[論文レビュー] Morphological Error Detection in 3D Segmentations

David Rolnick, Yaron Meirovitch+6 more|arXiv (Cornell University)|May 30, 2017

Cell Image Analysis Techniques参考文献 29被引用数 20

ひとこと要約

この論文では、バイナリマスクから高レベルの形態的パターンを学習することで、マニュアルアノテーションなしに、さまざまなデータセットで一般化可能な誤検出を可能にする3次元ConvNet、MergeNetを提案する。この手法は、複雑なマージ構成の特定において高い精度を達成でき、自らの訓練データ内の誤りでさえも修正可能である。

ABSTRACT

Deep learning algorithms for connectomics rely upon localized classification, rather than overall morphology. This leads to a high incidence of erroneously merged objects. Humans, by contrast, can easily detect such errors by acquiring intuition for the correct morphology of objects. Biological neurons have complicated and variable shapes, which are challenging to learn, and merge errors take a multitude of different forms. We present an algorithm, MergeNet, that shows 3D ConvNets can, in fact, detect merge errors from high-level neuronal morphology. MergeNet follows unsupervised training and operates across datasets. We demonstrate the performance of MergeNet both on a variety of connectomics data and on a dataset created from merged MNIST images.

研究の動機と目的

• 自動3次元ニューロンセグメンテーションにおけるマージ誤りという、一般的ではあるが従来の手法では検出が難しい継続的な課題に対処すること。
• 膜の予測や画像データに依存せずに、人間の神経形態の認識に類似した形態的直感を活用する手法の開発。
• 任意のある程度正確なセグメンテーション上で教師なし学習が可能であり、追加のマニュアルアノテーションなしに誤り検出と訂正を実現すること。
• 画像モodalitiy やネットワークアーキテクチャに依存しない、汎用的かつスケーラブルなソリューションを提供すること。

提案手法

• MergeNetは3次元ConvNetを用い、ボクセルレベルの膜予測ではなく、グローバルな形態的文脈に注目してバイナリセグメンテーションマスクを分析する。
• ネットワークは、セグメンテーションマスクのみを用いて教師なしに学習し、妥当なニューロン形状とマージされた形状を区別する能力を学習する。
• 高い値を示す確率マップを生成することで、異なるニューロンが誤って融合している可能性の高い領域を誤り局所化する。
• 訓練中に明示的にラベル付けされていなかった誤りでさえ、自らの訓練データ内で誤りを検出可能である。
• 異なるデータセット間で不変な形態的特徴を学習することで一般化可能であり、再トレーニングなしに新しいデータに展開可能である。
• アーキテクチャは高速性を最適化しており、単一GPUで1秒間に最大300万ボクセルを処理でき、大規模なコンネクトミクスパイプラインに適している。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、低レベルの画像特徴ではなく、高レベルの形態的パターンを学習することで、3次元ニューロンセグメンテーションにおけるマージ誤りを検出可能か？
• RQ2 3次元ConvNetは、明示的な教師信号なしに、並行、垂直、複数オブジェクトの融合といった多様で複雑なマージ構成をどの程度検出可能か？
• RQ3 訓練データ内の誤りがアノテーションされていなくても、モデルは自らの訓練データ内の誤りを検出可能であり、自己修正能力を示せるか？
• RQ4 モデルは異なるデータセットやセグメンテーションアルゴリズムにどの程度一般化可能か？再トレーニングなしに展開可能か？
• RQ5 特定のクラスに訓練されていないにもかかわらず、モデルはグリアのような非ニューロンオブジェクトを、形態的妥当性に基づいて異常として検出可能か？

主な発見

• MergeNetは、コンネクトミクスおよびMNISTベースのデータセットの両方で、並行、垂直、複数オブジェクトの融合を含む広範なマージ誤り構成を効果的に検出できた。
• 誤り局所化において高い精度を達成しており、X字接合部や複雑な融合領域といった誤りを起こしやすい領域を明確に特定する可視化が可能である。
• マニュアルアノテーションなしに、自らの訓練データ内の誤りを検出・局所化可能であり、教師なし学習による自己修正能力を示している。
• 異なるデータセットやセグメンテーション手法に一般化可能であり、異なるソースや画像モダリティからのデータに対しても高い性能を維持している。
• 訓練データに含まれない非ニューロンオブジェクト（例：グリア）に対しても、形態的妥当性に基づいて異常として検出可能であり、形状の異常に対する発生的一般化の可能性を示唆している。
• システムは単一GPUで1秒間に300万ボクセルの処理速度を達成しており、膜予測系の多くの手法を上回る速度を実現し、大規模なコンネクトミクスパイプラインへの統合が可能である。