[논문 리뷰] Fast Mitochondria Segmentation for Connectomics.

Vincent Casser, Kai Kang외 2명|arXiv (Cornell University)|2018. 12. 14.

Cell Image Analysis Techniques참고 문헌 9인용 수 13

한 줄 요약

이 논문은 수정된 U-Net 아키텍처를 사용하여 연결망학에서 미토콘드리아 분할을 빠르고 완전 자동으로 수행하는 방법을 제시하며, 512×512 이미지 타일당 추론 속도가 16ms 이하로 빨라 전자현미경 촬영 시간을 초월하여 실시간 검출이 가능해졌고, Jaccard 지수 최대 0.90을 달성하여 이전 실시간 방법들을 능가한다.

ABSTRACT

In connectomics, scientists create the wiring diagram of a mammalian brain by identifying synaptic connections between neurons in nano-scale electron microscopy images. This allows for the identification of dysfunctional mitochondria which are linked to a variety of diseases such as autism or bipolar. However, manual analysis is not feasible since connectomics datasets can be petabytes in size. To process such large data, we present a fully automatic mitochondria detector based on a modified U-Net architecture that yields high accuracy and fast processing times. We evaluate our method on multiple real-world connectomics datasets, including an improved version of the EPFL Hippocampus mitochondria detection benchmark. Our results show a Jaccard index of up to 0.90 with inference speeds lower than 16ms for a 512x512 image tile. This speed is faster than the acquisition time of modern electron microscopes, allowing mitochondria detection in real-time. Compared to previous work, our detector ranks first among real-time methods and third overall. Our data, results, and code are freely available.

연구 동기 및 목표

• 수백 페타바이트 규모의 연결망학 데이터셋을 처리하는 데 있어 수작업으로 미토콘드리아 분할을 수행하는 것은 비현실적이므로 이를 해결한다.
• 대규모 뇌 회로도 분석을 지원하기 위해 전자현미경 이미지에서 미토콘드리아의 실시간 검출을 가능하게 한다.
• 특히 실시간 응용 분야에서 기존 방법들보다 분할 정확도와 속도를 향상시킨다.
• 신경계 질환과 연관된 기능 장애를 보이는 미토콘드리아의 식별을 지원하는 완전 자동 솔루션을 제공한다.

제안 방법

• 전자현미경 이미지에서 미토콘드리아 분할을 위해 속도와 정확도를 향상시키기 위해 수정된 U-Net 아키텍처를 적응시킨다.
• 512×512 이미지 타일당 추론 시간을 16ms 이하로 최적화하여 현대 전자현미경의 촬영 속도를 초월한다.
• EPFL 해마 벤치마크의 개선된 버전을 포함한 여러 실제 연결망학 데이터셋에서 모델을 훈련하고 평가한다.
• 지표와 참값 간의 겹침 정도를 정량화하기 위해 Jaccard 지수를 주요 평가 지표로 사용한다.
• 다양한 조직 유형 간 일반화 능력을 향상시키기 위해 데이터 증강 및 전이 학습 기법을 활용한다.
• 모든 훈련 데이터, 모델 가중치, 코드를 공개하여 재현 가능성과 커뮤니티의 재사용을 보장한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 방법이 실시간 추론 속도에서 전자현미경 이미지에서 높은 정확도로 미토콘드리아 분할을 달성할 수 있는가?
• RQ2 제안된 방법은 기존 최첨단 접근 방식과 비교해 속도와 분할 정확도 측면에서 어떻게 다른가?
• RQ3 모델이 다양한 연결망학 데이터셋과 조직 유형 간에 얼마나 잘 일반화되는가?
• RQ4 이 방법은 신경계 질환에서 미토콘드리아 기능 장애를 연구하는 데 충분한 정밀도로 미토콘드리아를 검출할 수 있는가?

주요 결과

• 평가된 데이터셋에서 제안된 방법은 최대 Jaccard 지수 0.90을 달성하여 높은 분할 정확도를 보였다.
• 512×512 이미지 타일당 추론 속도가 16ms 이하로 빨라 현대 전자현미경의 촬영 시간을 초월했다.
• 실시간 미토콘드리아 분할 방법 중에서 1위를 기록했으며, 전체 순위로는 3위의 성능을 보였다.
• EPFL 해마 벤치마크의 향상된 버전을 포함한 여러 실제 연결망학 데이터셋에서 잘 일반화되는 것으로 나타났다.
• 저자들이 모든 데이터, 결과, 코드를 공개하여 재현 가능성과 연결망학 커뮤니티 내 광범위한 채택을 가능하게 했다.