[论文解读] Toward Streaming Synapse Detection with Compositional ConvNets

Shibani Santurkar, David Budden+5 more|arXiv (Cornell University)|Feb 23, 2017

Anomaly Detection Techniques and Applications参考文献 33被引用 9

一句话总结

该论文提出了一种组合式ConvNet框架，通过在边缘特征（如膜、突触间隙和突触小泡）上训练轻量级网络，再结合生物学启发的规则，实现电子显微镜数据中突触的检测。该方法在保持7%更高的召回率和5%更高的F1分数的同时，比最先进方法快20倍，且比最精确的先前ConvNet快11,000倍，从而首次在单个CPU系统上用9.7小时完成了245 GB小鼠躯体感觉皮层数据集的完整、有向连接组重建。

ABSTRACT

Connectomics is an emerging field in neuroscience that aims to reconstruct the 3-dimensional morphology of neurons from electron microscopy (EM) images. Recent studies have successfully demonstrated the use of convolutional neural networks (ConvNets) for segmenting cell membranes to individuate neurons. However, there has been comparatively little success in high-throughput identification of the intercellular synaptic connections required for deriving connectivity graphs. In this study, we take a compositional approach to segmenting synapses, modeling them explicitly as an intercellular cleft co-located with an asymmetric vesicle density along a cell membrane. Instead of requiring a deep network to learn all natural combinations of this compositionality, we train lighter networks to model the simpler marginal distributions of membranes, clefts and vesicles from just 100 electron microscopy samples. These feature maps are then combined with simple rules-based heuristics derived from prior biological knowledge. Our approach to synapse detection is both more accurate than previous state-of-the-art (7% higher recall and 5% higher F1-score) and yields a 20-fold speed-up compared to the previous fastest implementations. We demonstrate by reconstructing the first complete, directed connectome from the largest available anisotropic microscopy dataset (245 GB) of mouse somatosensory cortex (S1) in just 9.7 hours on a single shared-memory CPU system. We believe that this work marks an important step toward the goal of a microscope-pace streaming connectomics pipeline.

研究动机与目标

• 解决连接组学中的关键瓶颈：在大规模EM数据集中实现高通量、高精度的突触连接检测。
• 克服先前深度学习模型速度过慢（无法满足显微镜采集速度）以及基于规则方法泛化能力差、精度不足的局限性。
• 开发一种可扩展、高效的流水线，实现实时流式连接组学处理，使EM数据处理速度与采集速度同步。
• 利用自动化的、基于生物学原理的特征组合方法，从目前最大的各向异性EM数据集（小鼠躯体感觉皮层S1）中重建完整、有向的连接组。

提出的方法

• 分别训练轻量级ConvNets以检测单个边缘特征：仅使用100个EM样本，检测神经元膜、细胞间间隙和突触小泡。
• 将这些边缘检测器的输出概率图作为基于规则的组合器的输入，应用关于突触组成性的先验生物学知识。
• 应用启发式规则，要求间隙两侧分别存在突触前小泡密度和突触后膜，以建模化学突触的非对称性。
• 利用非对称的小泡密度推断突触方向性，从而构建有向连接图。
• 针对共享内存多核CPU系统优化整个流水线，以最小化数据I/O瓶颈，实现实时流式处理性能。
• 通过利用经生物学验证的空间关系，对齐并阈值化三种特征的概率图，组合生成最终的突触预测结果。

实验结果

研究问题

• RQ1 使用轻量级ConvNet检测边缘特征的组合方法，是否能在准确率和速度上均优于直接使用深度网络进行突触分割？
• RQ2 在训练数据有限的情况下，将基于生物学原理的规则与学习到的特征图结合，能在多大程度上提升突触检测性能？
• RQ3 在现代EM显微镜产生的海量数据背景下，是否可通过CPU优化的流水线实现在显微镜采集速度下的处理？
• RQ4 是否可行通过自动化、基于规则的特征组合检测方法，从大规模各向异性EM数据集中重建完整、有向的连接组？
• RQ5 在真实世界连接组学数据上，该方法在召回率、F1分数和处理时间方面与最先进方法相比表现如何？

主要发现

• 所提方法相比先前最先进方法Vesicle-CNN，召回率提高7%，F1分数提高5%，验证了检测准确性的提升。
• 该系统在单个共享内存CPU系统上仅用9.7小时即处理完245 GB的小鼠S1 EM数据集，相比最快先前方法（Vesicle-RF）提速20倍。
• 该方法比最精确的先前ConvNet（Vesicle-CNN）快11,000倍，后者每GB数据需400小时。
• 该框架成功从目前最大的各向异性EM数据集（小鼠躯体感觉皮层S1）中重建了首个完整、有向的连接组，推动了新的生物学发现。
• 系统检测到以往被忽略的生物特征，如单个树突上存在多个抑制性连接的轴突，凸显其高灵敏度与生物学相关性。
• 结果表明，通过将学习到的边缘特征与生物学启发的规则组合，可实现高精度、高通量的突触检测，适用于流式连接组学流水线。