Resumen Técnico: Rastreo Bayesiano de Sinapsis In Vivo mediante Desconvolución Conjunta de Poisson y Registro Difeomórfico

Enunciado del Problema

La imagenología longitudinal in vivo de receptores sinápticos marcados con fluorescencia ofrece una vía para estudiar la dinámica sináptica a gran escala y su alteración en enfermedades neurológicas. Sin embargo, extraer datos fiables de la microscopía de dos fotones enfrenta desafíos significativos:

• Baja Relación Señal-Ruido (SNR): Para evitar el fotoblanqueo, se utiliza baja potencia láser, lo que resulta en un alto ruido de disparo y conteos de fotones distribuidos según Poisson.
• Movimiento No Lineal del Tejido: Las sinapsis se mueven con las ramas dendríticas y el tejido circundante entre sesiones de imagen, causando deformaciones complejas y no rígidas.
• Desenfoque Óptico: La Función de Dispersión del Punto (PSF) del microscopio induce un desenfoque significativo, que se exacerba en regiones de alta densidad sináptica.
• Limitaciones de la Pipeline: Las pipelines existentes de "desruido-segmentación-rastreo" (por ejemplo, utilizando autoencoders seguidos de detección basada en CNN) a menudo fallan en regímenes abarrotados o de baja SNR. El desruido puede difuminar sinapsis adyacentes, provocando que las redes de segmentación fusionen fuentes distintas. Además, estas pipelines descartan la información de incertidumbre y toman decisiones locales que pueden sesgar las estimaciones de fluorescencia y no modelan explícitamente la deformación no lineal.

Metodología

Los autores proponen un marco bayesiano unificado que trata el rastreo de sinapsis como un problema de inferencia conjunta, alejándose de los pasos de procesamiento secuencial. El núcleo del método es un modelo generativo que sintetiza las imágenes observadas a partir de variables latentes.

1. Formulación Matemática

El modelo representa las sinapsis como un catálogo dinámico de fuentes puntuales que evolucionan bajo un campo de deformación suave que preserva la topología.

• Representación de la Sinapsis: Las sinapsis se modelan como una densidad singular $\mu_t(x) = \sum f_{i,t} \delta(x - x_i)$, donde $x_i$ son las ubicaciones y $f_{i,t}$ son las intensidades de fluorescencia.
• Deformación Difeomórfica: El movimiento no lineal del tejido se modela mediante difeomorfismos $\phi_t: D \to D$. Para parametrizar esto de manera eficiente, los autores utilizan momentos generalizados ($p_{i,t}$) en un espacio de Hilbert de núcleo reproductor. El campo de desplazamiento se aproxima como $\phi_t(x) \approx x + u_t(x)$, donde $u_t$ es una combinación lineal de funciones de núcleo ponderadas por momentos. Esto asegura transformaciones suaves e invertibles que preservan la topología.
• Formación de la Imagen: La intensidad de imagen esperada $\lambda_t(x)$ es la convolución de la densidad de sinapsis deformada con una Función de Dispersión del Punto (PSF) Gaussiana, más una intensidad de fondo $\lambda_0$.
• Modelo de Observación: Los conteos de fotones crudos $N_t(x)$ se modelan como variables aleatorias de Poisson con media $\lambda_t(x) + \lambda_0$.

2. Inferencia Bayesiana

El objetivo es inferir la distribución posterior conjunta de todos los parámetros desconocidos $\theta = \{x_i, f_{i,t}, p_{i,t}, \lambda_0\}$ dados los conteos de fotones observados.

• Priors:
  • Ubicaciones de sinapsis: Distribución uniforme sobre el dominio.
  • Fluorescencia: Distribución exponencial independiente (fomentando la dispersión).
  • Momentos: Distribución Gaussiana independiente (induciendo deformaciones suaves).
  • Fondo: Distribución seminormal.
• Algoritmo de Inferencia: Debido a la complejidad de la posterior (deformaciones no lineales y convoluciones), los autores emplean Monte Carlo de Cadenas de Hamilton (HMC), específicamente el Muestreador Sin Giro (NUTS) implementado en PyMC. Esto permite muestrear desde la posterior para estimar distribuciones de parámetros y proporcionar estimaciones de incertidumbre calibradas.

