A scalable and modular computational pipeline for axonal connectomics: automated tracing and assembly of axons across serial sections

Deze paper introduceert een schaalbaar en modulair computergestuurd proces voor het automatisch traceren en assembleren van axonen over grote hersenvolumes, waarbij gebruik wordt gemaakt van machine learning voor segmentatie en uitlijning om nieuwe inzichten in mesoscale connectiviteit mogelijk te maken.

De kern

Stel je voor dat je de menselijke hersenen wilt begrijpen, niet als een vaag, grijs geheel, maar als een gigantisch, ingewikkeld stelsel van wegen. Deze wegen zijn de axonen: de lange, dunne draden die zenuwcellen met elkaar verbinden. In de menselijke hersenen zijn er miljarden van deze draden, die zich over enorme afstanden uitstrekken.

Het probleem is dat deze draden zo klein en talrijk zijn, dat het bijna onmogelijk is om ze één voor één te volgen, net als het proberen te volgen van één specifieke draad in een enorme, verwarde kluwen van garen.

Dit paper beschrijft een nieuwe, slimme manier om dit "garen" te volgen. De onderzoekers van het Allen Institute for Brain Science hebben een automatische, schaalbare computerpipeline ontwikkeld. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De voorbereiding: Het maken van een transparante puzzel

Eerst moeten ze het hersenweefsel klaarmaken. Normaal gesproken is hersenweefsel troebel en ondoorzichtig, alsof je door een dikke, modderige sneeuwlaag probeert te kijken.

• De truc: Ze gebruiken een speciale techniek (expansie-microscopie) waarbij ze het weefsel in een gel verpakken en het laten uitzetten. Het weefsel wordt hierdoor 4 keer groter en kristalhelder.
• Het resultaat: Stel je voor dat je een dichte bos hebt, en je maakt er ineens een uitgestrekt, helder park van waar je doorheen kunt kijken. Dan snijden ze dit park in dunne plakjes (zoals plakjes brood), die ze één voor één fotograferen.

2. De foto's: Duizenden losse stroken

Ze maken niet één grote foto, maar duizenden kleine, overlappende foto's (zoals een fotomontage van een landschap).

• Het probleem: Als je deze foto's later samenvoegt, staan ze niet perfect op hun plek. De "broodplakjes" zijn tijdens het snijden en fotograferen een beetje verschoven, gedraaid of uitgerekt. Het is alsof je een puzzel probeert te leggen, maar de stukjes zijn een beetje vervormd.

3. De slimme oplossing: Volg de draden, niet de achtergrond

Vroeger probeerden computers om deze foto's aan elkaar te plakken door te kijken naar de achtergrond (bijvoorbeeld bloedvaten of textuur). Maar in dit paper zeggen de onderzoekers: "Wacht even, waarom kijken we naar de achtergrond als we eigenlijk de draden (axonen) willen volgen?"

• De analogie: Stel je voor dat je in een donkere kamer staat met duizenden lampjes die aan elkaar hangen. In plaats van te proberen de muren en het plafond op hun plek te zetten, laten ze de computer alleen de lampjes volgen.
• Hoe het werkt:
  1. De computer gebruikt kunstmatige intelligentie (AI) om in elke foto de draden te herkennen en ze om te zetten in dunne lijnen (skeletten).
  2. Vervolgens kijkt de computer: "Kijk, deze lijn stopt hier aan de rand van foto A, en diezelfde lijn begint daar aan de rand van foto B."
  3. De computer gebruikt deze lijnen als een anker om de foto's perfect op elkaar te plakken. Als de lijnen perfect doorlopen, weten ze dat de foto's goed staan.

4. De grote puzzel: Van plakjes naar een 3D-landschap

Nu hebben ze duizenden foto's die perfect op elkaar aansluiten. De computer bouwt hiermee een enorm 3D-model.

• De uitdaging: Soms breekt een draad in de computer. De AI denkt: "Oh, deze draad is hier kapot gegaan," terwijl hij eigenlijk gewoon doorloopt.
• De oplossing: Ze hebben een systeem ontwikkeld waar mensen kunnen ingrijpen. Het is alsof je een digitale versie van de "knopen" in het garen hebt. Als de computer een fout maakt (bijvoorbeeld twee draden die elkaar kruisen en de computer denkt dat ze één zijn), kan een mens met een paar klikken de knoop oplossen en de draden weer scheiden.

