[논문 리뷰] Morphological Error Detection in 3D Segmentations

David Rolnick, Yaron Meirovitch외 6명|arXiv (Cornell University)|2017. 05. 30.

Cell Image Analysis Techniques참고 문헌 29인용 수 20

한 줄 요약

이 논문은 이진 마스크에서 고수준의 형태학적 패턴을 학습함으로써 신경세포 분할에서의 병합 오류를 탐지하는 3D ConvNet인 MergeNet을 제안한다. 이는 수동 레이블링 없이도 다양한 데이터셋 간에 일반화 가능한 오류 국소화를 가능하게 하며, 비지도 학습 방식을 통해 구현된다. 이 방법은 복잡한 병합 구성 요소를 높은 정확도로 식별할 수 있으며, 자체 학습 데이터의 오류 조차도 수정할 수 있다.

ABSTRACT

Deep learning algorithms for connectomics rely upon localized classification, rather than overall morphology. This leads to a high incidence of erroneously merged objects. Humans, by contrast, can easily detect such errors by acquiring intuition for the correct morphology of objects. Biological neurons have complicated and variable shapes, which are challenging to learn, and merge errors take a multitude of different forms. We present an algorithm, MergeNet, that shows 3D ConvNets can, in fact, detect merge errors from high-level neuronal morphology. MergeNet follows unsupervised training and operates across datasets. We demonstrate the performance of MergeNet both on a variety of connectomics data and on a dataset created from merged MNIST images.

연구 동기 및 목표

• 자동 3D 신경세포 분할에서 흔히 발생하지만 기존 방법으로는 탐지하기 어려운 병합 오류 문제를 해결하기 위해.
• 이미지 데이터나 세포막대 예측에 의존하지 않고, 인간과 유사한 신경세포 형태 인식 능력에서 유래한 형태학적 직관을 활용한 방법을 개발하기 위해.
• 어떤 합리적으로 정확한 분할 데이터이든 비지도 학습이 가능하게 하여, 추가적인 수동 레이블링 없이도 오류 탐지 및 수정을 가능하게 하기 위해.
• 다양한 데이터셋과 분할 알고리즘에 일반화되고 확장 가능한 솔루션을 만들기 위해, 이미징 모odal 또는 네트워크 아키텍처에 관계없이 독립적으로 작동하도록 하기 위해.

제안 방법

• MergeNet은 3D ConvNets를 사용하여 이진 분할 마스크를 분석하며, 복셀 수준의 세포막대 예측이 아닌 전반적인 형태학적 맥락에 초점을 맞춘다.
• 모델은 오직 분할 마스크만을 사용하여 비지도 방식으로 학습되며, 타당한 신경세포 형태와 병합된 형태를 구분하는 능력을 습득한다.
• 높은 값이 서로 다른 신경세포가 융합된 영역일 가능성이 높다는 것을 나타내는 확률 지ap을 생성함으로써 병합 오류를 국소화한다.
• 학습 중에 명시적으로 레이블링되지 않은 오류들이라도, 자체 학습 데이터 내 오류를 탐지할 수 있다.
• 다양한 데이터셋 간에 동일한 형태학적 특징을 학습함으로써 일반화 능력을 확보하고, 재학습 없이도 새로운 데이터에 적용할 수 있도록 한다.
• 속도 최적화를 위해 설계되어 단일 GPU에서 최대 초당 300만 개의 복셀을 처리할 수 있어, 대규모 연결망 파이프라인에 적합하다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 저수준의 이미지 특징이 아닌 고수준의 형태학적 패턴을 학습함으로써 3D 신경세포 분할에서 병합 오류를 탐지할 수 있는가?
• RQ2 3D ConvNet이 명시적 감독 없이도 병렬, 수직, 다중 객체 융합과 같은 다양한 복잡한 병합 구성 요소를 얼마나 잘 탐지할 수 있는가?
• RQ3 학습 중에 레이블링되지 않은 오류들이라도, 모델이 자체 학습 데이터 내 오류를 탐지할 수 있는가? 이는 자기 수정 능력을 보여주는가?
• RQ4 모델은 다양한 데이터셋과 분할 알고리즘 간에 얼마나 잘 일반화되는가? 재학습 없이도 배포가 가능한가?
• RQ5 학습 데이터에 이러한 클래스가 포함되지 않았음에도 불구하고, 모델이 형태학적으로 타당하지 않은 객체(예: 지아)를 이상치로 탐지할 수 있는가?

주요 결과

• MergeNet은 연결망 데이터셋과 MNIST 기반 데이터셋 모두에서 병렬, 수직, 다중 객체 융합과 같은 다양한 병합 오류 구성 요소를 성공적으로 탐지하였다.
• 시각화 결과를 통해 X자 접합부나 복잡한 융합 영역과 같은 오류 발생 가능 영역을 정확하게 식별하는 데 높은 정확도를 달성하였다.
• 수동 레이블링 없이도 자체 학습 데이터 내 오류를 탐지하고 국소화할 수 있었으며, 이는 비지도 학습을 통한 자기 수정 능력을 보여준다.
• 다양한 데이터셋과 분할 방법 간에 일반화 능력을 유지하며, 다른 출처나 이미징 모달리티에서 온 데이터에 적용해도 높은 성능을 유지한다.
• 학습 데이터에 포함되지 않은 비신경세포 객체(예: 지아)도 형태학적으로 타당하지 않다고 탐지할 수 있었으며, 이는 형태 이상 현상에 대한 잠재적 일반화 능력을 시사한다.
• 단일 GPU에서 초당 300만 개의 복셀을 처리할 수 있어, 많은 막대 예측 시스템보다 빠른 속도를 기록하며 확장 가능한 연결망 파이프라인에 통합이 가능하다.