[論文レビュー] Multi-Hypothesis CRF-Segmentation of Neural Tissue in Anisotropic EM Volumes

Jan Funke, Bjoern Andres+3 more|arXiv (Cornell University)|Sep 12, 2011

Cell Image Analysis Techniques参考文献 13被引用数 5

ひとこと要約

本論文は、異方性電子顕微鏡画像ボリュームにおける神経組織の同時セグメンテーションとスライス間割り当てのためのマルチハイポセシスCRFフレームワークを提案する。複数の正則化パラメータλNを用いて各スライスごとに複数のセグメンテーション仮説を生成し、整数線形計画法（ILP）を用いてグローバルに最適な割り当てを解くことで、単一仮説手法に比べて顕著に向上したセグメンテーションおよびグループ化の正確性を達成した。計算時間はスライス数に対してアモアタイズド線形時間計算量を示した。

ABSTRACT

We present an approach for the joint segmentation and grouping of similar components in anisotropic 3D image data and use it to segment neural tissue in serial sections electron microscopy (EM) images. We first construct a nested set of neuron segmentation hypotheses for each slice. A conditional random field (CRF) then allows us to evaluate both the compatibility of a specific segmentation and a specific inter-slice assignment of neuron candidates with the underlying observations. The model is solved optimally for an entire image stack simultaneously using integer linear programming (ILP), which yields the maximum a posteriori solution in amortized linear time in the number of slices. We evaluate the performance of our approach on an annotated sample of the Drosophila larva neuropil and show that the consideration of different segmentation hypotheses in each slice leads to a significant improvement in the segmentation and assignment accuracy.

研究の動機と目的

• 異方性EM画像スタックにおける神経プロセスの正確な3次元セグメンテーションとグループ化の課題に対処すること。
• 各スライスごとに複数の競合するセグメンテーション仮説を組み込むことで、セグメンテーション誤差への感受性を低減すること。
• 確率的CRFモデルを用いて、神経成分のセグメンテーションとスライス間割り当てを同時に最適化すること。
• スライス全体にわたって一貫性があり、スケーラブルでアモアタイズド線形時間性能を有するグローバル最適解を達成すること。
• 大規模なEMデータセットから神経回路のロバストで高精度な再構築を可能にすること。

提案手法

• 条件付きランダムフィールド（CRF）モデルにおける正則化パラメータλNを変化させることで、事前に訓練されたランダムフォレスト分類器を用いてピクセル単位の尤度を推定し、各スライスごとに複数のセグメンテーション仮説を生成する。
• CRFモデルは、データ適合性（特徴量の対数尤度）、滑らかさ（空間勾配に基づくエッジペナルティ）、およびλNによる神経細胞サイズの事前分布を統合する。
• ウォームスタート付きグラフカットを用いて複数のセグメンテーションを生成し、各スライスごとにネストされた連結成分仮説の集合を得る。
• バイナリ割り当て変数を用いた共同最適化フレームワークを構築し、マップ推論の定式化によりセグメンテーション選択とスライス間成分割り当てをモデル化する。
• 最適化は整数線形計画法（ILP）として定式化され、IBM CPLEXを用いて整数性とグローバル最適性を保証する。
• ILP定式化には、割り当て変数およびセグメンテーション変数に関する線形制約が含まれ、コストは特徴量類似性と空間的一致性から導出される。

実験結果

リサーチクエスチョン

• RQ1 各スライスごとに複数のセグメンテーション仮説を組み込むことで、異方性EMボリュームにおける神経組織セグメンテーションの正確性が向上するか？
• RQ2 セグメンテーションとスライス間割り当てを同時に最適化することで、逐次的または独立処理に比べて神経成分のグループ化が改善されるか？
• RQ3 アモアタイズド線形時間計算量を有する整数線形計画法を用いて、大規模なEMスタックに対しグローバル最適解を効率的に計算できるか？
• RQ4 複数仮説アプローチの性能は、さまざまなセグメンテーション強度に対して、固定パラメータの単一仮説手法と比較してどのように異なるか？
• RQ5 ベースライン手法に比べて、本手法は神経再構築における分割誤りとマージ誤りを効果的に低減できるか？

主な発見

• 提案されたマルチハイポセシスアプローチは、テストされたすべての固定λNの単一仮説設定よりも優れたセグメンテーションおよび割り当ての正確性を達成した。
• 編集距離（分割誤りおよびマージ誤りの指標）は、パrameter範囲全体で最良の単一仮説実行を下回る有意な低減を示した。
• 推論時間はスライス数に比例して線形に増加し、実際のアモアタイズド線形時間性能が裏付けられた。
• パrameterの変動に対して本手法はロバストであった。固定λN設定のいずれの設定よりもマルチハイポセシス戦略が優れた性能を示した。
• 本手法は、スライス内セグメンテーションおよびスライス間割り当ての両タスクにおいて、分割誤りとマージ誤りの両方を効果的に低減した。
• 各スライスに複数の仮説を用いることで、局所的なパラメータの不適合による重要な神経成分の損失のリスクが顕著に低減された。