[論文レビュー] Super-resolution using Sparse Representations over Learned Dictionaries: Reconstruction of Brain Structure using Electron Microscopy

Tao Hu, Juan Nunez-Iglesias+7 more|arXiv (Cornell University)|Oct 1, 2012

Advanced Electron Microscopy Techniques and Applications参考文献 25被引用数 6

ひとこと要約

本論文では、学習された辞書を用いたスパース表現を用いて、少数の電子線画像トモグラフィー（EM）断層像から高深度分解能の脳構造を再構成するスーパーキャラクタリゼーション手法を提案する。高分解能データから局所的な基底関数を学習し、圧縮センシングに類似した再構成手法を適用することで、合成レベルの回路トレースを高スループットで実現可能となり、断面あたり5枚の視点からも正確な再構成が可能となる。

ABSTRACT

A central problem in neuroscience is reconstructing neuronal circuits on the synapse level. Due to a wide range of scales in brain architecture such reconstruction requires imaging that is both high-resolution and high-throughput. Existing electron microscopy (EM) techniques possess required resolution in the lateral plane and either high-throughput or high depth resolution but not both. Here, we exploit recent advances in unsupervised learning and signal processing to obtain high depth-resolution EM images computationally without sacrificing throughput. First, we show that the brain tissue can be represented as a sparse linear combination of localized basis functions that are learned using high-resolution datasets. We then develop compressive sensing-inspired techniques that can reconstruct the brain tissue from very few (typically 5) tomographic views of each section. This enables tracing of neuronal processes and, hence, high throughput reconstruction of neural circuits on the level of individual synapses.

研究の動機と目的

• 脳回路再構成のための電子線顕微鏡において、高分解能と高スループットの両立を図ること。
• 従来のEM技術が横方向分解能または深度分解能のいずれかを犠牲にしているという制限を克服すること。
• 非常に少ない断層像から高深度分解能の脳組織を再構成する計算手法を開発すること。
• 学習された辞書上でのスパースコーディングを用いて、合成レベルの神経線維のトレースを正確に可能とすること。
• 教師なし学習と圧縮センシングを活用し、データ取得負荷を軽減しながら構造の忠実性を保持すること。

提案手法

• 本手法は、教師なし学習を用いて高分解能EMデータから局所的な基底関数（辞書）を学習する。
• 脳組織をこれらの学習済み基底関数のスパース線形結合として表現する。
• 圧縮センシングの原則を応用し、断面あたり最低5枚の断層像からも3次元構造を再構成する。
• 再構成プロセスは、学習済み辞書上での表現のスパarsityを強制する最適化問題を解く。
• 各画像パッチに対して、最も関連性の高い辞書アトムを段階的に同定するためのグリーディーパルスアルゴリズムを用いる。
• 本手法は高分解能データで訓練され、その後低信号・低視点数のEMデータに適用され、微細な構造的詳細を回復する。

実験結果

リサーチクエスチョン

• RQ1 学習された辞書上でのスパース表現は、最小限のEM断層像から高深度分解能の脳構造を効果的に再構成できるか？
• RQ2 データ取得が制限される状況下で、圧縮センシングの原則がどの程度再構成の忠実性を向上させられるか？
• RQ3 教師なし辞書学習は、正確なスーパーキャラクタリゼーションに不可欠な脳組織の構造的特徴を捉えることができるか？
• RQ4 神経回路再構成において、合成レベルの分解能を達成するためにどの程度の断層像が必要か？
• RQ5 提案手法は、撮影スループットの要件を著しく削減しながらも、構造の正確性を維持できるか？

主な発見

• 本手法は、断面あたり5枚の断層像のみで高品質なスーパーキャラクタリゼーション再構成を達成し、データ取得ニーズを顕著に削減した。
• 再構成されたボリュームにおいて、細い dendritic および axonal 構造を含む神経線維が合成レベルで正確にトレースされた。
• 学習された辞書は脳組織内の関連する構造的パターンを捉えており、効果的なスパースコーディングと再構成を可能にした。
• 本手法は、合成結合性分析に不可欠な微細な形態的詳細を保持した。
• 再構成品質は、完全なチルトシリーズと同等であり、高忠実度で低視点数撮影が可能であることを示した。
• 本手法により、断面あたり必要なEM画像数を最小限に抑えることで、神経回路の高スループット再構成が可能となった。