[论文解读] Head and Tail Localization of C. elegans

Mansi Ranjit Mane, Aniket Anand Deshmukh+1 more|arXiv (Cornell University)|Jan 12, 2020

Genetics, Aging, and Longevity in Model Organisms参考文献 11被引用 4

一句话总结

本文提出一种基于VGG16的卷积神经网络的深度学习方法，直接回归单只线虫图像中*C. elegans*的头部和尾部坐标，避免了手工特征工程。该方法在评估数据集上实现了96.82%的平均PCK@15准确率，无需超参数调优即可有效应对光照和成像变化，表现出良好的鲁棒性。

ABSTRACT

C. elegans is commonly used in neuroscience for behaviour analysis because of it's compact nervous system with well-described connectivity. Localizing the animal and distinguishing between its head and tail are important tasks to track the worm during behavioural assays and to perform quantitative analyses. We demonstrate a neural network based approach to localize both the head and the tail of the worm in an image. To make empirical results in the paper reproducible and promote open source machine learning based solutions for C. elegans behavioural analysis, we also make our code publicly available.

研究动机与目标

• 开发一种鲁棒、自动化的*C. elegans*行为成像数据中头部与尾部识别方法。
• 消除对依赖光照和成像条件的、手工调优的阈值和特征的依赖。
• 实现无需前期特征工程的端到端坐标回归训练。
• 提升*C. elegans*行为分析在不同实验设置下的可重复性与可扩展性。
• 提供公开可用、开源的自动化线虫追踪与分析解决方案。

提出的方法

• 使用基于VGG16的全卷积神经网络，为头部和尾部位置分别生成5×5的热力图预测。
• 通过Softmax函数对热力图进行归一化，以表示头部和尾部在像素位置上的概率分布。
• 采用均方误差（MSE）损失函数进行训练，同时引入Jensen-Shannon散度作为正则化项，以控制热力图的分布范围。
• 数据增强包括随机亮度调整（最多12.5%）以及90°、180°和270°旋转，以提升泛化能力。
• 图像预处理通过自适应阈值法提取边界框，将其缩放并裁剪为150×150像素以隔离线虫。
• 最终模型直接从热力图峰值位置预测头部和尾部坐标，避免了对角度特征的手动阈值设定。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖手工设计特征（如弯曲角度或强度阈值）的情况下，准确识别*C. elegans*的头部和尾部？
• RQ2 在未进行手动超参数调优的情况下，该模型在不同光照和成像条件下的表现如何？
• RQ3 当在多样化成像条件下进行训练时，该模型在未见图像上的泛化能力如何？
• RQ4 在架构复杂度极低的前提下，该模型是否能通过端到端坐标回归实现高精度定位？
• RQ5 与依赖阈值检测头部/尾部特征的传统方法相比，该模型的性能表现如何？

主要发现

• 该模型在测试集上实现了96.82%的平均PCK@15准确率，表明在96.82%的样本中，预测的头部和尾部坐标与真实值的偏差在15像素以内。
• 头部定位在PCK@15下达到96.65%的准确率，而尾部定位达到96.98%，表明两端的定位性能均非常出色。
• 头部在PCK@7下达到94.24%的准确率，尾部为85.82%，表明在更精细的定位阈值下头部检测表现更优。
• 得益于端到端训练和数据增强，该模型在多种成像条件下均保持高性能，显著降低了对光照和尺度变化的敏感性。
• 该方法优于依赖阈值化角度特征或强度差异的传统方法，后者在光照变化下易产生错误。
• 代码已公开发布于GitHub，支持可重复性研究，并为未来多线虫追踪的扩展提供了基础。