Self-Supervised Representation Learning for Nerve Fiber Distribution Patterns in 3D-PLI

要約

人間の脳の組織原則を包括的に理解するには、他の要因の中でも、神経線維構造の十分に定量化できる記述子が必要です。
3次元偏光イメージング（3D-PLI）は、高解像度の有髄神経繊維のきめ細かい組織への洞察を可能にする顕微鏡画像技術です。
3D-PLIで観察されるファイバーアーキテクチャを特徴付ける記述子は、マルチモーダル相関研究、クラスタリング、マッピングなどのダウンストリーム分析タスクを可能にします。
ただし、3D-PLIにおける繊維アーキテクチャのオブザーバーに依存しない特性評価のベストプラクティスはまだ利用できません。
この目的のために、3D-PLI画像の神経繊維アーキテクチャを自己監視表現学習を使用して、神経繊維アーキテクチャを特徴付ける完全なデータ駆動型アプローチを適用することを提案します。
3Dコントラストの学習（CL-3D）の目的を導入し、3D再構築されたボリュームの組織学的脳セクション全体にテクスチャの例の空間近傍を利用して、対照学習のために正のペアをサンプリングします。
このサンプリング戦略と特別に設計された画像の増強を組み合わせて、3D-PLIパラメーターマップの典型的なバリエーションに堅牢性を獲得します。
このアプローチは、ベルベットモンキー脳の3D再構築された後頭葉について実証されています。
抽出された特徴は、神経繊維のさまざまな構成に非常に敏感であるが、組織学的処理から生じる連続した脳切片間の変動に対して堅牢であることを示しています。
均一な繊維アーキテクチャのクラスターを取得するための実用的な適用性、最小注釈付きの分類、およびUファイバーなどのファイバーアーキテクチャの特徴的なコンポーネントのクエリベースの検索を実施します。

要約(オリジナル)

A comprehensive understanding of the organizational principles in the human brain requires, among other factors, well-quantifiable descriptors of nerve fiber architecture. Three-dimensional polarized light imaging (3D-PLI) is a microscopic imaging technique that enables insights into the fine-grained organization of myelinated nerve fibers with high resolution. Descriptors characterizing the fiber architecture observed in 3D-PLI would enable downstream analysis tasks such as multimodal correlation studies, clustering, and mapping. However, best practices for observer-independent characterization of fiber architecture in 3D-PLI are not yet available. To this end, we propose the application of a fully data-driven approach to characterize nerve fiber architecture in 3D-PLI images using self-supervised representation learning. We introduce a 3D-Context Contrastive Learning (CL-3D) objective that utilizes the spatial neighborhood of texture examples across histological brain sections of a 3D reconstructed volume to sample positive pairs for contrastive learning. We combine this sampling strategy with specifically designed image augmentations to gain robustness to typical variations in 3D-PLI parameter maps. The approach is demonstrated for the 3D reconstructed occipital lobe of a vervet monkey brain. We show that extracted features are highly sensitive to different configurations of nerve fibers, yet robust to variations between consecutive brain sections arising from histological processing. We demonstrate their practical applicability for retrieving clusters of homogeneous fiber architecture, performing classification with minimal annotations, and query-based retrieval of characteristic components of fiber architecture such as U-fibers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google