[논문 리뷰] Efficient and accurate extraction of in vivo calcium signals from microendoscopic video data

Pengcheng Zhou, Shanna L. Resendez외 9명|arXiv (Cornell University)|2016. 05. 24.

Neural dynamics and brain function참고 문헌 32인용 수 15

한 줄 요약

이 논문은 미세내시경 영상 데이터에서 배경 형광을 정확하게 분리하고 겹치는 신경세포 칼슘 신호를 분리해내는 새로운 행렬 분해 프레임워크인 CNMF-E를 소개한다. 복잡한 시공간적 배경 변동을 모델링하고 전용 초기화 및 최적화를 사용함으로써, CNMF-E는 신호 대 잡음 비율을 크게 향상시키고, ICA나 표준 CNMF보다 더 많은 고립된 뉴런을 탐지한다. 특히 잡음이 많고 신호가 높이 겹치는 상황에서 뛰어난 성능을 보인다.

ABSTRACT

In vivo calcium imaging through microscopes has enabled deep brain imaging of previously inaccessible neuronal populations within the brains of freely moving subjects. However, microendoscopic data suffer from high levels of background fluorescence as well as an increased potential for overlapping neuronal signals. Previous methods fail in identifying neurons and demixing their temporal activity because the cellular signals are often submerged in the large fluctuating background. Here we develop an efficient method to extract cellular signals with minimal influence from the background. We model the background with two realistic components: (1) one models the constant baseline and slow trends of each pixel, and (2) the other models the fast fluctuations from out-of-focus signals and is therefore constrained to have low spatial-frequency structure. This decomposition avoids cellular signals being absorbed into the background term. After subtracting the background approximated with this model, we use Constrained Nonnegative Matrix Factorization (CNMF, Pnevmatikakis et al. (2016)) to better demix neural signals and get their denoised and deconvolved temporal activity. We validate our method on simulated and experimental data, where it shows fast, reliable, and high quality signal extraction under a wide variety of imaging parameters.

연구 동기 및 목표

• 큰 공간적 범위의 배경 변동과 높은 뉴런 겹침으로 인해 어려움을 겪는 미세내시경 데이터에서 단일 뉴런 칼슘 신호를 추출하는 문제를 해결한다.
• ROI 기반 분석 및 PCA/ICA와 같은 기존 방법의 한계를 극복하기 위해, 자유롭게 움직이는 동물의 심장 깊은 부위 영상에 적합한 강력하고 자동화된 접근법을 개발한다.
• 미세내시경 기록에서의 복잡한 시공간적 배경 형광의 특성을 모델링하여, 더 나은 신호 품질과 고립된 뉴런 탐지 능력을 향상시킨다.
• 제약 조건이 붙은 비음수 행렬 분해(CNMF) 프레임워크를 개선하여 단일 광자 미세내시경 데이터의 고유한 노이즈 및 구조적 특성을 더 잘 다룰 수 있도록 한다.
• 어려운 체내 데이터셋에서 더 깔끔하고 노이즈가 제거된, 신경 활동 트레이스를 제공함으로써 후속 분석의 정확성을 높인다.

제안 방법

• 큰 스케일의 변동을 포괄할 수 있도록 공간적으로 스무스하고 시간적으로 동적인 배경 모델을 통합한 수정된 CNMF 프레임워크(CNMF-E)를 제안한다.
• 두 단계 최적화를 사용한다: 먼저 공간 클러스터링과 배경 추정을 통해 구성 요소를 초기화하고, 이후 희소성 및 음수 불가 제약 조건을 갖는 교대 최소 제곱법으로 정밀 조정한다.
• 원시 데이터의 대규모 변동과 시간적 특성이 일치하는 낮은 질량의 공간 구성 요소로 배경을 모델링하는 배경 제거 단계를 통합한다.
• 신경 구성 요소와 잔여 노이즈를 분리하기 위해 희소성 제약 조건이 있는 비음수 행렬 분해를 사용한 노이즈 제거 단계를 적용한다.
• 신호 고립도와 정확도를 향상시키기 위해 자동 및 수동 보정 단계(예: 구성 요소 통합 및 삭제)를 구현한다.
• 검증된 신경 활동과 뇌 영역 간의 신호 품질 평가를 위해 가짜 색상 코딩 시각화 파이프라인을 활용한다.

실험 결과

연구 질문

• RQ1 수정된 CNMF 프레임워크는 미세내시경 데이터에서 뉴런 칼슘 전위 신호로부터 큰 공간적 범위의 배경 형광을 효과적으로 분리할 수 있는가?
• RQ2 고배경 및 높은 공간적 겹침 조건에서 CNMF-E는 ICA 및 표준 CNMF보다 잘 고립된 신경 신호를 탐지할 수 있는가?
• RQ3 CNMF-E에서 향상된 배경 모델링이 노이즈가 많은 미세내시경 기록에서 신호 대 잡음 비율과 노이즈 제거 성능을 얼마나 향상시키는가?
• RQ4 CNMF-E는 전두엽 피질 및 복측 해마와 같은 깊은 뇌 영역에서 겹치는 뉴런 신호를 신뢰성 있게 분리해낼 수 있는가?
• RQ5 CNMF-E에 통합된 자동 및 수동 보정 단계는 더 생물학적으로 타당하고 정확한 신경 구성 요소 추출을 이끌어낼 수 있는가?

주요 결과

• CNMF-E는 시뮬레이션 및 실험적 미세내시경 데이터에서 깔끔하고 노이즈가 제거된 신경 신호를 추출하는 데 ICA 및 표준 CNMF보다 뚜렷이 뛰어난 성능을 보였다.
• 기존 방법보다 더 많은 고립된 뉴런 신호를 탐지했으며, 특히 배경 변동이 지배적인 고잡음 환경에서 뛰어난 성능을 보였다.
• prefrontal cortex, ventral hippocampus, 및 BNST에서의 실험적 데이터에서, CNMF-E는 PCA/ICA보다 더 높은 정밀도로 겹치는 뉴런 활동을 해결했다.
• CNMF-E의 배경 모델은 뷰포트 전역에서 느리게 변화하는 대규모 변동, 예를 들어 초점에서 벗어난 형광 및 혈관성 변화를 효과적으로 포착했다.
• CNMF-E의 수동 보정 단계(예: 구성 요소 통합 및 삭제)는 특히 복잡한 데이터셋에서 신호 품질과 생물학적 타당성을 향상시켰다.
• 다양한 뇌 영역과 기록 조건에서 뛰어난 성능을 보이며, 실제 체내 환경에서의 일반화 가능성과 신뢰성을 입증했다.