Resumo Técnico: Rastreamento Bayesiano In Vivo de Sinapses usando Deconvolução Poissoniana Conjunta e Registro Difeomórfico

Declaração do Problema

A imagem longitudinal in vivo de receptores sinápticos marcados com fluorescência oferece um caminho para estudar a dinâmica sináptica em larga escala e sua interrupção em doenças neurológicas. No entanto, a extração de dados confiáveis da microscopia de dois fótons enfrenta desafios significativos:

• Baixa Relação Sinal-Ruído (SNR): Para evitar o fotobranqueamento, utiliza-se baixa potência do laser, resultando em alto ruído de disparo e contagens de fótons distribuídas segundo Poisson.
• Movimento Não Linear do Tecido: As sinapses movem-se com os ramos dendríticos e o tecido circundante entre as sessões de imagem, causando deformações complexas e não rígidas.
• Desfoque Óptico: A Função de Espalhamento do Ponto (PSF) do microscópio induz desfoque significativo, exacerbado em regiões de alta densidade sináptica.
• Limitações do Pipeline: Pipelines existentes de "desruído-segmenta-rastreia" (por exemplo, usando autoencoders seguidos por detecção baseada em CNN) frequentemente falham em regimes lotados ou de baixa SNR. O desruído pode desfoquear sinapses adjacentes, fazendo com que redes de segmentação fundam fontes distintas. Além disso, esses pipelines descartam informações de incerteza e tomam decisões locais que podem enviesar as estimativas de fluorescência e falhar em modelar explicitamente a deformação não linear.

Metodologia

Os autores propõem um framework Bayesiano unificado que trata o rastreamento de sinapses como um problema de inferência conjunta, afastando-se de etapas de processamento sequencial. O núcleo do método é um modelo generativo que sintetiza imagens observadas a partir de variáveis latentes.

1. Formulação Matemática

O modelo representa sinapses como um catálogo dinâmico de fontes pontuais evoluindo sob um campo de deformação suave e que preserva a topologia.

• Representação da Sinapse: As sinapses são modeladas como uma densidade singular $\mu_t(x) = \sum f_{i,t} \delta(x - x_i)$, onde $x_i$ são localizações e $f_{i,t}$ são intensidades de fluorescência.
• Deformação Difeomórfica: O movimento não linear do tecido é modelado via difeomorfismos $\phi_t: D \to D$. Para parametrizar isso eficientemente, os autores usam momentos generalizados ($p_{i,t}$) em um espaço de Hilbert de núcleo reprodutor. O campo de deslocamento é aproximado como $\phi_t(x) \approx x + u_t(x)$, onde $u_t$ é uma combinação linear de funções de núcleo ponderadas por momentos. Isso garante transformações suaves e invertíveis que preservam a topologia.
• Formação da Imagem: A intensidade esperada da imagem $\lambda_t(x)$ é a convolução da densidade de sinapses deformada com uma Função de Espalhamento do Ponto (PSF) Gaussiana, mais uma intensidade de fundo $\lambda_0$.
• Modelo de Observação: As contagens brutas de fótons $N_t(x)$ são modeladas como variáveis aleatórias Poisson com média $\lambda_t(x) + \lambda_0$.

2. Inferência Bayesiana

O objetivo é inferir a distribuição posterior conjunta de todos os parâmetros desconhecidos $\theta = \{x_i, f_{i,t}, p_{i,t}, \lambda_0\}$ dadas as contagens de fótons observadas.

• Priors:
  • Localizações de sinapses: Distribuição uniforme sobre o domínio.
  • Fluorescência: Distribuição exponencial independente (incentivando esparsidade).
  • Momentos: Distribuição Gaussiana independente (induzindo deformações suaves).
  • Fundo: Distribuição semi-normal.
• Algoritmo de Inferência: Devido à complexidade da posterior (deformações não lineares e convoluções), os autores empregam Monte Carlo via Cadeias de Markov Hamiltoniano (HMC), especificamente o Amostrador Sem Retorno (NUTS) implementado no PyMC. Isso permite amostrar a posterior para estimar distribuições de parâmetros e fornecer estimativas de incerteza calibradas.

