[論文レビュー] Automated scalable segmentation of neurons from multispectral images

Uygar Sümbül, Douglas H. Roossien+6 more|arXiv (Cornell University)|Nov 1, 2016

Cell Image Analysis Techniques参考文献 27被引用数 18

ひとこと要約

本論文では、ノイズ除去、スーパーボクセル化、グラフベースのセグメンテーションを活用することで、4桁の計算負荷低減を実現するスケーラブルで自動化されたマルチスペクトル Brainbow 画像におけるニューロンのセグメンテーション手法を提示する。この手法は、色の不均一性やノイズに対しても、複雑なニューロンのアバラーを正確に接続性を保ったままセグメンテーション可能であり、模擬的および実際のマウス海馬データセットを用いた検証で高いセグメンテーション精度とノイズおよびチャネル数に対する耐性を示した。

ABSTRACT

Reconstruction of neuroanatomy is a fundamental problem in neuroscience. Stochastic expression of colors in individual cells is a promising tool, although its use in the nervous system has been limited due to various sources of variability in expression. Moreover, the intermingled anatomy of neuronal trees is challenging for existing segmentation algorithms. Here, we propose a method to automate the segmentation of neurons in such (potentially pseudo-colored) images. The method uses spatio-color relations between the voxels, generates supervoxels to reduce the problem size by four orders of magnitude before the final segmentation, and is parallelizable over the supervoxels. To quantify performance and gain insight, we generate simulated images, where the noise level and characteristics, the density of expression, and the number of fluorophore types are variable. We also present segmentations of real Brainbow images of the mouse hippocampus, which reveal many of the dendritic segments.

研究の動機と目的

• 高ノイズおよび変動する色発現を示すマルチスペクトル画像におけるニューロンの自動的でスケーラブルなセグメンテーションの課題に対処すること。
• 複雑に絡み合ったニューロンのアバラーおよびノイズが多く、擬似色付けされた画像で失敗する既存手法の限界を克服すること。
• スーパーボクセル化によりボクセルレベルの問題を4桁低減することで、計算効率の高いパイプラインを開発すること。
• グラフベースのフレームワークで空間的・色の関係をモデル化し、ニューロンの接続性を保持する正確なセグメンテーションを可能にすること。
• 模擬的および実際のデータセットを用いて、ノイズレベル、フォロルーフォールの数、発現密度の変動に対する性能を評価すること。

提案手法

• ガウスノイズを仮定して、3次元画像スタックの個々の色チャンネルに対して BM4D コラボラティブフィルタリングを適用してノイズ除去を行う。
• スーパーピクセルに類似したセグメンテーションによりスーパーボクセルを生成し、ボクセルからスーパーボクセルへの単位数の削減により、問題のスケールを4桁低減する。
• ノードがスーパーボクセルであるグラフを構築し、エッジの重みが空間的および色の類似性を符号化するようにし、不連続性や色の不均一性をペナルティ化する。
• スペクトルクラスタリングをグラフに適用してニューロンをセグメンテーションし、接続性と色の一貫性を最適化するパラメータを調整する。
• 実際のニューロン再構築に基づくシミュレーションフレームワークを用いて、ノイズ、発現密度、フォロルーフォールの種類を調整可能な合成画像を生成する。
• 同一の処理パイプライン（ノイズ除去、スーパーボクセル化、マージ、クラスタリング）を、パrameterを一貫して用いて模擬的および実際のデータセットに適用する。

実験結果

リサーチクエスチョン

• RQ1 追加の色チャンネルの導入が、マルチスペクトルニューロンイメージングにおけるセグメンテーション精度にどのように影響するか？
• RQ2 色発現のノイズがセグメンテーション性能をどの程度劣化させるか、そしてその影響をどのように軽減できるか？
• RQ3 スーパーボクセルベースのアプローチは、4桁の計算複雑性低減を達成しつつ、ニューロンの接続性を保持できるか？
• RQ4 ニューロン数の過大または過小推定が、セグメンテーションの精度にどのように影響するか？
• RQ5 提案手法は、実際の Brainbow 画像、特に拡張顕微鏡データセットにおける複雑に絡み合ったニューロンのアバラーを信頼性高くセグメンテーションできるか？

主な発見

• 色チャンネルの追加が進むほどセグメンテーション精度が著しく向上し、スペクトル多様性の拡大を求める実験的取り組みと整合的である。
• ノイズ（σ₁）が増加するにつれて性能は徐々に低下するが、ニューロン数の過大推定では耐性を示し、過小推定では急激に低下する。
• 本手法は、実際のマウス海馬 Brainbow 画像における樹状突起のセグメンテーションに成功し、接続性を保持するとともに、後続のトレーシングを可能にした。
• 4×拡張顕微鏡データセットでは、色チャンネル数が少ないため断片化が顕著に見られたが、大部分のニュリットは識別可能でセグメンテーション可能であった。
• スーパーボクセル化により、問題のスケールが4桁低減され、大規模な3次元画像スタックのスケーラブルな処理が可能になった。
• 本手法は、ほとんどすべてのスーパーボクセルを接続されたニューロン的コンポーネントに正しくクラスタリングしたが、過剰なマージや不審なクラスタによるわずかな誤りが一部に見られた。