[論文レビュー] Synaptic Cleft Segmentation in Non-Isotropic Volume Electron Microscopy of the Complete Drosophila Brain

Larissa Heinrich, Jan Funke+3 more|arXiv (Cornell University)|May 7, 2018

Advanced Electron Microscopy Techniques and Applications被引用数 4

ひとこと要約

本論文は、非等方的連続断層透過電子顕微鏡（ssTEM）データにおける手動でアノテートされたシナプスクリフの符号付き距離変換を回帰により学習した3D-U-Netアーキテクチャを提案し、CREMIチャレンジで最先端の性能を達成するとともに、ドーパミルの脳全体（50テラボクセル）のシナプスクリフ予測を高い一貫性と高速性で実現した。

ABSTRACT

Neural circuit reconstruction at single synapse resolution is increasingly recognized as crucially important to decipher the function of biological nervous systems. Volume electron microscopy in serial transmission or scanning mode has been demonstrated to provide the necessary resolution to segment or trace all neurites and to annotate all synaptic connections. Automatic annotation of synaptic connections has been done successfully in near isotropic electron microscopy of vertebrate model organisms. Results on non-isotropic data in insect models, however, are not yet on par with human annotation. We designed a new 3D-U-Net architecture to optimally represent isotropic fields of view in non-isotropic data. We used regression on a signed distance transform of manually annotated synaptic clefts of the CREMI challenge dataset to train this model and observed significant improvement over the state of the art. We developed open source software for optimized parallel prediction on very large volumetric datasets and applied our model to predict synaptic clefts in a 50 tera-voxels dataset of the complete Drosophila brain. Our model generalizes well to areas far away from where training data was available.

研究の動機と目的

• 大規模な昆虫接続ゲノム解析の障害となっている、非等方的ssTEMデータにおける正確なシナプスクリフセグメンテーションの課題に対処すること。
• 特に昆虫脳内の小さな複雑なシナプスに対して性能が著しく低下する既存手法の限界を克服すること。
• 希なトレーニングデータと非等方的解像度にもかかわらず、多様な脳領域に一般化できるディーブラーニングフレームワークの開発。
• 分散GPU上で最適化された並列推論を用いて、テラボクセルスケールのデータセットに対して効率的かつスケーラブルな予測を実現すること。
• 自動接続ゲノム再構築の重要なマイルストーンである、非等方的ssTEMデータにおいて人間のアノテーターと同等の性能を達成すること。

提案手法

• 非等方的ssTEMデータに最適化された3D-U-Netアーキテクチャ（DTU-2）を設計し、パラメータ数を削減するとともに、シナプスクリフ検出に適したインダクティブバイアスを向上させた。
• バイナリーサイナプスクリフラベルの符号付きユークリッド距離変換（SEDT）を回帰により学習し、スケーリングおよびtanh非線形関数を介して訓練の安定化を図った。
• 一般化を向上させるために、弾性変形、強度変動、およびssTEM特有のアーティファクト（例：欠損またはノイズの強い断層）を含むデータオーグメンテーション技術を適用した。
• シナプスが含まれないバッチの95％をリジェクトするクラスバランスサンプリングと、偽陰性を強くペナルティ付ける再バランス損失を用い、シナプスクリフの極めて希なスパarsityに対処した。
• 局所化精度の向上を目的として神経細胞境界検出の補助損失を導入し、トレーニング中は両損失を等重みで組み合わせた。
• DaskとN5フォーマットを用いた分散型GPU加速推論パイプラインを導入し、重複する入力ブロックと非重複する出力ブロックを用いて大規模なボリュームを並列処理した。

実験結果

リサーチクエスチョン

• RQ1 非等方的ssTEMデータに適応された3D-U-Netアーキテクチャは、現在の最先端手法を上回るシナプスクリフセグメンテーションを実現できるか？
• RQ2 手動アノテートされたクリフの符号付き距離変換を学習対象とすることで、標準的なピixel単位分類と比較して、より優れた一般化性とロバスト性が得られるか？
• RQ3 トレーニングデータに含まれない脳領域（例：ラミナや皮質）に対しても、モデルは効果的に一般化できるか？ たとえ形態的・画像アーティファクトの差異があっても。
• RQ4 50テラボクセル規模のフルブレインデータセットに適用した場合、推論パイプラインのスケーラビリティと効率性はどの程度か？
• RQ5 予測されたシナプスクリフ分布は、共焦点顕微鏡によるnc82抗体標識で観察された既知の生物学的パターンとどの程度一致するか？

主な発見

• 提案されたDTU-2モデルはCREMIチャレンジで以前のアーキテクチャを上回り、パrameter数を減らしても最先端のスコアを達成した。
• 未観測の脳領域（例：ラミナや皮質）に対しても、正確で一貫性のあるシナプスクリフ予測を実現し、それら領域のトレーニングデータがなくても良好な性能を示した。
• 予測パイプラインは1GPUあたり平均で約3メガボクセル/秒のスループットを達成し、50テラボクセル規模のドーパミル脳の予測を5日未満で完了した。
• モデル出力を非等方的ガウスPSFで畳み込み処理すると、共焦点顕微鏡で観察されたnc82抗体標識によるシナプス密度パターンを再現でき、生物学的妥当性が裏付けられた。
• 神経細胞境界検出の補助損失の導入により、特に浅いDTU-1アーキテクチャにおいて性能が向上し、マルチタスク学習が局所化精度を向上させることを示した。
• 本フレームワークはオープンソースであり、許可のあるライセンスで公開されており、再現性と接続ゲノム研究分野への広範な採用を可能にした。