Contribuições Principais

1. Rastreamento por Síntese com Templates Difeomórficos: Em vez de detectar e vincular objetos discretos, o método ajusta um catálogo latente de fontes pontuais que "oscilam" sob transformações difeomórficas. Isso sintetiza sinapses virtuais que fornecem explicações temporalmente coerentes para imagens longitudinais, lidando implicitamente com o rastreamento sem etapas de associação separadas.
2. Modelo Generativo Baseado em Física: O modelo incorpora explicitamente a física da imagem, incluindo uma PSF Gaussiana parametrizada e estatísticas de Poisson tanto para o sinal de primeiro plano quanto para o ruído de disparo de fundo, em vez de depender de desruído heurístico.
3. Inferência Bayesiana Conjunta com Incerteza: O framework realiza simultaneamente o registro de imagem (corrigindo o movimento do tecido), constrói o catálogo de sinapses, desruída os dados e infere as intensidades de fluorescência. Crucialmente, fornece estimativas de incerteza calibradas para todos os parâmetros, evitando a propagação de erros comum em pipelines sequenciais.

Resultados Experimentais

O framework foi avaliado em dados simulados e em conjuntos de dados reais in vivo de uma linhagem de camundongos transgênicos SEP-GluA2 (imagem ao longo de duas semanas).

Dados Simulados

• Desempenho: O modelo recuperou com sucesso as localizações verdadeiras das sinapses, intensidades de fluorescência e campos de deformação, apesar de desfoque substancial e ruído de disparo.
• Acoplamento Temporal: O aumento do número de pontos temporais ($T$) melhorou a localização do template e reduziu a ambiguidade, demonstrando o benefício das restrições temporais.
• Limitações de Densidade: O desempenho degradou-se à medida que a densidade sináptica aumentou devido à sobreposição de PSFs, destacando um limite fundamental de identificabilidade no modelo de imagem.

Dados Reais In Vivo

• Comparação: O método foi comparado contra um autoencoder de desruído (XTC), Médias Não Locais (NLM) e BM3D.
• Métricas:
  • Verossimilhança Logarítmica de Poisson: O modelo Bayesiano alcançou uma verossimilhança significativamente maior (-3,62) em comparação com o XTC (-16,13), indicando um melhor ajuste às estatísticas brutas de fótons.
  • Consistência Temporal: O modelo mostrou estabilidade temporal superior (correlação de Pearson de 0,577 vs. 0,387 para o XTC), mantendo identidades de sinapses coerentes ao longo dos dias.
  • Estabilidade de Pico: O número de picos detectados permaneceu estável entre os quadros (desvio padrão 0,97), enquanto as linhas de base mostraram alta variabilidade (por exemplo, XTC desvio padrão 1,92).
• Resultados Qualitativos: Diferentemente do autoencoder, que produziu intensidades visualmente semelhantes mas temporalmente inconsistentes, o modelo Bayesiano manteve identidades de sinapses consistentes. Os campos de deslocamento inferidos foram suaves e livres de auto-interseções, prevenindo movimentos biologicamente implausíveis como dobras.

Significado e Alegações

O artigo afirma que, ao unificar a formação de imagem, modelagem de movimento e estatísticas de ruído em um único modelo inverso probabilístico, o framework proposto supera as limitações dos pipelines atuais de "desruído-segmenta-rastreia".

• Robustez: Lida com condições de baixa SNR e deformação não linear de forma mais eficaz, aproveitando as restrições físicas do microscópio e a estrutura temporal dos dados.
• Coerência: O rastreamento emerge naturalmente do modelo generativo, garantindo que as identidades das sinapses permaneçam consistentes ao longo do tempo, sem exigir algoritmos explícitos de associação de dados que são propensos a erros de fusão/divisão em regiões lotadas.
• Quantificação de Incerteza: O método fornece uma maneira fundamentada de estimar a confiança nas localizações e intensidades das sinapses, o que é crítico para analisar mudanças biológicas sutis.

Os autores reconhecem que a abordagem atual é computacionalmente cara devido à inferência MCMC e que a recuperação permanece desafiadora em regimes sinápticos extremamente densos. Trabalhos futuros visam melhorar a aproximação da PSF e explorar métodos de inferência mais eficientes para escalar a volumes cerebrais maiores.