[論文レビュー] Toward Streaming Synapse Detection with Compositional ConvNets

Shibani Santurkar, David Budden+5 more|arXiv (Cornell University)|Feb 23, 2017

Anomaly Detection Techniques and Applications参考文献 33被引用数 9

ひとこと要約

本論文は、膜、シナプス間隙、シナプス小胞といった局所的特徴に限定して軽量なネットワークを訓練することで、電子線走査顕微鏡（EM）データ内のシナプスを検出する構成的ConvNetフレームワークを提案する。その後、生物学的に妥当なルールを用いてそれらを統合する。この手法は、最先端の手法よりも7%高い再現率と5%高いF1スコアを達成するとともに、従来の高速手法よりも20倍速く、最も正確な先行ConvNetよりも11,000倍速く、1つのCPUシステムで245 GBのマウス体感皮膚症候群（S1）のEMデータセットを9.7時間で完全かつ方向性のある接続マップに再構築した。

ABSTRACT

Connectomics is an emerging field in neuroscience that aims to reconstruct the 3-dimensional morphology of neurons from electron microscopy (EM) images. Recent studies have successfully demonstrated the use of convolutional neural networks (ConvNets) for segmenting cell membranes to individuate neurons. However, there has been comparatively little success in high-throughput identification of the intercellular synaptic connections required for deriving connectivity graphs. In this study, we take a compositional approach to segmenting synapses, modeling them explicitly as an intercellular cleft co-located with an asymmetric vesicle density along a cell membrane. Instead of requiring a deep network to learn all natural combinations of this compositionality, we train lighter networks to model the simpler marginal distributions of membranes, clefts and vesicles from just 100 electron microscopy samples. These feature maps are then combined with simple rules-based heuristics derived from prior biological knowledge. Our approach to synapse detection is both more accurate than previous state-of-the-art (7% higher recall and 5% higher F1-score) and yields a 20-fold speed-up compared to the previous fastest implementations. We demonstrate by reconstructing the first complete, directed connectome from the largest available anisotropic microscopy dataset (245 GB) of mouse somatosensory cortex (S1) in just 9.7 hours on a single shared-memory CPU system. We believe that this work marks an important step toward the goal of a microscope-pace streaming connectomics pipeline.

研究の動機と目的

• 大規模なEMデータセットにおけるシナプス接続の高スループットかつ高精度な検出という、接続ゲノミクス分野の主要なボトルネックを解決すること。
• 従来のディープラーニングモデルは処理が遅く、ルールベース手法は一般化性と精度に欠けるという問題を克服すること。
• EMデータを取得する速度で処理できる、スケーラブルで効率的なパイプラインを構築し、ストリーミング接続ゲノミクスを可能にすること。
• 自動的かつ生物学的に根拠のある特徴の組み合わせを用いて、マウス体感皮膚症候群（S1）の最大規模のアニュゾトロープICMデータセット（245 GB）から完全で方向性のある接続マップを再構築すること。

提案手法

• 100枚のEMサンプルからのみ学習し、個々の局所的特徴（神経膜、細胞間隙、シナプス小胞）を検出する別個の軽量ConvNetを訓練する。
• これらの局所的検出器の出力確率マップを、シナプスの構成的性質に関する事前知識を反映したルールベースのコンポジターに供給する。
• 化学的シナプスの非対称性をモデル化するため、シナプス間隙が前シナプス側の小胞密度と後シナプス膜で挟まれていることを要件とするヒューリスティクスを適用する。
• 非対称な小胞密度を活用してシナプスの方向性を推定し、方向性のある接続グラフの構築を可能にする。
• 共有メモリ型マルチコアCPUシステムに最適化して、データI/Oのボトル neck を最小限に抑え、リアルタイムストリーミング性能を達成する。
• 生物学的に検証済みの空間的関係を用いて、3つの特徴の確率マップを空間的に整合・閾値処理することで、最終的なシナプス予測を合成する。

実験結果

リサーチクエスチョン

• RQ1 限定的な学習データからの特徴抽出に軽量なConvNetを用いた構成的アプローチが、深層ネットワークによる直接的シナプスセグメンテーションに比べ、精度と速度の両面で優れているか。
• RQ2 限定的な学習データからの学習済み特徴マップと生物学的に根拠のあるルールを組み合わせることで、どの程度シナプス検出の精度が向上するか。
• RQ3 現代のEM顕微鏡が生み出す膨大なデータ量を考慮しても、CPU最適化されたパイプラインが顕微鏡速度での処理を達成できるか。
• RQ4 自動的かつルールで組み合わせた特徴検出を用いて、大規模でアニュゾトロープなEMデータセットから完全で方向性のある接続マップを再構築することは可能か。
• RQ5 実世界の接続ゲノミクスデータにおいて、この手法は再現率、F1スコア、処理時間の観点から、最先端の手法と比べてどの程度優れているか。

主な発見

• 提案手法は、前例となる最先端手法Vesicle-CNNよりも7%高い再現率と5%高いF1スコアを達成し、検出精度が向上したことが確認された。
• 本システムは、1つの共有メモリ型CPUシステムで245 GBのマウスS1 EMデータセットを9.7時間で処理し、最も高速な先行手法（Vesicle-RF）よりも20倍速くなった。
• 最も正確な先行ConvNet（Vesicle-CNN）は1GBあたり400時間必要だったが、本手法はその11,000倍速く処理できた。
• 本フレームワークは、最大規模のアニュゾトロープICMデータセットとして知られるマウス体感皮膚症候群（S1）のEMデータセットから、初めて完全で方向性のある接続マップを再構築した。
• 本システムは、1本の樹状棘に複数の抑制性シナプスを形成する軸索が存在することなど、従来の手法で見過ごされていた生物学的特徴を検出でき、感度と生物学的妥当性の高さを示した。
• 本研究の結果は、学習済みの局所的特徴を生物学的に根拠のあるルールで組み合わせることで、高精度かつ高スループットなシナプス検出が可能となり、ストリーミング接続ゲノミクスパイプラインに適していることを示している。