[논문 리뷰] DISCo for the CIA: Deep learning, Instance Segmentation, and Correlations for Calcium Imaging Analysis

Elke Kirschbaum, Alberto Bailoni외 1명|arXiv (Cornell University)|2019. 08. 21.

Cell Image Analysis Techniques인용 수 2

한 줄 요약

DISCo는 픽셀 간 상관관계와 형태 정보를 활용하여 칼슘 이미징 영상에서 개별 뉴런을 식별하는 딥러닝 기반의 인스턴스 세그멘테이션 방법이다. 세포 소속 예측을 간선 가중치가 부여된 그래프 상의 상관관계 클러스터링 문제로 모델링하고, 그라디언트 알고리즘을 사용해 이를 근사적으로 분할함으로써 DISCo는 Neurofinder 벤치마크에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Calcium imaging is one of the most important tools in neurophysiology as it enables the observation of neuronal activity for hundreds of cells in parallel and at single-cell resolution. In order to use the data gained with calcium imaging, it is necessary to extract individual cells and their activity from the recordings. We present DISCo, a novel approach for the cell segmentation in calcium imaging videos. We use temporal information from the recordings in a computationally efficient way by computing correlations between pixels and combine it with shape-based information to identify active as well as non-active cells. We first learn to predict whether two pixels belong to the same cell; this information is summarized in an undirected, edge-weighted grid graph which we then partition. In so doing, we approximately solve the NP-hard correlation clustering problem with a recently proposed greedy algorithm. Evaluating our method on the Neurofinder public benchmark shows that DISCo outperforms all existing models trained on these datasets.

연구 동기 및 목표

• 시간적 상관관계와 공간적 형태 정보를 통합하여 칼슘 이미징 영상의 인스턴스 세그멘테이션을 향상시키기 위해.
• 노이즈가 많고 동적인 칼슘 이미징 데이터에서 개별 뉴런을 정확히 식별하는 과제를 해결하기 위해.
• NP-난해 문제인 상관관계 클러스터링 문제를 효율적으로 근사하는 계산적으로 효율적인 방법을 개발하기 위해.
• Neurofinder와 같이 표준 벤치마크에서 널리 사용되는 기준에서 기존 모델들을 능가하기 위해.

제안 방법

• 공간적 및 시간적 특징을 기반으로 딥러닝을 사용해 두 픽셀이 같은 뉴런에 속해 있는지 예측한다.
• 간선 가중치가 부여된 무방향 격자 그래프를 구축하며, 간선 가중치는 두 픽셀이 같은 세포에 속할 가능성을 나타낸다.
• 그래프 상에서 NP-난해 문제인 상관관계 클러스터링을 근사적으로 해결하기 위해 근사 알고리즘을 적용하여 세포를 분할한다.
• 칼슘 트레이스 유사성에서 유도된 시간적 상관관계와 형태 기반 사전 지식을 결합하여 세그멘테이션의 안정성을 향상시킨다.
• 픽셀 쌍 분류 모듈을 엔드 투 엔드로 훈련하기 위해 미분 가능한 프레임워크를 사용한다.
• 그래프 분할을 수행하여 상관관계 그래프에서 최종 인스턴스 세그멘테이션 마스크를 생성한다.

실험 결과

연구 질문

• RQ1 시간적 상관관계와 형태 사전 지식을 통합하면 칼슘 이미징 영상의 인스턴스 세그멘테이션 성능이 향상되는가?
• RQ2 Neurofinder와 같은 표준 벤치마크에서 DISCo는 기존 최신 기술 수준의 모델들과 비교해 어떻게 성능을 내는가?
• RQ3 상관관계 클러스터링의 그라디언트 근사가 계산적으로 효율적인 방식으로 세포 세그멘테이션에 효과적으로 적용될 수 있는가?
• RQ4 강도나 형태에만 의존하는 방법과 비교해 픽셀 간 유사성 정보를 통합하면 세그멘테이션 정확도가 얼마나 향상되는가?

주요 결과

• DISCo는 Neurofinder 데이터셋에서 훈련된 모든 기존 모델보다 세그멘테이션 정확도에서 뛰어난 성능을 보였다.
• 시간적 상관관계와 형태 기반 정보를 효과적으로 조합함으로써 최신 기술 수준의 성능를 달성했다.
• 그라디언트 알고리즘을 통한 상관관계 클러스터링 근사화는 정확도와 계산 효율성 사이의 좋은 균형을 제공한다.
• 동적(시간적) 및 구조적(공간적) 신호에 의존함으로써 다양한 칼슘 이미징 데이터셋에 잘 일반화된다.
• 픽셀 쌍 분류 헤드는 세포 내 및 세포 간 픽셀 관계를 구분할 수 있는 의미 있는 표현을 학습한다.
• 노이즈와 다양한 기록 간 칼슘 신호 역학의 변동성에 대해 강건한 성능을 보였다.