[論文レビュー] Quantifying topological invariants of neuronal morphologies

Lida Kanari, Paweł Dłotko+5 more|arXiv (Cornell University)|Mar 28, 2016

Cell Image Analysis Techniques参考文献 36被引用数 10

ひとこと要約

本稿では、細胞体を中心とする球面フィルトレーションを用いて、ニューロンおよび樹状構造の形態を定量化する安定的で計算的に効率的な位相的不変量であるトポロジカルモーフォロジー記述子（TMD）を導入する。この手法は、形態的パラメータに基づいてニューロンおよび人工的な木構造を99%の正確さで区別でき、従来の形態計測特徴量を上回り、次元削減を伴う線形時間計算量の下で位相的構造を保持する。

ABSTRACT

Nervous systems are characterized by neurons displaying a diversity of morphological shapes. Traditionally, different shapes have been qualitatively described based on visual inspection and quantitatively described based on morphometric parameters. Neither process provides a solid foundation for categorizing the various morphologies, a problem that is important in many fields. We propose a stable topological measure as a standardized descriptor for any tree-like morphology, which encodes its skeletal branching anatomy. More specifically it is a barcode of the branching tree as determined by a spherical filtration centered at the root or neuronal soma. This Topological Morphology Descriptor (TMD) allows for the discrimination of groups of random and neuronal trees at linear computational cost.

研究の動機と目的

• 視覚的検査や形態計測特徴抽出の限界を克服し、複雑な樹状ニューロン形態を標準的かつ客観的に分類するための記述子を開発すること。
• 生物学的木構造に希な点群が存在する場合に、既存の位相的データ解析（TDA）手法の不安定さと高い計算コストを解消すること。
• グローバルな分岐構造を保持しつつ、形態的に異なる木構造の効率的区別を可能にする安定した位相的測度を創出すること。
• 本手法の強靭性を、人工的なランダム木および多様な種やデータセットからの実際のニューロン形態に対して検証すること。
• 神経科学分野における大規模な形態分類に適した、スケーラブルで線形時間計算量のアルゴリズムを提供すること。

提案手法

• 本手法は、ニューロンの細胞体（ルート）を中心とする球面フィルトレーションを用い、径方向距離スケールにおける樹状分岐の位相的構造を捉える。
• 小さな幾何的摂動（例えば、枝長の変化や点のずれがε以内）に対して安定であることを保証するため、木同士の関数的歪み距離（FD）を定義する。
• 枝分かれ点と葉の主要な関数的点の集合に限定して処理することで、計算コストを削減しながら位相的不変量を保持する。
• トポロジカルモーフォロジー記述子（TMD）は、フィルトレーションレベルごとに位相的特徴（例えば、連結成分やループ）の誕生と消滅を符号化するパーシステンスバーコードから導出される。
• 小さな摂動（関数的歪み距離でε以内）が生じた場合、パーシステンス図のボトルネック距離に最大εの変化が生じることを示すことで、安定性を証明する。
• Blue Brain Projectフレームワーク内にカスタムランダム木生成器を用い、深さ、枝長、分岐角、ランダムネスなどの制御されたパラメータを持つ合成木を生成し、評価を制御可能にする。

実験結果

リサーチクエスチョン

• RQ1 小さな幾何的摂動に対して安定し、ニューロンの木構造の本質的な分岐構造を保持する位相的記述子を構築できるか？
• RQ2 視覚的に類似した形態でも、分岐パラメータが異なるニューロン形態を区別する際、提案されたTMDが従来の形態計測特徴量を上回るか？
• RQ3 TMDは、人工的なランダム木と実際のニューロン形態の両方で、最小限の計算コストで高い分類正確性を達成できるか？
• RQ4 関数的歪み距離は、位相的データ解析の文脈においてニューロン形態を比較するための適切な度合いとして適しているか？
• RQ5 TMDは、複雑な木構造の次元削減を行う際、どの程度位相的不変量を保持するか？

主な発見

• TMDは、異なる木の深さ（Td = 4, 6, 8）で生成されたランダム木を99±2%の正確さで区別でき、構造的変化に非常に感受することが示された。
• 分岐角の違い（π/4, π/2, π）でのみ異なる木についても94±2%の正確さで正しく分類され、分岐角度の変動に対して強い耐性を示した。
• 枝長の異なる木（5, 10, 30）についても99±1%の正確さを維持し、空間的スケールと樹状分岐の大きさに感受することが確認された。
• ランダムネスの違い（Dr = 0.01, 0.10, 0.90）でのみ異なる木については正確度が77±9%に低下した。これは、分岐方向の微細な確率的変動に対して位相的特徴が感受性が低いことを示している。
• TMDは小さな幾何的摂動に対して安定している：木構造のε変化は、パーシステンス図間のボトルネック距離に最大εの変化をもたらす。
• アルゴリズムは、主要な点の数に対して線形時間で動作するため、神経科学分野における大規模な形態分析にスケーラブルである。