[논문 리뷰] Automatic Neuron Detection in Calcium Imaging Data Using Convolutional Networks

Noah Apthorpe, Alexander J. Riordan외 5명|arXiv (Cornell University)|2016. 06. 23.

Neural dynamics and brain function참고 문헌 12인용 수 62

한 줄 요약

이 논문은 2D 및 3D 컨volution 신경망(ConvNets)을 사용한 지도 학습 기반의 딥러닝 접근법을 제안하여 칼슘 이미징 데이터에서 인간 수준의 정확도에 근접하면서도 초고속으로 뉴런을 자동으로 탐지한다. 기존의 PCA/ICA 방법에 비해 더 높은 정밀도와 재현율을 달성하여 다양한 데이터셋과 레이블 기준에 걸쳐 빠르고 신뢰성 있고 유연한 뉴런 탐지가 가능하다.

ABSTRACT

Calcium imaging is an important technique for monitoring the activity of thousands of neurons simultaneously. As calcium imaging datasets grow in size, automated detection of individual neurons is becoming important. Here we apply a supervised learning approach to this problem and show that convolutional networks can achieve near-human accuracy and superhuman speed. Accuracy is superior to the popular PCA/ICA method based on precision and recall relative to ground truth annotation by a human expert. These results suggest that convolutional networks are an efficient and flexible tool for the analysis of large-scale calcium imaging data.

연구 동기 및 목표

• 대규모 칼슘 이미징 데이터셋에서 자동화되고 확장 가능하며 정확한 뉴런 탐지에 대한 증가하는 수요를 해결한다.
• 대규모 데이터셋에 대해 시간이 많이 소요되고 실용성이 떨어지는 전통적인 수동 레이블링의 한계를 극복한다.
• 활동이 낮거나 무활동 상태인 뉴런을 탐지하지 못하는 PCA/ICA와 같은 비지도 기반 학습 방법의 한계를 개선한다.
• 지도 학습을 통해 신경과학자들이 정의한 ROI 선택 기준에 맞게 적응 가능한 민첩하고 일반화 가능한 솔루션을 개발한다.
• 실시간 응용 분야(예: 온라인 옵토제네틱스 또는 신경 피드백)에 적합한 고속이고 신뢰할 수 있는 탐지를 가능하게 한다.

제안 방법

• 인간이 레이블링한 ROI를 정답으로 삼아 칼슘 이미징 영상에 대해 슬라이딩 윈도우 방식의 2D 및 3D(시공간) 컨volution 신경망(ConvNet)을 학습한다.
• 뉴런이 주로 정적(운동 아티팩트 제외)이므로 공간(2D) 레이블링만 사용함으로써 전체 시공간 레이블링에 비해 학습을 단순화한다.
• 확률 맵을 생성하기 위해 소프트맥스 활성화를 적용한 후 후처리를 통해 최종 ROI를 추출한다.
• 예측 오차를 최소화하기 위해 교차 엔트로피 손실을 사용한 확률적 경사 하강법을 활용해 네트워크 파라미터를 최적화한다.
• PCA/ICA 및 인간 전문가 레이블링과의 성능 비교를 위해 정밀도, 재현율, F1-스코어 지표를 사용한다.
• 시간 평균 처리를 활용해 시간 복잡도를 줄이면서도 공간적 뉴런 구조를 유지한다.

실험 결과

연구 질문

• RQ1 지도 학습 기반의 ConvNet이 칼슘 이미징 데이터에서 뉴런 탐지에 대해 인간 수준의 정확도를 달성할 수 있는가?
• RQ2 정밀도, 재현율, F1-스코어 측면에서 2D와 3D(시공간) ConvNet 간의 성능 차이는 어떠한가?
• RQ3 PCA/ICA와 같은 비지도 방법에 비해 ConvNet이 활동이 있는가 아닌가에 관계없이 뉴런을 탐지하는 데에서 뛰어난 성능을 보이는가?
• RQ4 노이즈 수준과 운동 아티팩트가 다양한 데이터셋 간에서 모델의 일반화 능력은 어느 정도인가?
• RQ5 탐지 신뢰도를 유지하거나 향상시키면서도 인간 레이블링의 부담을 줄일 수 있는가?

주요 결과

• 3D ConvNet은 V1 데이터셋에서 F1-스코어 0.51, MEC 데이터셋에서 F1-스코어 0.51을 기록하여 PCA/ICA의 0.27보다 유의미하게 뛰어난 성능을 보였다.
• 2D ConvNet은 V1 데이터셋에서 F1-스코어 0.51을 기록하여 3D 네트워크와 동일한 성능을 보였으며, 더 단순한 아키텍처임에도 불구하고 유사한 성능을 달성했다.
• 3D ConvNet은 더 깔끔한 출력 결과를 보이며 일시적인 활동이 있거나 초점이 흐린 뉴런을 더 잘 탐지함으로써 복잡하거나 노이즈가 많은 데이터에서 잠재적인 이점이 있음을 시사했다.
• MEC 데이터셋에서 ConvNet은 PCA/ICA보다 더 높은 정밀도와 재현율을 확보했으며, PCA/ICA의 성능이 활동 뉴런만 탐지하도록 목적이 설정되어 있어 수치적으로 열 劣한 결과를 보인 점을 감안할 때 더욱 뛰어난 성능을 보였다.
• ConvNet의 학습 및 추론 시간은 총 약 6시간으로, 추론 속도는 이미지 시리즈당 약 1.2초로, PCA/ICA의 약 9시간 및 약 40분 대비 유의미하게 빠르게 작동했다.
• 후행 분석에서 인간 전문가가 재평가한 결과, 네트워크가 이전에 놓친 ROI를 탐지하고 일부 잘못된 양성 결과를 수정한 것으로 나타나, 높은 신뢰성과 인간 레이블링 일관성 향상 잠재력을 보였다.