[논문 리뷰] A Multi-Pass Approach to Large-Scale Connectomics

Yaron Meirovitch, Alexander Matveev외 9명|arXiv (Cornell University)|2016. 12. 07.

Neural dynamics and brain function참고 문헌 35인용 수 39

한 줄 요약

이 논문은 대규모 전자현미경 데이터로부터 신경세포 형태를 실시간으로 고속도로 재구성할 수 있는 다단계 연결망 분석 파이프라인을 제시한다. 최적화된 컨volutional 신경망을 사용한 빠른 단계 분할과 워터셰드 기반 과분할, 그리고 이후 오류 수정을 위한 느린 단계를 조합함으로써, 특히 융합 오류와 끊어진 축삭을 보정함으로써 단일 다코어 시스템에서 시간당 거의 테라바이트 수준의 처리 속도를 달성한다. 이는 기존 분산 시스템 대비 90% 감소된 시간으로 전체 Kasthuri 데이터셋(463 GB)을 5시간 내로 재구성한다.

ABSTRACT

The field of connectomics faces unprecedented "big data" challenges. To reconstruct neuronal connectivity, automated pixel-level segmentation is required for petabytes of streaming electron microscopy data. Existing algorithms provide relatively good accuracy but are unacceptably slow, and would require years to extract connectivity graphs from even a single cubic millimeter of neural tissue. Here we present a viable real-time solution, a multi-pass pipeline optimized for shared-memory multicore systems, capable of processing data at near the terabyte-per-hour pace of multi-beam electron microscopes. The pipeline makes an initial fast-pass over the data, and then makes a second slow-pass to iteratively correct errors in the output of the fast-pass. We demonstrate the accuracy of a sparse slow-pass reconstruction algorithm and suggest new methods for detecting morphological errors. Our fast-pass approach provided many algorithmic challenges, including the design and implementation of novel shallow convolutional neural nets and the parallelization of watershed and object-merging techniques. We use it to reconstruct, from image stack to skeletons, the full dataset of Kasthuri et al. (463 GB capturing 120,000 cubic microns) in a matter of hours on a single multicore machine rather than the weeks it has taken in the past on much larger distributed systems.

연구 동기 및 목표

• 현대 현미경에서 생성하는 페타바이트 수준의 전자현미경 데이터셋이 기존 파이프라인의 처리 능력을 초과하는 연결망 분석의 대규모 데이터 블로킹 문제를 해결한다.
• 공유 메모리 다코어 시스템에서 효율적으로 작동하는 실시간이고 확장 가능한 대규모 신경세포 형태 재구성 솔루션을 개발한다. 이는 대규모 분산 클러스터가 아닌 일반적인 다코어 시스템을 대상으로 한다.
• 최신 기술 수준과 비교해도 높은 분할 정확도를 확보하면서도 계산 시간을 극적으로 단축시켜 알고리즘의 신속한 반복 및 테스트를 가능하게 한다.
• 빠른 근사 분할과 집중적이고 계산 비용이 큰 오류 보정을 분리하는 다단계 프레임워크를 도입하여 자원 사용을 최적화한다.

제안 방법

• 전용 얕은 컨volutional 신경망을 사용해 전자현미경 영상 스택에서 세포막대 확률을 예측하는 빠른 단계 파이프라인을 구현한다.
• 워터셰드 기반 과분할을 적용한 후, 다코어 최적화된 응집(NeuroProof)을 사용해 초기 신경세포 분할을 생성한다.
• 오류 가능성이 높은 영역만을 재분할하는 희소한 느린 단계 접근법을 사용해, 필요한 곳에만 계산 자원을 집중한다.
• 랜덤으로 선택된 부피 영역 패치에 이진 노이즈를 적용해 훈련한 고유한 CNN 아키텍처를 사용하는 머신러닝 기반 방법 MaskExtend를 개발해, 단면을 가로질러 끊어진 축삭 세그먼트를 연장한다.
• 생물학적으로 비합리적인 X자형 접합을 융합 오류로 식별하는 형태학적 오류 탐지 시스템을 설계하여, 특히 얇거나 복잡한 신경세포 과정에서의 오류를 특별히 다룬다.
• 접한 영상 섹션 간의 블록 간 융합을 적용해 공간 일관성을 확보하고, 슬라이스 간 분할 이격 현상을 수정한다.

실험 결과

연구 질문

• RQ1 단일 공유 메모리 다코어 시스템에서 다단계 분할 파이프라인은 대규모 전자현미경 데이터셋을 거의 실시간으로 처리할 수 있는가?
• RQ2 처리 시간을 최소화하면서도 높은 분할 정확도를 유지하기 위해 계산 자원을 어떻게 효율적으로 할당할 수 있는가?
• RQ3 머신러닝 기반 오류 보정은 기존 방법보다 축삭 분열 및 융합 잔상과 같은 형태학적 오류를 더 효과적으로 탐지하고 수정할 수 있는가?
• RQ4 전체 데이터셋을 다시 처리하지 않고도 빠른 단계의 초기 분할을 대상별로 느린 단계 보정을 통해 얼마나 효과적으로 수정할 수 있는가?

주요 결과

• 빠른 단계 파이프라인은 단일 다코어 시스템에서 전체 Kasthuri 데이터셋(463 GB, 약 100,000 µm³)을 단 5시간 내로 처리했으며, 이는 이전 분산 시스템 대비 90% 감소된 시간이다.
• 3nm 해상도에서 AC3-256 테스트 세트에서 VI(정보량의 변동) 점수는 1.66을 기록했으며, 이는 동일 기준에서 이전 최고 성능인 1.99를 초월한 결과이다.
• 느린 단계 보정 프레임워크는 MaskExtend CNN을 사용해 끊어진 세그먼트를 연장함으로써 100개 이상의 축삭과 수백 개의 축삭 끝부분(특히 en passant 끝부분 포함)을 성공적으로 재구성했다.
• 오류가 높은 영역에만 고비용 보정을 집중함으로써 전체 재처리가 필요로 하는 양을 줄여 계산 자원의 효율적 사용을 가능하게 하였다.
• 시스템은 시간당 거의 테라바이트 수준의 처리 속도를 달성했으며, 이는 다빔 전자현미경의 데이터 수집 속도와 동일한 수준이다.
• 이 연구는 전체 S1 케피탈 부위(100,000 µm³)의 자동 재구성 최초 사례이며, 대규모 뉴런 회로 맵핑을 위한 '연결망 즉시 제공'의 가능성을 입증한다.