[논문 리뷰] Penalized matrix decomposition for denoising, compression, and improved demixing of functional imaging data

E. Kelly Buchanan, Ian Kinsella외 18명|arXiv (Cornell University)|2018. 07. 17.

Neural dynamics and brain function참고 문헌 31인용 수 5

한 줄 요약

이 논문은 기능적 영상 데이터의 노이즈 제거, 압축, 신호 분리 향상을 위한 페널티 행렬 분해(PMD)를 소개한다. 국소적인 영상 패치에 공간적으로 국한된, 비음수적이고 데이터 기반의 PMD를 적용함으로써, 이 방법은 2–4× SNR 향상과 20–300× 압축을 달성하면서도 신호 손실를 최소화하여, 이중 및 삼중 광자, 넓은 시야, 수상성 영상과 같은 다양한 모ality에서 칼슘 및 전압 영상 데이터의 강건하고 초기화가 필요 없는 분석을 가능하게 한다.

ABSTRACT

Calcium imaging has revolutionized systems neuroscience, providing the ability to image large neural populations with single-cell resolution. The resulting datasets are quite large, which has presented a barrier to routine open sharing of this data, slowing progress in reproducible research. State of the art methods for analyzing this data are based on non-negative matrix factorization (NMF); these approaches solve a non-convex optimization problem, and are effective when good initializations are available, but can break down in low-SNR settings where common initialization approaches fail. Here we introduce an approach to compressing and denoising functional imaging data. The method is based on a spatially-localized penalized matrix decomposition (PMD) of the data to separate (low-dimensional) signal from (temporally-uncorrelated) noise. This approach can be applied in parallel on local spatial patches and is therefore highly scalable, does not impose non-negativity constraints or require stringent identifiability assumptions (leading to significantly more robust results compared to NMF), and estimates all parameters directly from the data, so no hand-tuning is required. We have applied the method to a wide range of functional imaging data (including one-photon, two-photon, three-photon, widefield, somatic, axonal, dendritic, calcium, and voltage imaging datasets): in all cases, we observe ~2-4x increases in SNR and compression rates of 20-300x with minimal visible loss of signal, with no adjustment of hyperparameters; this in turn facilitates the process of demixing the observed activity into contributions from individual neurons. We focus on two challenging applications: dendritic calcium imaging data and voltage imaging data in the context of optogenetic stimulation. In both cases, we show that our new approach leads to faster and much more robust extraction of activity from the data.

연구 동기 및 목표

• 기능적 영상에서 높은 데이터 볼륨과 노이즈 문제를 해결하기 위해, 특히 대규모 칼슘 및 전압 영상 데이터셋에 초점을 맞춘다.
• 수동적인 초모수 조정이나 강한 초기화가 필요 없는 스케일링 가능하고 강건하며 자동화된 노이즈 제거 및 압축 방법을 개발한다.
• 시간적으로 상관이 없는 노이즈에서 저차원 신호 성분을 분리함으로써 생물학적으로 의미 있는 활동을 유지하는 방식으로, 신호 분리를 향상시킨다.
• 신호 손실를 최소화하면서도 고압축 비율을 달성함으로써 효율적인 데이터 공유와 실시간 처리를 가능하게 한다.
• NMF(초기화에 민감함)와 PCA(구조적 신호를 최적화하지 못함)의 한계를 극복하기 위해 공간적으로 국한된 페널티 행렬 분해 프레임워크를 제안한다.

제안 방법

• 이 방법은 기능적 영상 데이터의 국소 공간 패치에 페널티 행렬 분해(PMD)를 적용하여, 데이터 행렬을 저랭크 신호 성분과 희소 노이즈 성분으로 분해한다.
• PMD는 패치 기반 접근 방식을 통해 공간 국소화를 구현하여 대규모 데이터셋에서 병렬 계산과 높은 확장성을 달성한다.
• 분해 과정은 노이즈 성분의 희박성과 신호 성분의 저랭크 성질을 강조하기 위해 페널티 항을 포함하며, 모든 매개변수는 데이터에서 직접 추정된다.
• 비음수 제약 조건을 도입하지 않으며 식별 가능성 가정도 필요 없어 NMF보다 강건성이 향상된다.
• 페널티를 통해 성분 수를 자동으로 결정하므로, PCA처럼 주관적인 주성분 수 선택이 필요 없어진다.
• 외부 사전 지식이나 수동 조정이 필요 없이 데이터 기반, 초기화가 필요 없는 방식으로 적용된다.

실험 결과

연구 질문

• RQ1 공간적으로 국한된 페널티 행렬 분해 방법이 강한 초기화나 비음수 제약 조건에 의존하지 않고도 기능적 영상 데이터의 강건한 노이즈 제거와 압축을 달성할 수 있는가?
• RQ2 PMD는 NMF와 PCA와 같은 최첨단 방법과 비교해 다양한 영상 모달리티에서 SNR 향상과 압축 효율성 면에서 어떻게 성능을 내는가?
• RQ3 PMD는 특히 수상성 또는 복잡한 환경(예: 수상성 또는 전압 영상)에서 원시 영상 데이터로부터 신경 활동을 얼마나 잘 분리할 수 있는가?
• RQ4 PMD는 한 번의 설정으로 일광자, 이광자, 삼광자, 넓은 시야, 세포체, 축삭, 수상성, 칼슘 및 전압 영상 등 다양한 영상 기법에 동일하게 적용 가능한가? (초모수 조정 없이)
• RQ5 광분해나 자극 아티팩트가 존재하는 상황에서도 PMD는 시간적으로 상관이 없는 노이즈를 제거하면서 생물학적으로 의미 있는 신호 특징을 유지할 수 있는가?

주요 결과

• PMD는 칼슘 및 전압 영상 포함 모든 테스트 기능적 영상 데이터셋에서 2–4×의 신호 대 노이즈비(SNR) 향상을 달성했다.
• 이 방법은 시각적 신호 손실가 최소화된 20–300× 압축 비율을 실현하여, 일반적인 비디오 압축 및 노이즈 제거 기법보다 뛰어난 성능을 보였다.
• 수상성 칼슘 영상에서는 저SNR 조건에서도 기준 방법보다 더 빠르고 강건한 신경 활동 추출을 가능하게 했다.
• 자극 아티팩트와 광분해가 존재하는 전압 영상 데이터에서는 PMD가 비신호 성분을 효과적으로 제거하면서도 빠른 전압 동역학을 유지했다.
• 모든 매개변수를 데이터에서 직접 추정하여 초모수 조정이나 초기화가 필요 없었으며, 재현 가능성과 강건성을 보장했다.
• 특히 낮은 SNR 및 높은 복잡도 조건에서 NMF와 PCA보다 노이즈 제거 및 분리 성능에서 뛰어났다.