[논문 리뷰] Super-resolution using Sparse Representations over Learned Dictionaries: Reconstruction of Brain Structure using Electron Microscopy

Tao Hu, Juan Nunez-Iglesias외 7명|arXiv (Cornell University)|2012. 10. 01.

Advanced Electron Microscopy Techniques and Applications참고 문헌 25인용 수 6

한 줄 요약

이 논문은 학습된 사전를 기반으로 한 희박 표현을 사용하여 적은 수의 전자현미경(EM) 톰로그래픽 시야에서 고깊이 해상도의 뇌 구조를 복원하는 초해상도 방법을 제안한다. 고해상도 데이터로부터 국소 기저 함수를 학습하고 압축 감지 기반 복원을 적용함으로써, 고속도로 시냅스 수준의 회로 추적을 가능하게 하며, 섹션당 최소 다섯 개의 시야로도 정확한 복원을 달성한다.

ABSTRACT

A central problem in neuroscience is reconstructing neuronal circuits on the synapse level. Due to a wide range of scales in brain architecture such reconstruction requires imaging that is both high-resolution and high-throughput. Existing electron microscopy (EM) techniques possess required resolution in the lateral plane and either high-throughput or high depth resolution but not both. Here, we exploit recent advances in unsupervised learning and signal processing to obtain high depth-resolution EM images computationally without sacrificing throughput. First, we show that the brain tissue can be represented as a sparse linear combination of localized basis functions that are learned using high-resolution datasets. We then develop compressive sensing-inspired techniques that can reconstruct the brain tissue from very few (typically 5) tomographic views of each section. This enables tracing of neuronal processes and, hence, high throughput reconstruction of neural circuits on the level of individual synapses.

연구 동기 및 목표

• 뇌 회로 복원을 위한 전자현미경에서 고해상도와 고속도를 동시에 달성하는 데 도전한다.
• 기존의 EM 기술이 횡방향 해상도 또는 깊이 해상도를 희생하기 때문에 발생하는 한계를 극복한다.
• 매우 적은 톰로그래픽 시야로도 고깊이 해상도의 뇌 조직을 복원하는 계산 기반 방법을 개발한다.
• 학습된 사전를 기반으로 한 희박 코딩을 통해 시냅스 수준의 신경 세포 과정을 정확하게 추적할 수 있도록 한다.
• 비지도 학습과 압축 감지를 활용하여 데이터 수집 부담을 줄이면서도 구조의 정밀도를 유지한다.

제안 방법

• 비지도 학습을 사용하여 고해상도 EM 데이터셋으로부터 국소 기저 함수(사전)를 학습한다.
• 뇌 조직을 이러한 학습된 기저 함수의 희박 선형 조합으로 표현한다.
• 압축 감지 원리를 적용하여 섹션당 최소 다섯 개의 톰로그래픽 시야로도 전체 3D 구조를 복원한다.
• 학습된 사전 기반 표현에서 희박성을 강제하는 최적화 문제를 복원 과정에서 해결한다.
• 각 이미지 패치에 대해 가장 관련성이 높은 사전 원소를 반복적으로 식별하기 위해 탐욕적 추적 알고리즘을 사용한다.
• 고해상도 데이터로 학습된 방법을 적용하여 저신호, 저시야 수의 EM 데이터에서 미세한 구조적 세부 정보를 복원한다.

실험 결과

연구 질문

• RQ1 학습된 사전를 기반으로 한 희박 표현이 최소한의 EM 톰로그래픽 시야로 고깊이 해상도의 뇌 구조를 효과적으로 복원할 수 있는가?
• RQ2 데이터 수집이 제한된 상황에서 압축 감지 원리가 복원 정밀도를 얼마나 향상시킬 수 있는가?
• RQ3 비지도 사전 학습이 뇌 조직의 핵심 구조적 특징을 포착하여 정확한 초해상도를 가능하게 할 수 있는가?
• RQ4 신경 회로 복원에서 시냅스 수준의 해상도를 확보하기 위해 얼마나 많은 톰로그래픽 시야가 필요한가?
• RQ5 제안된 방법이 영상 촬영의 속도 요구 사항을 크게 줄이면서도 구조 정확도를 유지하는가?

주요 결과

• 이 방법은 섹션당 다섯 개의 톰로그래픽 시야만으로도 고품질의 초해상도 복원을 달성하여 데이터 수집 필요성을 크게 줄였다.
• 재구성된 부피에서 미세한 dendritic 및 axonal 구조를 포함한 신경 세포 과정이 시냅스 수준에서 정확하게 추적되었다.
• 학습된 사전는 뇌 조직의 관련 구조 패턴을 포착하여 효과적인 희박 코딩과 복원을 가능하게 하였다.
• 이 방법은 시냅스 연결 분석에 중요한 미세 형태학적 세부 정보를 유지하였다.
• 완전한 기울임 각도 시리즈와 비교했을 때 복원 품질이 유사하여, 낮은 시야 수로도 고정밀도 영상 촬영의 가능성을 입증하였다.
• 섹션당 필요로 하는 EM 이미지 수를 최소화함으로써, 신경 회로의 고속도 복원을 가능하게 하였다.