| 研究課題/領域番号 |
19H04203
|
|---|
| 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) |
2019-04-01 – 2024-03-31
|
| キーワード | カルシウムイメージング / 自動細胞検出 / ニューロピル信号 / 動的モード分解 / 非負値行列因子分解 |
|---|
| 研究実績の概要 |
低計算コスト細胞検出アルゴリズム(LCCD)の改良：申請者は、超広視野光学顕微鏡で取得される大規模イメージングデータから高速に細胞検出を行うことができる低計算コスト細胞検出アルゴリズム(LCCD)を開発している。理化学研究所脳神経科学研究センター脳触知覚生理学研究チームで開発した広視野二光子顕微鏡の大規模データに本手法を適用して、約17000個の細胞を検出することに成功し、この研究成果は国際学術論文誌Neuron（DOI:10.1016/j.neuron.2021.03.032）で発表している。
昨年度は、カルシウムイメージングの実データによるLCCDとその他手法の性能の比較評価を実施するのと同時に、人工データを用いた性能評価も実施した。この比較評価で用いる人工データは、東京大学大学院医学系研究科神経科学分野の太田助教と共に作成した。人工データの細胞の大きさ、蛍光時間変化の時定数や発火率は、実験データに沿った値を設定した。SN比や細胞密度を変えた様々な条件のデータを作成し、提案手法の細胞検出の精度を評価した。LCCDは、先行手法であるCNMF (DOI:10.1016/j.neuron.2015.11.037)やSuite2P (DOI:10.1101/061507)に匹敵する細胞検出性能を有しており、CNMFやSuite2Pでは処理できなかった大規模イメージングデータから実用的な時間で細胞検出できることを確認した。また、LCCDは時間分割‐統合フレームワークであり、分割フレーム数に依存して細胞検出性能が変化する。昨年度は、広視野二光子顕微鏡の大規模データを用いて、分割フレーム数と細胞検出性能の関係を評価した。
本研究の成果を取りまとめて、国際学術論文誌Neuroscience Research（DOI: 10.1016/j.neures.2022.02.008）に発表した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
コロナの影響により、オンラインによる研究室運営が中心となったため、学生や共同研究所との十分な意思疎通ができていない状況である。よって、研究の進捗が全般的に遅れている。
ディープラーニングモデル：
申請者は、ディープラーニングモデルによる細胞検出手法の開発を行っている。ディープラーニングモデルの研究に苦戦している。先行研究での報告を再現しようと試みたが、報告に記載されていない部分が多数あり、報告にあるような高い細胞検出性能が実現できていない。他の手法の開発を優先的に行っている。
|
| 今後の研究の推進方策 |
多重解像度非負値行列の改良：申請者は、非負値行列因子分解(NMF)にもとづく自動細胞検出手法を開発してきた。LCCDで使用した東京大学大学院医学系研究科神経科学分野の太田助教と共に作成した人工データを、多重解像度NMFにも用いる。提案手法として、Multiplicative Updateアルゴリズムと直交化制約を導入したHierachical Alternating Least Squaresアルゴリズムの２種類の多重解像度NMFを用意する。そして、人工データを用いて、両者の性能比較を行い、適切なアルゴリズム選択する。また、人工データを用いて、Bi-Cross-Validation での因子行列のランク数の推定、すなわち分解する要素数の推定が可能かどうかを確認する。また、2015 年Nature誌に発表された Li et al. のカルシウムイメージングデータを評価用の実データとする。研究者が手動で検出した細胞体に設定した関心領域も公開されているため、これをGround Truthとして利用する。この公開データを用いて、提案手法とその他の手法の細胞検出精度を評価する。実データにおいても、Bi-Cross-Validation での因子行列のランク数の推定、すなわち細胞数の推定が可能かを確認する。
動的モード分解：これまでの研究で、多細胞活動イメージングデータに DMD を適用し、複素共役の少数の動的モードに圧縮でき、コヒーレントな細胞の活動を取り出すことができることが確認できている。睡眠時と覚醒時の多細胞活動イメージングデータに DMD を適用し、睡眠時と覚醒時の脳動態の違いが検出できるかを確認する。また、雑音モデルを組み入れた最尤推定型のスパースDMDを構築し、動的モードの数の決定が可能かを確認する。
|