Waarom is dit zo belangrijk?

Vroeger was het alsof je probeerde een heel land op een kaart te tekenen door alleen naar de wolken te kijken. Nu hebben we een manier om elke weg in dat land te tekenen.

• Schaalbaarheid: Dit systeem is zo snel en slim dat het niet alleen voor een klein stukje hersenen werkt, maar voor het hele menselijk brein.
• Toekomst: Hierdoor kunnen we eindelijk begrijpen hoe onze hersenen echt werken op een detailniveau. We kunnen zien welke draden welke gebieden verbinden, wat cruciaal is om ziektes zoals Alzheimer of autisme beter te begrijpen.

Kort samengevat:
De onderzoekers hebben een robot gebouwd die door een gigantische, heldere kluwen van garen kan kijken, de draden automatisch volgt, de foto's van het garen perfect op elkaar plakt, en ons helpt om de knopen op te lossen. Hierdoor kunnen we eindelijk de "wegenkaart" van het menselijk brein tekenen.

Technische samenvatting

Probleemstelling

De huidige kennis over de connectiviteit in het menselijk brein wordt beperkt door het gebrek aan hulpmiddelen om individuele witte-stof axonen over lange afstanden met hoge resolutie te bestuderen. Bestaande methoden vallen in twee uitersten:

1. Laagresolutie: Methoden zoals diffusiemri (dMRI) kunnen het hele brein in kaart brengen, maar kunnen geen individuele axonen oplossen.
2. Hoge resolutie, kleine schaal: Elektronenmicroscopie (EM) biedt nanometernaukeurigheid, maar is beperkt tot zeer kleine gebieden en is niet schaalbaar naar het hele menselijk brein.

Er is een behoefte aan een aanpak die zowel individuele axonen kan oplossen als schaalbaar is tot het volume van het hele menselijk brein. Het specifieke technische uitdaging bij het verwerken van data uit seriële secties (serial sections) is het correct samenvoegen (stitching) en aligneren van deze secties, rekening houdend met fysieke vervormingen veroorzaakt door snijden, manipulatie en chemische behandelingen, zonder dat dit leidt tot onoplosbare problemen bij petavoxel-grootte datasets.

Methodologie

De auteurs hebben een schaalbaar en modulair computationeel pipeline ontwikkeld voor axonaal connectomics. Deze pipeline combineert geavanceerde beeldvormingstechnieken met machine learning (ML) en geautomatiseerde reconstructie.

1. Data-acquisitie en Voorbewerking:

• Weefselbereiding: Weefselsecties worden chemisch gefixeerd, immuunverkleurd voor neurofilamenten (dicht axonlabeling), en onderworpen aan weefselverduidelijking (clearing) en expansie (Expansion Microscopy - ExM). Dit maakt het weefsel optisch helder en vergroot het 4x, wat een effectieve resolutie onder de optische diffractielimiet mogelijk maakt.
• Beeldvorming: Gebruik van een aangepaste inverted Selective Plane Illumination Microscope (iSPIM) voor het scannen van secties in "strips" (tegels).
• Preprocessing: De ruwe data wordt gedeskeuwd (deskewed) naar Cartesiaanse 3D-volumes met bijna isotrope voxels (0,8 x 0,8 x 0,7 µm). De data wordt opgeslagen in het OME-Zarr formaat (multi-resolutie pyramides) om schaalbaarheid te garanderen.

2. Computationele Pipeline:
De kern van de innovatie ligt in het gebruik van gesegmenteerde axon-skeletten als basis voor registratie, in plaats van traditionele beeldkenmerken.

• Segmentatie: Een convolutioneel neurale netwerk (U-Net) wordt getraind om axonen te segmenteren op basis van de voxel-data. Dit resulteert in 3D-skeletten (SWC-bestanden).
• Post-processing: Skeletten worden gezuiverd van topologische fouten (zoals valse splitsingen) en samengevoegd op basis van een classifier die leert op ground-truth data.
• Stitching (Tegels samenvoegen): In plaats van het samenvoegen van de volledige beelden, worden de skeletten uit overlappende tegels gebruikt om corresponderende punten te vinden. Dit maakt het mogelijk om de transformaties te berekenen die nodig zijn om de skeletten over tegelgrenzen heen te "naaien" (stitchen).
• Registratie van Secties (Volume Assembly): Dit is de meest uitdagende stap. De pipeline matcht de eindpunten van axon-skeletten aan de oppervlakken van aangrenzende seriële secties.
  • Eerst wordt een grove registratie uitgevoerd op basis van grote anatomische landmarks (zoals bloedvaten).
  • Vervolgens wordt de registratie verfijnd per subregio door het matchen van eindpunten van axonen met behulp van RANSAC (Random Sample Consensus) en optimalisatie van gelijkenis-transformaties (rotatie, translatie, schaal).
  • Dit resulteert in een globale alignatie van de secties tot een coherent 3D-volume.

