[論文レビュー] What Properties are Desirable from an Electron Microscopy Segmentation Algorithm

Toufiq Parag|arXiv (Cornell University)|Mar 18, 2015

Advanced Electron Microscopy Techniques and Applications参考文献 32被引用数 3

ひとこと要約

本論文は、電子線 microscopy 分割のためのアクティブラーニングベースのトレーニングフレームワークを提案する。このフレームワークは、過剰分割（過剰分割誤り）よりも、誤ったマージ（未分割誤り）を最小限に抑えることを重視し、スパarsely選択されたピクセルおよびスーパーピクセル境界ラベルを用いる。この手法により、包括的な真値アノテーションへの依存度を低減し、従来の手法と比較して神経再構築にはるかに適した分割出力を得られる。

ABSTRACT

The prospect of neural reconstruction from Electron Microscopy (EM) images has been elucidated by the automatic segmentation algorithms. Although segmentation algorithms eliminate the necessity of tracing the neurons by hand, significant manual effort is still essential for correcting the mistakes they make. A considerable amount of human labor is also required for annotating groundtruth volumes for training the classifiers of a segmentation framework. It is critically important to diminish the dependence on human interaction in the overall reconstruction system. This study proposes a novel classifier training algorithm for EM segmentation aimed to reduce the amount of manual effort demanded by the groundtruth annotation and error refinement tasks. Instead of using an exhaustive pixel level groundtruth, an active learning algorithm is proposed for sparse labeling of pixel and boundaries of superpixels. Because over-segmentation errors are in general more tolerable and easier to correct than the under-segmentation errors, our algorithm is designed to prioritize minimization of false-merges over false-split mistakes. Our experiments on both 2D and 3D data suggest that the proposed method yields segmentation outputs that are more amenable to neural reconstruction than those of existing methods.

研究の動機と目的

• EM 分割における真値アノテーションおよび誤り補正に要する手作業の負担を軽減すること。
• 誤ったマージと誤った分割の間で補正の難易度に偏りがあることに対処し、未分割誤りの最小化を優先すること。
• 包括的なピクセルレベルのラベリングを最小限に抑えつつ、高い分割品質を達成するトレーニングフレームワークを開発すること。
• 分割出力の下流の神経再構築タスクへの適合性を向上させること。
• 正確性を損なわせることなく、効率的かつスケーラブルな分割モデルのトレーニングを可能にすること。

提案手法

• 完全なピクセルレベルの真値アノテーションを必要とせず、情報量の多い少数のピクセルおよびスーパーピクセル境界をアクティブラーニングで選択してラベリングする。
• 分類器とラベル伝搬が不一致を示す場所、特に膜境界や暗い領域のような曖昧または困難な領域に重点を置いたクエリを優先する。
• 2段階の信頼度推定を実装：1つはラベル伝搬アルゴリズムを用い、もう1つはランダムフォレスト分類器を用い、不確実性や矛盾する予測を特定する。
• 不確実性サンプリングを活用し、人間によるアノテーションに最も有益な例を選び、モデルの効率を向上させる。
• 誤ったマージ誤りの最小化を最適化目標に設定し、3次元コンネクトミクスにおける補正コストの高さを認識する。
• スーパーピクセルの過剰分割を基盤とし、自動アグロメレーションまたは共通分割により効率的な精錬を可能にする。

実験結果

リサーチクエスチョン

• RQ1 包括的な真値アノテーションの必要性を減らすことで、EM 分割のトレーニングをどのようにして効率化できるか？
• RQ2 3次元 EM 分割において、誤ったマージと誤った分割の補正に要する作業量の相対的な差は何か？
• RQ3 戦略的なクエリ選択によるアクティブラーニングは、分割品質を維持または向上させつつ、手作業によるラベリングを顕著に削減できるか？
• RQ4 誤ったマージの最小化を優先することで、神経再構築タスクに適した分割出力の適合性はどの程度向上するか？
• RQ5 ラベル伝搬と分類器のハイブリッド信頼度推定アプローチは、情報量の多いトレーニング例の選択を改善できるか？

主な発見

• 提案手法は、従来手法と比較して、とくに誤ったマージ誤りが少ないため、神経再構築に適した分割出力を得られる。
• 特に3次元において、誤ったマージ誤りは誤った分割誤りよりもはるかに修正が困難かつ時間がかかることが判明し、未分割誤りの最小化を優先する設計選択が妥当であることが裏付けられた。
• アクティブラーニング戦略は、膜境界や暗い領域のような困難な領域を効果的に同定し、人間によるラベリングが最も必要な場所に集中できる。
• 包括的な真値アノテーションの必要性を減らし、高インパクトなラベル付き例のスパースなセットに焦点を当てることで、トレーニングの効率が向上した。
• ラベル伝搬モデルとランダムフォレストモデルの信頼度の不一致は、曖昧または誤分類された領域を効果的に特定し、クエリ選択の質を向上させた。
• このフレームワークにより、大規模なコンネクトミクスに適した、高速かつスケーラブルな分割モデルのトレーニングが可能となり、反復的最適化を支援する。