[論文レビュー] Automatic Neuron Detection in Calcium Imaging Data Using Convolutional Networks

Noah Apthorpe, Alexander J. Riordan+5 more|arXiv (Cornell University)|Jun 23, 2016

Neural dynamics and brain function参考文献 12被引用数 62

ひとこと要約

本論文では、2次元および3次元畳み込みニューラルネットワーク（ConvNets）を用いた教師あり深層学習手法を提案し、カルシウムイメージングデータにおけるニューロンの自動検出を、人間水準の正確さと超人的な高速性で実現する。従来のPCA/ICA法と比較して優れた正確性と再現率を達成し、多様なデータセットおよびラベル付け基準に対応できる高速で信頼性が高く柔軟なニューロン検出を可能にする。

ABSTRACT

Calcium imaging is an important technique for monitoring the activity of thousands of neurons simultaneously. As calcium imaging datasets grow in size, automated detection of individual neurons is becoming important. Here we apply a supervised learning approach to this problem and show that convolutional networks can achieve near-human accuracy and superhuman speed. Accuracy is superior to the popular PCA/ICA method based on precision and recall relative to ground truth annotation by a human expert. These results suggest that convolutional networks are an efficient and flexible tool for the analysis of large-scale calcium imaging data.

研究の動機と目的

• 大規模なカルシウムイメージングデータセットにおける自動的でスケーラブルかつ正確なニューロン検出の増大するニーズに対応すること。
• 大規模データセットに対して現実的でないほど時間がかかる従来の手動ラベリングの限界を克服すること。
• アクティビティが低いまたは無効なニューロンを検出できない、PCA/ICAのような非教師あり基底学習手法の限界を改善すること。
• 教師あり学習により神経科学者が定義するROI選択基準に柔軟かつ一般化可能に適応できるソリューションを開発すること。
• オンラインオプトジェニクスや神経フィードバックなどのリアルタイム応用に適した、高速で信頼性の高い検出を可能にすること。

提案手法

• 人間がラベル付けしたROIを正例として、スライディングウィンドウ方式の2次元および3次元（空間時間的）畳み込みニューラルネットワーク（ConvNet）をカルシウムイメージング動画で学習する。
• ニューロンは運動アーチファクトを除けば主に静止していることを利用し、空間（2次元）ラベルのみを用いることで、完全な空間時間的ラベル付けと比較して学習を簡素化する。
• ニューロンの可能性を示す確率マップを生成するためにソフトマックス活性化関数を適用し、その後の後処理により最終的なROIを抽出する。
• 予測誤差を最小化するために、交差エントロピー損失関数を用いた確率的勾配降下法によりネットワークパラメータを最適化する。
• PCA/ICAおよび人間の専門家によるラベル付けと比較し、正確性、再現率、F1スコアの指標を用いて性能を評価する。
• 時間平均化前処理を用いることで、時間的複雑性を低減しつつも、空間的ニューロン構造を保持する。

実験結果

リサーチクエスチョン

• RQ1 教師ありConvNetはカルシウムイメージングデータからニューロンを人間水準の正確さで検出できるか？
• RQ2 2次元と3次元（空間時間的）ConvNetの間で、正確性、再現率、F1スコアの観点から性能に差はあるか？
• RQ3 PCA/ICAのような非教師あり手法よりも、アクティブなニューロンだけでなく非アクティブなニューロンの両方を検出できるか？
• RQ4 ノイズレベルや運動アーチファクトの異なるデータセット間で、モデルの一般化能力はどの程度高いか？
• RQ5 検出の信頼性を維持または向上させながら、人的ラベリングの負担を軽減できるか？

主な発見

• 3次元ConvNetはV1データセットでF1スコア0.51、MECデータセットでF1スコア0.51を達成し、PCA/ICAの0.27と比べて顕著に優れた性能を示した。
• 2次元ConvNetもV1データセットでF1スコア0.51を達成し、より単純なアーキテクチャであるにもかかわらず3次元ネットワークと同等の性能を示した。
• 3次元ConvNetはよりクリアな出力結果を示し、一時的に活性化するか焦点が合っていないニューロンの検出が優れており、複雑またはノイズの多いデータにおける潜在的な利点を示した。
• MECデータセットにおいて、PCA/ICAの性能がアクティブなニューロンのみを検出するという目的の不一致のため数値的に悪化していたが、ConvNetはPCA/ICAを上回る正確性と再現率を達成した。
• ConvNetの学習と推論に要した合計時間は約6時間で、1枚の画像シリーズあたりの推論時間は約1.2秒であり、PCA/ICAの約9時間および約40分/回と比べて顕著に高速であった。
• 後続の人的再評価では、ネットワークが以前に見逃されていたROIを検出し、一部の誤検出を是正していたことが判明し、信頼性と人的ラベリングの一貫性向上の可能性を示した。