[논문 리뷰] Multi-Hypothesis CRF-Segmentation of Neural Tissue in Anisotropic EM Volumes

Jan Funke, Bjoern Andres외 3명|arXiv (Cornell University)|2011. 09. 12.

Cell Image Analysis Techniques참고 문헌 13인용 수 5

한 줄 요약

이 논문은 이방성 전자현미경 영상 부피에서 신경조직의 동시 분할 및 인접 슬라이스 간 할당을 위한 다중 가설 CRF 프레임워크를 제안한다. 다양한 정규화 파라미터를 사용해 각 슬라이스당 다수의 분할 가설을 생성하고, 정수 선형 프rogramming(정수 선형계획법)을 통해 전역적으로 최적의 할당을 해결함으로써, 단일 가설 접근 방식에 비해 분할 및 군집 정확도가 크게 향상되었으며, 슬라이스 수에 대해 분할된 선형 시간 복잡도를 가지게 된다.

ABSTRACT

We present an approach for the joint segmentation and grouping of similar components in anisotropic 3D image data and use it to segment neural tissue in serial sections electron microscopy (EM) images. We first construct a nested set of neuron segmentation hypotheses for each slice. A conditional random field (CRF) then allows us to evaluate both the compatibility of a specific segmentation and a specific inter-slice assignment of neuron candidates with the underlying observations. The model is solved optimally for an entire image stack simultaneously using integer linear programming (ILP), which yields the maximum a posteriori solution in amortized linear time in the number of slices. We evaluate the performance of our approach on an annotated sample of the Drosophila larva neuropil and show that the consideration of different segmentation hypotheses in each slice leads to a significant improvement in the segmentation and assignment accuracy.

연구 동기 및 목표

• 이방성 EM 영상 스택에서 신경 과정의 정확한 3차원 분할 및 군집화에 도전하는 것.
• 각 슬라이스당 다수의 경쟁적 분할 가설을 통합함으로써 분할 오차에 대한 민감도를 감소시키는 것.
• 확률적 CRF 모델을 사용해 분할과 신경 구성 요소의 인접 슬라이스 간 할당을 동시에 최적화하는 것.
• 슬라이스 간 일관된 전역 최적 해를 확보하고 스케일이 가능하며 분할된 선형 시간 성능을 달성하는 것.
• 대규모 EM 데이터셋으로부터 신뢰성 있고 높은 정확도의 신경 회로 재구성을 가능하게 하는 것.

제안 방법

• 조건부 무작위 필드(CRF) 모델에서 정규화 파rameter λN를 변화시켜 각 슬라이스당 다수의 분할 가설을 생성하며, 픽셀 단위의 가능도를 위해 사전 훈련된 무작위 숲 분류기를 사용한다.
• CRF 모델은 데이터 적합도(특징의 로그 가능도), 스무스니스(공간 기반 경계 페널티), 그리고 λN에 의한 뉴런 크기의 사전 정보를 결합한다.
• 워밍스터트된 그래프 컷을 통해 다수의 분할이 생성되어 각 슬라이스당 포함된 컴포넌트 가설의 내장된 집합을 형성한다.
• 이중 할당 변수와 MAP-추론 공식화를 사용해 분할 선택과 인접 슬라이스 구성 요소 할당을 동시에 모델링하는 공동 최적화 프레임워크를 설계한다.
• 최적화는 정수 선형 프로그래밍(ILP)으로 공식화되어 IBM CPLEX를 통해 정수성과 전역 최적성을 보장한다.
• ILP 공식화는 할당 및 분할 변수에 대한 선형 제약 조건을 포함하며, 비용은 특징 유사도와 공간 일관성에서 유도된다.

실험 결과

연구 질문

• RQ1 각 슬라이스당 다수의 분할 가설을 통합하면 이방성 EM 부피에서 신경조직 분할의 정확도를 향상시킬 수 있는가?
• RQ2 분할과 인접 슬라이스 간 할당을 동시에 최적화하면 순차적 또는 독립적 처리에 비해 뉴런 구성 요소의 군집화 성능이 향상되는가?
• RQ3 분할된 선형 시간 복잡도를 가진 정수 선형계획법을 사용해 대규모 EM 스택에 대해 전역 최적 해를 효율적으로 계산할 수 있는가?
• RQ4 다양한 분할 강도 범위에서 다중 가설 접근 방식은 고정 파라미터 단일 가설 방법에 비해 성능가능성이 높은가?
• RQ5 기본 방법에 비해 뉴런 재구성에서 분할 및 병합 오류를 효과적으로 줄일 수 있는가?

주요 결과

• 제안된 다중 가설 접근 방식은 테스트된 모든 고정 λN 단일 가설 설정에 비해 우수한 분할 및 할당 정확도를 달성했다.
• 편집 거리(분할 및 병합 오류의 척도)는 전체 파라미터 범위에서 가장 성능이 뛰어난 단일 가설 실행보다도 유의미하게 감소시켰다.
• 추론 시간은 슬라이스 수에 따라 선형적으로 증가하여 실질적으로 분할된 선형 시간 성능을 확인했다.
• 모든 고정 λN 설정이 다중 가설 전략을 능가하지 못함에 따라, 파라미터 변동에 대해 뛰어난 내성성을 보였다.
• 슬라이스 내 분할 및 인접 슬라이스 간 할당 작업 모두에서 분할 및 병합 오류를 효과적으로 감소시켰다.
• 각 슬라이스당 다수의 가설을 사용함으로써 국소적 파라미터 불일치로 인한 중요한 신경 구성 요소 누락 위험을 크게 감소시켰다.