[論文レビュー] Self-supervised Learning for Segmentation and Quantification of Dopamine Neurons in Parkinson's Disease

Fatemeh Haghighi, Soumitra Ghosh+6 more|arXiv (Cornell University)|Jan 11, 2023

Cell Image Analysis TechniquesBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本論文は、自然画像と病理画像のクロスドメイン事前学習を活用して、限られたアノテート済みデータを補うために、パーキンソン病のマウスモデルにおけるドーパミン作動性ニューロンの自動セグメンテーションと定量的分析を目的とした自己教師付き深層学習フレームワークを提案する。この手法は、高い精度のニューロンカウントと、チロシンハイドラーゼ（TH）強度を含む個々の細胞特徴の特定を可能にし、前臨床薬物効果評価において不可バイアスでスケーラブルな分析を実現する。

ABSTRACT

Parkinson's Disease (PD) is the second most common neurodegenerative disease in humans. PD is characterized by the gradual loss of dopaminergic neurons in the Substantia Nigra (SN). Counting the number of dopaminergic neurons in the SN is one of the most important indexes in evaluating drug efficacy in PD animal models. Currently, analyzing and quantifying dopaminergic neurons is conducted manually by experts through analysis of digital pathology images which is laborious, time-consuming, and highly subjective. As such, a reliable and unbiased automated system is demanded for the quantification of dopaminergic neurons in digital pathology images. Recent years have seen a surge in adopting deep learning solutions in medical image processing. However, developing high-performing deep learning models hinges on the availability of large-scale, high-quality annotated data, which can be expensive to acquire, especially in applications like digital pathology image analysis. To this end, we propose an end-to-end deep learning framework based on self-supervised learning for the segmentation and quantification of dopaminergic neurons in PD animal models. To the best of our knowledge, this is the first deep learning model that detects the cell body of dopaminergic neurons, counts the number of dopaminergic neurons, and provides characteristics of individual dopaminergic neurons as a numerical output. Extensive experiments demonstrate the effectiveness of our model in quantifying neurons with high precision, which can provide a faster turnaround for drug efficacy studies, better understanding of dopaminergic neuronal health status, and unbiased results in PD pre-clinical research. As part of our contributions, we also provide the first publicly available dataset of histology digital images along with expert annotations for the segmentation of TH-positive DA neuronal soma.

研究の動機と目的

• パーキンソン病の前臨床研究におけるドーパミン作動性ニューロンの定量的分析に向けた信頼性の高い自動化手法の不足に対処すること。
• デジタル病理学における深層学習モデルの学習に必要な限られたヒストロロジー画像のアノテーションデータの課題を克服すること。
• ドーパミン作動性ニューロンのカウントに加え、神経細胞の健康状態を評価するための個々の細胞特徴（例：TH強度）を抽出できるモデルの開発。
• マウスモデルにおける薬物効果の分析をより速く、より客観的かつスケーラブルに行えるようにすること。
• マウス脳断面におけるTH陽性ドーパミン作動性ニューロンセルマトリックスのアノテーションを含む、最初の公開可能データセットを構築すること。

提案手法

• 大規模なラベルなし自然画像とドメイン内病理画像を用いたクロスドメイン自己教師付き学習事前学習により、強固な特徴表現を学習する。
• 特定のドーパミン作動性ニューロンセグメンテーションタスクに特化して、限られたアノテート済みデータを用いて自己教師付きバックボーンをファインチューニングする。
• 医療画像セグメンテーションタスクにおける優れた性能を示すとして、U-Netアーキテクチャをセグメンテーションヘッドとして採用する。
• 一般化性能の向上を目的として、Flip、Rotation、RGBShift、Blur、GaussianNoise、RandomResizedCropを含む包括的なデータ拡張戦略を適用する。
• セグメンテーションマスクから個々のニューロンセルボディを同定・カウントする実用的なカウントパイプラインを導入する。
• セグメンテーションされたセルボディ内のTH強度を、ドーパミン作動性ニューロンの健康状態を評価する定量的バイオマーカーとして用いる。

実験結果

リサーチクエスチョン

• RQ1 多様な画像ドメインにおける自己教師付き事前学習が、限られたラベル付きデータでドーパミン作動性ニューロンのセグメンテーション精度を向上させることができるか？
• RQ2 提案された自己教師付きフレームワークの性能は、ランダム初期化、ImageNetで事前学習したモデルのファインチューニング、ドメイン特化の自己教師付き事前学習と比較してどの程度優れているか？
• RQ3 個々のニューロンから、生物学的に意味のある特徴（例：TH強度）をどの程度正確に抽出できるか？
• RQ4 重なり合う細胞や染色のばらつきが生じる複雑なヒストロロジー画像において、モデルが高精度のニューロンカウントとセグメンテーションを達成できるか？
• RQ5 モデルは異なる動物実験コhortおよび独立した検証セットにおいても一般化可能か？

主な発見

• 提案された自己教師付きフレームワークは、学習から始めること、ImageNetで事前学習したモデルのファインチューニング、ドメイン特化の自己教師付き事前学習と比較して、セグメンテーション精度で優れた性能を示した。
• RGBShift、Blur、GaussianNoiseを含むデータ拡張技術の組み合わせが、モデルの一般化性能と性能の向上に顕著に寄与した。
• RandomResizedCropは性能向上に寄与した一方で、エラスティック変換は逆に悪影響を及ぼしたため、拡張戦略の設計に敏感であることが示された。
• U-Netアーキテクチャは、ニューロンセグメンテーションタスクにおいてDeepLabV3+よりも優れたセグメンテーション性能を示した。
• モデルはドーパミン作動性ニューロンの高精度なカウントを達成し、手作業による分析よりも高速かつ客観的な分析を可能にした。
• モデルはTH強度を定量的バイオマーカーとして正確に抽出でき、疾患進行状況や薬物反応の理解に役立つインサイトを提供した。