[논문 리뷰] VESICLE: Volumetric Evaluation of Synaptic Interfaces using Computer vision at Large Scale

William Gray Roncal, Michael Pekala외 8명|arXiv (Cornell University)|2014. 03. 14.

Advanced Memory and Neural Computing인용 수 11

한 줄 요약

VESICLE는 두 가지 방법을 사용하여 이방향성, 비후착 처리된 전자현미경 데이터에서 확장 가능한 컴퓨터 비전 기반 프레임워크를 소개한다: 경량 Random Forest 분류기(VESICLE-RF)와 딥러닝 분류기(VESICLE-CNN). 이 프레임워크는 최신 기술 수준의 성능을 달성하여 60,000 μm³(220 GB)의 EM 데이터에서 약 50,335개의 시냅스를 검출하였으며, VESICLE-RF는 VESICLE-CNN보다 약 200배 빠른 추론을 가능하게 하여 페타바이트 규모의 커넥톰 분석에 대한 확장성을 입증하였다.

ABSTRACT

An open challenge problem at the forefront of modern neuroscience is to obtain a comprehensive mapping of the neural pathways that underlie human brain function; an enhanced understanding of the wiring diagram of the brain promises to lead to new breakthroughs in diagnosing and treating neurological disorders. Inferring brain structure from image data, such as that obtained via electron microscopy (EM), entails solving the problem of identifying biological structures in large data volumes. Synapses, which are a key communication structure in the brain, are particularly difficult to detect due to their small size and limited contrast. Prior work in automated synapse detection has relied upon time-intensive biological preparations (post-staining, isotropic slice thicknesses) in order to simplify the problem. This paper presents VESICLE, the first known approach designed for mammalian synapse detection in anisotropic, non-post-stained data. Our methods explicitly leverage biological context, and the results exceed existing synapse detection methods in terms of accuracy and scalability. We provide two different approaches - one a deep learning classifier (VESICLE-CNN) and one a lightweight Random Forest approach (VESICLE-RF) to offer alternatives in the performance-scalability space. Addressing this synapse detection challenge enables the analysis of high-throughput imaging data soon expected to reach petabytes of data, and provide tools for more rapid estimation of brain-graphs. Finally, to facilitate community efforts, we developed tools for large-scale object detection, and demonstrated this framework to find $\approx$ 50,000 synapses in 60,000 $μm ^3$ (220 GB on disk) of electron microscopy data.

연구 동기 및 목표

• 뇌 커넥톰 재구성에 필수적인 대규모, 이방향성, 비후착 처리된 전자현미경 데이터에서 시냅스를 검출하는 데 도전하는 것.
• 기존 방법들이 등방성, 후착 처리된 데이터에 의존하고 대용량 데이터에 대해 계산 비용이 과도하게 높은 데서 비롯되는 한계를 극복하는 것.
• 고속 이미징 파이프라인에 적합한 자동화된 시냅스 검출을 위한 확장 가능하고 정확하며 재사용 가능한 프레임워크를 개발하는 것.
• 속도, 정확도, 계산 비용 간의 상충 관계를 고려한 두 가지 상보적인 접근 방식—VESICLE-RF와 VESICLE-CNN—제공하는 것.
• 분산 처리와 오픈소스 도구를 통합하여 페타스케일 EM 데이터셋 분석을 가능하게 하는 것.

제안 방법

• VESICLE-RF는 백색체 수준의 특징, 즉 막 확률과 시냅스 소포 존재 여부를 기반으로 훈련된 Random Forest 분류기를 사용하여 이방향성 EM 볼륨에서 시냅스를 검출한다.
• 이 방법은 높은 막 확률과 신경전달물질 소포와의 근접도를 고려하여 생물학적 사전 지식을 활용하여 검출 범위를 제한한다.
• VESICLE-CNN은 3차원적 맥락을 고려한 딥 컨volution 신경망을 사용하여 시냅스 영역을 분류하며, 더 높은 정확도를 달성하지만 계산 부담이 크다.
• 두 방법 모두 경계 아티팩트를 방지하고 분산 계산을 가능하게 하기 위해 설정 가능한 패딩을 적용한 타일 기반 처리 파이프라인을 사용한다.
• 프레임워크는 데이터 접근, 시각화 및 대규모 배포를 위해 Open Connectome Project의 RESTful 서비스와 통합되어 있다.
• 후착 처리된 데이터의 막 영역 추정을 위해 밴드패스 강도 필터가 적용되어 데이터 간 교차 검증 및 성능 평가가 가능하다.

실험 결과

연구 질문

• RQ1 기존 방법보다 더 높은 정확도와 확장성을 확보하면서도, 비후착 처리된 이방향성 EM 데이터에서 컴퓨터 비전 기반 접근 방식이 시냅스를 검출할 수 있는가?
• RQ2 막 확률과 소포 근접도와 같은 생물학적 사전 지식은 저대비, 두꺼운 절편의 EM 데이터에서 시냅스 검출을 어떻게 향상시키는가?
• RQ3 대규모 시냅스 검출에 있어 Random Forest와 딥러닝 분류기 간의 성능와 계산 효율성 간의 상충 관계는 어떠한가?
• RQ4 제안된 프레임워크는 높은 정밀도와 재현율을 유지하면서도 페타스케일 EM 데이터셋에 확장 가능한가?
• RQ5 실제 대용량 EM 데이터에서 VESICLE 프레임워크의 성능는 최신 기술 수준의 방법들과 비교해 어떻게 나타나는가?

주요 결과

• VESICLE-RF는 비후착 처리된 EM 데이터 60,000 μm³(220 GB)에서 약 50,335개의 시냅스를 검출하였으며, 출판 당시 알려진 바 가장 큰 시냅스 검출 결과이다.
• VESICLE-RF는 단일 머신에서 10분 내로 추론을 완료하여 VESICLE-CNN보다 약 200배 빠르게 작동했으며, 계산 부담은 8배 감소시켰다.
• VESICLE-CNN은 단일 GPU에서 훈련에 56시간, 평가에 39시간 소요되어 높은 정확도를 달성했지만 상당한 계산 자원을 요구하였다.
• 후착 처리된 이방향성 데이터셋(1450만 μm³, 20테라바이트럴)에서 프레임워크는 약 1,160만 개의 시냅스를 검출하였으며, 예상되는 시냅스 밀도(1μm³당 0.5~1개)와 일치하였다.
• 후착 처리된 데이터셋에서 프레임워크는 정밀도 0.69와 재현율 0.6을 기록하였으며, 향후 개선 및 레이블링 작업을 통해 성능 향상이 기대된다.
• 오픈소스 구현체는 openconnecto.me/vesicle에서 공개되어 있으며, 커뮤니티의 재사용과 대규모 커넥톰 파이프라인 통합을 가능하게 한다.