[论文解读] A structured matrix factorization framework for large scale calcium imaging data analysis

Eftychios A. Pnevmatikakis, Yuanjun Gao+7 more|arXiv (Cornell University)|Sep 9, 2014

Advanced Fluorescence Microscopy Techniques参考文献 21被引用 45

一句话总结

本文提出了一种结构化矩阵分解框架，可联合识别神经元位置、分离重叠活动，并从大规模成像数据的钙动态中去卷积动作电位。通过将荧光建模为空间矩阵与时间矩阵的乘积，并利用估计的噪声水平施加生物上合理的约束，该方法在活体数据集上实现了自动、无需调参的分解，具有高精度和高效率。

ABSTRACT

We present a structured matrix factorization approach to analyzing calcium imaging recordings of large neuronal ensembles. Our goal is to simultaneously identify the locations of the neurons, demix spatially overlapping components, and denoise and deconvolve the spiking activity of each neuron from the slow dynamics of the calcium indicator. The matrix factorization approach relies on the observation that the spatiotemporal fluorescence activity can be expressed as a product of two matrices: a spatial matrix that encodes the location of each neuron in the optical field and a temporal matrix that characterizes the calcium concentration of each neuron over time. We present a simple approach for estimating the dynamics of the calcium indicator as well as the observation noise statistics from the observed data. These parameters are then used to set up the matrix factorization problem in a constrained form that requires no further parameter tuning. We discuss initialization and post-processing techniques that enhance the performance of our method, along with efficient and largely parallelizable algorithms. We apply our method to {\it in vivo} large scale multi-neuronal imaging data and also demonstrate how similar methods can be used for the analysis of {\it in vivo} dendritic imaging data.

研究动机与目标

• 解决大规模活体成像中同时存在的神经元ROI检测、空间重叠成分的分离，以及钙信号的去噪与去卷积问题。
• 开发一种矩阵分解方法，整合钙指示剂动力学与空间紧凑性约束，且无需手动调节正则化参数。
• 实现大规模钙成像视频的高效、可扩展且可并行化的分析，最大限度减少用户干预。
• 通过新颖的贪心初始化和后处理技术，提升对不良初始化的鲁棒性。

提出的方法

• 该方法将时空荧光建模为一个空间矩阵（神经元位置）与一个时间矩阵（每个神经元的钙动力学）的乘积，采用约束非负矩阵分解。
• 通过钙动力学的自回归结构估计每个像素的残差噪声能量，施加硬约束，从而隐式设定动作电位和ROI大小的最优稀疏性惩罚。
• 采用贪心初始化程序，利用二维高斯核扫描残差，基于解释方差识别神经元中心，随后进行局部秩-1分解。
• 算法采用空间与时间分量的交替优化，结合稀疏性与局部化约束，实现快速收敛与并行化。
• 后处理包括在提取神经元后，对残差进行非负秩-1分解以估计背景活动。
• 该框架设计为与像素数和时间步数呈线性增长，支持大尺寸数据集的亚分钟级处理。

实验结果

研究问题

• RQ1 统一的矩阵分解框架能否同时实现神经元位置检测、重叠信号的分离，以及从缓慢钙动态中去卷积动作电位？
• RQ2 如何在不需手动调节正则化参数的前提下，将钙动力学与空间紧凑性的生物现实约束嵌入矩阵分解？
• RQ3 基于数据的噪声估计策略在多大程度上提升了性能，并消除了对参数调优的需求？
• RQ4 所提出的贪心初始化与后处理技术在初始化误差存在时，如何增强鲁棒性与收敛性？
• RQ5 该方法能否实现高效并行化并可扩展至实时处理大规模活体钙成像数据集？

主要发现

• 该方法成功从大规模活体钙成像数据中提取出结构化、具有生物学意义的时空成分，包括重叠神经元与树突活动。
• 得益于基于数据的残差能量约束，该方法在无需手动调节稀疏性或正则化参数的情况下，实现了高精度的去噪与去卷积性能。
• 贪心初始化程序通过使用空间局部化核扫描残差并最大化解释方差，高精度地识别出神经元位置。
• 该算法与数据规模呈线性增长，支持高效并行化，可在数分钟内处理大型视频数据。
• 在树突成像数据上的应用表明，该方法在从复杂重叠信号中提取稀疏、高幅度活动模式方面具有高度通用性。
• 通过秩-1分解引入背景活动估计，显著提升了整体信号保真度，并减少了最终分解中的残差噪声。