[논문 리뷰] An Iterative Convolutional Neural Network Algorithm Improves Electron Microscopy Image Segmentation

Xundong Wu|arXiv (Cornell University)|2015. 06. 18.

Cell Image Analysis Techniques참고 문헌 17인용 수 13

한 줄 요약

이 논문은 전자현미경(EM) 영상의 자동 분할을 향상시키기 위해 막 감지 확률 맵(MDPMs)을 반복적으로 개선하는 반복적 컨volutional 신경망(CNN) 알고리즘을 제안한다. MDPMs에서 잘라낸 패치로부터 중심 픽셀 레이블을 복구하기 위해 CNN을 반복적으로 훈련시음으로써, 막 분할 정확도가 크게 향상되며, 연결망 응용 분야에서 기준 방법보다 뛰어난 성능을 보여준다.

ABSTRACT

To build the connectomics map of the brain, we developed a new algorithm that can automatically refine the Membrane Detection Probability Maps (MDPM) generated to perform automatic segmentation of electron microscopy (EM) images. To achieve this, we executed supervised training of a convolutional neural network to recover the removed center pixel label of patches sampled from a MDPM. MDPM can be generated from other machine learning based algorithms recognizing whether a pixel in an image corresponds to the cell membrane. By iteratively applying this network over MDPM for multiple rounds, we were able to significantly improve membrane segmentation results.

연구 동기 및 목표

• 연결망 연구를 위한 전자현미경(EM) 영상에서 정확한 자동 분할을 달성하는 데 도전한다.
• 이전 기계학습 방법이 생성한 막 감지 확률 맵(MDPMs)의 품질을 향상시킨다.
• MDPMs를 반복적으로 개선하여 분할 정밀도를 향상시키는 딥러닝 프레임워크를 개발한다.
• EM 영상 스택에서 신경 회로의 고정밀 자동 재구성을 가능하게 한다.
• 알고리즘적 분할 정밀도 향상으로 대규모 뇌 영상에서의 수동 애너테이션 부담을 줄인다.

제안 방법

• MDPMs에서 샘플링된 패치의 중심 픽셀 레이블을 예측하기 위해 지도 학습 기반 컨volutional 신경망(CNN)을 훈련시킨다.
• 패치는 MDPMs에서 추출되며, 훈련 중 중심 픽셀은 마스킹되어 레이블 복구를 시뮬레이션한다.
• 훈련된 CNN을 다수의 라운드에 걸쳐 전체 MDPM에 반복적으로 적용하여 점진적으로 분할을 개선한다.
• 각 반복 라운드에서 CNN의 예측을 사용해 MDPM을 업데이트함으로써 공간 일관성과 막의 연속성을 향상시킨다.
• 패치 내 국소적 맥락을 활용해 노이즈가 많은 EM 영상에서 오류를 수정하고 경계 감지를 향상시킨다.
• 반복적 프로세스를 통해 네트워크가 점차 MDPM 내 잘못 분류된 영역을 학습하고 수정할 수 있다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 막 감지 확률 맵(MDPMs)을 효과적으로 개선하여 EM 영상 분할 성능을 향상시킬 수 있는가?
• RQ2 MDPMs에 대해 CNN을 반복적으로 적용할 경우 분할 정확도와 막의 연속성에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 EM 영상 데이터에서 기준 분할 알고리즘보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 패치 기반 CNN 접근 방식이 노이즈가 많은 EM 영상에서 손실된 막 레이블을 고정밀도로 복구할 수 있는가?
• RQ5 MDPMs의 반복적 개선이 더 일관되고 생물학적으로 타당한 신경 회로 재구성으로 이어지는가?

주요 결과

• 반복적 CNN 접근 방식은 EM 영상 데이터셋에서 기준 방법 대비 막 분할 정확도를 크게 향상시켰다.
• 여러 테스트 세트에서 높은 F1 점수를 기록하고 가짜 양성 비율을 감소시켰다.
• 반복적 개선 과정을 통해 더 연속적이고 일관성 있는 막 구조가 생성되어 분할에서의 파편화 현상이 감소했다.
• CNN은 미리 보지 않은 EM 영상 패치에 대해서도 강력한 일반화 성능을 보여, 영상 변동에 대해 강인함을 입증했다.
• 연결망 파이프라인에서 수동 보정이 줄어들었으며, 이는 자동 분할 정밀도 향상 덕분이었다.
• 결과적으로, 패치 기반 CNN을 사용한 반복적 개선이 대규모 EM 영상 분석에 효과적임을 입증했다.