[论文解读] Identifying Synapses Using Deep and Wide Multiscale Recursive Networks

Gary B. Huang, Stephen M. Plaza|arXiv (Cornell University)|Sep 5, 2014

Cell Image Analysis Techniques参考文献 14被引用 13

一句话总结

该论文提出了一种深度且宽泛的多尺度递归（DAWMR）网络，用于果蝇脑电子显微镜数据中自动突触检测，利用端到端学习提取层次特征，提升检测精度。与以往基于随机森林的方法相比，该方法在高召回率下显著提高了精确率，将人工标注工作量减少超过50%，并接近人类水平的性能。

ABSTRACT

In this work, we propose a learning framework for identifying synapses using a deep and wide multi-scale recursive (DAWMR) network, previously considered in image segmentation applications. We apply this approach on electron microscopy data from invertebrate fly brain tissue. By learning features directly from the data, we are able to achieve considerable improvements over existing techniques that rely on a small set of hand-designed features. We show that this system can reduce the amount of manual annotation required, in both acquisition of training data as well as verification of inferred detections.

研究动机与目标

• 为解决连接组学中人工突触标注日益增长的瓶颈问题，开发一种更准确的自动化检测系统。
• 通过使用对象级标注而非体素级标注进行训练，减少对大量人工标注的依赖。
• 在高召回率下，提升现有基于随机森林方法（如ilastik中所用）的检测性能。
• 实现在突触检测中接近人类水平的精度，为实现完全自动化的连接组重建铺平道路。

提出的方法

• DAWMR网络通过多尺度的无监督特征学习，从电子显微镜图像体积中提取层次化表征。
• 空间池化在不同尺度上聚合特征，为检测突触作为对象提供上下文信息。
• 多层感知机对聚合后的特征进行有监督分类，以预测突触位置。
• 通过平均处理和非极大值抑制（NMS）的后处理方法，实现对象级检测。
• 训练过程通过简单的从对象级标签到体素级标签的转换，最大限度减少人工标注工作量。
• 该方法在20个体积的图像数据上进行评估，每个体积为520³个体素，包含超过5,000个T-型突触。

实验结果

研究问题

• RQ1 深度学习框架是否能在提升精度的同时减少人工标注的需求？
• RQ2 与通过交互式或静态标注训练的随机森林分类器相比，基于DAWMR的检测在精确率和召回率方面表现如何？
• RQ3 在电子显微镜数据中，对象级监督在多大程度上足以实现高精度的突触检测？
• RQ4 所提出的方法是否能达到与人类标注水平相当的性能？

主要发现

• DAWMR网络在高召回率下优于K均值后处理以及平均/NMS方法进行对象预测，表现尤为突出。
• 静态训练的随机森林分类器在性能上与交互式方法相当，但所需的人工监督显著更少。
• 在整个召回率范围内，DAWMR网络的精确率均高于所有基于随机森林的基线方法。
• 在召回率为0.9时，DAWMR方法的精确率是基线方法的两倍，将人工验证时间减少超过50%。
• 该系统的性能接近人类标注的一致性水平（精确率为0.9，召回率为0.9），表明其具备实现完全自动化突触检测的可行性。
• 该方法对果蝇T-型突触的多突触性和结构多样性具有鲁棒性，可在复杂的神经组织中实现可靠检测。