[論文レビュー] Head and Tail Localization of C. elegans

Mansi Ranjit Mane, Aniket Anand Deshmukh+1 more|arXiv (Cornell University)|Jan 12, 2020

Genetics, Aging, and Longevity in Model Organisms参考文献 11被引用数 4

ひとこと要約

本論文では、手動での特徴工学を回避するため、VGG16に基づく畳み込みニューラルネットワークを用いた深層学習的手法を提案し、単一のワーム画像における* C. elegans* の頭部および尾部座標を直接回帰する。評価データ上で96.82%の平均PCK@15の正確性を達成し、ハイパーパramータのチューニングなしで照明や画像取得条件の変動に強く、頑健であることが示された。

ABSTRACT

C. elegans is commonly used in neuroscience for behaviour analysis because of it's compact nervous system with well-described connectivity. Localizing the animal and distinguishing between its head and tail are important tasks to track the worm during behavioural assays and to perform quantitative analyses. We demonstrate a neural network based approach to localize both the head and the tail of the worm in an image. To make empirical results in the paper reproducible and promote open source machine learning based solutions for C. elegans behavioural analysis, we also make our code publicly available.

研究の動機と目的

• 行動画像データにおける* C. elegans* の頭部および尾部を区別する、頑健で自動化された手法を開発すること。
• 照明や画像取得条件に敏感な手動でチューニングされたしきい値や特徴に依存しないようにすること。
• 事前の特徴工学を必要とせず、座標回帰のためのエンドツーエンド学習を可能にすること。
• 多様な実験設定において* C. elegans* 行動解析の再現性とスケーラビリティを向上させること。
• 自動ワームトラッキングおよび解析のための公開可能でオープンソースのソリューションを提供すること。

提案手法

• 頭部および尾部の位置を別々に5×5のヒートマップで予測する、VGG16に基づく完全畳み込みニューラルネットワークを用いる。
• ヘッドおよびテイルのピクセル位置における確率分布を表すために、softmax関数を用いてヒートマップを正規化する。
• 予測座標と真値座標の間の平均二乗誤差（MSE）損失を用いてモデルを学習し、ヒートマップの広がりを制御するための正則化にジェンセン・ショーンナー・ダイバージェンスを用いる。
• 一般化を向上させるために、ランダムな明るさの調整（最大12.5%）および90°、180°、270°の回転をデータオーグメンテーションに含める。
• 画像は、適応的しきい値処理によりバウンディングボックスを抽出し、150×150ピクセルにリサイズ・クロップしてワームを分離する。
• 最終的なモデルは、ヒートマップのピーク位置から直接頭部および尾部の座標を予測し、角度特徴のための手動しきい値処理を回避する。

実験結果

リサーチクエスチョン

• RQ1 手作業で作成された特徴（例：角度の湾曲や強度のしきい値）に依存せずに、深層学習モデルが* C. elegans* の頭部および尾部を正確に局在化できるか？
• RQ2 手動でのハイパーパramータチューニングなしで、照明や画像取得条件の変化に対してモデルの性能はどのように変化するか？
• RQ3 多様な画像取得条件で学習したモデルが、未学習の画像に対してもどの程度一般化できるか？
• RQ4 最小限のアーキテクチャの複雑さで、エンドツーエンドの座標回帰により高い局在化正確性を達成できるか？
• RQ5 しきい値に基づく頭部／尾部特徴の検出に依存する従来の手法と比較して、本モデルの性能はどのように異なるか？

主な発見

• 評価セットにおいて、予測された頭部および尾部座標が真値から15ピクセル以内に収まる確率が96.82%に達し、PCK@15の平均正確性が96.82%であった。
• 頭部局在化の正確性はPCK@15で96.65%、尾部は同じ閾値で96.98%に達し、両端の性能が優れていた。
• 頭部のPCK@7は94.24%、尾部は85.82%であった。これは、より細かい局在化閾値においても頭部検出がわずかに優れていることを示している。
• エンドツーエンド学習とデータオーグメンテーションのおかげで、照明やスケールの変動に対して高い性能を維持でき、感度が低下した。
• 照明の変化に影響を受けやすい、しきい値処理に基づく角度特徴や強度差の検出に依存する従来手法よりも優れた性能を示した。
• コードはGitHubで公開されており、今後の研究におけるマルチワームトラッキングへの再現性と拡張性を可能にしている。