[論文レビュー] Learning 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 3被引用数 11

ひとこと要約

本論文は、連続断面電子顕微鏡画像からの3次元ニューロン再構成で最先端の性能を達成するために、畳み込みネットワークから得られる密度の高いボクセル埋め込みを用いた深層メトリック学習アプローチを提案する。短距離および長距離の辺を含むメトリックグラフを構築し、長距離の類似度を反発制約として用いてグラフを分割することで、特に細いニュリットに対して高精度なセグメンテーションを実現し、同一のネットワークを用いて複雑な自己接触構造における系統的な分割誤りを是正する。

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 an arbitrary set of short and long-range edges can be constructed from the dense embeddings generated by a convolutional network. Partitioning the metric graph with long-range affinities as repulsive constraints can produce an initial segmentation with high precision, with substantial improvements on very thin objects. The convolutional embedding net is reused without any modification to agglomerate the systematic splits caused by complex self-touching' objects. 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次元電子顕微鏡画像におけるニューロンの正確なセグメンテーション、特に細いおよび自己接触を示すプロセスの課題に対処すること。
• ニューロン形態における局所的および長距離の構造的関係を捉える表現を構築すること。
• 既存の手法で頻繁に誤分類される非常に細いニュリットにおけるセグメンテーション精度を向上させること。
• 自動神経回路再構成の幅広い応用に適した再利用可能なオブジェクト中心の表現を提供すること。

提案手法

• 畳み込みニューラルネットワークを深層メトリック学習により訓練し、3次元EM画像内の構造的関係を符号化する密度の高いボクセル埋め込みを生成する。
• 学習されたボクセル埋め込みから得られる短距離および長距離の辺を用いてメトリックグラフを構築する。
• 長距離の類似度を反発制約として用い、グラフを分割することでセグメンテーションをガイドし、誤った分割を低減する。
• 初期セグメンテーション後に同じ埋め込みネットワークを変更なしで再利用し、複雑で自己接触を示すニューロン構造における系統的な分割誤りを是正する。
• 学習された埋め込み空間を活用して、セグメンテーションのための類似度および分離基準を定義する。
• メトリック学習とグラフ分割を組み合わせることで、トポロジーに配慮した高精度なセグメンテーションを実現する。

実験結果

リサーチクエスチョン

• RQ1 メトリック学習により学習された密度の高いボクセル埋め込みは、EM画像からの3次元ニューロン再構成におけるセグメンテーション精度を向上させ得るか？
• RQ2 長距離の類似度が反発制約として用いられた場合、特に細いニュリットにおいて誤った分割の低減にどの程度有効であるか？
• RQ3 同じ埋め込みネットワークは、初期セグメンテーション後の凝集的リファインメントに効果的に再利用可能か？
• RQ4 オブジェクト中心の埋め込み表現は、従来のピxls単位または領域ベースの手法に比べてどの程度優れているか？
• RQ5 提案手法は、脳のEMデータに一般的に見られる複雑な自己接触ニューロン構造に対して、どの程度頑健か？

主な発見

• 本手法は、連続断面EM画像からの挑戦的な3次元ニューロン再構成タスクにおいて最先端の精度を達成した。
• 長距離の類似度を反発制約として用いることで、特に非常に細いニュリットにおいて精度が顕著に向上した。
• 同じ埋め込みネットワークを再訓練なしで複雑で自己接触を示すニューロン構造における系統的な分割誤りの是正に成功した。
• 密度の高いボクセル埋め込み表現により、局所的および長距離の構造的文脈を捉えることで、高精度なセグメンテーションが可能になった。
• 提案されたオブジェクト中心の表現は汎用的であり、自動神経回路再構成における他のタスクに対しても有用である可能性がある。