[论文解读] DISCo for the CIA: Deep learning, Instance Segmentation, and Correlations for Calcium Imaging Analysis

Elke Kirschbaum, Alberto Bailoni+1 more|arXiv (Cornell University)|Aug 21, 2019

Cell Image Analysis Techniques被引用 2

一句话总结

DISCo 是一种基于深度学习的钙成像视频实例分割方法，通过利用像素级相关性和形状信息来识别单个神经元。通过将细胞成员预测建模为边加权图上的相关性聚类问题，并使用贪心算法进行分割，DISCo 在 Neurofinder 基准测试中达到最先进性能。

ABSTRACT

Calcium imaging is one of the most important tools in neurophysiology as it enables the observation of neuronal activity for hundreds of cells in parallel and at single-cell resolution. In order to use the data gained with calcium imaging, it is necessary to extract individual cells and their activity from the recordings. We present DISCo, a novel approach for the cell segmentation in calcium imaging videos. We use temporal information from the recordings in a computationally efficient way by computing correlations between pixels and combine it with shape-based information to identify active as well as non-active cells. We first learn to predict whether two pixels belong to the same cell; this information is summarized in an undirected, edge-weighted grid graph which we then partition. In so doing, we approximately solve the NP-hard correlation clustering problem with a recently proposed greedy algorithm. Evaluating our method on the Neurofinder public benchmark shows that DISCo outperforms all existing models trained on these datasets.

研究动机与目标

• 通过整合时间相关性和空间形状信息，提升钙成像视频中的实例分割性能。
• 解决在噪声大、动态变化的钙成像数据中准确识别单个神经元的挑战。
• 开发一种计算高效的算法，近似求解 NP-难的相关性聚类问题。
• 在 Neurofinder 等标准基准测试中超越现有模型，这些基准被广泛用于评估分割算法。

提出的方法

• 基于空间和时间特征，使用深度学习预测像素对是否属于同一神经元。
• 构建一个无向、边加权的网格图，其中边权重表示两个像素属于同一细胞的可能性。
• 应用贪心算法在图上近似求解 NP-难的相关性聚类问题以实现细胞分割。
• 结合时间相关性（来自钙信号相似性）与基于形状的先验信息，提升分割鲁棒性。
• 使用可微分框架端到端训练像素对分类组件。
• 执行图分割，从相关性图生成最终的实例分割掩码。

实验结果

研究问题

• RQ1 整合时间相关性和形状先验是否能提升钙成像视频中的实例分割性能？
• RQ2 DISCo 在 Neurofinder 等标准基准测试中与现有最先进模型相比表现如何？
• RQ3 能否有效利用贪心近似方法实现相关性聚类，以实现计算高效的细胞分割？
• RQ4 与仅依赖强度或形态学的方法相比，引入像素级相似性在多大程度上提升了分割精度？

主要发现

• DISCo 在 Neurofinder 数据集上训练的所有现有模型中，分割精度均表现最优。
• 该方法通过有效结合时间相关性和基于形状的信息，实现了最先进性能。
• 使用贪心算法求解相关性聚类，在准确性和计算效率之间实现了良好平衡。
• 由于依赖动态（时间）和结构（空间）线索，模型在多种钙成像数据集上具有良好的泛化能力。
• 像素对分类头学习到了有意义的表征，能够有效区分细胞内与细胞间像素关系。
• 该方法对噪声以及不同记录中钙信号动态的变异具有鲁棒性。