DoGNet.多重蛍光画像におけるシナプス検出のためのディープアーキテクチャ

DoGNet: A deep architecture for synapse detection in multiplexed fluorescence images.

• Victor Kulikov
• Syuan-Ming Guo
• Matthew Stone
• Allen Goodman
• Anne Carpenter
• Mark Bathe
• Victor Lempitsky

抄録

神経細胞のシナプスは、シナプス前小胞、イオンチャネル、足場タンパク質、アダプタータンパク質、膜受容体などの協調した作用により、細胞間で電気化学的な信号を伝達しています。このようなシナプスの分類や表現型の記述には、多数のシナプス蛋白質を同時に多重イメージングすることで、ボトムアップ的なアプローチが有効であると考えられる。これらのデータセット内での効率的かつ信頼性の高いシナプス検出の客観的な自動化は、シナプスの特徴をハイスループットで調査するために不可欠である。畳み込み型ニューラルネットワークは、この一般化されたシナプス検出の問題を解決することができるが、これらのアーキテクチャでは、数千ものパラメータを最適化するために膨大な数の訓練例を必要とする。我々は、ガウシアン差（DoG）フィルタなどの古典的なコンピュータビジョンのブロブ検出器と最新の畳み込みネットワークとの間のギャップを埋めるニューラルネットワークアーキテクチャであるDoGNetを提案する。DoGNetは、高度に多重化された顕微鏡データを解析するために最適化されています。DoGNetは学習パラメータの数が少ないため、少ないサンプル数で学習することができ、オーバーフィットすることなく新しいデータセットへの適用が容易である。本研究では、マウスの神経細胞培養と大脳皮質組織スライスの両方から得られた多重蛍光イメージングデータを用いてDoGNetを評価した。その結果、DoGNetは、学習例の数が少ない場合には畳み込みネットワークよりも優れた性能を発揮し、別の研究グループから収集したデータセット間でも効率的に転送できることを示した。本研究では、このような研究者の研究成果をもとにして、研究者の研究成果の一部を紹介するとともに、研究者の研究成果の一部を紹介する。ソースコードは公開されています: https://github.com/kulikovv/dognet。

Neuronal synapses transmit electrochemical signals between cells through the coordinated action of presynaptic vesicles, ion channels, scaffolding and adapter proteins, and membrane receptors. In situ structural characterization of numerous synaptic proteins simultaneously through multiplexed imaging facilitates a bottom-up approach to synapse classification and phenotypic description. Objective automation of efficient and reliable synapse detection within these datasets is essential for the high-throughput investigation of synaptic features. Convolutional neural networks can solve this generalized problem of synapse detection, however, these architectures require large numbers of training examples to optimize their thousands of parameters. We propose DoGNet, a neural network architecture that closes the gap between classical computer vision blob detectors, such as Difference of Gaussians (DoG) filters, and modern convolutional networks. DoGNet is optimized to analyze highly multiplexed microscopy data. Its small number of training parameters allows DoGNet to be trained with few examples, which facilitates its application to new datasets without overfitting. We evaluate the method on multiplexed fluorescence imaging data from both primary mouse neuronal cultures and mouse cortex tissue slices. We show that DoGNet outperforms convolutional networks with a low-to-moderate number of training examples, and DoGNet is efficiently transferred between datasets collected from separate research groups. DoGNet synapse localizations can then be used to guide the segmentation of individual synaptic protein locations and spatial extents, revealing their spatial organization and relative abundances within individual synapses. The source code is publicly available: https://github.com/kulikovv/dognet.