[논문 리뷰] Learning Dense Voxel Embeddings for 3D Neuron Reconstruction.

Kisuk Lee, Ran Lu외 2명|arXiv (Cornell University)|2019. 09. 21.

Cell Image Analysis Techniques참고 문헌 3인용 수 11

한 줄 요약

이 논문은 순차 단면 전자현미경 영상에서 3차원 뉴런 재구성의 최신 기술을 달성하기 위해 심층 밀도 볼록 임베딩을 사용하는 심층 거리 학습 방법을 제안한다. 짧은 거리 및 긴 거리 간선을 포함하는 거리 그래프를 구성하고, 긴 거리 유사도를 반발력 제약 조건으로 사용하여 그래프를 분할함으로써, 특히 얇은 신경세포 돌기에서 높은 정밀도의 분할을 생성하며, 동일한 네트워크를 사용하여 복잡한 자가접촉 구조에서의 체계적 분할 문제를 해결한다.

ABSTRACT

We show dense voxel embeddings learned via deep metric learning can be employed to produce a highly accurate segmentation of neurons from 3D electron microscopy images. A metric graph on an arbitrary set of short and long-range edges can be constructed from the dense embeddings generated by a convolutional network. Partitioning the metric graph with long-range affinities as repulsive constraints can produce an initial segmentation with high precision, with substantial improvements on very thin objects. The convolutional embedding net is reused without any modification to agglomerate the systematic splits caused by complex self-touching' objects. Our proposed method achieves state-of-the-art accuracy on the challenging problem of 3D neuron reconstruction from the brain images acquired by serial section electron microscopy. Our alternative, object-centered representation could be more generally useful for other computational tasks in automated neural circuit reconstruction.

연구 동기 및 목표

• 3차원 전자현미경 영상에서 뉴런을 정확하게 분할하는 데 도전하는 것, 특히 얇고 자가접촉하는 과정에서의 분할 문제 해결.
• 뉴런 형태학에서 국소적 및 장거리 구조적 관계를 모두 포괄하는 표현 방식 개발.
• 기존 방법에서 자주 잘못 분할되는 매우 얇은 신경세포 돌기의 분할 정밀도 향상.
• 자동화된 신경 회로 재구성에 널리 활용 가능한, 객체 중심의 표현 방식 제공.

제안 방법

• 심층 거리 학습을 통해 3차원 EM 영상의 구조적 관계를 인코딩하는 밀도 있는 볼록 임베딩을 생성하는 컨volutional 신경망을 학습.
• 학습된 볼록 임베딩에서 유도된 짧은 거리 및 긴 거리 간선을 사용하여 거리 그래프를 구성.
• 긴 거리 유사도를 반발력 제약 조건으로 사용하여 거리 그래프를 분할함으로써 분할을 안내하고 잘못된 분할을 줄임.
• 초기 분할 이후에도 동일한 임베딩 네트워크를 수정 없이 재사용하여 응집을 수행함으로써, 복잡한 자가접촉 뉴런 구조에서의 체계적 분할 문제를 수정.
• 학습된 임베딩 공간을 활용하여 분할의 유사도 및 분리 기준 정의.
• 거리 학습과 그래프 분할을 조합하여 정밀도가 높고 토폴로지 인식 능력을 갖춘 분할을 달성.

실험 결과

연구 질문

• RQ1 거리 학습을 통해 학습된 밀도 있는 볼록 임베딩이 전자현미경 영상에서 3차원 뉴런 재구성의 분할 정확도를 향상시키는가?
• RQ2 긴 거리 유사도가 반발력 제약 조건으로서 작용할 때, 특히 얇은 신경세포 돌기에서 잘못된 분할을 줄이는 데 얼마나 효과적인가?
• RQ3 동일한 임베딩 네트워크가 초기 분할 이후 응집 보정에 효과적으로 재사용될 수 있는가?
• RQ4 객체 중심의 임베딩 표현 방식이 전통적인 픽셀 수준 또는 영역 기반 방법보다 얼마나 뛰어난가?
• RQ5 제안된 방법은 뇌 전자현미경 데이터에서 흔히 볼 수 있는 복잡한 자가접촉 뉴런 구조에 대해 얼마나 강건한가?

주요 결과

• 순차 단면 EM 영상에서 도전적인 3차원 뉴런 재구성 작업에서 최신 기술 수준의 정확도를 달성.
• 긴 거리 유사도를 반발력 제약 조건으로 사용함으로써 정밀도가 크게 향상되었으며, 특히 매우 얇은 신경세포 돌기에서 두드러진다.
• 동일한 임베딩 네트워크가 재학습 없이도 복잡하고 자가접촉하는 뉴런 구조에서의 체계적 분할 문제를 성공적으로 해결.
• 밀도 있는 볼록 임베딩 표현 방식이 국소적 및 장거리 구조적 맥락을 모두 포착함으로써 고정밀도 분할 가능.
• 제안된 객체 중심 표현 방식은 일반화 가능하며, 자동화된 신경 회로 재구성 분야의 다른 과제도 유용하게 활용될 수 있다.