[論文レビュー] DISCo for the CIA: Deep learning, Instance Segmentation, and Correlations for Calcium Imaging Analysis

Elke Kirschbaum, Alberto Bailoni+1 more|arXiv (Cornell University)|Aug 21, 2019

Cell Image Analysis Techniques被引用数 2

ひとこと要約

DISCo は、画素単位の相関と形状情報を利用することで、カルシウムイメージング動画における個々のニューロンを特定するディープラーニングベースの手法である。細胞の所属予測をエッジ重み付きグラフ上の相関クラスタリング問題としてモデル化し、貪欲アルゴリズムを用いてその分割を実行することで、Neurofinderベンチマークで最先端の性能を達成した。

ABSTRACT

Calcium imaging is one of the most important tools in neurophysiology as it enables the observation of neuronal activity for hundreds of cells in parallel and at single-cell resolution. In order to use the data gained with calcium imaging, it is necessary to extract individual cells and their activity from the recordings. We present DISCo, a novel approach for the cell segmentation in calcium imaging videos. We use temporal information from the recordings in a computationally efficient way by computing correlations between pixels and combine it with shape-based information to identify active as well as non-active cells. We first learn to predict whether two pixels belong to the same cell; this information is summarized in an undirected, edge-weighted grid graph which we then partition. In so doing, we approximately solve the NP-hard correlation clustering problem with a recently proposed greedy algorithm. Evaluating our method on the Neurofinder public benchmark shows that DISCo outperforms all existing models trained on these datasets.

研究の動機と目的

• 時間的相関と空間的形状情報を取り入れることで、カルシウムイメージング動画におけるインスタンスセグメンテーションを向上させること。
• ノイジーで動的なカルシウムイメージングデータにおいて、個々のニューロンを正確に同定する課題に対処すること。
• NP困難な相関クラスタリング問題を近似的に解く計算効率の良い手法を開発すること。
• Neurofinder などの標準ベンチマークで広く用いられる評価基準において、既存のモデルを上回ること。

提案手法

• 空間的・時間的特徴に基づき、深層学習を用いてペアの画素が同じニューロンに属するかどうかを予測する。
• エッジ重みが2つの画素が同じ細胞に属する可能性を表す、無向でエッジ重み付きグリッドグラフを構築する。
• グラフ上でNP困難な相関クラスタリング問題を近似的に解くために貪欲アルゴリズムを適用し、細胞をセグメンテーションする。
• カルシウムトレースの類似性に基づく時間的相関と、形状に基づく事前知識を組み合わせることで、セグメンテーションのロバスト性を向上させる。
• 画素ペア分類部をエンドツーエンドで微分可能フレームワークを用いて学習する。
• グラフ分割を実行し、相関グラフから最終的なインスタンスセグメンテーションマスクを生成する。

実験結果

リサーチクエスチョン

• RQ1 時間的相関と形状の事前知識を統合することで、カルシウムイメージング動画におけるインスタンスセグメンテーションが向上するか？
• RQ2 Neurofinder などの標準ベンチマークにおいて、DISCo は既存の最先端モデルと比較してどのように性能を発揮するか？
• RQ3 相関クラスタリングの貪欲な近似が、計算効率を損なわず、細胞セグメンテーションに有効に利用できるか？
• RQ4 強度や形状に依存する手法と比較して、画素単位の類似性を組み込むことで、セグメンテーション精度がどの程度向上するか？

主な発見

• DISCo は、Neurofinder データセットで学習されたすべての既存モデルよりもセグメンテーション精度で優れている。
• 時間的相関と形状ベースの情報の効果的な統合により、最先端の性能を達成した。
• 貪欲アルゴリズムによる相関クラスタリングの近似は、精度と計算効率の良いトレードオフを実現している。
• 動的（時間的）および構造的（空間的）な手がかりに依存しているため、多様なカルシウムイメージングデータセットへの一般化性能が優れている。
• 画素ペア分類ヘッドは、細胞内と細胞間の画素関係を区別する意味のある表現を学習している。
• ノイズや異なるレコーディング間でのカルシウムシグナルダイナミクスのばらつきに対しても、ロバストである。