[论文解读] Penalized matrix decomposition for denoising, compression, and improved demixing of functional imaging data

E. Kelly Buchanan, Ian Kinsella+18 more|arXiv (Cornell University)|Jul 17, 2018

Neural dynamics and brain function参考文献 31被引用 5

一句话总结

本文提出了一种惩罚矩阵分解（PMD）方法，用于功能成像数据的去噪、压缩和信号分离。通过在局部图像块上应用空间局部化、非负、数据驱动的PMD，该方法实现了2–4倍信噪比（SNR）提升，并实现了20–300倍压缩，同时信号损失极小，从而实现了对钙成像和电压成像数据在多种模态（包括双光子、三光子、宽场成像及树突成像）下的鲁棒、无需初始化的分析。

ABSTRACT

Calcium imaging has revolutionized systems neuroscience, providing the ability to image large neural populations with single-cell resolution. The resulting datasets are quite large, which has presented a barrier to routine open sharing of this data, slowing progress in reproducible research. State of the art methods for analyzing this data are based on non-negative matrix factorization (NMF); these approaches solve a non-convex optimization problem, and are effective when good initializations are available, but can break down in low-SNR settings where common initialization approaches fail. Here we introduce an approach to compressing and denoising functional imaging data. The method is based on a spatially-localized penalized matrix decomposition (PMD) of the data to separate (low-dimensional) signal from (temporally-uncorrelated) noise. This approach can be applied in parallel on local spatial patches and is therefore highly scalable, does not impose non-negativity constraints or require stringent identifiability assumptions (leading to significantly more robust results compared to NMF), and estimates all parameters directly from the data, so no hand-tuning is required. We have applied the method to a wide range of functional imaging data (including one-photon, two-photon, three-photon, widefield, somatic, axonal, dendritic, calcium, and voltage imaging datasets): in all cases, we observe ~2-4x increases in SNR and compression rates of 20-300x with minimal visible loss of signal, with no adjustment of hyperparameters; this in turn facilitates the process of demixing the observed activity into contributions from individual neurons. We focus on two challenging applications: dendritic calcium imaging data and voltage imaging data in the context of optogenetic stimulation. In both cases, we show that our new approach leads to faster and much more robust extraction of activity from the data.

研究动机与目标

• 为解决功能成像中数据量大且噪声多的问题，特别是大规模钙成像和电压成像数据集中的挑战。
• 开发一种可扩展、鲁棒且自动化的功能成像数据去噪与压缩方法，无需手动调整超参数或强初始化。
• 通过将低维信号成分与时间无关的噪声分离，实现信号的高效解混，同时保留生物相关的活动特征。
• 通过实现高倍率压缩并最小化信号损失，促进高效的数据共享与实时处理。
• 通过采用空间局部化、惩罚矩阵分解框架，克服现有方法（如NMF对初始化敏感）和PCA（对结构化信号建模不理想）的局限性。

提出的方法

• 该方法对功能成像数据的局部空间块应用惩罚矩阵分解（PMD），将数据矩阵分解为低秩信号与稀疏噪声分量。
• PMD通过基于图像块的方法实现空间局部化，支持并行计算，可在大规模数据集中实现高可扩展性。
• 分解过程引入惩罚项以促进噪声分量的稀疏性，并在信号中强制实现低秩结构，所有参数均直接从数据中估计。
• 该方法不施加非负性约束，也无需可识别性假设，相比NMF更具鲁棒性。
• 通过惩罚机制自动确定分量数量，避免了PCA中需手动选择主成分数量的问题。
• 该方法以数据驱动、无需初始化的方式应用，无需人工调参或外部先验。

实验结果

研究问题

• RQ1 空间局部化惩罚矩阵分解方法是否能在不依赖强初始化或非负性约束的情况下，实现功能成像数据的鲁棒去噪与压缩？
• RQ2 在多种成像模态下，PMD相较于NMF和PCA等先进方法，在信噪比提升与压缩效率方面表现如何？
• RQ3 PMD在从原始成像数据中解混神经活动方面能提升到何种程度，特别是在低信噪比或复杂场景（如树突成像或电压成像）中？
• RQ4 PMD是否可统一应用于不同成像技术（如单光子、双光子、三光子、宽场、胞体、轴突、树突、钙成像和电压成像）而无需调整超参数？
• RQ5 在存在光漂白或刺激伪影的情况下，PMD是否仍能保留生物相关信号特征，同时有效剔除时间无关噪声？

主要发现

• PMD在所有测试的功能成像数据集中均实现了2–4倍信噪比（SNR）提升，包括钙成像和电压成像。
• 该方法实现了20–300倍的压缩率，且肉眼可见的信号损失极小，显著优于通用视频压缩与去噪技术。
• 在树突钙成像中，即使在低信噪比条件下，PMD也实现了比基线方法更快、更鲁棒的神经活动提取。
• 对于存在刺激伪影和光漂白的电压成像数据，PMD能有效去除非信号成分，同时完整保留快速的电压动力学特征。
• 该方法无需任何超参数调优或初始化，所有参数均直接从数据中估计，确保了可重复性与鲁棒性。
• PMD在去噪与解混方面优于NMF与PCA，尤其在低信噪比和高复杂度场景中表现更优。