[논문 리뷰] Toward Streaming Synapse Detection with Compositional ConvNets

Shibani Santurkar, David Budden외 5명|arXiv (Cornell University)|2017. 02. 23.

Anomaly Detection Techniques and Applications참고 문헌 33인용 수 9

한 줄 요약

이 논문은 경계 특징—세포막, 간극, 시냅틱 소포—에 대해 경량 네트워크를 훈련시켜 합성곱 신경망(CNN) 프레임워크를 구성하는 방법을 제안한다. 이는 생물학적으로 타당한 규칙을 사용해 통합된 결과를 도출하며, 최신 기술 대비 7% 높은 재현율과 5% 높은 F1 스코어를 달성한다. 이는 이전의 빠른 방법보다 20배 빠르고 가장 정확한 이전의 CNN보다 11,000배 빠르며, 단일 CPU 시스템에서 245GB의 마우스 청각피질 전자현미경(EM) 데이터셋을 9.7시간 내로 완전하고 방향성 있는 연결망 재구성에 성공한다.

ABSTRACT

Connectomics is an emerging field in neuroscience that aims to reconstruct the 3-dimensional morphology of neurons from electron microscopy (EM) images. Recent studies have successfully demonstrated the use of convolutional neural networks (ConvNets) for segmenting cell membranes to individuate neurons. However, there has been comparatively little success in high-throughput identification of the intercellular synaptic connections required for deriving connectivity graphs. In this study, we take a compositional approach to segmenting synapses, modeling them explicitly as an intercellular cleft co-located with an asymmetric vesicle density along a cell membrane. Instead of requiring a deep network to learn all natural combinations of this compositionality, we train lighter networks to model the simpler marginal distributions of membranes, clefts and vesicles from just 100 electron microscopy samples. These feature maps are then combined with simple rules-based heuristics derived from prior biological knowledge. Our approach to synapse detection is both more accurate than previous state-of-the-art (7% higher recall and 5% higher F1-score) and yields a 20-fold speed-up compared to the previous fastest implementations. We demonstrate by reconstructing the first complete, directed connectome from the largest available anisotropic microscopy dataset (245 GB) of mouse somatosensory cortex (S1) in just 9.7 hours on a single shared-memory CPU system. We believe that this work marks an important step toward the goal of a microscope-pace streaming connectomics pipeline.

연구 동기 및 목표

• 대규모 전자현미경(EM) 데이터셋에서 시냅스 연결을 고속으로 정확하게 탐지하는 데 있어 연결망 분석의 핵심적 제약 요소를 해결하기 위해.
• 현행 딥러닝 모델은 현미경 속도로 처리하기에 너무 느리며, 규칙 기반 방법은 일반화 능력과 정확도에 빈도가 있다는 한계를 극복하기 위해.
• 현미경에서 데이터를 수집하는 속도로 처리할 수 있도록 스트리밍 연결망 분석을 가능하게 하는 확장 가능하고 효율적인 파이프라인 개발을 위해.
• 자동화된 생물학적으로 타당한 특징 조합을 통해, 가장 큰 이방향성 EM 데이터셋인 마우스 청각피질(S1)의 완전하고 방향성 있는 연결망 재구성하기 위해.

제안 방법

• 단일 경계 특징—신경세포막, 세포 간 간극, 시냅틱 소포—를 탐지하기 위해 각각 별도로 경량 합성곱 신경망(ConvNets)을 훈련한다. 이는 단지 100개의 EM 샘플 뿐만으로도 수행된다.
• 이러한 경계 탐지기의 출력 확률 맵을 생물학적 지식을 반영한 규칙 기반 조합기의 입력으로 사용한다.
• 시냅스의 비대칭성을 모델링하기 위해, 간극이 전시냅스 소포 밀도와 후시냅스 세포막에 둘러싸여 있어야 한다는 히وري스틱을 적용한다.
• 비대칭적 소포 밀도를 활용해 시냅스 방향성을 추론함으로써, 방향성 연결 그래프를 구축한다.
• 공유 메모리 다중코어 CPU 시스템을 최적화하여 데이터 I/O 병목 현상을 최소화하고 실시간 스트리밍 성능을 달성한다.
• 생물학적으로 검증된 공간 관계를 기반으로, 세 특징의 확률 맵을 공간적으로 정렬하고 임계값을 적용하여 최종 시냅스 예측을 구성한다.

실험 결과

연구 질문

• RQ1 경량 합성곱 신경망을 사용해 경계 특징을 탐지하고, 이를 생물학적으로 타당한 규칙으로 조합하는 구성형 접근법이, 직접적인 시냅스 세그멘테이션에 비해 정확도와 속도 면에서 모두 뛰어나게 되는가?
• RQ2 제한된 훈련 데이터에서 학습된 특징 맵과 생물학적으로 타당한 규칙을 조합했을 때, 시냅스 검출 정확도는 어느 정도 향상되는가?
• RQ3 현대 전자현미경의 데이터량을 감안할 때, CPU 최적화된 파이프라인으로 대규모 연결망 분석을 현미경 속도로 처리할 수 있는가?
• RQ4 자동화된 규칙 기반 특징 조합을 사용해 대규모 이방향성 EM 데이터셋에서 완전하고 방향성 있는 연결망 재구성을 수행하는 것이 가능한가?
• RQ5 실세계 연결망 분석 데이터에서 이 방법의 성능은 최신 기술 대비 재현율, F1 스코어, 처리 시간 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 방법은 이전 최고 성능을 기록한 Vesicle-CNN 대비 7% 높은 재현율과 5% 높은 F1 스코어를 달성하여, 더 높은 탐지 정확도를 입증하였다.
• 시스템은 단일 공유 메모리 CPU 시스템에서 245GB의 마우스 S1 EM 데이터셋을 9.7시간 내로 처리하여, 가장 빠른 이전 방법(Vesicle-RF) 대비 20배 빠른 성능을 보였다.
• 이 방법은 가장 정확한 이전 CNN(Vesicle-CNN)보다 11,000배 빠르며, 이는 1GB당 400시간이 소요되었던 데에 비해 매우 빠른 처리 속도를 제공한다.
• 이 프레임워크는 마우스 청각피질(S1)의 가장 큰 이방향성 EM 데이터셋에서 최초로 완전하고 방향성 있는 연결망을 재구성하여 새로운 생물학적 통찰을 가능하게 하였다.
• 이 시스템은 이전에 간과되었던 생물학적 특징—예를 들어, 한 개의 덮개돌기에서 여러 개의 억제성 연결을 형성하는 축삭—을 탐지하여, 높은 민감도와 생물학적 관련성을 입증하였다.
• 결과적으로, 학습된 경계 특징을 생물학적으로 타당한 규칙으로 조합하는 것이 고정밀도, 고속도의 시냅스 검출을 가능하게 하며, 스트리밍 연결망 파이프라인에 적합한 방법임을 입증하였다.