[論文レビュー] Generative Modeling with Conditional Autoencoders: Building an Integrated Cell

Gregory R. Johnson, Rory Donovan-Maiye+1 more|arXiv (Cornell University)|Apr 28, 2017

Cell Image Analysis Techniques参考文献 12被引用数 26

ひとこと要約

本論文は、蛍光顕微鏡画像からの細胞小器官構造の確率的局在化を伴い、現実的な細胞および核の形態を学習・合成するための条件付き変分オートエンコーダを用いた条件付き生成モデルを提案する。このモデルはセグメンテーションを必要とせず、細胞成分間の複雑な空間的関係を捉えることができ、観測されない構造の局在化を正確に予測し、潜在表現から写真のようにリアルな合成細胞を生成することが可能である。

ABSTRACT

We present a conditional generative model to learn variation in cell and nuclear morphology and the location of subcellular structures from microscopy images. Our model generalizes to a wide range of subcellular localization and allows for a probabilistic interpretation of cell and nuclear morphology and structure localization from fluorescence images. We demonstrate the effectiveness of our approach by producing photo-realistic cell images using our generative model. The conditional nature of the model provides the ability to predict the localization of unobserved structures given cell and nuclear morphology.

研究の動機と目的

• 蛍光顕微鏡画像から細胞および核の形態のばらつきと細胞小器官構造の局在化を捉える非パrametricな生成モデルを開発すること。
• 細胞および核の形状に基づいて、観測されていない構造の局在化を確率的に予測できること。
• 蛍光シグナルの局在化を直接モデリングすることで、セグメンテーションやオブジェクト検出に依存することを減らすこと。
• 複雑な画像分布および細胞のばらつきをエンコードする、コンactかつ低次元の潜在空間表現を構築すること。
• 多様な画像データの統合を支援し、3次元モデリングおよび撹乱空間の符号化に拡張可能であること。

提案手法

• 本モデルは2つの深層オートエンコーダを採用する：1つは細胞および核の形状のばらつきを符号化するためのもので、もう1つは符号化された形状を条件として与えたもとでの構造の局在化をモデル化するためのものである。
• 条件付き変分オートエンコーダ（CVAE）フレームワークを用いて、細胞形態と細胞小器官構造の位置の間の結合確率分布を学習する。
• 本モデルは、300～750枚の蛍光顕微鏡画像を用いてエンドツーエンドに訓練され、オブジェクトセグメンテーションを必要とせず、ピクセル単位のシグナル強度を直接モデリングする。
• 潜在空間表現を用いて、最大尤度推定を介して写真のようにリアルな合成細胞画像を生成し、構造の局在化を予測する。
• 本モデルは条件付き生成が可能である：与えられた細胞および核の形状に基づき、任意の構造の最も確率の高い局在化を予測する。
• 本フレームワークはパラメトリックモデルと互換性があり、既知のパラメトリック形式を持つ構造と持たない構造の混合モデリングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 非パラメトリックな生成モデルは、細胞小器官構造と細胞／核の形態の間の空間的関係を正確に捉え、合成できるか？
• RQ2 細胞および核の形状に基づいて、直接観測されていない蛍光標識構造の局在化を予測できるか？
• RQ3 オブジェクトセグメンテーションに依存しない蛍光シグナル局在化の直接モデリングは、モデリングの柔軟性と効率性において、セグメンテーションに基づく細胞計測的手法を上回るか？
• RQ4 本モデルの潜在空間は、細胞形態のばらつきを探索するためのコンパクトで解釈可能な座標系として機能できるか？
• RQ5 本モデルは、高いばらつきや動的再編成を示すパターンを含め、多様な局在パターンにどの程度一般化できるか？

主な発見

• 本モデルは、現実的な形態的および細胞小器官組織パターンを反映する写真のようにリアルな合成細胞画像を効果的に生成した。
• 直接観測がなくても、実験データと高い整合性を示す精度の高い細胞小器官構造の局在化を正確に予測した（図3参照）。
• 多項分類タスクにおいて高い分類精度を達成したが、サンプル数が少ないもしくは代表されていない構造クラスでは性能が低下した。
• セグメンテーションを回避することで、モデリングの複雑さが軽減され、オブジェクト境界の真値評価に起因する誤差も回避された。
• 潜在空間は細胞形態および構造組織の意味のあるばらつきを符号化しており、低次元の確率的空間で細胞多様性を探索可能である。
• 本モデルは、散乱タンパク質や微小小胞など、動的再編成を示す構造を含む多様な局在パターンに良好に一般化した。