[논문 리뷰] Automated scalable segmentation of neurons from multispectral images

Uygar Sümbül, Douglas H. Roossien외 6명|arXiv (Cornell University)|2016. 11. 01.

Cell Image Analysis Techniques참고 문헌 27인용 수 18

한 줄 요약

이 논문은 노이즈 감소, 수퍼바oxel화, 그래프 기반 분할을 활용하여 다중스펙트럼 Brainbow 영상에서 뉴런을 스케일러블하고 자동으로 분할하는 방법을 제시한다. 이는 계산 부하를 4개의 지수 차수 감소시킨다. 이 방법은 색상 불일치와 노이즈가 있는 복잡한 뉴런 수상체를 정확하고 연결성 유지 분할할 수 있으며, 시뮬레이션된 실존 마우스 해마 데이터셋에서 높은 분할 정확도와 노이즈 및 채널 수에 대한 강건성을 입증하였다.

ABSTRACT

Reconstruction of neuroanatomy is a fundamental problem in neuroscience. Stochastic expression of colors in individual cells is a promising tool, although its use in the nervous system has been limited due to various sources of variability in expression. Moreover, the intermingled anatomy of neuronal trees is challenging for existing segmentation algorithms. Here, we propose a method to automate the segmentation of neurons in such (potentially pseudo-colored) images. The method uses spatio-color relations between the voxels, generates supervoxels to reduce the problem size by four orders of magnitude before the final segmentation, and is parallelizable over the supervoxels. To quantify performance and gain insight, we generate simulated images, where the noise level and characteristics, the density of expression, and the number of fluorophore types are variable. We also present segmentations of real Brainbow images of the mouse hippocampus, which reveal many of the dendritic segments.

연구 동기 및 목표

• 고노이즈 및 변동성이 있는 색상 표현을 가진 다중스펙트럼 영상에서 자동으로 스케일러블한 뉴런 분할 문제를 해결하기 위해.
• 기존 방법들이 복잡하고 얽힌 뉴런 수상체와 노이즈가 많고 가짜 색상이 적용된 영상에서 실패하는 한계를 극복하기 위해.
• 수퍼바oxel화를 통해 볼륨 단위 문제를 4개의 지수 차수 감소시켜 계산 효율성이 높은 파이프라인 개발을 위해.
• 뉴런의 연결성을 유지하는 그래프 기반 프레임워크에서 공간-색상 관계를 모델링하여 정확한 분할을 가능하게 하기 위해.
• 시뮬레이션 및 실존 데이터셋을 사용하여 노이즈 수준, 형광체 수, 발현 밀도 변화에 따른 성능 평가를 위해.

제안 방법

• 3D 영상 스택의 개별 색채널에 대해 BM4D 협동 필터링을 적용하여 노이즈를 제거하며, 가우시안 노이즈를 가정한다.
• 수퍼픽셀 유사 분할을 통해 수퍼바oxel을 생성하여 볼륨 수를 수퍼바oxel 수로 감소시켜 문제 크기를 4개의 지수 차수 감소시킨다.
• 노드가 수퍼바oxel이고, 간선 가중치가 공간적 유사성과 색상 유사성을 코딩하는 그래프를 구축하며, 불연속성과 색상 비균일성을 방지한다.
• 스펙트럼 클러스터링을 사용하여 그래프에서 뉴런을 분할하며, 연결성과 색상 일관성을 고려해 파라미터를 조정한다.
• 실존 뉴런 재구성 기반의 시뮬레이션 프레임워크를 활용하여 노이즈, 발현 밀도, 형광체 유형 조절이 가능한 합성 영상을 생성한다.
• 일관된 파rameter를 사용하여 시뮬레이션 및 실존 데이터셋 모두에 동일한 처리 파이프라인(노이즈 감소, 수퍼바oxel화, 융합, 클러스터링)을 적용한다.

실험 결과

연구 질문

• RQ1 추가적인 색채널이 다중스펙트럼 뉴런 영상에서 분할 정확도에 어떤 영향을 미치는가?
• RQ2 색상 발현 노이즈가 분할 성능을 어느 정도 악화시키며, 이를 어떻게 완화할 수 있는가?
• RQ3 수퍼바oxel 기반 접근법이 계산 복잡도를 4개의 지수 차수 감소시키면서도 뉴런의 연결성을 유지할 수 있는가?
• RQ4 뉴런 수의 과소 또는 과대 추정에 따라 분할 정확도가 어떻게 변하는가?
• RQ5 제안된 방법이 실존 Brainbow 영상, 특히 확장 현미경 데이터셋에서 복잡하고 얽힌 뉴런 수상체를 신뢰성 있게 분할할 수 있는가?

주요 결과

• 색채널을 추가할수록 분할 정확도가 크게 향상되며, 이는 스펙트럼 다양성을 늘리려는 현재의 실험적 노력과 일치한다.
• 노이즈 수준(σ₁)이 증가함에 따라 성능은 점진적으로 저하되지만, 뉴런 수가 약간 과대 추정된 경우에도 강건하게 유지되며, 뉴런 수가 과소 추정된 경우 급격한 감소가 발생한다.
• 실존 마우스 해마 Brainbow 영상에서 수상체 분할을 성공적으로 수행하여 연결성을 유지하고 후속 추적을 가능하게 하였다.
• 4× 확장 현미경 데이터셋은 더 많은 분할 현상이 나타나 있었으며, 이는 색채널 수가 적기 때문일 것으로 보이며, 대부분의 신경세포가 식별 가능하고 분할 가능했다.
• 수퍼바oxel화로 문제 크기가 4개의 지수 차수 감소되어 대규모 3D 영상 스택의 스케일러블 처리를 가능하게 하였다.
• 대부분의 수퍼바oxel이 연결된 뉴런 성분으로 정확히 클러스터링되었으며, 과도한 융합 또는 잡음 클러스터로 인한 미세한 오류 외에는 거의 오류가 없었다.