[논문 리뷰] CalciumGAN: A Generative Adversarial Network Model for Synthesising Realistic Calcium Imaging Data of Neuronal Populations.

Bryan M. Li, Theoklitos Amvrosiadis외 2명|arXiv (Cornell University)|2020. 09. 06.

Cell Image Analysis Techniques참고 문헌 25인용 수 6

한 줄 요약

CalciumGAN은 신경세포 집단의 실제 데이터의 통계적 특성을 반영하는 현실적인 칼슘 이미징 데이터를 합성하기 위해 워샤르스테인 거리로 훈련된 WaveGAN 기반 생성 적대 신경망이다. 이는 실제 데이터의 통계적 특성을 잘 따르는 신호를 성공적으로 생성하여 뇌과학 연구의 스케일링 가능한 데이터 증강을 가능하게 한다.

ABSTRACT

Calcium imaging has become a powerful and popular technique to monitor the activity of large populations of neurons in vivo. However, for ethical considerations and despite recent technical developments, recordings are still constrained to a limited number of trials and animals. This limits the amount of data available from individual experiments and hinders the development of analysis techniques and models for more realistic size of neuronal populations. The ability to artificially synthesize realistic neuronal calcium signals could greatly alleviate this problem by scaling up the number of trials. Here we propose a Generative Adversarial Network (GAN) model to generate realistic calcium signals as seen in neuronal somata with calcium imaging. To this end, we adapt the WaveGAN architecture and train it with the Wasserstein distance. We test the model on artificial data with known ground-truth and show that the distribution of the generated signals closely resembles the underlying data distribution. Then, we train the model on real calcium signals recorded from the primary visual cortex of behaving mice and confirm that the deconvolved spike trains match the statistics of the recorded data. Together, these results demonstrate that our model can successfully generate realistic calcium imaging data, thereby providing the means to augment existing datasets of neuronal activity for enhanced data exploration and modeling.

연구 동기 및 목표

• 생체 내 실험에서 윤리적 및 기술적 제약으로 인해 칼슘 이미징 데이터가 부족한 문제를 해결하기 위해.
• 신경세포 집단의 현실적인 칼슘 신호를 합성할 수 있는 딥 생성 모델을 개발하기 위해.
• 실제 기록의 통계적 특성을 유지하는 합성 시도를 생성함으로써 데이터 증강을 가능하게 하기 위해.
• 인간의 주시각피질에서의 실제 기록과 알려진 진실값이 있는 인위적 데이터를 바탕으로 모델을 검증하기 위해.

제안 방법

• 신경세포 soma의 시간적 칼슘 신호를 모델링하기 위해 WaveGAN 아키텍처를 적응시켰다.
• 훈련 안정성을 향상시키기 위해 기울기 보정을 적용한 워샤르스테인 GAN 손실을 사용하여 모델을 훈련시켰다.
• 통계적 검증을 위해 생성된 칼슘 트레이스를 추론된 스파이크 트레이스로 변환하기 위해 탈구분을 적용했다.
• 실제로 행동 중인 마우스의 칼슘 이미징 데이터를 훈련하여 기저 데이터 분포를 학습했다.
• 스파이크 트레이스 특성에 대한 통계적 지표를 사용하여 생성된 데이터를 실제 데이터와 비교 평가했다.

실험 결과

연구 질문

• RQ1 GAN 모델이 실제 신경세포 기록과 통계적으로 구별되지 않는 칼슘 이미징 신호를 생성할 수 있는가?
• RQ2 모델이 마우스 주시각피질의 실제 생물학적 데이터로 훈련되었을 때 얼마나 잘 일반화되는가?
• RQ3 생성된 칼슘 신호에서 탈구분된 스파이크 트레이스가 실제 스파이크 트레이스의 통계와 얼마나 일치하는가?
• RQ4 모델이 제한된 실험 데이터셋을 효과적으로 증강하여 분석 및 모델링 성능을 향상시킬 수 있는가?

주요 결과

• 알려진 진실값이 있는 인위적 데이터를 사용한 테스트에서 생성된 칼슘 신호가 기저 데이터 분포와 매우 유사하게 나타났다.
• 모델는 행동 중인 마우스의 주시각피질에서 기록된 실제 칼슘 신호의 통계적 특성을 성공적으로 학습했다.
• 생성된 데이터에서 탈구분된 스파이크 트레이스가 실제 기록 데이터의 발화율과 상관관계 통계를 잘 따르는 것으로 나타났다.
• 기울기 보정을 적용한 워샤르스테인 GAN 손실이 안정적인 훈련과 고해상도의 신호 생성을 가능하게 했다.