[論文レビュー] Efficient and accurate extraction of in vivo calcium signals from microendoscopic video data

Pengcheng Zhou, Shanna L. Resendez+9 more|arXiv (Cornell University)|May 24, 2016

Neural dynamics and brain function参考文献 32被引用数 15

ひとこと要約

本稿では、微小顕微鏡動画データにおける背景蛍光の正確な分離と重複するニューロンカルシウムシグナルの分離を可能にする、新しい行列因子分解フレームワークCNMF-Eを提案する。複雑な時空間的背景フラクチュエーションをモデル化し、特化した初期化と最適化手法を用いることで、ICA や標準的な CNMF と比較して、ノイジーで高重複な状況下でも信号対雑音比を著しく向上させ、より多くの孤立したニューロンを検出できる。

ABSTRACT

In vivo calcium imaging through microscopes has enabled deep brain imaging of previously inaccessible neuronal populations within the brains of freely moving subjects. However, microendoscopic data suffer from high levels of background fluorescence as well as an increased potential for overlapping neuronal signals. Previous methods fail in identifying neurons and demixing their temporal activity because the cellular signals are often submerged in the large fluctuating background. Here we develop an efficient method to extract cellular signals with minimal influence from the background. We model the background with two realistic components: (1) one models the constant baseline and slow trends of each pixel, and (2) the other models the fast fluctuations from out-of-focus signals and is therefore constrained to have low spatial-frequency structure. This decomposition avoids cellular signals being absorbed into the background term. After subtracting the background approximated with this model, we use Constrained Nonnegative Matrix Factorization (CNMF, Pnevmatikakis et al. (2016)) to better demix neural signals and get their denoised and deconvolved temporal activity. We validate our method on simulated and experimental data, where it shows fast, reliable, and high quality signal extraction under a wide variety of imaging parameters.

研究の動機と目的

• 微小顕微鏡データからの単一ニューロンカルシウムシグナル抽出の課題に取り組む。この課題は、大規模で空間的に広がった背景フラクチュエーションと高いニューロンの重複を伴う。
• ROIベースの解析やPCA/ICAといった従来手法の限界を克服し、自由に移動する動物における深部脳イメージングに適した、堅牢で自動化されたアプローチを開発する。
• 微小顕微鏡記録における背景蛍光の複雑な時空間的構造をモデル化することで、信号品質を向上させ、良好に分離されたニューロンの検出を向上させる。
• 制約付き非負行列因子分解（CNMF）フレームワークを拡張し、単一光子微小顕微鏡データが有する独自のノイズおよび構造的特性に対応できるようにする。
• 困難なインビボデータセットからのクリアでノイズ除去済みかつ分離済みの神経活動トレースを提供することで、より正確な後続解析を可能にする。

提案手法

• 微小顕微鏡データにおける大規模なフラクチュエーションを捉えるために、柔軟で空間的に滑らかで時間的に変化するバックグラウンドモデルを組み込んだ、変更されたCNMFフレームワーク（CNMF-E）を提案する。
• 2段階の最適化を実施：まず空間クラスタリングとバックグラウンド推定を用いて成分を初期化し、次にスパarsity制約と非負性制約を課した交互最小二乗法で精緻化する。
• バックグラウンドを低ランクの空間的成分としてモデル化し、生データの大きなスケールのフラクチュエーションと一致する時間的ダイナミクスを持つバックグラウンド差し引きステップを統合する。
• 神経成分と残差ノイズを分離するために、スパarsity制約を課した非負行列因子分解を用いたノイズ除去ステップを適用する。
• 信号の分離性と正確性を向上させるために、自動および手動の精緻化ステップ（成分の統合や削除など）を実装する。
• 抽出された神経活動を検証し、脳領域全体での信号品質を評価するために、擬似カラー化可視化パイプラインを活用する。

実験結果

リサーチクエスチョン

• RQ1 変更されたCNMFフレームワークは、微小顕微鏡データにおける大規模で空間的に広がったバックグラウンド信号とニューロンカルシウムトランスエントの分離を効果的に行えるか？
• RQ2 高バックグラウンドと空間的重複状態下で、CNMF-EはICA や標準的な CNMF と比較して、良好に分離された神経シグナルをどれほど効果的に検出できるか？
• RQ3 CNMF-Eにおける改善されたバックグラウンドモデリングは、ノイジーな微小顕微鏡記録において、信号対雑音比とノイズ除去性能をどの程度向上させるか？
• RQ4 CNMF-Eは、前頭前皮質や腹側海馬といった深部脳領域における重複する神経シグナルを信頼性高く分離できるか？
• RQ5 CNMF-Eにおける自動および手動の精緻化ステップの統合は、生物学的に妥当で正確な神経成分抽出をもたらすか？

主な発見

• CNMF-E は、シミュレートされたデータおよび実験的微小顕微鏡データの両方において、クリアでノイズ除去された神経シグナルを抽出する点で、ICA や標準的な CNMF より顕著に優れていた。
• 特にバックグラウンドフラクチュエーションが支配的なノイジーな状況下で、既存の手法と比較してより多くの良好に分離された神経シグナルを検出できた。
• 前頭前皮質、腹側海馬、BNSTからの実験的データにおいて、CNMF-E はPCA/ICA よりも高い忠実度で重複する神経活動を解明できた。
• CNMF-E のバックグラウンドモデルは、焦点が合っていない蛍光や血行動態的変化を含む、視野全体にわたる大規模でゆっくり変化するフラクチュエーションを効果的に捉えていた。
• CNMF-E における手動の精緻化ステップ（成分の統合や削除など）は、特に複雑なデータセットにおいて信号品質と生物学的妥当性を向上させた。
• 本手法は、多様な脳領域および記録条件においても堅牢な性能を示し、現実のインビボ環境における一般化可能性と信頼性を実証した。