[논문 리뷰] Automated Alignment of Imperfect EM Images for Neural Reconstruction

Louis K. Scheffer, Bill Karsh외 1명|arXiv (Cornell University)|2013. 04. 22.

Cell Image Analysis Techniques참고 문헌 7인용 수 14

한 줄 요약

이 논문은 렌즈 비산광, 조직 수축, 접힘, 찢어름 등의 왜곡을 보정하기 위해 애핀 변환과 탄성 메쉬를 사용하여 신경 회로 재구성에서 큰 규모의 열악한 전자현미경(EM) 영상 스택을 자동으로 스케일러블하게 정렬하는 방법을 제시한다. 이 방법은 섹션 내에서 피xls 이하의 정렬 정확도와 섹션 간 2–3 픽셀의 정확도를 달성하여 영상 결함과 대량의 데이터(최대 153,000장의 영상)가 존재하는 상황에서도 신뢰할 수 있는 뉴런 추적을 가능하게 한다.

ABSTRACT

The most established method of reconstructing neural circuits from animals involves slicing tissue very thin, then taking mosaics of electron microscope (EM) images. To trace neurons across different images and through different sections, these images must be accurately aligned, both with the others in the same section and to the sections above and below. Unfortunately, sectioning and imaging are not ideal processes - some of the problems that make alignment difficult include lens distortion, tissue shrinkage during imaging, tears and folds in the sectioned tissue, and dust and other artifacts. In addition the data sets are large (hundreds of thousands of images) and each image must be aligned with many neighbors, so the process must be automated and reliable. This paper discusses methods of dealing with these problems, with numeric results describing the accuracy of the resulting alignments.

연구 동기 및 목표

• 이미징 잡음과 섹션 가공 결함으로 인해 수십만 장의 열악한 EM 영상 정렬 문제를 해결한다.
• 렌즈 왜곡, 조직 수축, 접힘, 찢어름, 먼지 등에 대응하는 자동화되고 확장 가능한 정렬 파이프라인을 개발하여 대부분의 경우 수동 조작 없이 처리한다.
• 신뢰할 수 있는 뉴런 추적에 필요한 고정밀도 정렬을 달성하여 잘못된 정렬으로 인한 거짓 긍정을 최소화하고 생물학적 정확성을 유지한다.
• 500台의 컴퓨터 클러스터를 사용하여 거대한 EM 데이터셋을 효율적으로 병렬 처리하고, 하루 이내에 정렬을 완료한다.
• 수정된 애너테이션을 원본 타일로 다시 매핑하고 반복적인 보완 및 새로운 정렬 워크플로우를 지원하기 위해 재처리가 가능한 유연한 구조를 제공한다.

제안 방법

• 16비트 또는 32비트 데이터를 8비트로 변환하여 메모리 부담을 줄이면서도 신호 대 잡음비를 유지하기 위해 EM 영상을 정규화한다.
• 정규화된 강도 히스토그램과 가우시안 피팅을 사용하여 영상 간 대trast 및 밝기 변화를 식별하고 보정한다.
• 국소적인 강도 및 기울기 분석을 통해 접힘과 찢어름을 자동으로 탐지하고, 희귀한 경우에만 수동 보정을 실시한다.
• 겹치는 영역에서 상호상관관계를 최대화하여 초기 근사적 매칭을 계산한 후, 최적의 애핀 변환으로 정밀 조정한다.
• 이미지 쌍 간에 탄성 메쉬를 적용하여 비선형 왜곡을 모델링하고, 애핀 모델을 초월한 정렬 정확도를 향상시킨다.
• 통계적 임계값과 잔차 분석을 통해 진짜 매칭과 가짜 매칭을 구분하며, 필요에 따라 수동 조정을 수행한다.

실험 결과

연구 질문

• RQ1 일반적인 이미징 잡음인 렌즈 비산광과 조직 수축이 존재하는 상황에서도 자동 정렬이 피xls 이하의 정확도를 달성할 수 있는가?
• RQ2 이 방법은 절단된 조직의 접힘과 찢어름을 얼마나 효과적으로 처리할 수 있으며, 수동 조작이 얼마나 필요한가?
• RQ3 자동 매칭을 신뢰할 수 있게 보장하기 위해 필요한 영상 겹침 비율은 어느 정도인가?
• RQ4 정렬 파이프라인은 얼마나 병렬화되고 확장되어 대규모 데이터셋(예: 153,000장의 영상)에 대해 성능 저하 없이 처리할 수 있는가?
• RQ5 이와 같은 정렬 프레임워크는 주로 수정이 최소한인 큰 재사용 가능성을 갖기 위해 다른 이미징 모odalities(예: 광학 현미경 또는 스캐닝 EM)에도 적용 가능한가?

주요 결과

• 5%의 영상 겹침 비율로도 완전히 자동으로 정렬이 가능했으며, 거짓 매칭이나 누락 매칭이 없어 강력한 재구성 가능성이 입증되었다.
• 저겹침 비율(1%)의 경우, 섹션 내 겹침에 대해 수동 매개변수 조정이 필요했지만, 시스템은 여전히 높은 정확도를 달성했다.
• 애핀 정렬 결과 섹션 내 평균 제곱 잔차(RMS) 잔차는 1 픽셀 이하였고, 섹션 간에는 3–4 픽셀이었다.
• 탄성 메쉬 보정을 적용한 후, 섹션 내 정렬 정확도는 피xls 이하로 향상되었고, 섹션 간 정확도는 2–3 픽셀 수준이 되었다.
• 최대 500 픽셀의 잔차 오차는 섹션 내에서 시작되거나 끝나는 접힘이 원인으로, 수동 연장 처리를 통해 100–200 픽셀 수준으로 감소되었다.
• 절단 결함으로 인한 비애핀 왜곡은 흔치는 않지만 일부 큰 오차(수백 픽셀)를 유발할 수 있었고, 이는 드물게 발생했으며 인간의 검토 과정을 방해하지 않았다.