[论文解读] Quantifying topological invariants of neuronal morphologies

Lida Kanari, Paweł Dłotko+5 more|arXiv (Cornell University)|Mar 28, 2016

Cell Image Analysis Techniques参考文献 36被引用 10

一句话总结

本文提出了拓扑形态描述符（TMD），一种稳定且计算高效的拓扑不变量，通过以胞体为中心的球面过滤方法量化神经元和树状形态。该方法在基于形态参数区分神经元树与人工树时达到99%的准确率，优于传统形态度量特征，同时在降低维度的同时保留了拓扑结构，且具有线性时间复杂度。

ABSTRACT

Nervous systems are characterized by neurons displaying a diversity of morphological shapes. Traditionally, different shapes have been qualitatively described based on visual inspection and quantitatively described based on morphometric parameters. Neither process provides a solid foundation for categorizing the various morphologies, a problem that is important in many fields. We propose a stable topological measure as a standardized descriptor for any tree-like morphology, which encodes its skeletal branching anatomy. More specifically it is a barcode of the branching tree as determined by a spherical filtration centered at the root or neuronal soma. This Topological Morphology Descriptor (TMD) allows for the discrimination of groups of random and neuronal trees at linear computational cost.

研究动机与目标

• 开发一种标准化、客观的描述符，用于分类复杂的树状神经元形态，以克服视觉检查和形态度量特征提取的局限性。
• 解决现有拓扑数据分析（TDA）方法在应用于具有稀疏点云的生物树状结构时的不稳定性与高计算成本问题。
• 创建一种稳定的拓扑度量，可在保留全局分支结构的同时，实现对形态上不同的树状结构的高效区分。
• 在人工随机树和来自不同物种与数据集的真实神经元形态上，展示该方法的鲁棒性。
• 提供一种可扩展的线性时间算法，用于神经元树的拓扑分析，适用于神经科学中的大规模形态分类。

提出的方法

• 该方法通过以神经元胞体（根）为中心的球面过滤构建持久性条形码，捕捉树状树突在径向距离尺度上的拓扑结构。
• 定义了树之间的函数扭曲距离（FD），以确保在小几何扰动（如分支长度变化或点位移在ϵ以内）下具有稳定性。
• 该算法基于关键功能点的精简集合——分支点和叶点——运行，从而在保留拓扑不变量的同时降低计算成本。
• 拓扑形态描述符（TMD）源自持久性条形码，编码了在过滤层级中拓扑特征（如连通分量和环）的出生与死亡。
• 通过证明：树的几何小扰动（在函数扭曲距离中不超过ϵ）导致持久性图之间的瓶颈距离最多变化ϵ，从而证明了稳定性。
• 该方法在蓝脑项目框架内使用自定义的随机树生成器，生成具有受控参数（深度、分支长度、分叉角、随机性）的合成树，以实现受控评估。

实验结果

研究问题

• RQ1 能否构建一种在小几何扰动下稳定的拓扑描述符，同时保留神经元树的关键分支结构？
• RQ2 所提出的TMD是否在区分外观相似但分支参数不同的神经元形态方面优于传统形态度量特征？
• RQ3 TMD是否能在人工随机树和真实神经元形态上均实现高分类准确率，且计算成本极低？
• RQ4 函数扭曲距离是否适合作为在拓扑数据分析背景下比较神经元形态的度量？
• RQ5 在降低复杂树状结构的维度时，TMD在在多大程度上保持了拓扑不变量？

主要发现

• TMD在区分不同树深度（Td = 4, 6, 8）生成的随机树时，准确率达到99±2%，表明对结构变化具有高度敏感性。
• 该方法对仅在分叉角（π/4, π/2, π）上不同的树正确分类了94±2%，表明对分支角度变化具有鲁棒性。
• TMD在识别具有不同分支长度（5, 10, 30）的树时，准确率保持在99±1%，证实其对空间范围和树状树突大小的敏感性。
• 对于仅在随机性（Dr = 0.01, 0.10, 0.90）上不同的树，分类准确率下降至77±9%，表明拓扑特征对分支方向的微弱随机变化不敏感。
• TMD在小几何扰动下具有稳定性：树几何的ϵ变化，导致持久性图之间瓶颈距离的变化最多为ϵ。
• 该算法的时间复杂度与关键点数量呈线性关系，使其适用于神经科学中大规模形态分析。