[論文レビュー] Fast Mitochondria Segmentation for Connectomics.

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

Cell Image Analysis Techniques参考文献 9被引用数 13

ひとこと要約

本稿では、変更を加えたU-Netアーキテクチャを用いた、結合接続解析における高速で完全自動のミトコンドリアセグメンテーション手法を提示している。1枚の512×512画素画像タイルあたりの推論速度が16ms未塔であり、電子線走査顕微鏡の走査速度を上回るため、リアルタイム検出が可能となり、従来のリアルタイム手法を凌駆する。Jaccard係数は最大0.90に達した。

ABSTRACT

In connectomics, scientists create the wiring diagram of a mammalian brain by identifying synaptic connections between neurons in nano-scale electron microscopy images. This 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 connectomics datasets can be petabytes in size. To process such large data, 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 Hippocampus mitochondria detection benchmark. Our results show a Jaccard index of up to 0.90 with inference speeds lower than 16ms for a 512x512 image tile. This speed is faster than the acquisition time of modern electron microscopes, allowing mitochondria detection in real-time. Compared to previous work, our detector ranks first among real-time methods and third overall. Our data, results, and code are freely available.

研究の動機と目的

• 手作業によるミトコンドリアセグメンテーションが非現実的である、ペタバイトスケールの結合接続解析データセットを処理する課題に取り組む。
• 大規模脳回路図解析を支援するため、電子線走査顕微鏡画像におけるミトコンドリアのリアルタイム検出を可能にする。
• 特にリアルタイム応用を想定した場合に、既存手法を上回るセグメンテーションの正確性と速度を向上させる。
• 神経疾患に関連するミトコンドリアの機能障害を同定するのを支援する、完全自動のソリューションを提供する。

提案手法

• 電子線走査顕微鏡画像におけるミトコンドリアセグメンテーションの高速化と正確性向上を目的として、U-Netアーキテクチャを変更したものを採用する。
• 1枚の512×512画素画像タイルあたりの推論時間を16ms未塔に最適化し、電子線走査顕微鏡の走査速度を上回る。
• EPFL海馬ベンチマークの改良版を含む、複数の実世界の結合接続解析データセットを用いてモデルを学習および評価する。
• セグメンテーションの重複度を定量化するため、主評価指標としてJaccard係数を用いる。
• 一般化性能の向上を図るため、データ拡張およびトランスファーラーニング技術を活用する。
• 再現性およびコミュニティによる再利用を促進するため、すべての学習データ、モデル重み、コードを公開する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの手法は、リアルタイム推論速度で電子線走査顕微鏡画像における高精度なミトコンドリアセグメンテーションを達成できるか？
• RQ2 提案手法は、既存の最先端手法と比較して、速度およびセグメンテーション正確性の点でどのように差をつけるか？
• RQ3 モデルは多様な結合接続解析データセットおよび組織タイプにどの程度一般化できるか？
• RQ4 本手法は、神経疾患におけるミトコンドリア機能障害の研究を支援するのに十分な精度でミトコンドリアを検出できるか？

主な発見

• 評価されたデータセットにおいて、提案手法は最大0.90のJaccard係数を達成し、高いセグメンテーション正確性を示した。
• 1枚の512×512画素画像タイルあたりの推論速度が16ms未塔であり、現代の電子線走査顕微鏡の走査速度を上回っている。
• リアルタイムミトコンドリアセグメンテーション手法の中で第1位、全体では第3位の性能を達成した。
• EPFL海馬ベンチマークの改良版を含む、複数の実世界の結合接続解析データセットにおいて、良好な一般化性能を示した。
• 著者らはすべてのデータ、結果、コードを公開しており、再現性の確保と結合接続解析コミュニティにおける広範な採用を可能にした。