[論文レビュー] Learning and Segmenting Dense Voxel Embeddings for 3D Neuron Reconstruction

Kisuk Lee, Ran Lu+2 more|arXiv (Cornell University)|Sep 21, 2019

Cell Image Analysis Techniques参考文献 53被引用数 5

ひとこと要約

本論文では、深層度量学習を用いて学習された高密度ボクセル埋め込みを用いた、3次元ニューロン再構築の新規手法を提案する。これらの埋め込みからメトリックグラフを構築し、長距離アフィニティを用いたMutex Watershed分離を適用した後、平均埋め込みに基づく凝集を施すことで、特に細いニューロンプロセスや自己接触モチーフにおいて、SNEMI3DおよびCREMIベンチマークで先行するSOTA境界検出ネットワークを上回る最先端の精度を達成する。

ABSTRACT

We show dense voxel embeddings learned via deep metric learning can be employed to produce a highly accurate segmentation of neurons from 3D electron microscopy images. A "metric graph" on a set of edges between voxels is constructed from the dense voxel embeddings generated by a convolutional network. Partitioning the metric graph with long-range edges as repulsive constraints yields an initial segmentation with high precision, with substantial accuracy gain for very thin objects. The convolutional embedding net is reused without any modification to agglomerate the systematic splits caused by complex "self-contact" motifs. Our proposed method achieves state-of-the-art accuracy on the challenging problem of 3D neuron reconstruction from the brain images acquired by serial section electron microscopy. Our alternative, object-centered representation could be more generally useful for other computational tasks in automated neural circuit reconstruction.

研究の動機と目的

• 3次元電子顕微鏡（EM）画像における密にねじれ合ったニューロンを正確にセグメンテーションする課題に対処すること。
• 特に細いニュリットや自己接触モチーフにおいて、既存の境界検出ネットワークの限界を克服すること。
• 接続ゲノミクス分野におけるより良いセグメンテーションを実現するため、高密度ボクセル埋め込みをオブジェクト中心の表現として活用することの検討。
• 自己接触や分岐を含む複雑なニューロン幾何構造によって引き起こされる系統的セグメンテーション誤差を低減すること。
• 現実世界のEMデータセットにおいて、最先端の手法を上回るスケーラブルでエンドツーエンドのフレームワークを開発すること。

提案手法

• 3次元畳み込みニューラルネットワークを、深層度量学習により訓練し、同一ニューロン内ボクセルを密にグループ化し、異なるニューロン間のボクセルを分離する高密度ボクセル埋め込みを生成する。
• ボクセルペア間のアフィニティは、局所的な3次元パッチ内の埋め込みから計算され、重複領域でスタッチされ、ブレンド処理されて全ボリュームをカバーする。
• これらのアフィニティからメトリックグラフを構築し、局所的および長距離の接続を組み合わせることで、グローバル構造を捉える。
• Mutex Watershedアルゴリズムをメトリックグラフに適用し、長距離エッジを反発的制約として用いることで、セグメンテーションの正確性を向上させる。
• 類似した平均埋め込みを持つ候補セグメントを統合するステップにより、自己接触モチーフに起因する系統的分割誤差を是正する。
• 再トレーニングを伴わず、セグメンテーションおよび凝集の両方で同じ埋め込みネットワークを再利用するエンドツーエンドのパイプラインを適用する。

実験結果

リサーチクエスチョン

• RQ1 深層度量学習から得られる高密度ボクセル埋め込みは、最先端の境界検出ネットワークと比較して、3次元ニューロンセグメンテーションの精度を向上させることができるか？
• RQ2 メトリックグラフにおける長距離アフィニティの使用は、細く複雑なニューロン構造のセグメンテーションにどの程度効果的か？
• RQ3 平均埋め込みに基づく凝集は、自己接触モチーフに起因するセグメンテーション誤差を効果的に是正できるか？
• RQ4 提案されたオブジェクト中心の埋め込み表現は、高いニューロン密度を示す現実世界の3次元EMデータセットに十分に一般化できるか？
• RQ5 この手法は、非常に細いニュリットや複雑な分岐パターンにおける誤差をどの程度低減できるか？

主な発見

• 提案手法は、SNEMI3DおよびCREMIベンチマークで最先端の性能を達成し、[5]の先行SOTA境界検出ネットワークを上回った。
• 従来の手法がしばしば失敗する非常に細いニューロンプロセスにおけるセグメンテーション誤差が顕著に低減された。
• 長距離アフィニティを用いたMutex Watershed分離により、特に複雑な接続パターンの解消において高い正確性が得られた。
• 平均埋め込みに基づく凝集により、自己接触による分割誤差の大部分が是正され、系統的セグメンテーション失敗が減少した。
• テストされた3つのボリュームのデータセットにおいて、ベースラインと比較して統計的に有意な改善（p=0.0014、対応t検定）が得られた。
• 自己接触の検出におけるヒューリスティックな限界にもかかわらず、現実のEMデータに対して強い一般化性とロバストネスを示した。