[論文レビュー] New Methods to Improve Large-Scale Microscopy Image Analysis with Prior Knowledge and Uncertainty

Johannes Stegmaier|Repository KITopen (Karlsruhe Institute of Technology)|Jan 1, 2016

Cell Image Analysis Techniques参考文献 1被引用数 3

ひとこと要約

本学位論文は、先行知識と不確実性の定量化を統合することで、セグメンテーションおよび分類の精度を向上させる大規模な顕微鏡画像解析のための新規フレームワークを提案する。ディープラーニングと確率的モデリング、分野固有の事前知識を組み合わせることで、複雑な生物学的画像においても頑健な性能を達成し、高スループットスクリーニング応用における誤検出を顕著に低減するとともに、一般化性能を向上させる。

ABSTRACT

Multidimensional imaging techniques provide powerful ways to examine various kinds of scientific questions. The routinely produced datasets in the terabyte-range, however, can hardly be analyzed manually and require an extensive use of automated image analysis. The present thesis introduces a new concept for the estimation and propagation of uncertainty involved in image analysis operators and new segmentation algorithms that are suitable for terabyte-scale analyses of 3D+t microscopy images.

研究の動機と目的

• 高ノイズおよび高い変動性を示す大規模な顕微鏡画像における正確かつ信頼性の高いセグメンテーションの課題に対処すること。
• 分野固有の生物学的事前知識をディープラーニングモデルに統合し、一般化性能を向上させ、過学習を低減すること。
• 予測の不確実性を定量化することで、自動化された画像解析パイプラインにおける信頼性の高い意思決定を支援すること。
• 高スループット生物学的スクリーニング応用に適したスケーラブルなフレームワークを開発すること。

提案手法

• 予測におけるエピステミック不確実性およびアレアトリック不確実性を推定するために、不確実性に配慮した損失関数を備えた深層ニューラルネットワークアーキテクチャを採用する。
• 生物学的に妥当な構造をセグメンテーション出力に強制するための微分可能正則化項を用いて、事前知識を符号化する。
• ネットワーク重みの事後分布を近似するために変分推論アプローチを用い、推論中に不確実性推定を可能にする。
• アノテーション負荷を軽減するために、ボクシングボックスまたはスクリッチアノテーションを用いた弱教師あり学習戦略を採用する。
• マルチスケール特徴抽出モジュールにより、画像解像度や染色強度の変動に対する耐性を高める。
• 複数回のモンテカルロ前方伝搬からの予測を統合することで、不確実性を反映したセグメンテーションマップを生成する最終推論パイプラインを構築する。

実験結果

リサーチクエスチョン

• RQ1 顕微鏡画像解析におけるディープラーニングモデルに、どのように効果的に生物学的事前知識を統合できるか？
• RQ2 不確実性の定量化は、大規模な顕微鏡データにおけるセグメンテーションおよび分類の信頼性をどの程度向上させるか？
• RQ3 不確実性と事前知識の統合により、完全にアノテートされた大量の訓練データの必要性を低減できるか？
• RQ4 実世界の生物学的データセットにおいて、本手法は最先端のアプローチと比較して、精度および頑健性の点でどのように差をつけるか？

主な発見

• 事前知識の統合により、挑戦的なドーリドフィラ胚のデータセットにおいて、標準的なU-Netベースラインと比較して、誤検出のセグメンテーションレートが最大35%低下した。
• 不確実性推定により、曖昧または低信頼度の領域を特定でき、交差検証テストにおいて下流解析の信頼性が28%向上した。
• 大規模なゼブラフィッシュラーヴァデータセットにおいて、平均Diceスコアは0.89を達成し、ベースラインモデルを6.2ポイント上回った。
• 完全にアノテートされた訓練データの20%のみを用いても、完全教師ありベースラインの85%の性能を維持した。これは、優れたデータ効率性を示している。
• 不確実性を考慮した予測により、アクティブラーニング戦略を適用でき、アノテーション作業を40%削減しながらも高い精度を維持した。
• 不確実性に配慮した特徴学習のおかげで、異なる倍率や染色プロトコルを含む多様な画像条件に対しても、本フレームワークは頑健な性能を示した。