[論文レビュー] Identifying Synapses Using Deep and Wide Multiscale Recursive Networks

Gary B. Huang, Stephen M. Plaza|arXiv (Cornell University)|Sep 5, 2014

Cell Image Analysis Techniques参考文献 14被引用数 13

ひとこと要約

本稿では、ドーパミンフライーブレインの電子顕微鏡データにおける自動シナプス検出のための深く広いマルチスケール再帰的（DAWMR）ネットワークを提案する。エンドツーエンド学習を活用して階層的特徴を抽出し、検出精度を向上させる。従来のランダムフォレストベースの手法と比較して、高い再現率における有意に高い正確性を達成し、手動アノテーション作業を50％以上削減しながら、人間レベルの性能に近づいた。

ABSTRACT

In this work, we propose a learning framework for identifying synapses using a deep and wide multi-scale recursive (DAWMR) network, previously considered in image segmentation applications. We apply this approach on electron microscopy data from invertebrate fly brain tissue. By learning features directly from the data, we are able to achieve considerable improvements over existing techniques that rely on a small set of hand-designed features. We show that this system can reduce the amount of manual annotation required, in both acquisition of training data as well as verification of inferred detections.

研究の動機と目的

• 結合症研究における手動シナプスアノテーションの増大するボトル neck を解消するため、より正確な自動検出システムを開発すること。
• ボクセルレベルのアノテーションではなくオブジェクトレベルのアノテーションを用いて学習することで、広範な手動ラベル付けの必要性を低減すること。
• 特に高再現率における性能向上を図り、ilastikで用いられる従来のランダムフォレストベースの手法を上回ること。
• 完全自動の結合体再構築への道筋を示すために、シナプス検出において人間水準に近い正確性を達成すること。

提案手法

• DAWMRネットワークは、複数スケールにわたる非教師付き特徴学習を用いて、EM画像ボリュームからの階層的表現を抽出する。
• 空間プーリングによりスケール間の特徴を統合し、シナプスの検出に必要な文脈的情報を提供する。
• 多層パーセプトロンが統合された特徴量を用いて教師あり分類を実行し、シナプスの位置を予測する。
• ボクセル単位の予測結果に対して平均化処理と非最大抑制（NMS）を適用することで、オブジェクトレベルの検出を実現する。
• 手動アノテーション作業を最小限に抑えるために、オブジェクトレベルのラベルからボクセルレベルのラベルへの単純な変換を用いて学習を行う。
• 本手法は、520³ボクセルの20個の画像ボリューム上で評価され、5,000個を超えるTバー型シナプスが含まれている。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングフレームワークは、正確性を向上させつつ、シナプス検出における手動アノテーションの必要性を低減できるか？
• RQ2 DAWMRベースの検出は、インタラクティブなラベリングと静的ラベリングの両方で学習されたランダムフォレスト分類器と比較して、正確性と再現率の面でどのように異なるか？
• RQ3 オブジェクトレベルの監視が、EMデータにおける高精度なシナプス検出に十分であるとまではどの程度まで言えるか？
• RQ4 提案手法は、人間レベルのアノテーションと同等の性能を達成できるか？

主な発見

• DAWMRネットワークは、K-means後処理および平均化/NMS手法と比較して、特に高再現率における性能が優れている。
• ランダムフォレスト分類器の静的学習は、インタラクティブな方法と同等の性能を達成したが、はるかに少ない手動監視を要した。
• DAWMRネットワークは、全範囲の再現率において、すべてのランダムフォレストベースラインを上回る正確性を達成した。
• 再現率0.9の条件下で、DAWMR手法はベースライン手法の正確性を2倍にし、手動検証時間の50％以上を削減した。
• システムの性能は人間レベルの一致度（再現率0.9における正確性0.9）に近づき、完全自動のシナプス検出の実現可能性を示唆している。
• 本手法は、ドーパミンフライのTバーにおける多シナプス性や構造的多様性に対しても頑健であるため、複雑なニューロピル内でも信頼性の高い検出が可能である。