[论文解读] CalciumGAN: A Generative Adversarial Network Model for Synthesising Realistic Calcium Imaging Data of Neuronal Populations.

Bryan M. Li, Theoklitos Amvrosiadis+2 more|arXiv (Cornell University)|Sep 6, 2020

Cell Image Analysis Techniques参考文献 25被引用 6

一句话总结

CalciumGAN 是一种基于 WaveGAN 的生成对抗网络，采用 Wasserstein 距离进行训练，可从神经元群体生成逼真的钙成像数据。它成功生成了与真实数据统计特性相符的信号，实现了神经科学研究所需的大规模数据增强。

ABSTRACT

Calcium imaging has become a powerful and popular technique to monitor the activity of large populations of neurons in vivo. However, for ethical considerations and despite recent technical developments, recordings are still constrained to a limited number of trials and animals. This limits the amount of data available from individual experiments and hinders the development of analysis techniques and models for more realistic size of neuronal populations. The ability to artificially synthesize realistic neuronal calcium signals could greatly alleviate this problem by scaling up the number of trials. Here we propose a Generative Adversarial Network (GAN) model to generate realistic calcium signals as seen in neuronal somata with calcium imaging. To this end, we adapt the WaveGAN architecture and train it with the Wasserstein distance. We test the model on artificial data with known ground-truth and show that the distribution of the generated signals closely resembles the underlying data distribution. Then, we train the model on real calcium signals recorded from the primary visual cortex of behaving mice and confirm that the deconvolved spike trains match the statistics of the recorded data. Together, these results demonstrate that our model can successfully generate realistic calcium imaging data, thereby providing the means to augment existing datasets of neuronal activity for enhanced data exploration and modeling.

研究动机与目标

• 为解决体内实验中因伦理和技术限制导致的钙成像数据稀缺问题。
• 开发一种深度生成模型，能够从神经元群体合成逼真的钙信号。
• 通过生成保留真实记录统计特性的合成试验，实现数据增强。
• 在具有已知真实值的人工数据以及小鼠初级视觉皮层的真实记录上验证模型。

提出的方法

• 将 WaveGAN 架构改进以建模来自神经元胞体的时序钙信号。
• 使用带梯度惩罚的 Wasserstein GAN 损失进行训练，以提升训练稳定性。
• 应用去卷积方法将生成的钙信号转换为推断的峰发放序列，用于统计验证。
• 在行为小鼠的真实钙成像数据上进行训练，以学习底层数据分布。
• 通过峰发放序列属性的统计度量，将生成数据与真实数据进行对比评估。

实验结果

研究问题

• RQ1 GAN 模型能否生成在统计上与真实神经元记录无法区分的钙成像信号？
• RQ2 当模型在小鼠初级视觉皮层的真实生物数据上进行训练时，其泛化能力如何？
• RQ3 从生成钙信号中去卷积得到的峰发放序列在多大程度上与真实峰发放序列的统计特性相匹配？
• RQ4 该模型能否有效增强有限的实验数据集，以提升分析与建模效果？

主要发现

• 在具有已知真实值的人工数据上测试时，生成的钙信号与底层数据分布高度接近。
• 该模型成功学习到了来自行为小鼠初级视觉皮层真实钙信号的统计特征。
• 从生成数据中去卷积得到的峰发放序列，其发放率和相关性统计特性与真实记录数据一致。
• 采用带梯度惩罚的 Wasserstein GAN 损失实现了稳定的训练，并生成了高保真度的信号。