[論文レビュー] Fast Mitochondria Detection for Connectomics

Vincent Casser, Kai Kang+2 more|arXiv (Cornell University)|Dec 14, 2018

Mitochondrial Function and Pathology参考文献 24被引用数 6

ひとこと要約

本論文は、接続ゲノミクスにおいてリアルタイムで動作する2次元U-Netベースのミトコンドリア検出器を提示する。Jaccard指数は最大0.90に達し、512×512の画像タイルを16ms未満で処理する。これは現代の電子顕微鏡の取得速度を上回る。本手法は、事前アラインメントを必要とせず、効率的で正確なセグメンテーションを実現するため、Zフィルタリングを適用した変更済みU-Netアーキテクチャを採用している。また、熟練者によるアノテーションが確認された2つの改良版ベンチマークデータセット、Lucchi++およびKasthuri++を導入した。

ABSTRACT

High-resolution connectomics data allows for the identification of dysfunctional mitochondria which are linked to a variety of diseases such as autism or bipolar. However, manual analysis is not feasible since datasets can be petabytes in size. We present a fully automatic mitochondria detector based on a modified U-Net architecture that yields high accuracy and fast processing times. We evaluate our method on multiple real-world connectomics datasets, including an improved version of the EPFL mitochondria benchmark. Our results show an Jaccard index of up to 0.90 with inference times lower than 16ms for a 512x512px image tile. This speed is faster than the acquisition speed of modern electron microscopes, enabling mitochondria detection in real-time. Our detector ranks first for real-time detection when compared to previous works and data, results, and code are openly available.

研究の動機と目的

• ペタバイト規模の接続ゲノミクスデータセットにおけるリアルタイムのミトコンドリア検出の重要なニーズに対応すること。
• EPFLおよびKasthuriデータセットに見られる境界の不一致や誤分類といった、既存のベンチマークの限界を克服すること。
• 事前アラインメントを必要とせず、2次元EM画像に直接適用可能な、高速で正確でエンドツーエンドのディープラーニングモデルを開発すること。
• 現代の電子顕微鏡の11メガピixels/秒の取得レートを上回る推論速度を確保することで、リアルタイム処理を可能にすること。
• 改良版ベンチマークデータセット（Lucchi++およびKasthuri++）およびトレーニング済みモデルをオープンアクセスで提供し、今後の研究を加速すること。

提案手法

• 2次元EM画像タイル上でエンドツーエンドにトレーニングされた、変更済み2次元U-Netアーキテクチャを提案し、高速で正確なミトコンドリアセグメンテーションを実現すること。
• 3次元スタック全体の境界の一貫性を向上させるために、後処理としてZフィルタリングを適用し、タイル1枚あたりの推論時間を増加させずに、セグメンテーションの精度を向上させること。
• 元のEPFL海馬データセット、再アノテートされたLucchi++ベンチマーク、Kasthuri++側頭皮質データセットの3つのデータセットでモデルをトレーニングおよび評価すること。
• インスタンスセグメンテーションに最適化された損失関数を用い、境界の正確性を向上させるためにIoU（Jaccard指数）を重視すること。
• 推論にコンsumerクラスのGPUを活用し、Kasthuri++データセットで最大35.4メガピixels/秒のスループットを達成すること。
• 境界の不一致や誤分類を是正するため、コンSENSUS主導の熟練者アノテーションプロセスを実装すること。

実験結果

リサーチクエスチョン

• RQ1 2次元U-Netベースのモデルは、電子顕微鏡の取得速度を上回る推論速度を達成できるか、接続ゲノミクスにおいてリアルタイムのミトコンドリア検出が可能か？
• RQ2 既存のベンチマークに見られる境界の不一致や誤分類は、ミトコンドリアセグメンテーション性能の信頼性にどの程度影響を及ぼすか？
• RQ3 本手法は、3次元処理や事前アラインメントを必要とする先行研究と比較して、正確性および速度の面でどの程度優れているか？
• RQ4 標準化されたベンチマーク上でのミトコンドリアセグメンテーションにおいて、ディープラーニングモデルは熟練者によるアノテーションを上回る正確性を示せるか？
• RQ5 Zフィルタリングは、推論速度を損なわせることなく、3次元セグメンテーションの一貫性をどの程度向上させるか？

主な発見

• 提案された2次元U-Netモデルは、Lucchi++ベンチマークで最大0.90のJaccard指数を達成し、リアルタイム手法の中で最先端の正確性を示した。
• 512×512の画像タイル1枚あたりの推論時間は常に16ms未満であり、コンsumer GPU上で最大35.4メガピixels/秒の速度でリアルタイム処理が可能となった。
• 本モデルは、以前に発表されたすべてのリアルタイム対応手法を上回り、EPFL海馬データセットではリアルタイム精度で1位、全般で3位を獲得した。
• Lucchi++およびKasthuri++データセットは顕著な改善を示した。Lucchi++では誤分類の数を99から80に、Kasthuri++では平均境界距離を2.92pxから0.6pxに改善した。
• Zフィルタリングを適用した場合、Lucchi++ではJaccard指数0.87、Kasthuri++では0.84を達成し、異なる組織タイプにわたる高いロバスト性を示した。
• 本モデルの性能は、元のEPFL海馬データセットにおける熟練者アノテーターを上回り、人間のコンセンサスよりも高いIoUスコアを記録した。