[論文レビュー] Penalized matrix decomposition for denoising, compression, and improved demixing of functional imaging data

E. Kelly Buchanan, Ian Kinsella+18 more|arXiv (Cornell University)|Jul 17, 2018

Neural dynamics and brain function参考文献 31被引用数 5

ひとこと要約

この論文は、機能的イメージングデータのノイズ除去、圧縮、およびデミックスの改善を目的として、罰則付き行列分解（PMD）を導入する。局所的な画像パッチに空間的に局所化され、非負でデータ駆動のPMDを適用することにより、2–4×のSNR向上と20–300×の圧縮が達成され、最小限の信号損失で、カルシウムイメージングおよび電圧イメージングデータの多様なモダリティ（2光子、3光子、ワイドフィールド、および dendritic イメージングを含む）において、初期化に依存しない堅牢な解析が可能になる。

ABSTRACT

Calcium imaging has revolutionized systems neuroscience, providing the ability to image large neural populations with single-cell resolution. The resulting datasets are quite large, which has presented a barrier to routine open sharing of this data, slowing progress in reproducible research. State of the art methods for analyzing this data are based on non-negative matrix factorization (NMF); these approaches solve a non-convex optimization problem, and are effective when good initializations are available, but can break down in low-SNR settings where common initialization approaches fail. Here we introduce an approach to compressing and denoising functional imaging data. The method is based on a spatially-localized penalized matrix decomposition (PMD) of the data to separate (low-dimensional) signal from (temporally-uncorrelated) noise. This approach can be applied in parallel on local spatial patches and is therefore highly scalable, does not impose non-negativity constraints or require stringent identifiability assumptions (leading to significantly more robust results compared to NMF), and estimates all parameters directly from the data, so no hand-tuning is required. We have applied the method to a wide range of functional imaging data (including one-photon, two-photon, three-photon, widefield, somatic, axonal, dendritic, calcium, and voltage imaging datasets): in all cases, we observe ~2-4x increases in SNR and compression rates of 20-300x with minimal visible loss of signal, with no adjustment of hyperparameters; this in turn facilitates the process of demixing the observed activity into contributions from individual neurons. We focus on two challenging applications: dendritic calcium imaging data and voltage imaging data in the context of optogenetic stimulation. In both cases, we show that our new approach leads to faster and much more robust extraction of activity from the data.

研究の動機と目的

• 機能的イメージングにおける高データ量とノイズの課題に対処すること、特に大規模なカルシウムおよび電圧イメージングデータセットにおいて。
• 手動によるハイパーパrameterチューニングや強い初期化を必要としない、スケーラブルで頑健かつ自動的な機能的イメージングデータのノイズ除去および圧縮手法の開発。
• 時間的に相関のないノイズから低次元の信号成分を分離することで、生物学的に関連する活動を保持したまま信号のデミックスを改善すること。
• 信号損失を最小限に抑えつつ高い圧縮率を達成することで、効率的なデータ共有とリアルタイム処理を可能にすること。
• NMF（初期化に敏感） や PCA（構造的信号のモデリングが不適切）といった既存手法の制限を、空間的に局所化された罰則付き行列分解フレームワークによって克服すること。

提案手法

• 本手法は、機能的イメージングデータの局所的空間的パッチに罰則付き行列分解（PMD）を適用し、データ行列を低ランクの信号成分とスパースなノイズ成分に分解する。
• PMDはパッチベースのアプローチにより空間的局所化を実現し、大規模データセットにおける並列計算と高いスケーラビリティを可能にする。
• 分解にはノイズ成分のスパarsityを促進し、信号成分に低ランク構造を強制するためのペナルティ項が組み込まれており、すべてのパrameterはデータから直接推定される。
• 非負性制約を課さず、同定可能性の仮定も必要としないため、NMF よりも頑健性が向上する。
• ペナルティ項により自動的に成分数が決定されるため、PCA と同様に主成分数を手動で選択する必要がなく、より柔軟である。
• 外部の事前知識や手動チューニングを必要とせず、データ駆動的かつ初期化フリーなアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 空間的に局所化された罰則付き行列分解手法は、強い初期化や非負性制約に依存せずに、機能的イメージングデータの頑健なノイズ除去と圧縮を達成できるか？
• RQ2 NMF や PCA と比較して、PMD は多様なイメージングモダリティにおいて、SNR向上と圧縮効率の点でどのように優れているか？
• RQ3 PMD は、特に低SNRや複雑な状況（例：dendritic イメージングや電圧イメージング）において、神経活動のデミックスをどの程度向上できるか？
• RQ4 PMD は、1光子、2光子、3光子、ワイドフィールド、細胞体、軸索、dendritic、カルシウム、電圧イメージングなどの異なるイメージング技術に、ハイパーパrameterの調整なしに一貫して適用可能か？
• RQ5 光酸化や刺激アーチファクトが存在する中でも、PMD は時間的に相関のないノイズを除去しながら、生物学的に関連する信号特徴を保持できるか？

主な発見

• PMDは、カルシウムイメージングおよび電圧イメージングを含む、すべてのテストされた機能的イメージングデータセットで2–4×の信号対ノイズ比（SNR）向上を達成した。
• 本手法は、目に見える信号損失が最小限に抑えられた20–300×の圧縮率を実現し、一般的な動画圧縮およびノイズ除去技術を大きく上回った。
• dendritic カルシウムイメージングでは、低SNR状態でもベースライン手法よりも高速かつ頑健に神経活動を抽出できた。
• 刺激アーチファクトと光酸化が存在する電圧イメージングデータに対しては、PMDが非信号成分を効果的に除去しながら、迅速な電圧ダイナミクスを保持した。
• ハイパーパrameterチューニングや初期化を一切必要とせず、すべてのパラメータがデータから直接推定されたため、再現性と頑健性が保証された。
• 特に低SNRや高複雑性の状況において、PMDはNMF や PCA よりもノイズ除去およびデミックスの点で優れていた。