[論文レビュー] VESICLE: Volumetric Evaluation of Synaptic Interfaces using Computer vision at Large Scale

William Gray Roncal, Michael Pekala+8 more|arXiv (Cornell University)|Mar 14, 2014

Advanced Memory and Neural Computing被引用数 11

ひとこと要約

VESICLEは、2つの手法を用いて、スケーラブルでコンピュータビジョンに基づくフレームワークを提示する。1つは軽量なランダムフォレスト分類器（VESICLE-RF）、もう1つはディープラーニング分類器（VESICLE-CNN）である。このフレームワークは、ステートオブザアートの性能を達成し、60,000 μm³（220 GB）の非後染色EMデータにおいて約50,335個のシナプスを検出する。RFバージョンはディープラーニングモデルと比較して200倍高速な推論を実現し、ペタバイト規模のコンネクトーム解析へのスケーラビリティを示している。

ABSTRACT

An open challenge problem at the forefront of modern neuroscience is to obtain a comprehensive mapping of the neural pathways that underlie human brain function; an enhanced understanding of the wiring diagram of the brain promises to lead to new breakthroughs in diagnosing and treating neurological disorders. Inferring brain structure from image data, such as that obtained via electron microscopy (EM), entails solving the problem of identifying biological structures in large data volumes. Synapses, which are a key communication structure in the brain, are particularly difficult to detect due to their small size and limited contrast. Prior work in automated synapse detection has relied upon time-intensive biological preparations (post-staining, isotropic slice thicknesses) in order to simplify the problem. This paper presents VESICLE, the first known approach designed for mammalian synapse detection in anisotropic, non-post-stained data. Our methods explicitly leverage biological context, and the results exceed existing synapse detection methods in terms of accuracy and scalability. We provide two different approaches - one a deep learning classifier (VESICLE-CNN) and one a lightweight Random Forest approach (VESICLE-RF) to offer alternatives in the performance-scalability space. Addressing this synapse detection challenge enables the analysis of high-throughput imaging data soon expected to reach petabytes of data, and provide tools for more rapid estimation of brain-graphs. Finally, to facilitate community efforts, we developed tools for large-scale object detection, and demonstrated this framework to find $\approx$ 50,000 synapses in 60,000 $μm ^3$ (220 GB on disk) of electron microscopy data.

研究の動機と目的

• 大規模でアニュソトロープ（非等方的）かつ非後染色の電子顕微鏡（EM）データにおけるシナプス検出の課題に対処すること。これは、脳のコンネクトームを再構築するために不可欠である。
• 従来の方法が等方的で後染色済みのデータに依存しており、大容量データに対して計算的に非現実的であるという制限を克服すること。
• 大規模スループットの画像処理パイプラインに適した、スケーラブルで正確かつ再利用可能な自動シナプス検出フレームワークの開発。
• 速度、正確性、計算コストのトレードオフを提供する2つの補完的アプローチ—VESICLE-RFとVESICLE-CNN—を提供すること。
• 分散処理とオープンソースツールを統合することで、ペタスケールのEMデータセットの分析を可能にすること。

提案手法

• VESICLE-RFは、ボクセルレベルの特徴（膜の確率、シナプティックボディの存在など）を用いてトレーニングされたランダムフォレスト分類器を用い、アニュソトロープなEMボリュームにおけるシナプス検出を実行する。
• この手法は、膜の可能性が高く、神経伝達物質のシナプティックボリュームに近いボクセルに検出を制限することで生物学的仮説を統合する。
• VESICLE-CNNは、3次元の文脈を考慮した畳み込みニューラルネットワークを用い、高い正確性を達成するが、計算負荷が高くなる。
• 両手法とも、境界アーチファクトを回避し、分散処理を可能にするために、カスタマイズ可能なパディングを用いたタイルベースの処理パイプラインを採用する。
• データアクセス、可視化、大規模な展開のため、Open Connectome ProjectのRESTfulサービスと統合される。
• 後染色データにおける膜領域の推定のためにバンドパス強度フィルタが適用され、データセット間の検証と性能評価が可能になる。

実験結果

リサーチクエスチョン

• RQ1 コンピュータビジョン手法は、従来の手法よりも高い正確性とスケーラビリティを実現し、非後染色・アニュソトロープなEMデータにおけるシナプス検出が可能か？
• RQ2 膜の確率やシナプティックボリュームへの近接性といった生物学的仮説は、低コントラストで厚いスライスのEMデータにおけるシナプス検出をどのように向上させるか？
• RQ3 大規模なシナプス検出において、ランダムフォレストとディープラーニング分類器を用いる際の、性能と計算効率のトレードオフは何か？
• RQ4 提案されたフレームワークは、高精度と高再現率を維持したまま、ペタスケールのEMデータセットにスケーリング可能か？
• RQ5 実世界の大容量EMデータにおいて、VESICLEフレームワークの性能は、ステートオブザアートの手法と比較してどうなるか？

主な発見

• VESICLE-RFは、非後染色のEMデータ60,000 μm³（220 GB）において約50,335個のシナプスを検出。発表当時、最も大きな規模のシナプス検出結果である。
• VESICLE-RFは単一マシンで10分間の推論を達成し、VESICLE-CNNと比較して約200倍高速で、計算負荷は8分の1に削減された。
• VESICLE-CNNは単一GPUで学習に56時間、評価に39時間必要とされ、高い正確性を実現するが、顕著な計算リソースを要する。
• 1450万μm³（20テラボクセル）の後染色済み・アニュソトロープなデータセットにおいて、約1,160万個のシナプスが検出された。これは、1μm³あたり0.5〜1個のシナプス密度と整合的である。
• 後染色データセットにおいて、正確性（precision）は0.69、再現率（recall）は0.6を達成。今後の開発とラベル付けの進展により、性能は向上すると予想される。
• オープンソース実装（openconnecto.me/vesicle）は、コミュニティによる再利用と大規模コンネクトームパイプラインへの統合を可能にする。