[论文解读] Super-resolution using Sparse Representations over Learned Dictionaries: Reconstruction of Brain Structure using Electron Microscopy

Tao Hu, Juan Nunez-Iglesias+7 more|arXiv (Cornell University)|Oct 1, 2012

Advanced Electron Microscopy Techniques and Applications参考文献 25被引用 6

一句话总结

本文提出一种基于学习字典的稀疏表示超分辨率方法，通过少量电子显微镜（EM）断层成像视图重建高深度分辨率脑结构。通过从高分辨率数据中学习局部基函数，并应用压缩感知启发式重建，该方法实现了高通量的突触水平神经回路追踪，仅需每截面五张视图即可实现高精度重建。

ABSTRACT

A central problem in neuroscience is reconstructing neuronal circuits on the synapse level. Due to a wide range of scales in brain architecture such reconstruction requires imaging that is both high-resolution and high-throughput. Existing electron microscopy (EM) techniques possess required resolution in the lateral plane and either high-throughput or high depth resolution but not both. Here, we exploit recent advances in unsupervised learning and signal processing to obtain high depth-resolution EM images computationally without sacrificing throughput. First, we show that the brain tissue can be represented as a sparse linear combination of localized basis functions that are learned using high-resolution datasets. We then develop compressive sensing-inspired techniques that can reconstruct the brain tissue from very few (typically 5) tomographic views of each section. This enables tracing of neuronal processes and, hence, high throughput reconstruction of neural circuits on the level of individual synapses.

研究动机与目标

• 为解决在脑回路重建中同时实现高分辨率与高通量的电子显微镜挑战。
• 克服现有EM技术在横向分辨率与深度分辨率之间权衡的局限性。
• 开发一种计算方法，从极少数断层成像视图中重建高深度分辨率的脑组织。
• 利用基于学习字典的稀疏编码，实现对神经元过程在突触水平的精确追踪。
• 利用无监督学习与压缩感知技术，在保持结构保真度的同时减轻数据采集负担。

提出的方法

• 该方法使用无监督学习从高分辨率EM数据集中学习局部基函数（字典）。
• 将脑组织表示为这些学习到的基函数的稀疏线性组合。
• 应用压缩感知原理，仅需每截面五张断层视图即可重建完整的3D结构。
• 重建过程求解一个在学习字典上强制表示稀疏性的优化问题。
• 该方法使用贪婪追踪算法，迭代识别每个图像块最相关的字典原子。
• 该方法在高分辨率数据上进行训练，随后应用于低信噪比、低视图数的EM数据，以恢复精细结构细节。

实验结果

研究问题

• RQ1 基于学习字典的稀疏表示能否有效从极少的EM断层成像视图中重建高深度分辨率脑结构？
• RQ2 在数据采集受限的情况下，压缩感知原理在多大程度上能提升重建保真度？
• RQ3 无监督字典学习能否捕捉脑组织的关键结构特征，以实现精确的超分辨率？
• RQ4 需要多少张断层视图才能在神经回路重建中实现突触水平分辨率？
• RQ5 所提出的方法是否在大幅降低成像通量需求的同时保持结构准确性？

主要发现

• 该方法仅需每截面五张断层视图即可实现高质量的超分辨率重建，显著减少了数据采集需求。
• 在重建体积中，神经元过程（包括细小的树突和轴突结构）在突触水平被精确追踪。
• 学习到的字典捕捉了脑组织中的相关结构模式，从而实现了有效的稀疏编码与重建。
• 该方法保留了对突触连接分析至关重要的精细形态学细节。
• 重建质量与完整倾斜系列相当，证明了在低视图数条件下实现高保真度成像的可行性。
• 该方法通过最小化每截面所需的EM图像数量，实现了神经回路的高通量重建。