| 研究領域 | スパースモデリングの深化と高次元データ駆動科学の創成 |
|---|
| 研究課題/領域番号 |
16H01539
|
|---|
| 研究種目 |
新学術領域研究(研究領域提案型)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
複合領域
|
|---|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
青西 亨 東京工業大学, 情報理工学院, 准教授 (00333352)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2018-03-31
|
| 研究課題ステータス |
完了 (2017年度)
|
| 配分額 *注記 |
4,810千円 (直接経費: 3,700千円、間接経費: 1,110千円)
2017年度: 2,470千円 (直接経費: 1,900千円、間接経費: 570千円)
2016年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
|
|---|
| キーワード | 自動細胞検出 / 制限ボルツマン・マシン / カルシウムイメージング / 二光子顕微鏡 / 生体生命情報学 / 画像 / 共焦点顕微鏡 / 機械学習 / 計測工学 |
|---|
| 研究実績の概要 |
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、広視野から数十万個の細胞活動を計測することが可能となった。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活動を自動検出する試みがある。近年発表された、静的な形態情報でなく、動的な情報から細胞検出を行う手法は、その多くが非負値行列因子分解(Non-negative matrix factorization(NMF))に基づいている。NMFでは、イメージングデータの全フレームをメモリ上に同時に展開しなければならないため、数値計算に大量のメモリが必要である。これがNMFの最大の問題であり、大規模なデータを取り扱う際の制約となる。
我々は制限ボルツマン・マシン(Restricted Boltzmann Machine, RBM)による細胞検出手法の開発を行った。非負値行列因子分解で取り扱っていた細胞検出問題を非負型のRBMで再定式化した。フレーム毎に学習が行えるため、上記のメモリの問題が解決できる。RBM に非負性の制約を入れることにより、細胞検出器として動作した。また、より性能を向上させるため、我々はスプレッド関数を導入した。これにより空間的に局所的な情報のみを取り扱うことになるため、データの大規模化による検出性能の低下を防ぐことができる。本手法のGPU への実装を行い、in-vivo 二光子顕微鏡データを用いて本手法の性能を評価した。CNMF(neuron 2016)とSuite2P(bioRxiv 2016)と比べて、非負型のRBMは高い細胞検出性能を有することが確認できた。
|
| 現在までの達成度 (段落) |
29年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
29年度が最終年度であるため、記入しない。
|
