[論文レビュー] Large-Scale Automatic Reconstruction of Neuronal Processes from Electron Microscopy Images

Verena Kaynig, Amelio Vázquez-Reina+7 more|arXiv (Cornell University)|Mar 28, 2013

Cell Image Analysis Techniques被引用数 8

ひとこと要約

この論文は、ランダムフォレスト分類と条件付きランダムフィールド、およびセグメンテーション統合を組み合わせることで、スケーラブルで準自動のパイプラインを提示し、連続断層電子顕微鏡（EM）画像からの神経細胞プロセスの大規模3次元再構成を実現した。最先端の性能を達成し、わずかなユーザーのアノテーションのみで27,000 μm³の哺乳類脳組織（1,000枚以上の断層）を自動再構成した。新規の検証ツール「Mojo」により、スパarsなスクラッチ（なぞり）によるマージエラーの効率的補正が可能となった。

ABSTRACT

Automated sample preparation and electron microscopy enables acquisition of very large image data sets. These technical advances are of special importance to the field of neuroanatomy, as 3D reconstructions of neuronal processes at the nm scale can provide new insight into the fine grained structure of the brain. Segmentation of large-scale electron microscopy data is the main bottleneck in the analysis of these data sets. In this paper we present a pipeline that provides state-of-the art reconstruction performance while scaling to data sets in the GB-TB range. First, we train a random forest classifier on interactive sparse user annotations. The classifier output is combined with an anisotropic smoothing prior in a Conditional Random Field framework to generate multiple segmentation hypotheses per image. These segmentations are then combined into geometrically consistent 3D objects by segmentation fusion. We provide qualitative and quantitative evaluation of the automatic segmentation and demonstrate large-scale 3D reconstructions of neuronal processes from a $\\mathbf{27,000}$ $\\mathbf{\\mu m^3}$ volume of brain tissue over a cube of $\\mathbf{30 \\; \\mu m}$ in each dimension corresponding to 1000 consecutive image sections. We also introduce Mojo, a proofreading tool including semi-automated correction of merge errors based on sparse user scribbles.

研究の動機と目的

• 大規模なEMデータにおける手動セグメンテーションのボトルネックを解消し、神経細胞プロセスの準自動的でスケーラブルな3次元再構成を可能にすること。
• 10枚の手動アノテーション済みEM画像での学習により、ユーザーのインタラクションを最小限に抑えること。
• 非等方的EMデータからの幾何学的に整合性のある3次元再構成を実現するため、複数のセグメンテーション仮説を統合すること。
• 2次元ブロック同士のマッチングを用いた並列処理により、サブボリュームを並列に処理し、全体の再構成に一貫性を保つこと。
• スパarsなユーザーのスクラッチを用いてマージエラーを効率的に修正できる、検証ツール「Mojo」の開発

提案手法

• 10枚の1024×1024ピクセルのEM画像からスパarsなユーザーのアノテーションを用いてランダムフォレスト分類器を学習し、膜および神経細胞プロセスを検出する。
• 分類器の出力を、非等方的平滑化の事前分布と組み合わせ、条件付きランダムフィールド（CRF）フレームワーク内で複数のセグメンテーション仮説を生成する。
• セグメンテーション統合を用いて仮説を統合し、幾何学的に整合性のある3次元神経細胞オブジェクトを生成する。さらに分岐構造の処理にも拡張可能である。
• サブボリュームを並列に処理し、ペアワイズマッチング方式を用いて統合することで、全体の再構成に一貫性を維持する。
• Mojoは、スパarsなユーザーのスクラッチを用いて3次元再構成におけるマージエラーを特定・修正する検証ツールであり、手作業の負荷を低減する。
• パイプラインはコンピュータクラスターやGPU上で線形スケーラビリティを実現するように設計されており、パフォーマンス最適化のためのMATLAB依存を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 スパarsなユーザーのアノテーションで学習されたランダムフォレスト分類器が、大規模なEMデータにおいて高精度な膜検出を達成できるか？
• RQ2 複数のセグメンテーション仮説をCRFベースで統合することで、非等方的EMデータから幾何学的に整合性のある3次元神経細胞再構成が可能か？
• RQ3 セグメンテーション統合手法を、神経細胞プロセスの複雑な分岐構造に対応できるように拡張できるか？
• RQ4 サブボリュームの並列処理と一貫性のあるグローバル統合により、大規模な再構成が達成可能か？
• RQ5 スパarsなスクラッチを用いた準自動検証ツールにより、3次元再構成におけるマージエラーの修正に要する作業負荷を著しく低減できるか？

主な発見

• わずか10枚の手動アノテーション済みEM画像での学習により、最先端の再構成性能を達成し、アノテーションの負担を顕著に低減した。
• 本手法により、27,000 μm³の哺乳類脳組織（1,000枚の断層に相当）を再構成した。これは、従来の染色法を用いた哺乳類組織で、自動再構成された最大規模の例である。
• シナプスの首部分が複数の断層にわたり再構成されたが、断片化が発生した。検証により分割エラーが低減され、一部のシナプスでは1回の修正で十分だった。
• 長距離のマージエラー（例：1つの細胞体が複数のプロセスとマージされたもの）は3次元幾何学的特徴から検出可能であり、Mojoを用いて修正可能であった。
• セグメンテーション統合手法により、薄く曲率の高い領域（例：シナプスの首）であっても、数ミクロンにわたる連続的な神経細胞プロセスが再構成された。
• プロセッサ数に応じて線形スケーリングを示し、クラスターやGPU上で効率的な処理が可能であった。