[논문 리뷰] A structured matrix factorization framework for large scale calcium imaging data analysis

Eftychios A. Pnevmatikakis, Yuanjun Gao외 7명|arXiv (Cornell University)|2014. 09. 09.

Advanced Fluorescence Microscopy Techniques참고 문헌 21인용 수 45

한 줄 요약

이 논문은 대규모 이미징 데이터에서 신경세포 위치를 동시에 특정하고, 겹치는 활동을 분리하며, 칼슘 동역학으로부터 스파iking 활동을 탈구성하는 구조적 행렬 분해 프레임워크를 제안한다. 형광 신호를 공간 행렬(신경세포 위치)과 시간 행렬(각 신경세포의 칼슘 동역학)의 곱으로 모델링하고, 추정된 노이즈 수준을 통해 생물학적으로 타당한 제약 조건을 부여함으로써, 수동 조정이 필요 없고 정확도와 효율성이 높은 자동 분해를 실현한다.

ABSTRACT

We present a structured matrix factorization approach to analyzing calcium imaging recordings of large neuronal ensembles. Our goal is to simultaneously identify the locations of the neurons, demix spatially overlapping components, and denoise and deconvolve the spiking activity of each neuron from the slow dynamics of the calcium indicator. The matrix factorization approach relies on the observation that the spatiotemporal fluorescence activity can be expressed as a product of two matrices: a spatial matrix that encodes the location of each neuron in the optical field and a temporal matrix that characterizes the calcium concentration of each neuron over time. We present a simple approach for estimating the dynamics of the calcium indicator as well as the observation noise statistics from the observed data. These parameters are then used to set up the matrix factorization problem in a constrained form that requires no further parameter tuning. We discuss initialization and post-processing techniques that enhance the performance of our method, along with efficient and largely parallelizable algorithms. We apply our method to {\it in vivo} large scale multi-neuronal imaging data and also demonstrate how similar methods can be used for the analysis of {\it in vivo} dendritic imaging data.

연구 동기 및 목표

• 대규모 생체 내 영상에서 동시에 신경세포 ROI 탐지, 공간적으로 겹치는 성분의 분리, 칼슘 신호의 노이즈 제거 및 탈구성 문제를 해결하기 위해.
• 수동 조정이 필요한 정규화 매개변수 없이도 칼슘 지표 동역학과 공간적 밀도 제약 조건을 통합한 행렬 분해 접근법을 개발하기 위해.
• 최소한의 사용자 간섭으로 대규모 칼슘 이미징 영상의 효율적이고 확장 가능하며 병렬 처리 가능한 분석을 가능하게 하기 위해.
• 새로운 탐색적 초기화 및 후처리 기법을 통해 나쁜 초기화에 대한 강건성을 향상시키기 위해.

제안 방법

• 이 방법은 스파atiotemporal 형광을 공간 행렬(신경세포 위치)과 시간 행렬(각 신경세포의 칼슘 동역학)의 곱으로 모델링하며, 제약 조건이 있는 비음수 행렬 분해를 사용한다.
• 칼슘 동역학의 자기회귀적 구조를 기반으로 픽셀당 잔차 노이즈 에너지를 추정하여, 스파iking 활동과 ROI 크기 양쪽에 대해 최적의 희박성 펜alties를 암묵적으로 설정하는 하드 제약 조건을 적용한다.
• 탐색적 초기화 절차는 2차원 가우시안 커널을 사용해 잔차를 스캔하고, 설명된 분산을 최대화함으로써 뉴런 중심을 식별하며, 국소화된 랭크-1 분해를 수행한다.
• 스파arsity 및 국소화 제약 조건을 갖춘 공간 및 시간 성분에 대해 교차 최적화를 수행함으로써 빠른 수렴과 병렬 처리를 가능하게 한다.
• 후처리 단계로는 뉴런 추출 후 잔차에 대해 비음수 랭크-1 분해를 통해 배경 활동을 추정한다.
• 이 프레임워크는 픽셀 수와 타임스텝 수에 대해 선형적으로 확장 가능하도록 설계되어, 대규모 데이터셋의 처리를 몇 분 내로 가능하게 한다.

실험 결과

연구 질문

• RQ1 통합된 행렬 분해 프레임워크가 동시에 신경세포 위치 탐지, 겹치는 신호의 분리, 느린 칼슘 동역학으로부터의 스파iking 활동 탈구성 문제를 해결할 수 있는가?
• RQ2 칼슘 동역학과 공간적 밀도에 대한 생물학적으로 타당한 제약 조건을 수동 정규화 조정 없이 행렬 분해에 통합할 수 있는가?
• RQ3 데이터 기반 노이즈 추정 전략이 성능 향상에 기여하고 매개변수 조정이 필요 없게 하는 데 어느 정도 기여하는가?
• RQ4 제안된 탐색적 초기화 및 후처리 기법이 초기화 오류가 존재하는 상황에서 강건성과 수렴성을 향상시키는 데 기여하는 정도는 어느 정도인가?
• RQ5 이 방법은 대규모 생체 내 칼슘 이미징 데이터셋을 실시간으로 처리하기 위해 효율적으로 병렬 처리 및 확장이 가능한가?

주요 결과

• 이 방법은 겹치는 뉴런과 수상돌기 활동을 포함한 대규모 생체 내 칼슘 이미징 데이터로부터 구조적이고 생물학적으로 의미 있는 스파티오토르미널 성분을 성공적으로 추출한다.
• 데이터 기반 잔차 에너지 제약 덕분에 스파arsity나 정규화 매개변수의 수동 조정 없이도 높은 노이즈 제거 및 탈구성 성능를 달성한다.
• 탐색적 초기화 절차는 공간적으로 국소화된 커널을 사용해 잔차를 스캔하고 설명된 분산을 최대화함으로써 뉴런 위치를 높은 정확도로 식별한다.
• 알고리즘은 데이터 크기에 대해 선형적으로 확장 가능하며 효율적인 병렬 처리를 지원하여 대규모 영상의 처리를 단 몇 분 내로 가능하게 한다.
• 수상돌기 이미징 데이터에 적용한 결과, 복잡하고 겹치는 신호에서 희박하고 고강도 활동 패tern을 추출할 수 있는 방법의 유연성을 입증한다.
• 랭크-1 분해를 통한 배경 활동 추정이 도입되어 최종 분해에서 전체 신호의 정밀도가 향상되고 잔차 노이즈가 감소한다.