターンが明らかになった。例えば、近位視床下部層に高いシナプス密度が観察され、X/Y投影では明確な柱状組織が確認された。