[論文レビュー] Gradient Distribution Priors for Biomedical Image Processing

Yuanhao Gong, Ivo F. Sbalzarini|arXiv (Cornell University)|Aug 13, 2014

Image and Signal Denoising Methods参考文献 33被引用数 4

ひとこと要約

本稿では、自然風景画像から学習された勾配分布事前分布（GDPs）を、生物学的画像処理のための安定的でデータ駆動型の事前分布として用いる手法を提案する。画像勾配の統計的分布をモデル化することで、多様な生物学的サンプルおよび画像モダリティにわたり一貫して頑健であることが検証された。これにより、1つの一貫した事前分布を用いて、ノイズ除去、ぼかし除去、スーパーレゾリューションなどのタスクで、従来の全変動（total variation）などの手法を凌駕する性能が得られ、アーチファクトやバイアスが低減される。

ABSTRACT

Ill-posed inverse problems are commonplace in biomedical image processing. Their solution typically requires imposing prior knowledge about the latent ground truth. While this regularizes the problem to an extent where it can be solved, it also biases the result toward the expected. With inappropriate priors harming more than they use, it remains unclear what prior to use for a given practical problem. Priors are hence mostly chosen in an {\em ad hoc} or empirical fashion. We argue here that the gradient distribution of natural-scene images may provide a versatile and well-founded prior for biomedical images. We provide motivation for this choice from different points of view, and we fully validate the resulting prior for use on biomedical images by showing its stability and correlation with image quality. We then provide a set of simple parametric models for the resulting prior, leading to straightforward (quasi-)convex optimization problems for which we provide efficient solver algorithms. We illustrate the use of the present models and solvers in a variety of common image-processing tasks, including contrast enhancement, noise level estimation, denoising, blind deconvolution, zooming/up-sampling, and dehazing. In all cases we show that the present method leads to results that are comparable to or better than the state of the art; always using the same, simple prior. We conclude by discussing the limitations and possible interpretations of the prior.

研究の動機と目的

• 特定の画像構造に過度にバイアスがかかることがない、原理的かつ汎用的な事前分布がバイオメディカル画像処理において不足している問題に対処すること。
• 自然風景から学習した勾配分布事前分布（GDPs）が、バイオメディカル画像においても安定的であり、画像品質と相関していることを検証すること。
• 変分画像復元フレームワークにおいて、効率的な（準）凸最適化を可能にする、シンプルなパラメトリックGDPモデルの開発。
• 従来の事前分布（例：全変動）と比較して、GDPに基づく手法が、主要なバイオメディカル画像復元タスクで優れていることを実証すること。
• 複数のプラットフォームで利用可能なオープンソース実装を提供し、バイオメディカル画像処理コミュニティにおける広範な採用を促進すること。

提案手法

• 自然風景画像から導出された勾配分布事前分布（GDPs）を、バイオメディカル画像の非パラメトリックでデータ駆動型の事前分布として活用する。
• KLダイバージェンスに基づく自然性マップを用いて、ミトコンドリアやシナプスなどの多様な生物学的構造および蛍光、電子顕微鏡などの多様な画像モダリティにおいて、GDPの安定性を検証する。
• 学習された分布（例：一般化ガンマ分布）を用いたGDPのパラメトリックモデルを導入し、変分画像復元フレームワークにおける効率的で凸な最適化を可能にする。
• ノイズ除去、ぼかし除去、スーパーレゾリューション、ホヤジング除去、ノイズレベル推定などのタスクに、統一された変分フレームワークでGDP事前分布を適用する。
• GDPの有効性が失われる空間スケールを特定するため、移動ウィンドウ解析を用い、信頼性のある応用に適した最小パッチサイズを定義する。
• 得られた（準）凸最適化問題に対して、効率的なソルバーを開発し、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 自然風景から学習した勾配分布事前分布（GDPs）は、多様な生物学的構造および画像モダリティにわたり、効果的かつ安定的にバイオメディカル画像に適用可能か？
• RQ2 GDP事前分布は、主観的および客観的画像品質とどのように相関しており、従来の事前分布と比較して復元結果を改善するか？
• RQ3 GDPが有効である最小の空間スケール（パッチサイズ）は何か？ そして、これはローカル画像処理への応用にどのように影響するか？
• RQ4 1つの汎用的GDP事前分布が、タスク固有のまたは臨時の事前分布（例：全変動）を凌駆する性能を、複数のバイオメディカル画像処理タスクで示せるか？
• RQ5 真の画像コンテンツに関する事前知識がなくとも、GDP事前分布は画像復元においてアーチファクトやバイアスをどれほど低減できるか？

主な発見

• ミトコンドリアやシナプスなどの多様な構造を含むバイオメディカル画像の勾配分布は、自然風景から学習したGDPと非常に近い形状を示し、生物学的コンテンツにわたる強い安定性を示している。
• GDP事前分布は、蛍光顕微鏡や電子顕微鏡を含む多様な画像モダリティにわたり頑健であり、異なる組織および細胞小器官構造間で勾配統計の変動が最小限に抑えられている。
• 自然性マップ（KLダイバージェンスに基づく）により、GDPの有効性がウィンドウサイズの減少に伴い低下することが示され、パッチサイズが約16〜32ピクセル未満になると、明確なダイバージェンスの増加トレンドが観察された。
• ノイズ除去、ぼかし除去、スーパーレゾリューション、ホヤジング除去、ノイズレベル推定の全テストタスクにおいて、GDPベースの手法は、全変動やその他のスペクトル事前分布を含む最先端の手法を上回るか、同等の性能を示した。
• 提案されたパラメトリックGDPモデルにより、効率的で凸な最適化が可能となり、MATLAB、C++（OpenCV）、Java（ImageJ/Fiji）の複数のプラットフォームでオープンソース実装が可能で、リアルタイム処理が実現された。
• 全変動ベースの手法で一般的に見られるステアッピングや過剰な平滑化といったアーチファクトが低減され、ノイズやぼかしを効果的に除去しながら、微細構造を効果的に保持した。