[论文解读] Efficient and accurate extraction of in vivo calcium signals from microendoscopic video data

Pengcheng Zhou, Shanna L. Resendez+9 more|arXiv (Cornell University)|May 24, 2016

Neural dynamics and brain function参考文献 32被引用 15

一句话总结

本文提出CNMF-E，一种新颖的矩阵分解框架，能够准确分离背景荧光，并从显微内镜视频数据中解混重叠的神经元钙信号。通过建模复杂的时空背景波动，并采用专门的初始化与优化策略，CNMF-E显著提升了信噪比，在高噪声、高重叠区域中检测到的孤立神经元数量多于独立成分分析（ICA）或标准CNMF方法。

ABSTRACT

In vivo calcium imaging through microscopes has enabled deep brain imaging of previously inaccessible neuronal populations within the brains of freely moving subjects. However, microendoscopic data suffer from high levels of background fluorescence as well as an increased potential for overlapping neuronal signals. Previous methods fail in identifying neurons and demixing their temporal activity because the cellular signals are often submerged in the large fluctuating background. Here we develop an efficient method to extract cellular signals with minimal influence from the background. We model the background with two realistic components: (1) one models the constant baseline and slow trends of each pixel, and (2) the other models the fast fluctuations from out-of-focus signals and is therefore constrained to have low spatial-frequency structure. This decomposition avoids cellular signals being absorbed into the background term. After subtracting the background approximated with this model, we use Constrained Nonnegative Matrix Factorization (CNMF, Pnevmatikakis et al. (2016)) to better demix neural signals and get their denoised and deconvolved temporal activity. We validate our method on simulated and experimental data, where it shows fast, reliable, and high quality signal extraction under a wide variety of imaging parameters.

研究动机与目标

• 解决从显微内镜数据中提取单神经元钙信号的挑战，该挑战受大范围、空间扩展的背景波动和高神经元重叠的影响。
• 通过开发一种稳健、自动化的分析方法，克服现有方法（如ROI分析和主成分分析/独立成分分析）的局限性，适用于自由活动动物的深脑成像。
• 通过建模显微内镜记录中背景荧光的复杂时空结构，提升信号质量并更准确检测孤立神经元。
• 将约束非负矩阵分解（CNMF）框架扩展，以更好地处理单光子显微内镜数据特有的噪声与结构特性。
• 通过提供更清洁、去噪化且解混后的神经活动轨迹，提升对具有挑战性的活体数据集的下游分析准确性。

提出的方法

• 提出一种改进的CNMF框架（CNMF-E），引入灵活、空间平滑且时变的背景模型，以捕捉显微内镜数据中的大尺度波动。
• 采用两阶段优化：首先通过空间聚类和背景估计初始化成分，随后利用带稀疏性与非负性约束的交替最小二乘法进行精炼。
• 集成背景减除步骤，将背景建模为具有与原始数据大尺度波动时间特性一致的低秩空间分量。
• 通过带稀疏性约束的非负矩阵分解实施去噪步骤，将神经成分与残余噪声分离。
• 实施自动与手动优化步骤，包括成分合并与删除，以提升信号隔离度与准确性。
• 利用伪彩色编码可视化流程验证提取的神经活动，并评估不同脑区的信号质量。

实验结果

研究问题

• RQ1 改进的CNMF框架能否有效从显微内镜数据中分离出大范围、空间扩展的背景信号与神经元钙瞬变信号？
• RQ2 在高背景与高空间重叠条件下，CNMF-E与ICA及标准CNMF相比，在检测孤立神经信号方面表现如何？
• RQ3 CNMF-E中改进的背景建模在多大程度上提升了高噪声显微内镜记录中的信噪比与去噪性能？
• RQ4 CNMF-E能否可靠地解混如前额皮质与腹侧海马等深脑区域的重叠神经信号？
• RQ5 CNMF-E中集成的自动与手动优化步骤是否能带来更符合生物学意义且更准确的神经成分提取？

主要发现

• 在模拟与实验的显微内镜数据中，CNMF-E显著优于ICA与标准CNMF，能够提取更清洁、去噪的神经信号。
• 该方法在高噪声环境中检测到的孤立神经信号数量多于现有方法，尤其在背景波动占主导的条件下表现更优。
• 在前额皮质、腹侧海马与BNST的实验数据中，CNMF-E成功以更高保真度解析了重叠的神经活动，优于PCA/ICA。
• CNMF-E中的背景模型有效捕捉了视场中大范围、缓慢变化的波动，包括离焦荧光与血流动力学变化。
• CNMF-E中的手动优化步骤（如成分合并与删除）显著提升了信号质量与生物学合理性，尤其在复杂数据集中表现突出。
• 该方法在多种脑区与记录条件下均表现出稳健性能，证明了其在真实活体环境中的泛化能力与可靠性。