Neurolines: 用地铁图隐喻可视化纳米级的神经连接信息
论文:Neurolines: A subway map metaphor for visualizing nanoscale neuronal connectivity
作者:Ali K.Al‑Awami, Johanna Beyer, Hendrik Strobelt, Narayanan Kasthuri, Jeff W. Lichtman, Hanspeter Pfister, Markus Hadwiger
发表会议:Infovis 2014
一、简介
1. 工作起源——在神经元重建的细节分析过程中,没有有效的可视化方法来辅助分析。这个过程重视:morphology, structure, connectivity
2. 前人工作主要着眼于:
(1) 可视化完全抽象的连接图——弊端:舍弃了morphology和structure信息
(2) 渲染原始EM(电子显微镜)数据——弊端:会产生visual clutter
3. 本文工作:基于解刨学上的树状结构,提出了一个multi-scale(多尺度)可视化方法,用二维的可视化方法去表达三维空间内的数据信息。
二、本文贡献
- 将神经突结构抽象到没有视觉重叠的二维空间,同时保留其拓扑结构和连接信息。
- multi-scale的可视化和导航模式,可以很好地同时可视化数千个神经元。用户能够通过zoom交互定位到某一个level去观察,能保存神经元的contextual overview
- 开发NeuroLines Application(作为ConnectomeExplorer插件)
- 专家利用该系统对真实世界数据完成的Case Studies
三、生物学背景——神经科学的工作流
图1:神经科学的工作流
四、NeuroLines的设计
- 主要思想:将三维空间中神经突复杂的枝干和连接模式,抽象成简化的二维表达。二维表达的设计思路受启发于地铁图,这样的方案可以在保留枝干和突触相对位置的同时,减少视觉重叠。
- 设计考虑:尊重专家的需求和意见
图2:NeuroLines设计原型
a) 圆柱形区域切分数据的三维体渲染; b) 直接呈现神经突骨骼结构的三维可视化方案; c) 表达连接信息的抽象二维可视化,忽略空间信息; d) 第一个三维地铁图原型(在三维体渲染的基础上展示连接信息)
图3:NeuroLines的最终设计:二维地铁图隐喻
五、任务分析
1. 定义主要目标:
A. Explore & Identify patterns in synaptic connections
B. Explore & Identify patterns in branching structures
C. Explore synaptic pathways
2. 定义主要任务:
1. Selecting a subset
2. Single-neurite analysis
3. Multi-neurite analysis
4. Synapse analysis
5. Connectivity analysis
六、Scalability Challenges
原因:专家需求 – hierarchical navigate through a large set of neurites
为了测试,构建了5种参数化的仿真器:
S1-多个神经元
S2-多个神经突
S3-多个枝干
S4-多个突触
S5-多个神经突间的连接
七、可视元素设计
1. 系统概览- 3-tier focus-and-context mainview:
a) Working set
b) Subset
c) Individual neurites
图4:系统概览
好处:
a) 同时性 & 多层级,从概览到细节
b) 完善的探索性交互:zoom(缩放), slide(滑动), drilling down into the data(探索)
c) 引用Working set的概念,可以通过检索定位到感兴趣的数据集
2. 视图:Navigation Bar
图5:Navigation Bar
神经突的视觉编码:垂直排布的平行线;平行线的色彩编码:根据所选属性、所选标准排序的编码
3. 视图:Neurite Overvire
图6:Neurite Overvire
一块子数据集信息的概览级可视化
4. 视图:Workspace View
图7:Neurite Overvire
某一条神经突数据的细节级可视化
5. 视图:On-Demand Electron Microscopy Views
图8:On-Demand Electron Microscopy Views
根据需求,辅助性地提供电子显微镜扫描结果图
八、抽象计算
图9:抽象计算示意图
1. 神经突的抽象计算
a) 保留相对距离
b) 拉直树枝
c) 位移树枝到正确的角度
d) 使用相对尺度
2. 树枝的抽象计算
a) 贪婪的算法 – 先画树干,然后迭代地从右往左加树枝;每次添加都改变竖直方向,避免视觉交叉。
b) 如果树枝的高度超过当前level的高度范围,collapse it
3. 突触的抽象计算
a) 突触原本不在神经突的切分结构上,所以要根据原始的3D结构将突触位置投影到神经突上,用Circle Node去表示
b) Mean-shift cluster – 对于一组投影位置重叠的突触,每条树枝单独计算
4. 突触连接的抽象计算
解决突触连接clutter的方法:
a) 只在需要时画
b) 用stubs(桩)代替lines
c) Highlight不同结构中的相同突触
九、交互
1. 排序和筛选
filtering – 在working set中检所,支持动态检索
Multi-criteria sorting – 根据多个类别/数值型数据排序
2. 工作区交互
Pinning – 保持标记状态
Pivoting – 基于选定pivot对全局其他对象进行排序和缩放,使易于找到neighbors
3. 连接性探索
支持选取、多关联发现和高亮等交互,但分析过程依然依靠人工。
十、应用和评估
1. 应用
应用方式:ConnectomeExporer插件
语言和框架:
C++ & OpenGL,
GUI: QT,
Synthesizing Data: Python
所用数据:
领域真实世界数据 – 3D Volumn
合成数据 – Scalability Analysis
a) Neurons & Neuron Connectivity
b) Neurites & Braches Patterns
c) Connectivity: Synapse Generation
2. 评估:
图10:系统表现和尺度性评估
渲染效率:几千个神经突的渲染需要几秒,能保持交互性
Branching Scalability: 能很好的工作到10级子树枝,否则子树枝会被不适当地collapse
十一、 案例分析
1:Relating Variations in Synapse Structure to Neuron Connectivity
“How much of the variance in the structure of synapses can be explained by the connectivity of neurons? ”
图11:第一个案例分析
2: Relating Variance in Synapse Structure to the Branching Structure of Excitatory Dendrites
How the branching structure influences the attributes of synapses along the neurite.