2016 Fiscal Year Annual Research Report
Development of analysis method for multi-resolution Calcium imaging data
Publicly Offered Research
| Project Area | Principles of memory dynamism elucidated from a diversity of learning systems |
|---|
| Project/Area Number |
16H01269
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
青西 亨 東京工業大学, 情報理工学院, 准教授 (00333352)
|
|---|
| Project Period (FY) |
2016-04-01 – 2018-03-31
|
| Keywords | 自動細胞検出 / カルシウムイメージング / 非負値行列因子分解 / 多重解像度 |
|---|
| Outline of Annual Research Achievements |
神経科学の分野において、カルシウムイメージングは多細胞の活動を同時記録する重要な手法の一つである。近年、二光子顕微鏡などの計測装置の急激な発展により、広視野から数万個の細胞の活動を計測することが可能になった。このような計測装置の急速な進歩により、我々は巨大なデータをいかに解析するかという問題に直面するようになった。近年、このような大規模カルシウムイメージングデータから、機械学習の方法を用いて細胞を自動検出しようとする試みがある。我々は、深層学習などで近年注目を集めている多重解像度技術を用いた新型の細胞検出方法を開発している。
平成２８年度は以下の３つのアルゴリズムを開発した。
アルゴリズム１：非負値行列因子分解を多重解像度に拡張した。まず、高空間解像度のカルシウムイメージングを、ビニングによりダウンコンバートした低空間解像度データを生成する。そして、２つの解像度の異なるデータを、同時最適化の技法を用いて、空間行列Wと時間行列Hに分解するアルゴリズムを構築した。空間解像度データより大域的情報、高空間解像度データから局所詳細情報を得て、これらを結合さえることにより、細胞検出能力の向上を実現した。
アルゴリズム２：２回の異なる測定で得られる「高フレームレート低空間解像度」と「低フレームレート高空間解像度」の解像度が異なるデータから、高解像度の空間情報（形態）と時間情報（活動）を抽出する超解像アルゴリズムを構築した。これにより、スキャン速度の制約により、空間と時間の両方の解像度を同時に上げることができない計測装置の「ジレンマ」の解消を実現する。
アルゴリズム３：上記の緻密な機械学習アルゴリズムと異なり、空間フィルタと時間フィルタ、そして閾値処理だけで、細胞検出を実現するアルゴリズムを構築した。このアルゴリズムは、メモリを使わず高速に動作するため、巨大イメージングデータの解析に適している。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
アリゴリズムの構築が完了しており、人工生成データを用いて動作確認も完了している。実データへの適用で、研究は完了する。
|
| Strategy for Future Research Activity |
平成２８年度では、人工合成データを用いて、アルゴリズム１とアルゴリズム２の性能評価を行った。先行研究の手法である制約付き非負値行列因子分解と独立成分分析と比較して、２つの提案アルゴリズムの性能が上回ることを確認した。平成２９年度前半も引き続き、人工合成データを用いて、これらアルゴリズムの性能評価を行う。
前年度において、理化学研究所脳科学総合研究センター村山チームから提供を受けた広視野高解像度イメージングデータに、アルゴリズム３を適用し、高速に細胞検出が実現できることを確認した。平成２９年度も同様に、広視野高解像度イメージングデータから高精度に細胞検出できるように、アルゴリズムの改良を行っていく。
同時に、アルゴリズム３で解析した広視野高解像度イメージングデータ（実データ）に、アルゴリズム１とアルゴリズム２の適用を試みる。アルゴリズム３と比べて、細胞検出能力がどれだけ向上するかを確認する。また同時に、先行研究の手法である制約付き非負値行列因子分解と独立成分分析を用いて実データを解析し、提案アルゴリズムとの性能比較を行う。
|
