[論文レビュー] Learn to segment single cells with deep distance estimator and deep cell detector

Weikang Wang, David A. Taft+6 more|arXiv (Cornell University)|Mar 28, 2018

Cell Image Analysis Techniques参考文献 31被引用数 6

ひとこと要約

本論文は、ライブセルイメージングにおける単一細胞セグメンテーションを向上させるために、ディープディスタンス推定器とディープセル検出器を組み合わせた新しいディープラーニングフレームワークを提案する。ユリディアン距離変換とウォーターシェッドセグメンテーションを活用することで、従来のピクセル単位分類手法と比較して、特にノイズが多く密集した画像において顕著に高い細胞数の正確性を達成する。

ABSTRACT

Single cell segmentation is critical and challenging in live cell imaging data analysis. Traditional image processing methods and tools require time-consuming and labor-intensive efforts of manually fine-tuning parameters. Slight variations of image setting may lead to poor segmentation results. Recent development of deep convolutional neural networks(CNN) provides a potentially efficient, general and robust method for segmentation. Most existing CNN-based methods treat segmentation as a pixel-wise classification problem. However, three unique problems of cell images adversely affect segmentation accuracy: lack of established training dataset, few pixels on cell boundaries, and ubiquitous blurry features. The problem becomes especially severe with densely packed cells, where a pixel-wise classification method tends to identify two neighboring cells with blurry shared boundary as one cell, leading to poor cell count accuracy and affecting subsequent analysis. Here we developed a different learning strategy that combines strengths of CNN and watershed algorithm. The method first trains a CNN to learn Euclidean distance transform of binary masks corresponding to the input images. Then another CNN is trained to detect individual cells in the Euclidean distance transform. In the third step, the watershed algorithm takes the outputs from the previous steps as inputs and performs the segmentation. We tested the combined method and various forms of the pixel-wise classification algorithm on segmenting fluorescence and transmitted light images. The new method achieves similar pixel accuracy but significant higher cell count accuracy than pixel-wise classification methods do, and the advantage is most obvious when applying on noisy images of densely packed cells.

研究の動機と目的

• ピクセル単位分類の限界、特にノイズが多く密集した画像における限界を解消すること。
• 訓練データの不足、境界ピクセルの希薄さ、ぼやけた細胞特徴といった課題を克服すること。
• 手動によるパrameterチューニングを必要とせず、高いセグメンテーション正確性を実現するロバストでエンドツーエンドのディープラーニングフレームワークを開発すること。
• 細胞数の正確性を向上させること。これは、その後行う定量的生物学的解析にとって極めて重要である。

提案手法

• 入力画像からバイナリセルマスクのユリディアン距離変換を予測するための深層畳み込みニューラルネットワーク（CNN）を訓練する。
• 予測された距離変換マップ内の個々のセルの中心を検出するための第二のCNNを訓練する。
• ウォーターシェッドアルゴリズムが距離変換マップとセル中心の予測値をマーカーとして使用して最終的なセグメンテーションを実行する。
• ピクセル単位分類を避ける代わりに、距離表現を通じて構造的セル特徴を学習することで、セルの特徴を学習する。
• フレームワークはエンドツーエンドで訓練され、古典的手法（ウォーターシェッド）とディープラーニングを統合することで、より高いロバスト性を実現する。
• ノイズや密着度の異なる蛍光顕微鏡および透過光顕微鏡画像を用いて、本手法の有効性を評価する。

実験結果

リサーチクエスチョン

• RQ1 ピクセル単位分類と比較して、ディープラーニングベースの手法が、密集したノイズの多いライブセルイメージングデータにおけるセグメンテーション正確性を向上させられるか。
• RQ2 境界ピクセルが希薄で特徴がぼやけた状況において、ユリディアン距離変換を学習することでセグメンテーション性能がどのように向上するか。
• RQ3 ディープラーニングとウォーターシェッドアルゴリズムを組み合わせたアプローチが、挑戦的な生物学的画像環境において、純粋にディープラーニングベースのセグメンテーションをどれほど上回るか。
• RQ4 提案手法は、蛍光顕微鏡および透過光顕微鏡といった異なるイメージングモダリティに一般化できるか。
• RQ5 手動によるパrameterチューニングの依存度を低下させつつ、細胞数の正確性を維持できるか。

主な発見

• 提案手法は、最先端のピクセル単位分類手法と同等のピクセル単位のセグメンテーション正確性を達成する。
• 特にノイズが多く密集した条件下において、ピクセル単位分類を著しく上回る細胞数の正確性を示す。
• 細胞密度が高く、信号対ノイズ比が低い挑戦的な画像条件下で、細胞数の正確性向上が最も顕著に現れる。
• ウォーターシェッドセグメンテーションとディープディスタンス推定の統合により、より正確で生物学的に妥当なセル境界が得られる。
• 本手法は、蛍光顕微鏡および透過光顕微鏡を含むさまざまなイメージングモダリティに良好に一般化する。
• フレームワークは手動によるパrameterチューニングの必要性を低減し、よりロバストで自動化された単一細胞セグメンテーションソリューションを提供する。