Contribuciones Clave

1. Rastreo por Síntesis con Plantillas Difeomórficas: En lugar de detectar y vincular objetos discretos, el método ajusta un catálogo latente de fuentes puntuales que "se retuercen" bajo transformaciones difeomórficas. Esto sintetiza sinapsis virtuales que proporcionan explicaciones temporalmente coherentes de las imágenes longitudinales, manejando implícitamente el rastreo sin pasos de asociación separados.
2. Modelo Generativo Basado en Física: El modelo incorpora explícitamente la física de la imagen, incluyendo una PSF Gaussiana parametrizada y estadísticas de Poisson tanto para la señal de primer plano como para el ruido de disparo de fondo, en lugar de depender de un desruido heurístico.
3. Inferencia Bayesiana Conjunta con Incertidumbre: El marco realiza simultáneamente el registro de imágenes (corrigiendo el movimiento del tejido), construye el catálogo de sinapsis, desruido los datos e infiere las intensidades de fluorescencia. Crucialmente, proporciona estimaciones de incertidumbre calibradas para todos los parámetros, evitando la propagación de errores común en las pipelines secuenciales.

Resultados Experimentales

El marco se evaluó tanto en datos simulados como en conjuntos de datos reales in vivo de una línea de ratones transgénicos SEP-GluA2 (imagen durante dos semanas).

Datos Simulados

• Rendimiento: El modelo recuperó con éxito las ubicaciones reales de las sinapsis, las intensidades de fluorescencia y los campos de deformación a pesar del desenfoque sustancial y el ruido de disparo.
• Acoplamiento Temporal: Aumentar el número de puntos temporales ($T$) mejoró la localización de la plantilla y redujo la ambigüedad, demostrando el beneficio de las restricciones temporales.
• Limitaciones de Densidad: El rendimiento se degradó a medida que aumentaba la densidad de sinapsis debido a las PSF superpuestas, destacando un límite fundamental de identificabilidad en el modelo de imagen.

Datos Reales In Vivo

• Comparación: El método se comparó contra un autoencoder de desruido (XTC), Medias No Locales (NLM) y BM3D.
• Métricas:
  • Verosimilitud Logarítmica de Poisson: El modelo bayesiano logró una verosimilitud significativamente mayor (-3.62) en comparación con XTC (-16.13), indicando un mejor ajuste a las estadísticas de fotones crudos.
  • Consistencia Temporal: El modelo mostró una estabilidad temporal superior (correlación de Pearson de 0.577 frente a 0.387 para XTC), manteniendo identidades de sinapsis coherentes a lo largo de los días.
  • Estabilidad de Picos: El número de picos detectados permaneció estable a través de los cuadros (desviación estándar 0.97), mientras que las líneas base mostraron alta variabilidad (por ejemplo, desviación estándar de XTC 1.92).
• Resultados Cualitativos: A diferencia del autoencoder, que produjo intensidades visualmente similares pero temporalmente inconsistentes, el modelo bayesiano mantuvo identidades de sinapsis consistentes. Los campos de desplazamiento inferidos fueron suaves y libres de auto-intersecciones, evitando movimientos biológicamente implausibles como el plegamiento.

Significado y Afirmaciones

El artículo afirma que al unificar la formación de imágenes, el modelado de movimiento y las estadísticas de ruido en un único modelo inverso probabilístico, el marco propuesto supera las limitaciones de las actuales pipelines de "desruido-segmentación-rastreo".

• Robustez: Maneja condiciones de baja SNR y deformación no lineal de manera más efectiva aprovechando las restricciones físicas del microscopio y la estructura temporal de los datos.
• Coherencia: El rastreo emerge naturalmente del modelo generativo, asegurando que las identidades de las sinapsis permanezcan consistentes en el tiempo sin requerir algoritmos explícitos de asociación de datos que son propensos a errores de fusión/división en regiones abarrotadas.
• Cuantificación de la Incertidumbre: El método proporciona una manera principada de estimar la confianza en las ubicaciones e intensidades de las sinapsis, lo cual es crítico para analizar cambios biológicos sutiles.

Los autores reconocen que el enfoque actual es computacionalmente costoso debido a la inferencia MCMC y que la recuperación sigue siendo un desafío en regímenes sinápticos extremadamente densos. El trabajo futuro apunta a mejorar la aproximación de la PSF y explorar métodos de inferencia más eficientes para escalar a volúmenes cerebrales más grandes.