[論文レビュー] CalciumGAN: A Generative Adversarial Network Model for Synthesising Realistic Calcium Imaging Data of Neuronal Populations.

Bryan M. Li, Theoklitos Amvrosiadis+2 more|arXiv (Cornell University)|Sep 6, 2020

Cell Image Analysis Techniques参考文献 25被引用数 6

ひとこと要約

CalciumGAN は、Wasserstein 距離を用いて訓練された WaveGAN ベースの生成的敵対ネットワークであり、神経細胞集団からのリアルなカルシウムイメージングデータを合成する。実データの統計的性質と一致する信号を効果的に生成でき、神経科学研究におけるスケーラブルなデータ拡張を可能にする。

ABSTRACT

Calcium imaging has become a powerful and popular technique to monitor the activity of large populations of neurons in vivo. However, for ethical considerations and despite recent technical developments, recordings are still constrained to a limited number of trials and animals. This limits the amount of data available from individual experiments and hinders the development of analysis techniques and models for more realistic size of neuronal populations. The ability to artificially synthesize realistic neuronal calcium signals could greatly alleviate this problem by scaling up the number of trials. Here we propose a Generative Adversarial Network (GAN) model to generate realistic calcium signals as seen in neuronal somata with calcium imaging. To this end, we adapt the WaveGAN architecture and train it with the Wasserstein distance. We test the model on artificial data with known ground-truth and show that the distribution of the generated signals closely resembles the underlying data distribution. Then, we train the model on real calcium signals recorded from the primary visual cortex of behaving mice and confirm that the deconvolved spike trains match the statistics of the recorded data. Together, these results demonstrate that our model can successfully generate realistic calcium imaging data, thereby providing the means to augment existing datasets of neuronal activity for enhanced data exploration and modeling.

研究の動機と目的

• 生体内実験における倫理的・技術的制約により、カルシウムイメージングデータが不足している問題に対処すること。
• 神経細胞集団からのリアルなカルシウム信号を合成できる深層生成モデルの開発。
• 実記録の統計的性質を保持する合成試行を生成することで、データ拡張を可能にすること。
• 人工データ（既知の真値を有する）およびマウス一次視覚皮質からの実記録を用いて、モデルの妥当性を検証すること。

提案手法

• 神経細胞体の時間的カルシウム信号をモデル化するために、WaveGAN アーキテクチャを適応した。
• 訓練安定性を向上させるために、勾配ペナルティを用いた Wasserstein GAN 損失を用いてモデルを訓練した。
• 統計的検証のため、生成されたカルシウムトレースをデコンボリューションして推定スパイクトレインに変換した。
• 行動中のマウスからの実カルシウムイメージングデータを用いて、元のデータ分布を学習した。
• スパイクトレインの統計的性質を用いて、生成データと実データを統計的指標で比較評価した。

実験結果

リサーチクエスチョン

• RQ1 GAN モデルは、実神経記録と統計的に区別できないカルシウムイメージング信号を生成できるか？
• RQ2 マウス一次視覚皮質からの実生物学的データを用いて訓練した場合、モデルの一般化性能はどの程度か？
• RQ3 生成されたカルシウム信号からデコンボリューションで得たスパイクトレインは、実スパイクトレインの統計とどの程度一致するか？
• RQ4 限られた実験データセットを、分析およびモデリングの改善に効果的に拡張できるか？

主な発見

• 既知の真値を有する人工データに対してテストした結果、生成されたカルシウム信号は元のデータ分布に非常に近い。
• 行動中のマウスの一次視覚皮質から記録された実カルシウム信号の統計的特性を、モデルが効果的に学習した。
• 生成データから得たデコンボリューションスパイクトレインは、実記録データの発火レートおよび相関統計と一致した。
• 勾配ペナルティを用いた Wasserstein GAN 損失により、安定した訓練と高精度な信号生成が実現した。