[논문 리뷰] Identifying Synapses Using Deep and Wide Multiscale Recursive Networks

Gary B. Huang, Stephen M. Plaza|arXiv (Cornell University)|2014. 09. 05.

Cell Image Analysis Techniques참고 문헌 14인용 수 13

한 줄 요약

이 논문은 곤충 뇌 전자현미경 데이터에서 자동으로 시냅스를 탐지하기 위해 깊이 있고 넓은 다중 척도 순환(DAWMR) 네트워크를 제안한다. 엔드 투 엔드 학습을 활용해 계층적 특징을 추출하고 정확도를 향상시킨다. 기존의 랜덤 포레스트 기반 방법과 비교해 높은 재현율에서 훨씬 높은 정밀도를 달성하며, 수동 애너테이션 작업을 50% 이상 줄여 인간 수준의 성능에 가까워진다.

ABSTRACT

In this work, we propose a learning framework for identifying synapses using a deep and wide multi-scale recursive (DAWMR) network, previously considered in image segmentation applications. We apply this approach on electron microscopy data from invertebrate fly brain tissue. By learning features directly from the data, we are able to achieve considerable improvements over existing techniques that rely on a small set of hand-designed features. We show that this system can reduce the amount of manual annotation required, in both acquisition of training data as well as verification of inferred detections.

연구 동기 및 목표

• 연결망학에서 수동 시냅스 애너테이션의 증가하는 부담을 해결하기 위해 더 정확하고 자동화된 탐지 시스템을 개발하기 위해.
• 바vox 수준의 애너테이션 대신 개체 수준의 애너테이션을 사용해 광범위한 수동 레이블링이 필요로 하는 것을 줄이기 위해.
• 특히 높은 재현율에서 ilastik에서 사용되는 기존의 랜덤 포레스트 기반 방법보다 성능을 향상시키기 위해.
• 완전히 자동화된 연결망 재구성에 이르기까지 인간 수준의 정확도에 가까운 시냅스 탐지 성능을 달성하기 위해.

제안 방법

• DAWMR 네트워크는 다중 척도에서 비지도 특징 학습을 사용해 EM 영상 볼륨으로부터 계층적 표현을 추출한다.
• 공간적 풀링을 통해 척도 간 특징을 집계하여 시냅스 탐지에 대한 맥락 정보를 제공한다.
• 다층 퍼셉트론이 집계된 특징에 대해 지도 학습 분류를 수행해 시냅스 위치를 예측한다.
• 평균화 및 비최대 억제(NMS)를 사용한 후처리를 통해 볼륨 단위 예측에서 개체 수준 탐지를 달성한다.
• 수동 애너테이션 작업을 최소화하기 위해 개체 수준 레이블에서 볼륨 수준 레이블로의 단순 변환을 사용해 훈련한다.
• 이 방법은 각각 520³ 볼륨의 20개 영상 볼륨에서 평가되었으며, 5,000개 이상의 T-bar 시냅스를 포함한다.

실험 결과

연구 질문

• RQ1 딥 러닝 프레임워크는 수동 애너테이션의 필요성을 줄이면서도 정확도를 향상시킬 수 있는가?
• RQ2 정적 레이블링과 상호작용 레이블링을 사용해 훈련된 랜덤 포레스트 분류기와 비교할 때 DAWMR 기반 탐지의 정밀도와 재현율은 어떻게 다른가?
• RQ3 어느 정도의 개체 수준 감독이 EM 데이터에서 고정밀도 시냅스 탐지에 충분한가?
• RQ4 제안된 방법은 인간 수준의 애너테이션 성능에 비슷한 성능을 달성할 수 있는가?

주요 결과

• DAWMR 네트워크는 K-means 후처리 및 평균화/NMS 방법보다 개체 예측에서 특히 높은 재현율에서 뛰어난 성능을 보였다.
• 정적 훈련 방식의 랜덤 포레스트 분류기는 상호작용 방식과 유사한 성능을 달성했지만, 훨씬 적은 수동 감독이 필요했다.
• 전체 재현율 범위에서 DAWMR 네트워크는 모든 랜덤 포레스트 기반 모델보다 높은 정밀도를 기록했다.
• 재현율이 0.9일 때, DAWMR 방법은 기준 모델 대비 정밀도를 두 배로 높여 수동 검증 시간을 50% 이상 감소시켰다.
• 시스템의 성능는 인간 수준의 일致성(재현율 0.9에서 정밀도 0.9)에 가까워졌으며, 완전히 자동화된 시냅스 탐지의 가능성은 입증되었다.
• 이 방법은 곤충 T-bar의 다극성과 구조적 다양성에 대해 뛰어난 내성성을 보이며, 복잡한 신경망에서 신뢰할 수 있는 탐지를 가능하게 했다.