[论文解读] Automatic Neuron Type Identification by Neurite Localization in the Drosophila Medulla

Ting Zhao, Stephen M. Plaza|arXiv (Cornell University)|Sep 5, 2014

Cell Image Analysis Techniques参考文献 3被引用 25

一句话总结

本文提出了一种新颖的位置敏感聚类算法，通过分析标准化3D脑框架内神经元树突分支的形态模式，识别果蝇髓瓣中的神经元类型。通过将神经元形状建模为骨架，并基于神经突层中分支的空间分布进行聚类，该方法实现了对已知细胞类型的高精度识别——特别是17个聚类的精确率和召回率均≥80%——从而实现了连接组重建中神经元类型的自动化、客观分类与质量控制。

ABSTRACT

Mapping the connectivity of neurons in the brain (i.e., connectomics) is a challenging problem due to both the number of connections in even the smallest organisms and the nanometer resolution required to resolve them. Because of this, previous connectomes contain only hundreds of neurons, such as in the C.elegans connectome. Recent technological advances will unlock the mysteries of increasingly large connectomes (or partial connectomes). However, the value of these maps is limited by our ability to reason with this data and understand any underlying motifs. To aid connectome analysis, we introduce algorithms to cluster similarly-shaped neurons, where 3D neuronal shapes are represented as skeletons. In particular, we propose a novel location-sensitive clustering algorithm. We show clustering results on neurons reconstructed from the Drosophila medulla that show high-accuracy.

研究动机与目标

• 为解决连接组重建中劳动密集型、主观的神经元类型分类挑战。
• 通过基于空间上下文的神经元形状自动化、客观聚类，提升连接组分析能力。
• 通过类似位置神经元的聚类检测不一致性，验证重建精度。
• 探究分支定位是否比单独依赖形状特征更能可靠地指示神经元功能。
• 为大规模电子显微镜数据集提供一种可扩展的、基于参考的神经元类型识别方法，无需预先设定聚类数量。

提出的方法

• 神经元形态通过果蝇髓瓣重建的电子显微镜数据集提取的3D骨架表示。
• 开发了一种位置敏感聚类算法，以标准化神经突层中的分支密度分布为主要特征。
• 该算法在基于神经元投影的空间编码特征上应用亲和传播（AP）聚类，利用统一的参考脑框架。
• 使用拉普拉斯特征映射（LE）将神经元投影至低维空间，以可视化聚类模式并验证结构。
• 该方法无需完整神经元重建，通过基于强度的分支密度估计，可适用于部分或低分辨率数据。
• 聚类过程无需预先知晓聚类数量，可自动发现数据中的自然分组。

实验结果

研究问题

• RQ1 标准化脑层中神经元树突定位模式能否作为神经元类型分类的可靠代理？
• RQ2 将空间上下文纳入聚类是否相比仅依赖形状的方法能提高准确性？
• RQ3 该方法能否检测部分连接组中的重建错误或缺失神经元？
• RQ4 分支定位在多大程度上与髓瓣中神经元的功能类型相关？
• RQ5 该算法能否在无需人工标注样本的情况下，客观且一致地识别神经元类型？

主要发现

• 该方法对17种神经元类型实现了高精度聚类，精确率和召回率均≥80%。
• 在横向类神经元中，81.3%的神经元在将九个子聚类合并为一个后，召回率提升至86.0%，表明对形态变异具有鲁棒性。
• 拉普拉斯特征映射投影揭示了数据云中的两个主要分支，分别对应髓瓣中处理深度不同的两个功能群体。
• 该算法成功地将一个部分重建的Tm4神经元与一个完整Tm4神经元聚为一类，证明其在质量控制和重建验证中的实用性。
• 聚类结果证实，神经元树突树突分支的空间分布比单独依赖形状特征更能可靠地指示神经元类型。
• 该方法识别出42个独立聚类，其中17个聚类表现优异（精确率和召回率均≥80%），另有9个聚类（尤其是横向类）表现较差，原因在于形态多样性。