3. Schaalbaarheid en Infrastructuur:
De pipeline is ontworpen voor High Performance Computing (HPC) en cloud-omgevingen.

• Gebruik van Nextflow voor workflow-orkestratie en parallelle verwerking.
• Gunpowder voor streaming batch-verwerking (chunk-based processing) om geheugengebruik te minimaliseren.
• TensorStore voor gelijktijdige schrijftoegang tot OME-Zarr data.
• Integratie met CAVE (Connectome Annotation Versioning Engine) voor interactieve correctie (proofreading) via een aangepaste "skeleton-guided supervoxel mapping".

Belangrijkste Bijdragen

1. Segmentatie-gedreven Registratie: In tegenstelling tot eerdere methoden die afhankelijk zijn van beeldstatistieken of specifieke kleuringen voor registratie, gebruikt deze pipeline de ML-gesegmenteerde axon-skeletten zelf als de primaire kenmerken voor het samenvoegen van tegels en secties. Dit is uniek voor dichte axonale datasets.
2. Schaalbare Architectuur: De pipeline is modulair en ontworpen om te werken met petavoxel-datasets, wat essentieel is voor het hele menselijk brein.
3. Geautomatiseerde Kwaliteitscontrole: Door het gebruik van skelet-overlappingen kan de pipeline automatisch fouten in de stitching detecteren (bijv. een toename van niet-gemerged skeletten aan de randen).
4. Integratie met Proofreading Tools: De ontwikkeling van een methode om skelet-data om te zetten in een ChunkedGraph-formaat, waardoor bestaande tools zoals CAVE kunnen worden gebruikt voor interactieve correctie van splitsingsfouten.

Resultaten

• Validatie: De pipeline is gevalideerd op centimeter-grote seriële secties. De auteurs tonen aan dat >90% van de axonen (inclusief die <1 µm diameter) tot aan de randen van het volume kunnen worden getraceerd na automatische verwerking en beperkte handmatige correctie.
• Nauwkeurigheid: De automatische segmentatie en het samenvoegen van skeletten tonen een hoge correlatie met ground-truth data wat betreft lengte, kaliber en oriëntatie.
• Lokale Oriëntatieanalyse: De pipeline werd gebruikt om de lokale oriëntatiestatistieken van axonen in de visuele cortex van het menselijk brein te analyseren. Dit onthulde zowel dominante richtingen als gebieden met willekeurige axonale arrangementen.
• Efficiëntie: De modulaire aanpak maakt het mogelijk om grote datasets parallel te verwerken zonder de noodzaak om de volledige ruwe beelden te renderen voor elke stap, wat rekentijd en opslag bespaart.

Betekenis en Toekomstperspectief

Deze studie markeert een doorbraak in de mogelijkheid om de connectiviteit van het menselijk brein op mesoschaal in kaart te brengen.

• Potentieel: De combinatie van geavanceerde weefselbereiding (expansie-microscopie) en deze schaalbare computationele pipeline maakt het mogelijk om de langeafstandsprojecties van axonen door het hele menselijk brein te traceren.
• Invloed: Dit vult de kloof tussen lage-resolutie beeldvorming van het hele brein en hoge-resolutie studies van kleine gebieden. Het stelt onderzoekers in staat om nieuwe inzichten te krijgen in de organisatie van witte stof en de basis van hersenfuncties.
• Toekomst: De auteurs werken aan verdere verbetering van de segmentatie-accuratesse (via grotere trainingsdatasets en affinity-based modellen) en het uitbreiden van de transformatiemodellen om complexe 3D-vervormingen van secties beter te hanteren.

Kortom, dit artikel presenteert een volledig geïntegreerde oplossing die de weg vrijmaakt voor het eerste gedetailleerde connectiemap van het menselijk brein op axonaal niveau.