Ca2+ transient detection and segmentation with the Astronomically motivated algorithm for Background Estimation And Transient Segmentation (Astro-BEATS)

Probleemstelling

Fluorescentie-gebaseerde Ca2+-beeldvorming is een krachtige techniek om lokale neuronale activiteit te bestuderen, met name miniature Synaptic Calcium Transients (mSCTs). Deze transiënten vertegenwoordigen subtiele fluctuaties in het fluorescentiesignaal die vaak nauwelijks boven de achtergrondruis uitkomen.

• Uitdaging: Het automatisch detecteren en segmenteren van deze gebeurtenissen is complex omdat ze klein zijn (O(1)–O(10) µm²) en kort duren (ms tot seconden).
• Bestaande beperkingen: Traditionele, op drempelwaarden gebaseerde methoden (zoals IDT) worstelen met transiënten die zich ruimtelijk en temporair ontwikkelen (uit elkaar spreiden). Handmatige annotatie door experts is tijdrovend, niet schaalbaar voor grote datasets en introduceert variabiliteit. Deep Learning (DL) modellen zijn veelbelovend, maar vereisen grote, handmatig geannoteerde trainingsdatasets, wat een knelpunt vormt.

Methodologie: Astro-BEATS

De auteurs introduceren Astro-BEATS, een volledig geautomatiseerd algoritme voor de detectie en segmentatie van mSCTs, geïnspireerd door technieken die in de astronomie worden gebruikt voor het vinden van tijdelijke hemelverschijnselen (transients). Het proces verloopt in drie hoofdstappen:

1. Achtergrondschatting en Verschilbeelden (Difference Imaging):

   • In plaats van statische drempels te gebruiken, bouwt Astro-BEATS een dynamisch model van het verwachte signaal zonder transiënten.
   • Rolende Hough-transformatie (RHT): Een algoritme oorspronkelijk ontwikkeld voor het detecteren van astronomische filamenten, wordt gebruikt om dendrieten in het beeldveld te identificeren en een masker te genereren.
   • Baseline-schatting: Voor elk frame wordt een verwachte achtergrond (dendrieten + achtergrondruis) geschat door het signaal over de tijd te middelen en lokaal te rescalen.
   • Verschilbeeld: Door dit verwachte signaal af te trekken van het ruwe Ca2+-video, ontstaan "verschilbeelden" waarin alleen de lokale transiëntsignalen overblijven, terwijl de grote schaalvariaties in de dendrieten worden verwijderd.

2. Bronzoeking (Source-Finding):

   • DBSCAN: In plaats van aan te nemen dat bronnen puntvormig of bolvormig zijn (zoals vaak in de astronomie), gebruikt Astro-BEATS Density-Based Spatial Clustering of Applications with Noise (DBSCAN).
   • Dit methode groepeert heldere pixels in de ruimte en tijd op basis van dichtheid, zonder voorafgaande aannames over de vorm of grootte van de transiënt. Dit maakt het geschikt voor de diverse morfologieën van mSCTs.
   • Filtering: Actiepotentialen (die grote delen van de neuron beslaan) worden geïdentificeerd en uitgesloten door overlap te vergelijken met het dendrietenmasker.

3. Segmentatie:

   • Na detectie wordt een ruimtelijk-temporele aperture (32x32 pixels, 20 frames) rond het zwaartepunt van de detectie getrokken.
   • Pixels met een intensiteit boven een bepaalde drempel (2x standaarddeviatie) binnen deze aperture worden gemarkeerd als deel van de transiënt, wat leidt tot een binaire segmentatiemasker.

Belangrijkste Bijdragen

• Cross-disciplinaire innovatie: De eerste toepassing van astronomische achtergrondschattingstechnieken (RHT en verschilbeelden) op Ca2+-beeldvorming voor neuronale data.
• Ongecontroleerde automatisering: Astro-BEATS vereist geen handmatige annotatie voor training of parameteroptimalisatie per dataset, wat het een "out-of-the-box" oplossing maakt.
• Generatie van trainingsdata: Het algoritme kan hoogwaardige segmentatiemaskers genereren die dienen als "ground truth" om Deep Learning-modellen (zoals 3D U-Net) te trainen, waardoor de afhankelijkheid van handmatige annotatie wordt verminderd.
• Robuustheid: Het algoritme is ontworpen om robuust te zijn tegen variaties in ruis en achtergrondintensiteit.

Resultaten

De prestaties van Astro-BEATS werden vergeleken met de bestaande methoden IDT (Intensity-based Detection Threshold) en AQuA (Astrocyte Quantitative Analysis), en met handmatige expert-annotaties.

• Detectieprestaties:

  • Astro-BEATS behaalde een recall van 74% voor handmatig geïdentificeerde transiënten, vergeleken met slechts 38% voor IDT.
  • Het algoritme detecteerde significant meer kleine en zwakke transiënten die door andere methoden werden gemist, zonder een significante daling in precisie.
  • Het presteerde beter op alle categorieën: synaptische transiënten, dendritische transiënten en uit-focus transiënten.

• Segmentatiekwaliteit:

  • Gemeten met de DiCE-similairiteitsscore (een maat voor overlap tussen maskers), behaalde Astro-BEATS een mediane score van 0,70 ± 0,17, wat significant hoger is dan IDT (0,63 ± 0,21) en dicht bij de overeenkomst tussen experts ligt.
  • Vooral bij dendritische en uit-focus transiënten was de segmentatiekwaliteit van Astro-BEATS superieur.

• Efficiëntie:

  • Astro-BEATS is aanzienlijk sneller: ongeveer 0,6 seconden per frame (of ~5 minuten per video), terwijl IDT ongeveer 30 seconden per transiënt vereist (inclusief handmatige verificatie) en AQuA ongeveer 30 minuten per video.
  • Het elimineert de noodzaak voor handmatige verificatie, wat de menselijke workload drastisch verlaagt.

• Deep Learning Integratie:

  • Wanneer Astro-BEATS-maskers werden gebruikt om een 3D U-Net te trainen, resulteerde dit in een lagere variantie in detectieprestaties over verschillende video's in vergelijking met training op IDT-data of het gebruik van Astro-BEATS alleen.
  • Het getrainde model kon segmentaties verbeteren voor transiënten die Astro-BEATS zelf niet perfect kon segmenteren (DiCE < 0,45).

• Generalisatie:

  • Het algoritme bleek zeer goed te generaliseren naar een "out-of-distribution" dataset (opgenomen met een andere microscoop en andere experimentele condities) zonder heroptimalisatie van parameters, met behoud van hoge precisie (>0,8) en recall (>0,6).

Betekenis en Conclusie

Astro-BEATS vertegenwoordigt een doorbraak in de kwantitatieve analyse van Ca2+-beeldvorming. Door astronomische methoden toe te passen, biedt het een snelle, nauwkeurige en volledig geautomatiseerde oplossing voor het detecteren en segmenteren van subtiele neuronale gebeurtenissen.

De belangrijkste implicaties zijn:

1. Schaalbaarheid: Het maakt de analyse van grote Ca2+-datasets mogelijk zonder de bottleneck van handmatige annotatie.
2. Data-generatie: Het biedt een betrouwbare manier om trainingsdata te genereren voor Deep Learning-modellen, wat de prestaties van deze modellen verbetert.
3. Toepasbaarheid: De robuustheid van het algoritme maakt het direct toepasbaar op nieuwe datasets met verschillende opnameparameters, wat het een ideaal instrument maakt voor breed wetenschappelijk gebruik in de neurobiologie en biophotonica.