[論文レビュー] Efficient bayesian multi-view deconvolution

Stephan Preibisch, Fernando Amat+4 more|arXiv (Cornell University)|Aug 3, 2013

Advanced Fluorescence Microscopy Techniques被引用数 1

ひとこと要約

本稿では、グラフィックスハードウェアの加速を用いて収束を高速化する、ライトシート蛍光顕微鏡向けの高速でベイジアンなマルチビュー脱コントラスト化手法を提案する。ベイジアンフレームワーク内に脱コントラスト化問題を再定式化し、計算効率を最適化することで、従来の手法と比較して顕著な高速化を達成するとともに、大規模なデータセットにおける画像の分解能とコントラストを向上させた。

ABSTRACT

Light sheet fluorescence microscopy is able to image large specimen with high resolution by imaging the sam- ples from multiple angles. Multi-view deconvolution can significantly improve the resolution and contrast of the images, but its application has been limited due to the large size of the datasets. Here we present a Bayesian- based derivation of multi-view deconvolution that drastically improves the convergence time and provide a fast implementation utilizing graphics hardware.

研究の動機と目的

• 大規模なライトシート蛍光顕微鏡データセットにおけるマルチビュー脱コントラスト化の計算上のボトルネックを解消すること。
• 高分解能でマルチアングルで撮影されたデータに適用する際、従来の脱コントラスト化手法の収束が遅いという制限を克服すること。
• 効率的で正確な画像再構成を可能にするベイジアンフレームワークを構築し、分解能とコントラストを向上させること。
• グラフィカルプロセッシングユニット（GPU）を活用して計算を高速化し、大規模な生物学的標本におけるマルチビュー脱コントラスト化を実用的に行えるようにすること。

提案手法

• 撮影プロセスおよび画像構造に関する事前知識を組み込むために、マルチビュー脱コントラスト化をベイジアン推論問題として定式化する。
• 画像再構成中の収束を加速するために、ベイジアン定式化に基づく効率的な最適化アルゴリズムを導出する。
• 並列計算を活用するために、グラフィックスハードウェア（GPU）を用いてアルゴリズムを実装し、処理時間を著しく短縮する。
• 蛍光顕微鏡で一般的に見られるノイズ特性とマルチビュー取得を反映した尤度モデルを活用する。
• 後方分布の近似に変分推論または期待値最大化（EM）に類似した更新手法を適用する。
• データセットサイズに応じて効率的にスケーリングできるようにアルゴリズムを設計し、大規模な3次元ボリュームのリアルタイムまたはニアリアルタイム処理を可能にする。

実験結果

リサーチクエスチョン

• RQ1 従来の手法と比較して、マルチビュー脱コントラスト化のベイジアン定式化が収束時間を顕著に短縮できるか？
• RQ2 GPUの加速は、大規模な顕微鏡データセットにおけるマルチビュー脱コントラスト化の性能とスケーラビリティにどのように影響するか？
• RQ3 提案手法は、マルチビューのライトシート蛍光顕微鏡において、画像の分解能とコントラストをどの程度向上できるか？
• RQ4 ベイジアンフレームワークは、マルチアングルの蛍光イメージングに内在するノイズとアーティファクトを効果的に処理しつつ、計算効率を維持できるか？

主な発見

• 提案されたベイジアンマルチビュー脱コントラスト化手法は、従来の手法と比較して著しく収束が速い。
• GPUの加速により、大規模な3次元顕微鏡データセットのリアルタイムまたはニアリアルタイム処理が可能となり、マルチビュー脱コントラスト化の日常的利用が現実のものとなった。
• 複数の視点からの情報を効果的に統合することで、画像の分解能とコントラストが向上した。
• ベイジアン定式化により、蛍光顕微鏡データに内在するノイズやアーティファクトに対して高いロバスト性を示した。
• データセットサイズの増大に対しても効率的にスケーリングされ、大規模な標本においても高いパフォーマンスを維持した。