[论文解读] Fast Mitochondria Detection for Connectomics

Vincent Casser, Kai Kang+2 more|arXiv (Cornell University)|Dec 14, 2018

Mitochondrial Function and Pathology参考文献 24被引用 6

一句话总结

本文提出一种用于连接组学的实时2D U-Net基线线粒体检测器，其Jaccard指数最高达0.90，且在16ms内处理完$512 \times 512$图像块——快于现代电子显微镜的采集速度。该方法采用改进的U-Net架构并结合Z滤波，实现无需预对齐的高效、精准分割，并引入两个改进的基准数据集（Lucchi++和Kasthuri++），其标注经专家验证。

ABSTRACT

High-resolution connectomics data allows for the identification of dysfunctional mitochondria which are linked to a variety of diseases such as autism or bipolar. However, manual analysis is not feasible since datasets can be petabytes in size. We present a fully automatic mitochondria detector based on a modified U-Net architecture that yields high accuracy and fast processing times. We evaluate our method on multiple real-world connectomics datasets, including an improved version of the EPFL mitochondria benchmark. Our results show an Jaccard index of up to 0.90 with inference times lower than 16ms for a 512x512px image tile. This speed is faster than the acquisition speed of modern electron microscopes, enabling mitochondria detection in real-time. Our detector ranks first for real-time detection when compared to previous works and data, results, and code are openly available.

研究动机与目标

• 解决在拍字节级连接组学数据集中对实时线粒体检测的迫切需求。
• 克服现有基准数据集的局限性，如EPFL和Kasthuri数据集中存在的边界不一致与误分类问题。
• 开发一种快速、准确且端到端的深度学习模型，可直接在2D电子显微镜图像上运行，无需预对齐。
• 通过确保推理速度超过现代电子显微镜11 Megapixels/秒的采集速率，实现真正意义上的实时处理。
• 公开提供改进的基准数据集（Lucchi++和Kasthuri++）及训练好的模型，以加速未来研究。

提出的方法

• 提出一种改进的2D U-Net架构，端到端训练于2D电子显微镜图像块，以实现实时、精准的线粒体分割。
• 在后处理阶段应用Z滤波，以提升3D图像堆栈中的分割边界一致性，且不增加每张图像块的推理时间。
• 在三个数据集上进行模型训练与评估：原始EPFL海马体数据集、重新标注的Lucchi++基准数据集，以及Kasthuri++新皮层数据集。
• 采用针对实例分割优化的损失函数，聚焦于IoU（Jaccard指数），以提升边界精度。
• 利用消费级GPU进行推理，在Kasthuri++数据集上实现高达35.4 Megapixels/秒的吞吐量。
• 实施基于共识的专家标注流程，以纠正两个主要连接组学数据集中存在的边界不一致与误分类问题。

实验结果

研究问题

• RQ1 基于2D U-Net的模型能否在连接组学中实现线粒体检测的实时处理，且推理速度超过电子显微镜的采集速率？
• RQ2 现有基准数据集中存在的边界不一致与误分类问题，在多大程度上影响了线粒体分割性能的可靠性？
• RQ3 与以往最先进的方法相比，所提出方法在准确率与速度方面表现如何，特别是那些需要3D处理或预对齐的方法？
• RQ4 在标准化基准上，深度学习模型能否在精度上超越专家人工标注者？
• RQ5 Z滤波在不牺牲推理速度的前提下，能在多大程度上提升3D分割的一致性？

主要发现

• 所提出的2D U-Net模型在Lucchi++基准上达到最高0.90的Jaccard指数，证明其在实时方法中处于最先进水平。
• 每$512 \times 512$图像块的推理时间始终低于16ms，可在消费级GPU上实现高达35.4 Megapixels/秒的实时处理速度。
• 该模型优于所有先前发布的实时可行方法，在EPFL海马体数据集上实时精度排名第一，总体排名第三。
• Lucchi++与Kasthuri++数据集均有显著改进：Lucchi++中误分类线粒体数从99例降至80例，Kasthuri++中平均边界距离从2.92px降低至0.6px。
• 经Z滤波处理后，模型在Lucchi++上达到0.87的Jaccard指数，在Kasthuri++上达到0.84，表明其在不同组织类型中均具鲁棒性。
• 该模型在原始EPFL海马体数据集上的表现超过专家人工标注者，其IoU分数高于人类共识结果。