[논문 리뷰] Head and Tail Localization of C. elegans

Mansi Ranjit Mane, Aniket Anand Deshmukh외 1명|arXiv (Cornell University)|2020. 01. 12.

Genetics, Aging, and Longevity in Model Organisms참고 문헌 11인용 수 4

한 줄 요약

이 논문은 수동 특성 공학을 회피하기 위해 VGG16 기반의 합성곱 신경망을 사용하는 딥러닝 접근법을 제안한다. 이 방법은 단일 웜 이미지에서 *C. elegans*의 머리와 꼬리 좌표를 직접 회귀한다. 평가 데이터에서 96.82%의 평균 PCK@15 정확도를 달성하여, 초점 조절 및 영상 조건 변화에 대해 초조절 없이도 강건함을 입증한다.

ABSTRACT

C. elegans is commonly used in neuroscience for behaviour analysis because of it's compact nervous system with well-described connectivity. Localizing the animal and distinguishing between its head and tail are important tasks to track the worm during behavioural assays and to perform quantitative analyses. We demonstrate a neural network based approach to localize both the head and the tail of the worm in an image. To make empirical results in the paper reproducible and promote open source machine learning based solutions for C. elegans behavioural analysis, we also make our code publicly available.

연구 동기 및 목표

• 행동 영상 데이터에서 *C. elegans*의 머리와 꼬리를 구분하는 강건하고 자동화된 방법을 개발하기 위해.
• 조명 및 영상 조건에 민감한 수동으로 조정된 임계값과 특성에 의존하는 것을 제거하기 위해.
• 사전 특성 공학 없이도 좌표 회귀를 위한 엔드 투 엔드 학습을 가능하게 하기 위해.
• 다양한 실험 설정 간 *C. elegans* 행동 분석의 재현 가능성과 확장성을 향상시키기 위해.
• 자동화된 웜 추적 및 분석을 위한 공개된 오픈소스 솔루션을 제공하기 위해.

제안 방법

• 머리와 꼬리 위치에 대해 각각 5×5 히트맵 예측을 생성하기 위해 VGG16 기반의 완전 합성곱 신경망을 사용한다.
• 머리와 꼬리에 대한 픽셀 위치에 대한 확률 분포를 나타내기 위해 소프트맥스 함수를 사용해 히트맵을 정규화한다.
• 예측된 좌표와 진짜 좌표 사이의 평균 제곱오차(MSE) 손실을 사용하여 모델을 학습하며, 히트맵의 산포를 제어하기 위해 젠슨-쇼넬 분산을 정규화 항으로 사용한다.
• 일괄 처리를 위해 랜덤 밝기 조정(최대 12.5%)과 90°, 180°, 270° 회전을 포함한 데이터 증강 기법을 사용하여 일반화 능력을 향상시킨다.
• 이미지는 적응형 임계값을 사용해 바운딩 박스를 추출하고, 이를 150×150 픽셀로 크기 조정하고 웜을 분리하기 위해 자르는 방식으로 사전 처리된다.
• 최종 모델은 각각 히트맵의 최고점 위치에서 머리와 꼬리 좌표를 직접 예측하여, 각도 특성에 대한 수동 임계값 설정을 회피한다.

실험 결과

연구 질문

• RQ1 각도 굽힘이나 밝기 임계값과 같은 수작업 특성에 의존하지 않고도 딥러닝 모델이 *C. elegans*의 머리와 꼬리를 정확히 국정할 수 있는가?
• RQ2 수동 하이퍼파rameter 조정 없이도 다양한 조명 및 영상 조건에서 모델의 성능은 어떻게 되는가?
• RQ3 다양한 영상 조건에서 학습된 모델이 새로운 이미지에 대해 얼마나 잘 일반화되는가?
• RQ4 최소한의 아키텍처 복잡성으로도 엔드 투 엔드 좌표 회귀를 통해 높은 국정 정확도를 달성할 수 있는가?
• RQ5 임계값 기반의 머리/꼬리 특성 탐지에 의존하는 기존 방법과 비교해 모델의 성능은 어떻게 되는가?

주요 결과

• 모델은 평가 세트에서 96.82%의 평균 PCK@15 정확도를 달성하여, 예측된 머리와 꼬리 좌표가 진짜 좌표로부터 15 픽셀 이내에 위치한 경우가 96.82%에 달함을 나타낸다.
• 머리 국정 정확도는 PCK@15에서 96.65%였고, 꼬리 국정은 동일한 임계값에서 96.98%를 기록하여 양쪽 끝의 뛰어난 성능을 보였다.
• 머리에 대해 PCK@7 정확도는 94.24%였고, 꼬리에 대해서는 85.82%였으며, 더 정밀한 국정 임계값에서 머리 탐지 성능이 약간 더 뛰어남을 보여주었다.
• 엔드 투 엔드 학습과 데이터 증강 덕분에 다양한 영상 조건에서도 높은 성능를 유지하여, 조명 및 크기 변화에 대한 민감도가 감소함을 입증하였다.
• 조명 변화에 취약한 임계값 기반의 각도 특성 또는 밝기 차이 탐지에 의존하는 전통적 방법보다 모델이 뛰어난 성능을 보였다.
• 코드는 GitHub에 공개되어 있어 재현 가능성을 보장하고 향후 다중 웜 추적에의 확장도 가능하게 한다.