[논문 리뷰] Synaptic Cleft Segmentation in Non-Isotropic Volume Electron Microscopy of the Complete Drosophila Brain

Larissa Heinrich, Jan Funke외 3명|arXiv (Cornell University)|2018. 05. 07.

Advanced Electron Microscopy Techniques and Applications인용 수 4

한 줄 요약

이 논문은 비등방성 순차 단면 투과전자현미경(ssTEM) 데이터에서 수동으로 표기된 시냅스 간극의 부호 거리 변환을 회귀를 통해 훈련한 3D-U-Net 아키텍처를 제안하며, CREMI 도전 대회에서 최신 기술 수준의 성능을 달성하고, 50테라바이트 크기의 도라이아필라 뇌에서 전체 뇌 시냅스 간극 예측을 고도로 일관되고 빠르게 수행한다.

ABSTRACT

Neural circuit reconstruction at single synapse resolution is increasingly recognized as crucially important to decipher the function of biological nervous systems. Volume electron microscopy in serial transmission or scanning mode has been demonstrated to provide the necessary resolution to segment or trace all neurites and to annotate all synaptic connections. Automatic annotation of synaptic connections has been done successfully in near isotropic electron microscopy of vertebrate model organisms. Results on non-isotropic data in insect models, however, are not yet on par with human annotation. We designed a new 3D-U-Net architecture to optimally represent isotropic fields of view in non-isotropic data. We used regression on a signed distance transform of manually annotated synaptic clefts of the CREMI challenge dataset to train this model and observed significant improvement over the state of the art. We developed open source software for optimized parallel prediction on very large volumetric datasets and applied our model to predict synaptic clefts in a 50 tera-voxels dataset of the complete Drosophila brain. Our model generalizes well to areas far away from where training data was available.

연구 동기 및 목표

• 대규모 곤충 연결망 분석의 걸림돌인 비등방성 ssTEM 데이터에서 정확한 시냅스 간극 분할 문제를 해결한다.
• 특히 곤충 뇌의 작은 복잡한 시냅스에서 성능이 떨어지는 기존 방법의 한계를 극복한다.
• 희소한 훈련 데이터와 비등방성 해상도에도 불구하고 다양한 뇌 영역으로 일반화가 잘 되는 딥러닝 프레임워크를 개발한다.
• 분산 GPU에서 최적화된 병렬 추론을 통해 테라바이트 규모의 데이터셋에서 효율적이고 확장 가능한 예측을 가능하게 한다.
• 비등방성 ssTEM 데이터에서 인간 표기자 수준의 성능을 달성하여 자동 연결망 재구성의 핵심 이정표를 마련한다.

제안 방법

• 비등방성 ssTEM 데이터에 최적화된 3D-U-Net 아키텍처(DTU-2)를 설계하여 파rameter 수를 감소시키고, 시냅스 간극 탐지에 유리한 인덕티브 바이어스를 향상시킨다.
• 이진 시냅스 간극 레이블의 부호 거리 변환(SED)을 회귀 대상으로 삼고, 스케일링 및 tanh 비선형성 적용을 통해 훈련 안정성을 높인다.
• 일반화 성능 향상을 위해 탄성 변형, 강도 변동, ssTEM 전용 아티팩트(예: 누락되거나 노이즈가 있는 단면) 등의 데이터 증강 기법을 적용한다.
• 시냅스가 포함된 배치의 95%를 거부하고 손실 함수를 재균형화하여 가짜 음성 결과를 강하게 처벌함으로써, 시냅스 간극의 극도로 희박한 특성에 대응한다.
• 정위치 향상 목적으로 신경 세포 경계 탐지에 대한 보조 손실을 도입하였으며, 훈련 중 두 손실을 동일한 가중치로 처리한다.
• Dask와 N5 형식을 사용한 분산 GPU 가속 추론 파이프라인을 구현하여 대용량 데이터를 병렬 처리하며, 겹치는 입력 블록과 겹치지 않는 출력 블록을 활용한다.

실험 결과

연구 질문

• RQ1 비등방성 ssTEM 데이터에 효과적으로 적응된 3D-U-Net 아키텍처가 기존 최신 기술 수준의 방법을 뛰어넘는 시냅스 간극 분할 성능을 달성할 수 있는가?
• RQ2 수동으로 표기된 간극의 부호 거리 변환을 기반으로 훈련하는 것이 표준 픽셀 단위 분류 대비 더 나은 일반화 및 강건성 성능을 제공하는가?
• RQ3 형태학적 차이와 이미징 아티팩트의 차이에도 불구하고, 훈련 데이터에 포함되지 않은 뇌 영역(예: 람이나 또는 피질)에 대해 모델이 효과적으로 일반화될 수 있는가?
• RQ4 50테라바이트 크기의 전체 뇌 데이터셋에 적용했을 때 추론 파이프라인의 확장성과 효율성은 어떠한가?
• RQ5 예측된 시냅스 간극 분포가, 공성현미경에서 nc82 항체 표지로 관찰된 알려진 생물학적 패턴과 얼마나 일치하는가?

주요 결과

• 제안된 DTU-2 모델은 CREMI 도전 대회에서 이전 아키텍처를 능가하며, 파rameter 수가 더 적음에도 불구하고 최신 기술 수준을 초월하는 CREMI 점수를 달성했다.
• 훈련 데이터에 포함되지 않은 뇌 영역(예: 람이나, 피질)에 대해서도 모델이 정확하고 일관된 시냅스 간극 예측을 수행하여 뛰어난 일반화 능력을 입증했다.
• 예측 파이프라인은 GPU당 평균 3메가바이트/초의 처리 속도를 기록하여, 50테라바이트 크기의 도라이아필라 뇌 전체 예측을 5일 이내로 완료했다.
• 모델 출력 결과를 비등방성 가우시안 PSF로 컨볼루션 처리하면, nc82 항체 표지로 관찰된 공성현미경에서의 시냅스 밀도 패턴을 재현하며 생물학적 타당성을 검증했다.
• 신경 세포 경계 탐지에 대한 보조 손실 도입으로 성능 향상이 나타났으며, 특히 얕은 DTU-1 아키텍처에서 두드러진 성과를 보여, 다중 작업 학습이 정위치 정확도 향상에 기여함을 시사했다.
• 이 프레임워크는 오픈소스이며 관용적인 라이선스 하에 공개되어 있어 재현성과 연결망 연구 분야의 광범위한 도입을 가능하게 한다.