[논문 리뷰] A probabilistic atlas for cell identification

Greg Bubnis, Steven Ban외 2명|arXiv (Cornell University)|2019. 03. 21.

Cell Image Analysis Techniques참고 문헌 17인용 수 17

한 줄 요약

이 논문은 생체 또는 정적 현미경 영상에서 자동 세포 식별을 위한 확률적 아틀라스 프레임워크를 제안한다. 반복적인 베이지안 모델링을 통해 다중 모odal 특징—예를 들어 세포 위치, 형태, 형광 강도—의 동시 확률을 추적한다. 이 방법은 세포 간 상관관계를 모델링함으로써 더 높은 레이블링 정확도를 달성하며, 시뮬레이션 데이터는 형광 강도를 통합할 경우 위치만을 고려하는 모델보다 성능이 향상됨을 보여준다.

ABSTRACT

We propose a general framework for a collaborative machine learning system to assist bioscience researchers with the task of labeling specific cell identities from microscopic still or video imaging. The distinguishing features of this approach versus prior approaches include: (1) use of a statistical model of cell features that is iteratively improved, (2) generation of probabilistic guesses at cell ID rather than single best-guesses for each cell, (3) tracking of joint probabilities of features within and across cells, and (4) ability to exploit multi-modal features, such as cell position, morphology, reporter intensities, and activity. We provide an example implementation of such a system applicable to labeling fluorescently tagged extit{C. elegans} neurons. As a proof of concept, we use a generative spring-mass model to simulate sequences of cell imaging datasets with variable cell positions and fluorescence intensities. Training on synthetic data, we find that atlases that track inter-cell positional correlations give higher labeling accuracies than those that treat cell positions independently. Tracking an additional feature type, fluorescence intensity, boosts accuracy relative to a position-only atlas, suggesting that multiple cell features could be leveraged to improve automated label predictions.

연구 동기 및 목표

• 고속 스루풋 현미경 영상에서 수작업 세포 식별의 도전 과제를 해결하기 위해 세포 정체성 레이블링을 자동화한다.
• 누적적인 잘못된 레이블링을 유발하는 결정론적 레이블링 방법의 한계를 극복한다.
• 모든 새로운 데이터셋에 따라 향상되는 유연하고 커뮤니티 기반의 시스템을 개발한다. 이는 누락되거나 노이즈가 있는 레이블을 처리할 수 있다.
• 위치, 형태, 형광 강도, 활동과 같은 다중 모달 세포 특징을 통합된 확률적 프레임워크 내에서 활용한다.
• 대규모 종단 간 및 다중 개체 연구에 적합한 확장 가능한 확률적 세포 식별을 가능하게 한다.

제안 방법

• 이 프레임워크는 세포 특징의 동시 확률 분포를 유지하는 베이지안 통계 모델을 사용하여 시험 간 생물학적 변동성을 포착한다.
• 훈련용 시뮬레이션 데이터셋을 생성하기 위해 현실적인 변동성이 있는 세포 위치와 형광 강도를 시뮬레이션하는 생성적 스프링-매스 모델을 활용한다.
• 레이블링은 가능한 할당에 대한 조합적 탐색을 통해 수행되며, 공간적 및 강도 특징에 대해 다변량 정규분포와 지수분포를 사용해 확률을 계산한다.
• 부분적으로 레이블링된 데이터를 통해 점진적으로 향상되며, 새로운 데이터셋 기여 시 사후 확률을 갱신한다.
• 각 세포 정체성에 대해 마진 확률을 할당함으로써 확률적 출력을 지원하여 예측의 신뢰도를 반영한다.
• 모델은 아틀라스 세포의 부분집합 또는 초집합을 처리할 수 있도록 설계되어, 누락되거나 가짜 양성 ROI가 있는 경우에도 견고한 레이블링을 보장한다.

실험 결과

연구 질문

• RQ1 세포 간 상관관계를 모델링하는 확률적 아틀라스가 독립적인 위치 기반 모델에 비해 세포 식별 정확도를 향상시킬 수 있는가?
• RQ2 위치 기반 모델에 비해 형광 강도를 특징으로 통합할 경우 레이블링 성능이 얼마나 향상되는가?
• RQ3 부분적으로 레이블링되거나 노이즈가 있는 데이터셋으로 훈련했을 때 시스템은 정확도와 신뢰도를 유지할 수 있는가?
• RQ4 커뮤니티 기반의 클라우드 기반 프레임워크는 실험실 간 데이터를 효과적으로 통합하여 레이블링 정확도를 반복적으로 향상시킬 수 있는가?
• RQ5 다변량 확률 모델을 사용할 때 레이블링에 대한 조합적 탐색의 계산 가능성이 어떻게 되는가?

주요 결과

• 세포 간 위치 상관관계를 추적하는 아틀라스는 위치를 독립적으로 처리하는 아틀라스보다 유의미하게 높은 레이블링 정확도를 달성한다.
• 형광 강도를 추가 특징으로 통합할 경우 위치 기반 모델을 초월해 정확도가 더욱 향상되며, 다중 모달 특징 통합의 가치를 입증한다.
• 확률적 프레임워크는 마진 확률을 통해 신뢰 수준을 성공적으로 보고하여 레이블링 신뢰도의 실용적 평가를 가능하게 한다.
• 스프링-매스 모델로 생성된 시뮬레이션 데이터로 훈련한 결과, 실제와 유사한 데이터셋에서도 신뢰할 수 있는 성능을 보이며 시뮬레이션 방법의 타당성을 검증한다.
• 누락되거나 가짜 양성 ROI가 있는 경우에도 시스템은 견고하게 작동하며, 아틀라스 세포의 부분집합 또는 초집합에 대한 레이블링을 지원한다.
• 세포 유형 분류로의 확장 가능성은 있으나, 특징 선택 및 분포 가족의 적응이 필요할 수 있다.