[論文レビュー] Single Neuron Segmentation using Graph-based Global Reasoning with Auxiliary Skeleton Loss from 3D Optical Microscope Images

Heng Wang, Yang Song+5 more|arXiv (Cornell University)|Jan 22, 2021

Cell Image Analysis Techniques参考文献 21被引用数 4

ひとこと要約

本稿では、3D光学顕微鏡画像における1ニューロン分離のためのグラフベースのグローバルリーダーニングネットワークと補助スケルトン損失を提案する。特徴マップから空間的注意マップを学習してグローバルグラフを構築し、チューブ状構造の保存を重視する複合損失を統合することで、3D U-Net や MKF-Net のベースラインを上回る分離精度を達成し、BigNeuron の Janelia データセットで最先端の性能を実現した。

ABSTRACT

One of the critical steps in improving accurate single neuron reconstruction from three-dimensional (3D) optical microscope images is the neuronal structure segmentation. However, they are always hard to segment due to the lack in quality. Despite a series of attempts to apply convolutional neural networks (CNNs) on this task, noise and disconnected gaps are still challenging to alleviate with the neglect of the non-local features of graph-like tubular neural structures. Hence, we present an end-to-end segmentation network by jointly considering the local appearance and the global geometry traits through graph reasoning and a skeleton-based auxiliary loss. The evaluation results on the Janelia dataset from the BigNeuron project demonstrate that our proposed method exceeds the counterpart algorithms in performance.

研究の動機と目的

• 3Dニューロン画像のノイズが多く断片的であるという課題に対処すること。
• 3D畳み込みニューラルネットワークの局所的受容野を超えた長距離構造的依存関係を捉えることで分離性能を向上させること。
• 新しい補助損失を用いてニューロンの樹状構造のグローバルなチューブ状幾何を保存すること。
• スタックドマルチスケール畳み込みと比較して計算コストを低減しつつ、グローバル特徴の学習を強化すること。
• BigNeuron の Janelia データセットで、より優れた性能を達成するエンドツーエンド学習を実現すること。

提案手法

• 特徴マップから、学習可能な空間的注意マップを用いてノードとボクセルの関係を定義することで、グラフを構築する。
• グラフ畳み込みネットワーク（GCN）を用いて、全特徴マップにわたる長距離依存関係を統合し、グローバルリーディングを可能にする。
• 局所特徴とグローバルに集約された表現をスキップ接続によって統合する、グローバル情報リーディング（GIR）ブロックを導入する。
• 交差エントロピーとスケルトンベースの損失を組み合わせた新しいアダプティブ複合損失を採用し、ボクセル分類とチューブ状構造の学習を同時にガイドする。
• 予測確率マップにガウスフィルタを適用して境界予測を精緻化し、構造の連続性を向上させる。
• 3D U-Net をバックボーンとし、複数のエンコーダ・デコーダ層に GIR ブロックを挿入することで、マルチスケールのグローバルコンテキストを捉える。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのグローバルリーディングは、チューブ状構造における長距離接続性をモデル化することで、3Dニューロン分離を向上させることができるか？
• RQ2 補助スケルトン損失は、分離中にニューロンの樹状構造の幾何をより良く保存するか？
• RQ3 過剰なパrameter増加を伴わずに、複数の層にわたりグローバルリーディングを効率的に適用できるか？
• RQ4 本手法は、実際の3Dニューロン画像において、3D U-Net や MKF-Net と比較して F1 スコア、適合率、再現率の観点でどのように性能を発揮するか？
• RQ5 各コンponent（GIR、複合損失、フィルタリング）が最終的な分離性能に果たす寄与度はどの程度か？

主な発見

• 本手法は、Janelia データセットで平均 F1 スコア 0.5183 ± 0.1410 を達成し、3D Res-U-Net（0.5054 ± 0.1377）と 3D Res-MKF-Net（0.5004 ± 0.1394）を上回った。
• 3D Res-U-Net よりも F1 スコアを 2% 以上向上させ、GIR ブロックを単体で使用した場合でも平均 F1 が 1.03% 向上した。
• アダプティブ複合損失は顕著な寄与を示し、これなしのモデル（0.5004 対 0.5157）と比較して F1 スコアを 1% 以上向上させた。
• 可視化結果から、本手法はより完全で連続的なニューロンスケルトンを生成し、ギャップが少なくノイズも少ないことが示された。
• アブレーションスタディにより、GIR ブロックと複合損失の両方が不可欠であることが確認され、GIR ブロック単体でベースライン比 1.05% の性能向上が得られた。
• 3D Res-MKF-Net よりも顕著にパラメータ数を削減しながら、より優れた性能を達成しており、グローバル特徴学習の効率性が優れていることが示された。