[论文解读] Automated scalable segmentation of neurons from multispectral images

Uygar Sümbül, Douglas H. Roossien+6 more|arXiv (Cornell University)|Nov 1, 2016

Cell Image Analysis Techniques参考文献 27被引用 18

一句话总结

本文提出了一种可扩展的自动化方法，通过利用去噪、超像素化和基于图的分割，在多光谱 Brainbow 图像中对神经元进行分割，将计算负载降低了四个数量级。该方法在存在颜色不一致性和噪声的情况下，仍能实现准确且保持连接性的复杂神经元树突的分割，其在模拟和真实小鼠海马体数据集上的验证结果表明，分割精度高，且对噪声和通道数量具有鲁棒性。

ABSTRACT

Reconstruction of neuroanatomy is a fundamental problem in neuroscience. Stochastic expression of colors in individual cells is a promising tool, although its use in the nervous system has been limited due to various sources of variability in expression. Moreover, the intermingled anatomy of neuronal trees is challenging for existing segmentation algorithms. Here, we propose a method to automate the segmentation of neurons in such (potentially pseudo-colored) images. The method uses spatio-color relations between the voxels, generates supervoxels to reduce the problem size by four orders of magnitude before the final segmentation, and is parallelizable over the supervoxels. To quantify performance and gain insight, we generate simulated images, where the noise level and characteristics, the density of expression, and the number of fluorophore types are variable. We also present segmentations of real Brainbow images of the mouse hippocampus, which reveal many of the dendritic segments.

研究动机与目标

• 解决在高噪声和颜色表达可变的多光谱图像中实现神经元自动、可扩展分割的挑战。
• 克服现有方法在复杂、交织的神经元树突和噪声大、伪彩色图像上失效的局限性。
• 开发一种计算高效的处理流程，通过超像素化将体素级问题规模降低四个数量级。
• 通过在基于图的框架中建模空间-颜色关系，实现准确分割，同时保持神经元连接性。
• 利用模拟和真实数据集，在不同噪声水平、荧光蛋白数量和表达密度下评估性能。

提出的方法

• 对 3D 图像堆栈中的各个颜色通道应用 BM4D 协同过滤进行去噪，假设噪声为高斯分布。
• 通过类似超像素的分割方法生成超像素，将单位数从体素减少到超像素，使问题规模降低四个数量级。
• 构建图结构，其中节点为超像素，边权重编码空间相似性和颜色相似性，对不连续性和颜色不均匀性施加惩罚。
• 在图上使用谱聚类进行神经元分割，参数经调优以兼顾连接性和颜色一致性。
• 基于真实神经元重建构建模拟框架，生成可调节噪声、表达密度和荧光蛋白类型的合成图像。
• 在模拟和真实数据集上应用相同的处理流程——去噪、超像素化、合并和聚类——并保持参数一致。

实验结果

研究问题

• RQ1 在多光谱神经元成像中，增加额外颜色通道如何影响分割精度？
• RQ2 颜色表达中的噪声在多大程度上会降低分割性能？又该如何缓解？
• RQ3 基于超像素的方法能否在降低四个数量级计算复杂度的同时，保持神经元连接性？
• RQ4 当神经元数量被高估或低估时，分割精度如何变化？
• RQ5 所提出的方法能否在真实 Brainbow 图像中，包括扩展显微镜数据集，可靠地分割复杂且交织的神经元树突？

主要发现

• 随着颜色通道数量的增加，分割精度显著提升，与实验中持续增加光谱多样性的努力一致。
• 性能随神经元颜色噪声（σ₁）增加而逐渐下降，但在神经元数量轻微高估时仍保持鲁棒，而当数量被严重低估时性能迅速下降。
• 该方法成功分割了真实小鼠海马体 Brainbow 图像中的树突结构，保持了连接性，并支持后续追踪。
• 4× 扩展显微镜数据集显示出更多碎片化，可能由于颜色通道更少，但大多数神经突仍可识别且可分割。
• 超像素化将问题规模降低了四个数量级，实现了对大型 3D 图像堆栈的可扩展处理。
• 该方法能正确地将大多数超像素聚类为连通的神经元结构，仅存在少量由过度合并或虚假聚类引起的错误。